[發明專利]一種航空發動機啟動過程排氣溫度預測方法

有效

• 申請號: 201810075177.6
• 申請日: 2018-01-26
• 公開（公告）號: CN108363844B
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 汪銳;劉敏;張碩;李濟邦
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F111/10;G06F119/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

本發明屬于航空發動機預測技術領域，提供了一種航空發動機啟動過程排氣溫度預測方法。本發明所要解決的技術問題是填補航空發動機在啟動過程中排氣溫度預測的空缺，提供一種航空發動機啟動過程排氣溫度預測方法，利用航空發動機地面試車數據，采用機器學習的方法得到發動機啟動過程排氣溫度預測模型，該模型預測精度高、泛化性能好，預測結果可進一步用于發動機控制方面等，降低了發動機出現超溫的可能性。相對于傳統的單參數預測，本發明由于采用融合預測，包含了更多信息，使得預測誤差降低；相對于單一的預測算法，本發明由于采用了AdaBoost.RT集成算法，對弱學習機進行集成，預測誤差更小。

技術領域

本發明屬于航空發動機預測技術領域，具體涉及一種航空發動機啟動過程排氣溫度預測方法。

背景技術

在飛機啟動時，航空發動機處于高溫、高負荷和高轉速的狀態，發動機出現超溫的可能性較大，增加了飛行風險，因此，需要對排氣溫度進行預測以及時對航空發動機進行控制防止出現超溫。對航空發動機排氣溫度預測的方法主要有三種：基于模型的方法、基于回歸的方法和基于機器學習的方法。其中，基于模型的方法計算復雜、實時計算可能出現迭代不收斂等問題；基于回歸的方法有時變量之間不一定有明顯的線性或者其他函數關系，模型很難選擇；基于機器學習的方法具有非常強的非線性映射能力，訓練時間短。在文獻《基于支持過程向量機的航空發動機排氣溫度預測》中，于廣斌等人提出一種支持過程向量機模型，并運用到航空發動機排氣溫度預測中以預測航空發動機氣路性能衰退規律，預測精度高。在文獻《Application of Neural Networks in Forecasting Engine SystemsReliability》中，Xu K等人利用神經網絡對航空發動機排氣溫度進行預測以預測發動機系統故障和可靠性。以上方法都是以航空發動機多個飛行循環的排氣溫度為數據進行預測，以顯示航空發動機的性能狀態及退化情況，但沒有涉及到整個啟動過程的排氣溫度預測，因此無法在有超溫現象前對發動機進行控制。

發明內容

本發明所要解決的技術問題是填補航空發動機在啟動過程中排氣溫度預測的空缺，提供一種航空發動機啟動過程排氣溫度預測方法，利用航空發動機地面試車數據，采用機器學習的方法得到發動機啟動過程排氣溫度預測模型，該模型預測精度高、泛化性能好，預測結果可進一步用于發動機控制方面等。

按照本發明，提供了一種航空發動機啟動過程排氣溫度預測方法，本發明的技術方案如下：

首先，對傳感器采集到的航空發動機地面試車數據，如高壓壓氣機轉速、低壓壓氣機轉速、主燃油流量、低壓渦輪后溫度等進行預處理，主要包括對異常數據的識別和處理、數據的平滑處理及數據的歸一化處理。然后，基于信息融合的思想，通過合適的相關性方法選擇與排氣溫度相關性大的參數作為輸入參數對其進行預測。另外，對選擇的參數進行相空間重構構建輸入輸出樣本。最后，采用機器學習的算法對排氣溫度進行預測，獲得預測精度高、泛化能力強、魯棒性好的航空發動機啟動過程排氣溫度預測模型。

優選地，在本發明中，對異常數據的識別采用基于密度的方法然后進行剔除。對數據的平滑處理采用專用函數平滑法。相關性分析方法采用互信息法。相空間重構的參數分別采用互信息法和Cao法。機器學習算法采用AdaBoost.RT集成算法，通過對弱學習機極限學習機(ELM)進行集成，得到效果優越的強學習機。

本發明的有益效果：本發明的預測模型預測精度高、泛化能力強、魯棒性強，可對航空發動機啟動過程的排氣溫度進行實時預測，預測結果可用于航空發動機控制等方面，降低了發動機出現超溫的可能性。相對于傳統的單參數預測，本發明由于采用融合預測，包含了更多信息，使得預測誤差降低；相對于單一的預測算法，本發明由于采用了AdaBoost.RT集成算法，對弱學習機進行集成，預測誤差更小。

附圖說明

圖1是本發明的流程圖。

具體實施方式