[發明專利]航空發動機電氣附件靜態性能預測方法

在審

• 申請號: 201911159366.2
• 申請日: 2019-11-22
• 公開（公告）號: CN110956003A
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 孫兆榮;英福君;王亞錕;石旭東
• 申請（專利權）人: 中國民航大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/00
• 代理公司: 北京聿華聯合知識產權代理有限公司 11611
• 代理人: 金偉英

本發明提出了一種航空發動機電氣附件靜態性能預測方法，該方法包括以下步驟：發動機電氣附件靜態預測模型的構建，其包括系統建模和構建基于粒子群優化算法模型；發動機電氣附件靜態性能預測模型的訓練，其包括對構建的粒子群優化算法模型進行初始化、并對粒子群優化模型進行訓練，獲得粒子群優化模型結果；發動機電氣附件靜態性能，其包括將測試數據輸入粒子群優化模型，通過性能趨勢得到發動機電氣附件的預測結果。該方法實現對航空發動機電氣附件靜態性能的精確預測，能夠有效提高預測精度和效率。

技術領域

本發明屬于自動測試與計算機技術領域，具體是指一種基于粒子群優化算法的航空發動機電氣附件靜態性能預測方法。

背景技術

目前航空發動機上運用了大量的電氣附件設備，包括電磁活門、作動器、傳感器等。這些部件種類龐雜，并且連接的電氣線路極其復雜。通常如果出現短路、電路老化、接觸不良等故障，都會導致附件的電氣靜態性能的變化。因此，航空發動機電氣附件靜態性能預測是航空發動機電氣附件排故及維修策略制定的重要依據。

當前靜態性能預測的主要方法包括線性預測及非線性預測兩種。線性預測方法主要基于統計學習理論，采用基于最小二乘法的多元線性回歸擬合方法，該方法的預測誤差較大，不適用于復雜多變量相互影響的非線性預測。非線性預測方法主要基于機器學習理論，采用神經網絡等復雜非線性預測方法時存在學習速度慢、訓練時間長、網絡難以收斂及過擬合等問題。

發明內容

針對現有技術中所存在的上述技術問題的部分或者全部，本發明提出一種基于粒子群優化算法的航空發動機電氣附件靜態性能預測方法，該方法實現對航空發動機電氣附件靜態性能的精確預測，能夠有效提高預測精度和效率。

為實現以上發明目的，本發明提供的一種基于粒子群優化算法的航空發動機電氣附件靜態性能預測方法，該方法包括以下步驟：

發動機電氣附件靜態預測模型的構建，其包括系統建模和構建基于粒子群優化算法模型；

發動機電氣附件靜態性能預測模型的訓練，其包括對構建的粒子群優化算法模型進行初始化、并對粒子群優化模型進行訓練，獲得粒子群優化模型結果；

發動機電氣附件靜態性能，其包括將測試數據輸入粒子群優化模型，通過性能趨勢得到發動機電氣附件的預測結果。

在本發明中，該方法采用基于粒子群優化算法的性能預測模型，通過利用適應度函數更新粒子群求取輸出權值，從而獲取全局最優解，優化網絡結構，實現對航空發動機電氣附件靜態性能的精確預測，能夠有效提高預測精度和效率。

在一種實施方案中，通過建立粒子群優化算法的航空發動機電氣附件靜態性能預測模型，確定模型的輸入向量、產生輸入向量的非線性變換權值矩陣、輸入傳遞函數非線性映射、輸出傳遞函數非線性映射，再采用基于迭代式的最小二乘法求解模型的輸出權值矩陣，能夠將測試數據自動加載，在無人干預的情況下實現對航空發動機電氣附件靜態性能的精確預測。

在一種實施方案中，該方法包括：

采用航空發動機電氣附件靜態測試歷史數據序列、測試環境及飛機起降循環次數構建訓練樣本集；

建立基于粒子群優化算法的航空發動機電氣附件靜態性能預測模型，確定模型的輸入向量、產生輸入向量的非線性變換權值矩陣、輸入傳遞函數非線性映射、輸出傳遞函數非線性映射，將所述訓練樣本集輸入到建立的所述預測模型中，再采用適應度函數更新粒子群求解模型的輸出權值矩陣，完成所述預測模型的訓練；

將航空發動機電氣附件靜態測試數據輸入到訓練得到的預測模型中，預測當前狀態下航空發動機電氣附件靜態性能，實現靜態性能預測。

在一種實施方案中，所述發動機電氣附件靜態性能預測數據樣本參數包括：測試環境溫度、起降循環測試和被測電氣附件電阻值。