[發明專利]一種基于小樣本的發動機多流量管進氣溫度修正方法、裝置和存儲介質

有效

• 申請號: 202210126111.1
• 申請日: 2022-02-10
• 公開（公告）號: CN114483346B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 錢偉中;王柯宇;樂書琴;張世雅;楊彩瓊;楊橋
• 申請（專利權）人: 電子科技大學;中國航發四川燃氣渦輪研究院
• 主分類號: F02D41/00
• 分類號: F02D41/00;F02D45/00;G06F18/241;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 成都華風專利事務所(普通合伙) 51223
• 代理人: 張巨箭

本發明公開了一種基于小樣本的發動機多流量管進氣溫度修正方法、裝置和存儲介質，方法包括以下步驟：對現有流量管的數據集進行分類，每類數據有不同的修正模型；尋找與新流量管的目標數據集差異最小的類別，在該類的修正模型基礎上進行微調，得到新流量管的修正模型。本發明將原型網絡與模型微調兩種方法相結合，通過將已有數據集進行分類，每類數據有不同的修正模型，并尋找與目標數據集差異最小的類別，在該類的修正模型基礎上進行微調，有以下好處：(1)節省時間和計算資源，節約人力物力成本；(2)提升了模型的準確率和泛化能力。

技術領域

本發明涉及發動機監測領域，尤其涉及一種基于小樣本的發動機多流量管進氣溫度修正方法、裝置和存儲介質。

背景技術

進氣總溫修正對每一個發動機來說是一個共同的問題，對目前已有的流量管類型，通過較多的歷史數據，采用一些建模方法，每個流量管都可以得到一個對應的精確度比較高的預測模型(修正模型)，對進氣總溫進行修正。但是在未來如果新增了新型流量管，仍然采取用大量數據訓練來達到較高的準確率，需要做很多次實驗，耗費物力和人力；直接使用有限的數據，模型容易過擬合，而且最終得到的模型的精度也可能達不到使用的要求。所以如何用更少的數據為新型流量管訓練出一個準確率較高的模型是我們需要解決的問題。小樣本學習領域的方法主要分為基于模型微調、基于數據增強和基于遷移學習這三大類，現有的模型都是單一使用某種類別的方法，對于解決多流量管進氣總溫的修正問題，準確率并不高。

因此提供一種基于小樣本的發動機多流量管進氣溫度修正方法、裝置和存儲介質，屬于本領域亟待解決的問題。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于小樣本的發動機多流量管進氣溫度修正方法、裝置和存儲介質。

本發明的目的是通過以下技術方案來實現的：

本發明的第一方面，提供一種基于小樣本的發動機多流量管進氣溫度修正方法，包括以下步驟：

對現有流量管的數據集進行分類，每類數據有不同的修正模型；

尋找與新流量管的目標數據集差異最小的類別，在該類的修正模型基礎上進行微調，得到新流量管的修正模型。

進一步地，所述尋找與新流量管的目標數據集差異最小的類別，在該類的修正模型基礎上進行微調，得到新流量管的修正模型，包括：

建立并訓練原型網絡模型，利用原型網絡模型得到每個類在嵌入空間中的原型表示即中心點表示；

將新流量管的目標數據集輸入原型網絡模型，提取目標數據集的原型表示，并和各個類的中心點做相似度計算；取相似度最高的類別作為分類結果，將該類別對應的修正模型作為初始模型；

復寫所述初始模型得到目標模型，其中第一部分網絡層的參數保持不變，將二部分網絡層的參數隨機初始化；

用目標數據集訓練所述目標模型，得到所述新流量管的修正模型。

進一步地，所述原型網絡模型為包括多個卷積層、多個批規范化層、多個池化層、多個RELU激活層以及全連接層的卷積神經網絡。

進一步地，所述流量管進氣溫度數據分為支持集和查詢集；所述訓練原型網絡模型包括：

將每個類中的支持集輸入到原型網絡模型中得到中心點；

用同一類的查詢集中的數據與中心點進行基于歐幾里得的距離度量，計算損失，從而更新原型網絡模型中每層的權值；

對模型進行迭代優化，直到準確率滿足要求。

進一步地，所述和各個類的中心點做相似度計算的方式為：利用歐式距離與各個類的中心點分別做相似度計算。