CN110826600A - 基于自适应共振网络在线增量学习的发动机喘振预测方法 - Google Patents

Abstract

本发明公开了基于自适应共振网络在线增量学习的发动机喘振预测方法，包括以下步骤：实时采集当前发动机部件参数数据组并将数据输入训练好的自适应共振网络中，进而得出输出模式，结合所述输出模式判断发动机当前的状态；其中，训练所述自适应共振网络的具体步骤包括：步骤1:收集数据；步骤2:整理数据；步骤3:训练网络：将步骤2中的所述训练数据集输入所述自适应共振网络中，对所述自适应共振网络进行训练；步骤4:定义输出模式。本发明能对自适应共振网络进行训练，使其跟随发动机的变化及时调整分类，以达到更为实时准确的监测效果，根据当前时刻的输出模式，及时评估当前发动机状态，并对其下一时刻是否喘振进行较准确预测。

Description

基于自适应共振网络在线增量学习的发动机喘振预测方法

技术领域

本发明涉及发动机喘振预测技术领域，更具体的说是涉及基于自适应共振网络在线增量学习的发动机喘振预测方法。

背景技术

发动机是航空飞机的关键部件，其性能及当前工作状态直接影响整个飞机的运行情况。航空发动机喘振故障是影响其性能和安全的主要因素之一，严重时直接导致发动机的损毁，对飞机安全构成巨大威胁，因此对喘振故障的诊断和预测显得尤为重要。

在基于数据分析预测发动机喘振的方法中，技术人员通过采集喘振发生前后的压气机转速、压比和燃油流量建立非线性模型(支持向量机预测模型)/线性模型(卡尔曼滤波模型)来监测发动机中压气机转速、压比和燃油流量，计算真实值与预测值间的差值并作为预测喘振的依据，进行喘振预测；也有技术人员通过设定压气机、涡轮机、风扇、转子等部件的性能衰退因子，模拟喘振发生，采集发动机运行周期内的部件参数数据组，采用深度置信网络/前馈神经网络/径向基神经网络进行网络训练，进行喘振诊断及预测；还有技术人员通过贝叶斯网络/专家***/模糊逻辑/数据融合/混合法，对发动机气路进行故障诊断或预测。然而发动机在真实工作过程中正常状态与喘振状态的边界并不是泾渭分明，以上模型/网络/方法在训练过程中不能将发动机的工作状态进行精细分类，导致模型或网络对于喘振状态预测的准确度也相对偏低；再者，以上模型或网络的训练过程为离线过程，所涉及方法也只是局限于对历史数据的分析和总结，不能将监测时发动机的实时状态特征提取添加到已有的模型或网络中，因此以上模型/网络/方法对于实时运行的发动机的状态监测和预测亦缺乏准确性。

因此，如何设计出一种准确性强且能够实现在线增量学习的发动机喘振预测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了基于自适应共振网络在线增量学习的发动机喘振预测方法，能有效地在监测过程中更加准确地对当前所输的发动机性能参数数据进行状态分类，并不断在监测过程中对自适应共振网络进行训练，从而提高喘振预测的准确性。

为了实现上述目的，本发明采用如下技术方案：

基于自适应共振网络在线增量学习的发动机喘振预测方法，包括以下步骤：

实时采集当前发动机部件参数数据并将数据输入到训练好的自适应共振网络中，进而得出输出模式，结合所述输出模式判断发动机当前的状态；

其中，训练所述自适应共振网络的具体步骤包括：

步骤1:收集数据：进行发动机逼喘试验，收集喘振周期内的发动机部件参数数据；

步骤2:整理数据：将步骤1中所收集到的所述参数数据整理成自适应共振网络能处理的形式，作为训练数据集；

步骤3:训练网络：将步骤2中的所述训练数据集输入所述自适应共振网络中，对所述自适应共振网络进行训练；

步骤4:定义输出模式：将发动机部件参数数据输入至训练后的所述自适应共振网络，得到不同的输出模式，对所述输出模式进行分析，生成输出模式定义方法，从而获得训练好的自适应共振网络。

优选的，步骤1中的收集数据方式包括但不限于：进行发动机逼喘试验。

需要说明的是，所述自适应共振网络在训练的过程中不仅可以通过逼喘试验收集数据，而是可以通过各种方式收集数据从而实现在线增量学习。

优选的，步骤1具体包括以下内容：

进行发动机逼喘试验，在喘振周期内，按照固定频率对数据进行采集，所采集的数据类型包括：压气机转速、压比、流量和绝热效率。

优选的，所述逼喘试验的具体方法为：

起动发动机到慢车模式，调节转速至特性曲线中喘振状态所对应的转速后，保持发动机转速不变，逐步增加发动机的气压，使气体克服发动机的高压气体喷入燃烧室中，燃气涡轮导叶前压力提高，进而使压气机流路在经历阻塞、中断和倒流过程后，发出喘振声后，紧急停车，切断电源使发动机退喘。

优选的，步骤2具体包括以下内容：

将不同逼喘试验中的不同时刻下所采集到的参数数据组成参数数据组，且所述参数数据组中的每个参数的数值均为浮点型，由所述参数数据组组成所述训练数据集。

优选的，步骤3中对自适应共振网络进行训练具体依次包括以下三个过程：初始化过程、网络输入过程和训练学习过程：

初始化过程：对网络中的自下而上的连接权值ω_ij、自上而下的连接权值t_ij进行初始化，并设置警戒参数ρ；

其中，d为常数，n为训练数据集个数，且0<ρ<1；

网络输入过程：接受所述训练数据集中的任意一个数据组，经过输入层进行预处理，预处理后的输入信号达到稳定状态后发送至输出层，进入训练学习过程；

训练学习过程主要分为四个阶段：识别阶段、比较阶段、学习阶段和搜索阶段；

在识别阶段，根据公式

和h_j＝max{h_k}识别出输出层的获胜神经元，记获胜神经元为j；

其中，h_k表示从输入层到输出层的第k个节点的输入，h_j为输入中最大的值，h_j对应的输出值y_j为获胜神经元j，ω_ik为神经网络自下而上的连接权值系数；

在比较阶段，对所述获胜神经元j进行相似度R检验，当获胜神经元j未通过相似度检验时，放弃当前分类结果，进入搜索阶段，当获胜神经元j通过检验，将其作为真正的获胜神经元，网络进入学习阶段；

其中，当|R|＜ρ时，获胜神经元j未通过相似度检验；当|R|＞ρ时，获胜神经元j通过相似度检验；

在学习阶段，根据公式

以及

来修改所述自适应共振网络的长期记忆连接权向量，实现输入数据集与输出模式之间的共振，增强网络记忆；

其中，Δ表示变化量，d为常数，u_i表示中间节点的输出值，

在搜索阶段，输出层中获胜神经元j的输出值复位为0，并在当前信号输出期间不参与竞争，输出层中的其他神经元进行进一步比较，找到下一个获胜神经元。

优选的，步骤4中对输出模式的定义具体包括以下内容：

仅包含正常数据集的输出模式定义为正常状态；

包含正常数据集占比大于喘振数据集的输出模式定义为轻度喘振状态；

包含喘振数据集占比大于等于正常数据集的输出模式定义为初喘振状态；

仅包含喘振数据集的输出模式定义为喘振状态。

需要说明的是，其中的正常数据集表示发动机在正常状态下的参数数据组成的数据集，而喘振数据集表示发动机在喘振周期内的参数数据组成的数据集。

优选的，根据输出模式从而判断发动机当前状态的具体判断方法包括以下内容：

当输出模式为正常状态时，表示发动机处于正常状态；

当输出模式为轻度喘振状态时，表示发动机虽处于正常状态，但有进入异常的趋势，需要及时关注发动机的下一时刻状态；

当输出模式为初喘振状态时，表示发动机已经表现异常，需采取措施及时防喘；

当输出模式为喘振状态时，表示发动机已经处于喘振状态，需及时退喘。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于自适应共振网络在线增量学习的发动机喘振预测方法，本发明中所采用的自适应共振网络，可以改善现有基于数据分析来进行喘振预测方法中因不能在线训练网络或模型而导致预测准确度不高的缺陷，能根据所输入发动机部件参数以及网络固有参数主动调整网络的连接权值及输出模式，增强网络记忆，故该共振网络具有良好的抗噪性和稳定性。该网络通过手动调整网络的固有参数来调节网络分类精度，将输出模式划分为不同严重程度的喘振模式，从而实现发动机的喘振预测；且该网络在监测过程中可以继续训练，这样在监测过程中能够更加准确的对当前所输的发动机性能参数数据进行状态分类，使喘振预测更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的训练自适应共振网络并利用训练好的自适应共振网络进行发动机预测方法的流程图；

图2附图为本发明提供的训练自适应共振网络的具体方法流程图；

图3附图为本发明提供的训练自适应共振网络并利用训练好的自适应共振网络进行发动机预测方法的具体流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了基于自适应共振网络在线增量学习的发动机喘振预测方法，首先公开对自适应共振网络进行训练，最后通过训练好后的自适应共振网络进行发动机喘振预测。

如图1和3所示，101、进行多次发动机逼喘试验，收集喘振周期内的发动机部件参数数据。

具体做法可以分为以下两个步骤。

一、逼喘试验：起动发动机到慢车，调节转速至特性曲线中喘振状态对应的转速，保持发动机转速不变，逐步增加发动机的气压，使气体克服发动机的高压气体喷入燃烧室中，燃气涡轮导叶前压力提高，进而使压气机流路在经历阻塞、中断和倒流过程后，发出明显的喘振“放炮”声后，紧急停车，切断电源使发动机退喘，上述过程为单次逼喘试验，进行多次逼喘，则可产生后续训练网络所需的原始数据。

二、收集数据：压气机喘振时振动增大，压气机出口总压和流量出现大幅度波动，发动机的排气升高，故采集发动机中压气机转速、压比、流量和绝热效率这类能够明显表征发动机喘振特性的参数数据具有一定的说明性和训练意义。在喘振周期的时间范围，数据采集周期为1次/秒，所采集数据类型为：压气机转速、压比、流量和绝热效率。为保证所训练的网络具有更好的分类识别性能，选用数据集为1000组。其中，试验件的转速由磁电式传感器和转速测量仪测量；压比由压力测量***测量并计算得到；流量由不同点压力及温度测量并计算得到；绝热效率通过大气温度、变比热系数以及压气机进口流量等参数的相关计算得到。

102、整理数据：将参数数据整理成自适应共振网络能处理的形式，作为训练数据集。

其中，自适应共振网络具有无指导学习能力，故参数数据只需包含不同逼喘试验下不同时刻下发动机部件参数数据组，数据组的形式为：[压气机转速，压比，流量，绝热效率]，每个参数的数值均为浮点型。自适应共振网络选取第二类共振网络，基本思想采用竞争学习机制，其输入要求比较宽泛，不仅可以容许二值离散量作为输入模式，而且容许任意模拟量作为输入模式，其内部学习算法更复杂，具有从复杂多变的背景噪声中提取并增强信号的能力。

如图2所示，103、训练网络：将步骤2中的数据集输入网络中，对网络进行训练。

其中，采用无指导学习方式进行网络训练，首先设置警戒参数ρ等网络相关常数将网络初始化，将数据集输入网络中，通过不断识别、比较、学习和搜索，并在期间通过调整警戒参数ρ使输出模式能分为四类后停止训练。网络分为两层，在输入层具有抑制输入噪声、增强特征信号的能力，而输出层的关键作用在于以竞争的手段提高自下而上的滤波输入模式的对比度以及发出重置信号。网络的训练过程可由图3具体示出。

具体做法分为初始化过程、网络输入过程、训练过程。

其中，初始化过程：分别按照公式：

以及t_ij(0)对网络中的自下而上的连接权值ω_ij、自上而下的连接权值t_ij进行初始化，并设置警戒参数ρ(0<ρ<1)其中，d为常数，n为训练数据集个数。

网络输入过程：接受训练数据集中的任意一个数据组，经过输入层中三个子层的接收、转换及保存等数据处理过程以增强输入数据组的特征信号，经输入层预处理后的输入信号达到稳定状态后发送至输出层，进入训练学习阶段。

训练主要分为四个阶段：识别阶段、比较阶段、学习阶段和搜索阶段。

在识别阶段，根据公式

h_j＝max{h_k}(其中h_k表示从输入层到输出层的第k位节点的输入，h_j为输入中最大的值，h_j对应的输出值y_j则为获胜神经元j，ω_ik为神经网络自下而上的连接权值系数)识别出输出层的获胜神经元，记获胜神经元为j。

在比较阶段，对识别阶段获胜神经元j进行相似度R检验，当获胜神经元j未通过相似度检验时，也即是|R|<ρ，放弃该分类结果，进入搜索阶段，当获胜神经元j通过检验，也即是|R|>ρ，将其作为真正的获胜神经元，网络进入学习阶段。

在学习阶段，根据公式

以及

(其中变量Δ表示变化量，d为常数，u_i表示中间节点的输出值)修改其长期记忆连接权向量，实现输入数据集与输出模式之间的共振，增强网络记忆。

在搜索阶段，输出层中神经元j的输出值复位为0，并在此次信号输出期间不参与竞争，在输出层中找到真正的获胜神经元。

104、检测网络：再次进行逼喘试验，收集发动机部件参数数据并整理成正常数据集和喘振数据集，输入训练好的网络中，观察网络的输出情况。

再次进行逼喘试验，按照1次/秒的频率采集发动机部件参数数据，保证能收集到等数量的喘振数据集及正常数据集各为500组及以上。检测网络的目的在于根据正常数据集与喘振数据集在网络输出中的分布情况，为输出模式定义不同喘振程度的标签。将只包含正常数据集的输出模式定义为正常状态，将所包含正常数据集占比大于喘振数据集的输出模式定义为轻度喘振状态，将包含喘振数据集占比大于等于正常数据集的输出模式定义为初喘振状态，将只包含喘振数据集的输出模式定义为喘振状态。

在本实施例中，设定步骤3所训练好的输出模式为4类，分别标为0,1,2,3，但该4类输出模式所代表的具体含义未知，这时，将收集到等数量的喘振数据集及正常数据集标记为红色和绿色，并输入到训练好的网络中，根据红色和绿色的输入数据集的分布情况，为0,1,2,3定义标签。若在输出模式0中，标记为红色的数据集占比大于等于绿色，则将0定义为初喘振状态；若在输出模式0中，标记为红色的数据集占比小于绿色，则将0定义为轻度喘振状态；若在输出模式0中，只含有红色标记的数据集，则将0定义为喘振状态；若在输出模式0中，只含有绿色标记的数据集，则将0定义为正常状态；以此类推，完成0,1,2,3输出模式的状态标签设定。

105、喘振预测：输入当前发动机部件参数数据组，结合网络的输出判断发动机当前状态，并预测下一时刻的发动机状态。

使用已经定义好标签的网络对发动机进行实时监测，将当前发动机部件参数数据组输入到网络中，观察网络的输出模式，当输出模式为正常状态时，表示发动机处于正常状态；当输出模式为轻度喘振状态时，表示发动机处于正常状态，但有进入异常的趋势，需要及时关注发动机的下一时刻状态；当输出模式为初喘振状态时，表示发动机已经表现异常，需采取措施及时防喘；当输出模式为喘振状态时，表示发动机已经处于喘振状态，需及时退喘。这样该网络能在当前时刻继续训练网络，跟随发动机的变化及时调整分类，以达到更为实时准确的监测效果，根据当前时刻的输出模式，及时评估当前发动机状态，并对其下一时刻是否喘振进行较准确预测。

需要进一步说明的是，本申请中的步骤101-104部分并非每次进行具体的发动机预测时均需要完成。当确定好需要预测的发动机后，针对该发动机进行自适应振动网络的训练。而且训练网络过程中，可以随时加入实时数据进行实时训练。

训练好自适应振动网络后，利用该网络即可实现发动机状态的预测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，包括以下步骤：

实时采集当前发动机部件参数数据并将数据输入到训练好的自适应共振网络中，进而得出输出结果，结合所述输出结果判断发动机当前的状态；

其中，训练所述自适应共振网络的具体步骤包括：

步骤1:收集数据：收集发动机部件参数数据；

步骤2:整理数据：将步骤1中所收集到的所述参数数据整理成自适应共振网络能处理的形式，作为训练数据集；

步骤3:训练网络：将步骤2中的所述训练数据集输入所述自适应共振网络中，对所述自适应共振网络进行训练；

步骤4:定义输出模式：将发动机部件参数数据输入至训练后的所述自适应共振网络，得到不同的输出模式，对所述输出模式进行分析，生成输出模式定义方法，从而获得训练好的自适应共振网络。

2.根据权利要求1所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，步骤1中的收集数据方式包括但不限于：进行发动机逼喘试验。

3.根据权利要求2所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，步骤1具体包括以下内容：

进行发动机逼喘试验，在喘振周期内，按照固定频率对数据进行采集，所采集的数据类型包括：压气机转速、压比、流量和绝热效率。

4.根据权利要求2所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，所述逼喘试验的具体方法为：

起动发动机到慢车模式，调节转速至特性曲线中喘振状态所对应的转速后，保持发动机转速不变，逐步增加发动机的气压，使气体克服发动机的高压气体喷入燃烧室中，燃气涡轮导叶前压力提高，进而使压气机流路在经历阻塞、中断和倒流过程后，发出喘振声后，紧急停车，切断电源使发动机退喘。

5.根据权利要求1所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，步骤2具体包括以下内容：

将不同逼喘试验中的不同时刻下所采集到的参数数据组成参数数据组，且所述参数数据组中的每个参数的数值均为浮点型，由所述参数数据组组成所述训练数据集。

6.根据权利要求1所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，步骤3中对自适应共振网络进行训练具体依次包括以下三个过程：初始化过程、网络输入过程和训练学习过程：

初始化过程：对网络中的自下而上的连接权值ω_ij、自上而下的连接权值t_ij进行初始化，并设置警戒参数ρ；

其中，d为常数，n为训练数据集个数，且0<ρ<1；

网络输入过程：接受所述训练数据集中的任意一个数据组，经过输入层进行预处理，预处理后的输入信号达到稳定状态后发送至输出层，进入训练学习过程；

训练学习过程主要分为四个阶段：识别阶段、比较阶段、学习阶段和搜索阶段；

在识别阶段，根据公式和h_j＝max{h_k}识别出输出层的获胜神经元，记获胜神经元为j；

其中，h_k表示从输入层到输出层的第k个节点的输入，h_j为输入中最大的值，h_j对应的输出值y_j为获胜神经元j，ω_ik为神经网络自下而上的连接权值系数；

在比较阶段，对所述获胜神经元j进行相似度R检验，当获胜神经元j未通过相似度检验时，放弃当前分类结果，进入搜索阶段，当获胜神经元j通过检验，将其作为真正的获胜神经元，网络进入学习阶段；

其中，当|R|＜ρ时，获胜神经元j未通过相似度检验；当|R|＞ρ时，获胜神经元j通过相似度检验；

在学习阶段，根据公式

以及

来修改所述自适应共振网络的长期记忆连接权向量，实现输入数据集与输出模式之间的共振，增强网络记忆；

其中，Δ表示变化量，d为常数，u_i表示中间节点的输出值，

在搜索阶段，输出层中获胜神经元j的输出值复位为0，并在当前信号输出期间不参与竞争，输出层中的其他神经元进行进一步比较，找到下一个获胜神经元。

7.根据权利要求1所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，步骤4中对输出模式的定义具体包括以下内容：

仅包含正常数据集的输出模式定义为正常状态；

包含正常数据集占比大于喘振数据集的输出模式定义为轻度喘振状态；

包含喘振数据集占比大于等于正常数据集的输出模式定义为初喘振状态；

只包含喘振数据集的输出模式定义为喘振状态。

8.根据权利要求7所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，根据输出模式从而判断发动机当前状态的具体判断方法包括以下内容：

当输出模式为正常状态时，表示发动机处于正常状态；

当输出模式为轻度喘振状态时，表示发动机虽处于正常状态，但有进入异常的趋势，需要及时关注发动机的下一时刻状态；

当输出模式为初喘振状态时，表示发动机已经表现异常，需采取措施及时防喘；

当输出模式为喘振状态时，表示发动机已经处于喘振状态，需及时退喘。

Images