WO2020000248A1 - 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 - Google Patents

一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 Download PDF

Info

Publication number
WO2020000248A1
WO2020000248A1 PCT/CN2018/093077 CN2018093077W WO2020000248A1 WO 2020000248 A1 WO2020000248 A1 WO 2020000248A1 CN 2018093077 W CN2018093077 W CN 2018093077W WO 2020000248 A1 WO2020000248 A1 WO 2020000248A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
engine
parameter
parameters
aero
Prior art date
Application number
PCT/CN2018/093077
Other languages
English (en)
French (fr)
Inventor
张硕
孙小鱼
李济邦
孙希明
Original Assignee
大连理工大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 大连理工大学 filed Critical 大连理工大学
Priority to PCT/CN2018/093077 priority Critical patent/WO2020000248A1/zh
Priority to US16/629,752 priority patent/US11436395B2/en
Publication of WO2020000248A1 publication Critical patent/WO2020000248A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design

Definitions

  • the invention belongs to the technical field of aero engine performance parameter prediction, and particularly relates to a method for predicting key performance parameters of an aero engine transient state acceleration process based on space reconstruction.
  • the aero engine runs in a complex environment with high temperature, high pressure and high speed for a long time, and the possibility of failure increases with time.
  • the performance of the transient state acceleration process is directly related to the take-off and acceleration of the aircraft. Due to the extremely complicated aero-engine mechanism, it is very difficult to model the transition state process parameters. Therefore, using the data-driven aero-engine performance parameter advanced prediction method can avoid the model construction of complex engine mechanism, and at the same time, the parameter state of the engine transient state acceleration process can be predicted in advance to ensure the safety of life and property.
  • the present invention proposes a parameter prediction based on a random forest (RF) algorithm.
  • RF random forest
  • the RF algorithm is insensitive to multicollinearity, has high prediction accuracy, fast convergence speed, The adjustment parameters are few and the meaning is easy to understand. It has a good effect on high-dimensional data performance and does not appear overfitting. Because of its high efficiency and accuracy, random forests are increasingly used in various industries.
  • SAE sparse autoencoder
  • the present invention proposes a sparse autoencoder (SAE) based on neural network to perform up-down dimension on input features. Compared with traditional feature selection algorithms (such as PCA), the feature dimension of SAE can be adjusted according to the algorithm.
  • the parameter optimization algorithm is used to optimize the model parameters of the two algorithms. From the perspective of engineering application, the key performance parameters of the engine, such as the low-pressure rotor speed and exhaust temperature, are predicted.
  • the present invention proposes a method for predicting the performance parameters of an aero-engine transient state acceleration process based on space reconstruction.
  • a method for predicting key performance parameters of the aero-engine transient state acceleration process based on space reconstruction the steps are as follows:
  • the first step is preprocessing of aero engine test data
  • the test data of the transient acceleration process of the aero engine includes the relative speed of the compressor inlet PNNC2 g , the temperature of the engine inlet T 2 , the pressure of the engine inlet P 2 , the total pressure of the compressor outlet P 3 , the fuel flow rate WFB, the physical speed of the fan N f , The compressor's physical speed N c , turbine exit temperature T 5 , simulated flight height H, and simulated flight Mach number Ma are a total of 10 types of parameters, which is a sample;
  • the aero-engine transient state acceleration process test data includes field data collected during multiple avionics test runs, combining the data collected during aero-engine acceleration during multiple avionics test runs, and stored uniformly. And set up aero engine performance parameter test data warehouse;
  • the second step is the parameter selection of random forest regression model
  • the random forest regression model has two key parameters, respectively: ntree is the number of regression trees in the random forest regression model, ntree is too small, the model prediction accuracy is low, ntree is too large, and the calculation time is too long to be conducive to real-time prediction; mtry The number of features of the regression tree in the random forest regression model, that is, the number of branches of each regression tree; because the parameters of the random forest regression model are discrete integer values, a two-dimensional grid search is used to traverse the parameters ntree and mtry For calculation, the fitness function (that is, the return value of parameter optimization) selects MSE; the range of two-dimensional grid search optimization is determined by the following principles:
  • the optimization range of ntree is determined by the out-of-bag data error (OOB error rate), where the out-of-bag data error is the error generated by regression for each time the data that is not selected as the training sample for a single decision tree;
  • OOB error rate the out-of-bag data error
  • the mtry optimization range is determined from natural number 1 to the total number of experimental data features
  • the third step is to build a training database using a sparse autoencoder
  • the SAE-RF hybrid model is used to determine the relevant parameters of the SAE; because the 10 parameter characteristics of the aero-engine test data are difficult to meet the accuracy requirements of the aero-engine transient state parameter prediction model, we choose to learn Sparse representation of aero engine test data, mining more information from 10-dimensional inputs.
  • a 10-dim-10 structure SAE is used to construct the input vector of the model.
  • discrete-continuous hybrid particle swarm optimization PSO is used to optimize SAE parameters.
  • Important parameters of SAE include learning rate ⁇ and reconstruction dimension dim;
  • the principle of particle swarm optimization in the present invention is as follows:
  • X (X 1 , X 2 , ..., X n )
  • V k (V k1 , V k2 ) T
  • P k (P k1 , P k2 ) T
  • the global maximum of this parameter combination is
  • the iterative formula of the moving speed and position of the parameter combination is expressed as:
  • w is the inertia weight
  • t is the number of current iterations
  • r 1 and r 2 are uniformly distributed random numbers in [0, 1]
  • c 1 and c 2 are learning factor constants.
  • the K-fold cross-validation method is generally used to estimate the generalization ability in parameter selection.
  • the specific steps of SAE-RF hybrid model parameter optimization based on discrete-continuous hybrid particle swarm optimization algorithm are as follows:
  • the training sample is evenly divided into k mutually exclusive subsets S 1 , S 2 , ..., Sk ;
  • step (2) Repeat step (2) until the fitness requirement is met or the maximum number of iterations is reached;
  • the fourth step is to construct a SAE-RF regression model to predict the aero-engine test data and evaluate the prediction effect.
  • the maximum value method is used to normalize the data samples to avoid model errors caused by magnitude gaps.
  • the characteristics after the sparse representation of the test data of the aero-engine transient state acceleration process are normalized into the interval [1, 2] according to the following formula:
  • the main evaluation indicators include:
  • Mean square error is a measure of the difference between the predicted sequence and the observed sequence, calculated according to the following formula:
  • the beneficial effects of the present invention uses aeroengine transient state acceleration process test data provided by a research institute to establish training data sets and test data sets; data space reconstruction based on autoencoders is used to upgrade the data set; The population optimization algorithm represented by swarm optimization (PSO) optimizes the model parameters; finally, the random forest regression algorithm with excellent performance on high-dimensional data is used to regress the transition state performance parameters. From the perspective of engineering applications, effective real-time prediction.
  • PSO swarm optimization
  • FIG. 1 is a flowchart of establishing a prediction model of key performance parameters of an aero-engine transient state acceleration process.
  • Figure 2 is a graph showing the relationship between the data error outside the bag and the number of model decision trees.
  • FIG. 3 is a graph of optimal parameter results of a grid search random forest regression model.
  • FIG. 4 is a graph of the optimization process of the particle swarm optimization algorithm.
  • the upper picture is the result of the particle swarm algorithm optimization prediction of the low-pressure rotor speed, and the lower picture is the particle swarm algorithm optimization result prediction of the exhaust temperature.
  • Fig. 5 is the prediction curve and observation curve of 10 groups of samples.
  • the upper picture is the prediction result of the low-pressure rotor speed and the lower picture is the prediction result of the exhaust temperature.
  • FIG. 6 is a schematic diagram of the deviation degree between the predicted value and the observed value of the 10 groups of samples.
  • the upper diagram is the diagram of the deviation degree of the predicted value of the low-pressure rotor speed, and the lower diagram is the diagram of the deviation degree of the predicted value of the exhaust temperature.
  • Figure 7 is a graph of the relative error distribution of the 10 groups of samples.
  • the upper graph is the predicted relative error distribution of the low-pressure rotor speed, and the lower graph is the predicted relative error distribution of the exhaust temperature.
  • FIG. 8 is a map of the mean square error distribution of the prediction sequence and observation sequence of the 10 groups of samples.
  • the upper picture is the predicted mean square error map of the low-pressure rotor speed, and the lower picture is the predicted mean square error map of the exhaust temperature.
  • the data used in the present invention is 100 sets of test data for a certain type of aero-engine transient state acceleration process provided by a domestic research institute.
  • the first step is preprocessing of aero engine test data
  • Aero engine test data includes the relative speed of the compressor inlet PNNC2 g , the temperature of the engine inlet T 2 , the pressure of the engine inlet P 2 , the total pressure of the compressor outlet P 3 , the fuel flow rate WFB, the physical speed of the fan N f , and the physical speed of the compressor N c , turbine exit temperature T 5 , simulated flight height H, simulated flight Mach number Ma, a total of 10 sets of parameters;
  • the data is first resampled.
  • the specific operation steps are as follows. Using the interpolation method, the proposed new sampling frequency is inserted into the time series of the original data as an interpolation to count the number of original data between the rated sampling points. If only one raw data is included, the raw data is regarded as the data corresponding to the sampling point; if two raw data are included, the two raw data are averaged and used as the data corresponding to the time point; if it is not included For the original data, the average value of the data corresponding to the previous time point and the next time point in the rated time series is used as the data of the time point.
  • the second step is the parameter selection of random forest regression model
  • the parameter optimization range based on grid search is determined from FIG. 2.
  • the optimization range of the ntree is selected from 50 to 500, and the optimization step is 10.
  • the optimization range of the mtry is selected from 1 to D. Uber is 1. Where D is the dimension of the model input vector, that is, the dimension of the test data sample.
  • the 3-fold cross-validation method was used to calculate the fitness function value, and the 90 sets of test data samples were divided into 3 parts, and 3 prediction tasks were performed each time:
  • the average value of the mean square error of the 3 tasks is used as the fitness function value corresponding to this group of parameters:
  • MSE (mse 1 + mse 2 + mse 3 ) / 3
  • the third step is to build a training database using a sparse autoencoder
  • the important parameters of the sparse autoencoder in the present invention include the learning rate ⁇ and the reconstruction dimension dim, where ⁇ is a continuous value and dim is a discrete integer value. Therefore, a discrete-continuous hybrid particle swarm algorithm is used in two dimensions of the parameters. Optimizing, and 3-fold cross-validation is also used.
  • Step 4 Construct a SAE-RF regression model to predict the aero-engine test data and evaluate the prediction effect
  • the maximum value method is used to normalize it to speed up the convergence rate and avoid the decline in prediction accuracy caused by the magnitude difference.
  • the features after the sparse representation of the test data are normalized into the interval [1, 2] according to the following formula:
  • Figure 7 shows the relative error distribution at each observation time point for the 10 groups of predicted samples. It can be seen from FIG. 8 that even though the prediction effect of the exhaust temperature is slightly worse than the low-speed rotor speed, the mean square error of the 10 sets of prediction data samples can be controlled below the requirements of the aero-engine key performance parameter prediction software.
  • the sparse auto-encoder based on particle swarm optimization optimizes the dimension data of the aero-engine transient state acceleration process and then uses random forest regression algorithm to perform key parameters such as low-pressure rotor speed and exhaust temperature.
  • the accuracy of the prediction can achieve the expected effect, and it can be applied in the field of aero-engine state prediction and fault diagnosis.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于航空发动机性能参数预测技术领域，提供了一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法。本发明使用某研究所提供的航空发动机过渡态加速过程试验数据建立训练数据集和测试数据集；基于自动编码器的数据空间重构对数据集进行升维；采用以粒子群算法为代表的种群寻优算法对模型参数进行优化；最后利用对高维数据表现优秀的随机森林回归算法对过渡态性能参数进行回归，从工程应用角度出发，实现了有效的实时预测。

Description

一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 技术领域
本发明属于航空发动机性能参数预测技术领域，具体涉及一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法。
背景技术
航空发动机长时间在高温、高压、高速的复杂环境中运行，发生故障的可能性随时间的推移而增大。而过渡态加速过程的性能则直接关系到飞机起飞和加速飞行过程的进行。由于航空发动机机理极为复杂，对过渡态过程参数建模十分困难。因此，采用基于数据驱动的航空发动机性能参数超前预测方法可以避免对过程复杂的发动机机理进行模型构建，同时可以对发动机过渡态加速过程的参数状态进行提前预报，保证生命财产安全。
许多国内外学者在基于数据驱动的航空发动机过渡态性能参数预测方面做了相关工作。但是传统的预测算法对模型参数和输入特征要求较高，通常在建模之前要使用寻优算法对参数进行调整；不同型号的发动机各个参数特征对模型预测精度的影响程度也不同，需要重新进行特征选择；过渡态加速过程参数变化规律复杂，模型参数对预测精度的影响程度较大；传统的回归预测算法对高维数样本的表现较差，而过渡态加速过程数据样本空间维数远不够描述航空发动机性能；模型泛化能力较差，当发动机改变时，需要重新对模型参数和输入特征进行选择，在一定程度上增加了人力和财力消耗。
故针对模型参数选择困难，本发明提出一种基于随机森林(RF)算法的参数预测，RF算法与传统机器学习回归算法相比，具有对多元共线性不敏感、预测精度高、收敛速度快、调节参数少且意义易于理解，对高维数据表现的效果较为良好以及不会出现过拟合等优点。随机森林因为高效且准确的特点，在各行各业得到越来越多的应用。针对特征选择困难，本发明提出一种基于神经网络的稀疏自动编码器(SAE)对输入特征进行升降维。与传统的特征选择算法(如PCA)等比较，SAE对特征维数的升降可以根据算法进行调整，对于RF这种对自变量维数很高也可以表现出精确预测效果的算法起到了提升预测精度的效果。对两种算法采用参数寻优算法对模型参数进行优化，从工程实际应用角度出发，对发动机的关键性能参数，如低压转子转速、排气温度等参数进行预测。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于空间重构的航空发动机过渡态加速过程性能参数预测方法。
本发明的技术方案：
一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法，步骤如下：
第一步，航空发动机试验数据预处理
(1)航空发动机过渡态加速过程试验数据包括压气机进口相对转速PNNC2 g、发动机进口温度T 2、发动机进口气压P 2、压气机出口总压P 3、燃油流量WFB、风扇物理转速N f、压气机物理转速N c、涡轮出口温度T 5、模拟飞行高度H和模拟飞行马赫数Ma，共10类参数，即为一个样本；
(2)数据存储与读取：航空发动机过渡态加速过程试验数据包括多个航发试车过程现场采集数据，将航空发动机加速过程多个航发试车过程现场采集的数据结合起来，并统一存储，并建立航空发动机性能参数试验数据仓库；
(3)线性重采样：对于航空发动机加速过程试验数据进行分析，由于采样时间间隔不等，故采用线性重采样法对航空发动机加速过程试验数据进行重采样处理，使数据信号采样频率相同；
(4)数据筛选与清理：对线性重采样后的航空发动机过渡态加速过程试验数据进行可视化处理，对明显不符合客观条件的加速曲线进行清理；
第二步，随机森林回归模型参数选择
随机森林回归模型有两个关键参数，分别为：ntree为随机森林回归模型中回归树的数量，ntree过小，模型预测精确度较低，ntree过大，计算时间过长不利于实时预测；mtry为随机森林回归模型中回归树的特征数量，即每一棵回归树的分支个数；由于随机森林回归模型的参数为离散的整数值，故选用二维网格搜索对参数ntree和mtry进行遍历计算，适应度函数(即参数寻优的返回值)选择MSE；二维网格搜索寻优的范围由如下原则确定：
(1)ntree寻优范围由袋外数据误差(OOB error rate)确定，其中袋外数据误差为对每次未被选中作为单棵决策树训练样本的数据进行回归产生的误差；对被预测试验数据特征参数低压转子转速N c与发动机排气温度EGT计算的OOB与参数ntree的变化曲线，如附图2所示；故ntree寻优范围确定为50～500；
(2)mtry寻优范围确定为自然数1至试验数据特征总数；
由网格寻优算法最终确定本发明随机森林回归模型参数选择为ntree＝300，mtry＝D/3，其中D为模型输入变量数；
第三步，利用稀疏自动编码器构建训练数据库
确定随机森林回归模型的参数后，利用SAE-RF混合模型确定SAE的相关参数；因为航 空发动机试验数据的10个参数特征很难满足航空发动机过渡态参数预测模型精确度的要求，故选择学习出航空发动机试验数据的稀疏表示，从10维输入量中挖掘更多信息。采用10-dim-10结构的SAE，构建模型的输入向量。本发明中利用离散-连续混合的粒子群算法(PSO)对SAE参数进行寻优，SAE的重要参数包括学习率α与重构维数dim；
本发明中利用粒子群算法寻优的原理如下：在2维参数搜索空间中，有一个由n个参数组合组成的种群X＝(X 1，X 2，...，X n)，其中第k个参数组合在参数搜索空间中的所在位置表示为一个2维向量X k＝(x k1，x k2)。设第k个参数组合在搜索空间中的移动速度为V k＝(V k1，V k2) T，其局部最优参数为P k＝(P k1，P k2) T，该参数组合的全局最优参数为P g＝(P g1，P g2) T。在每次迭代中，参数组合的移动速度和位置的迭代公式表示为：
Figure PCTCN2018093077-appb-000001
Figure PCTCN2018093077-appb-000002
其中：w为惯性权重，t为当前迭代的次数，r 1，r 2为[0，1]中均匀分布的随机数，c 1，c 2为学习因子常数。
K折交叉验证法一般用于参数选择中的推广能力估计，基于离散-连续混合的粒子群算法的SAE-RF混合模型参数寻优具体的步骤如下：
(1)随机产生一组{α，dim}作为粒子的初始位置，确定惯性权重与学习因子；
(2)将训练样本均匀地分割成k个互不包含的子集S 1，S 2，...，S k；
(3)根据种群所在初始位置的值作为参数，用于训练SAE-RF混合模型，并计算出k次准确率的平均值，即为K折交叉验证的准确率；
(4)将K折交叉验证的准确率作为粒子群算法的适应度，计算该代种群的局部最优位置和全局最优位置，迭代更新位置和速度；
(5)重复步骤(2)，直到满足适应度要求或达到最大迭代次数；
(6)参数优化完成，将结果作为最终SAE-RF混合模型的参数；
第四步，构建SAE-RF回归模型，对航空发动机试验数据进行预测，评价预测效果
因航空发动机试验数据的稀疏表示后的特征之间量级相差较大，故采用最值法对数据样本进行归一化处理，避免因量级差距造成的模型误差。本发明中根据下式将航空发动机过渡态加速过程试验数据的稀疏表示后的特征归一化到区间[1，2]中：
Figure PCTCN2018093077-appb-000003
利用维数重构后的航空发动机过渡态加速过程试验数据对低压转子转速N c与发动机排气 温度EGT进行回归预测，计算响应评价指标；
主要的评价指标包括：
(1)相对误差(RE)
相对误差公式为：
Figure PCTCN2018093077-appb-000004
其中，
Figure PCTCN2018093077-appb-000005
为第i时刻该样本的预测值，y i为第i时刻该样本的观测值，N为该样本的长度；
(2)均方误差(MSE)
均方误差是反应预测序列与观测序列之间差异的一种度量，按照如下公式计算：
Figure PCTCN2018093077-appb-000006
其中
Figure PCTCN2018093077-appb-000007
为第i时刻该样本的预测值，y i为第i时刻该样本的观测值，N为该样本的长度。
本发明的有益效果：本发明使用某研究所提供的航空发动机过渡态加速过程试验数据建立训练数据集和测试数据集；基于自动编码器的数据空间重构对数据集进行升维；采用以粒子群算法(PSO)为代表的种群寻优算法对模型参数进行优化；最后利用对高维数据表现优秀的随机森林回归算法对过渡态性能参数进行回归，从工程应用角度出发，实现了有效的实时预测。
附图说明
图1是航空发动机过渡态加速过程关键性能参数预测模型建立流程图。
图2是袋外数据误差与模型决策树数量关系曲线图。
图3是网格搜索随机森林回归模型最优参数结果图。
图4是粒子群算法寻优参数过程曲线图，上图为预测低压转子转速的粒子群算法优化结果图，下图为预测排气温度的粒子群算法优化结果图。
图5是10组样本的预测曲线与观测曲线，上图为低压转子转速预测结果图，下图为排气温度预测结果图。
图6是10组样本的预测值与观测值偏离程度示意图，上图为低压转子转速预测值偏离程度示意图，下图为排气温度预测值偏离程度示意图。
图7是10组样本的相对误差分布图，上图为低压转子转速预测相对误差分布图，下图为排气温度预测相对误差分布图。
图8是10组样本的预测序列与观测序列均方误差分布图，上图为低压转子转速预测均方误差图，下图为排气温度预测均方误差图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
本发明使用的数据是国内某研究所提供的某型航空发动机过渡态加速过程台架试验数据100组。
第一步，航空发动机试验数据预处理
(1)航空发动机试验数据包括压气机进口相对转速PNNC2 g，发动机进口温度T 2，发动机进口气压P 2，压气机出口总压P 3，燃油流量WFB，风扇物理转速N f，压气机物理转速N c，涡轮出口温度T 5，模拟飞行高度H，模拟飞行马赫数Ma共10组参数；
(2)数据集成：将100组数据的txt文件进行读取与整合并统一存储建立航空发动机试验数据数据仓库。
(3)重采样：由于采样间隔不等，首先对数据进行重采样处理。具体操作步骤如下，采用插值的方法，将拟定新采样频率作为插值***到原始数据的时间序列中，统计额定采样点之间的原始数据的个数。若只包含一个原始数据，则将该原始数据当做该采样点对应的数据；若包含两个原始数据，则将这两个原始数据做平均值处理后作为该时间点对应的数据；若不包含原始数据，则将额定时间序列中该时间点的上一时间点和下一时间点对应数据的平均值作为该时间点的数据。
(4)数据筛选与清理：对数据进行可视化处理，从而对加速曲线进行简单聚类和清理。
第二步，随机森林回归模型参数选择
本发明由附图2确定基于网格搜索的参数寻优范围，最终选定ntree的寻优范围为50～500，寻优步长为10；选定mtry的寻优范围为1～D，寻优步长为1。其中D为模型输入向量的维数，即试验数据样本的维数。计算适应度函数值时采用3-fold交叉验证法，将90组试验数据样本分割为3份，每次进行3次预测任务：
Figure PCTCN2018093077-appb-000008
采用3次任务的均方误差的平均值作为该组参数对应的适应度函数值：
Figure PCTCN2018093077-appb-000009
MSE＝(mse 1+mse 2+mse 3)/3
最终寻优结果如附图3所示。由时间成本与计算量等影响因素考虑，最终参数选择结果为ntree＝300，mtry＝D/3，其中D为模型输入向量的维数。
第三步，利用稀疏自动编码器构建训练数据库
本发明中的稀疏自动编码器的重要参数包括学习率α与重构维数dim，其中α为连续值，dim为离散整数值，故采用离散-连续混合粒子群算法在参数的两个维度进行寻优，且同样采用3-fold交叉验证法。设置初始种群群体个数为10，最大迭代次数为50，粒子初始位置随机设置为{[0，1],{1,2…50}}，粒子初始速度随机设置需要注意的是限制dim不要取到小于1或者大于50的位置，惯性权重设置为
Figure PCTCN2018093077-appb-000010
学习因子设置为c 1＝c 2＝0.5+ln2。
SAE参数寻优结果如附图4所示。故选择达到适应度函数最小值的迭代次数时的局部最优解作为参数结果：对低压转子转速预测时参数设置为dim＝46，α＝0.7060；对排气温度预测时参数设置为dim＝20，α＝1.7428。
第四步：构建SAE-RF回归模型，对航空发动机试验数据进行预测，评价预测效果
考虑到重构后的航空发动机试验数据量级差距较大，采用最值法对其进行归一化处理，加快其收敛速度并避免因量级差距引起的预测准确率下降。将试验数据的稀疏表示后的特征按如下公式归一化到区间[1，2]中：
Figure PCTCN2018093077-appb-000011
本发明所采用的国内某研究所提供的100组试验数据中，将其中90组作为训练数据，剩余10组作为预测数据，分别完成对过渡态加速过程关键参数中的低压转子转速与排气温度的预测任务，计算10组试验数据的相对误差分布和均方误差，评价模型预测效果。
由附图5和附图6可以看出，对于低压转子转速的模型预测值与试验观测值曲线，两者接近吻合，预测值与观测值几乎无偏离；对于排气温度的模型预测值与试验观测值曲线，效果则稍差于对低压转子转速的预测效果，在该样本试验开始时预测值与观测值的偏离程度较大。原因在于可测量的试验数据特征与低压转子转速关联密切，但航空发动机气路热力部分结构复杂，热力学关系本身就难以描述，加之传感器的工作条件苛刻。附图7展示了10组被预测样本每个观测时间点的相对误差分布。由附图8可以看出即便排气温度的预测效果稍差于低压转子转速，但10组预测数据样本的均方误差完全可以控制在航空发动机关键性能参数预测软件要求以下。
表1预测样本的均方误差
Figure PCTCN2018093077-appb-000012
综上所述，基于粒子群算法寻优的稀疏自动编码器将航空发动机过渡态加速过程试验数据进行维数重构后，采用随机森林回归算法对关键参数如低压转子转速、排气温度等进行预测的准确率可以达到预期效果，可以应用在航空发动机的状态预测与故障诊断领域。

Claims (1)

  1. 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法，其特征在于，步骤如下：
    第一步，航空发动机试验数据预处理
    (1)航空发动机过渡态加速过程试验数据包括压气机进口相对转速PNNC2 g、发动机进口温度T 2、发动机进口气压P 2、压气机出口总压P 3、燃油流量WFB、风扇物理转速N f、压气机物理转速N c、涡轮出口温度T 5、模拟飞行高度H和模拟飞行马赫数Ma，共10类参数，即为一个样本；
    (2)数据存储与读取：航空发动机过渡态加速过程试验数据包括多个航发试车过程现场采集数据，将航空发动机加速过程多个航发试车过程现场采集的数据结合起来，并统一存储，并建立航空发动机性能参数试验数据仓库；
    (3)线性重采样：对于航空发动机加速过程试验数据进行分析，由于采样时间间隔不等，故采用线性重采样法对航空发动机加速过程试验数据进行重采样处理，使数据信号采样频率相同；
    (4)数据筛选与清理：对线性重采样后的航空发动机过渡态加速过程试验数据进行可视化处理，对明显不符合客观条件的加速曲线进行清理；
    第二步，随机森林回归模型参数选择
    随机森林回归模型有两个关键参数，分别为：ntree为随机森林回归模型中回归树的数量；mtry为随机森林回归模型中回归树的特征数量，即每一棵回归树的分支个数；选用二维网格搜索对参数ntree和mtry进行遍历计算，适应度函数选择MSE；二维网格搜索寻优的范围由如下原则确定：
    (1)ntree寻优范围由袋外数据误差确定，其中，袋外数据误差为对每次未被选中作为单棵决策树训练样本的数据进行回归产生的误差；对被预测试验数据特征参数低压转子转速N c与发动机排气温度EGT计算的OOB与参数ntree的变化曲线；故ntree寻优范围确定为50～500；
    (2)mtry寻优范围确定为自然数1至试验数据特征总数；
    由网格寻优算法最终确定随机森林回归模型参数选择为ntree＝300，mtry＝D/3，其中D为模型输入变量数；
    第三步，利用稀疏自动编码器构建训练数据库
    确定随机森林回归模型的参数后，利用SAE-RF混合模型确定SAE的相关参数；采用10-dim-10结构的SAE，构建模型的输入向量；利用离散-连续混合的粒子群算法对SAE参数进行寻优，SAE的重要参数包括学习率α与重构维数dim；
    利用粒子群算法寻优，具体如下：在2维参数搜索空间中，有一个由n个参数组合组成的种群X＝(X 1，X 2，...X n)，其中，第k个参数组合在参数搜索空间中的所在位置表示为一个2维向量X k＝(x k1，x k2)；设第k个参数组合在参数搜索空间中的移动速度为V k＝(V k1，V k2) T，其局部最优参数为P k＝(P k1，P k2) T，该参数组合的全局最优参数为P g＝(P g1，P g2) T；在每次迭代中，参数组合的移动速度和位置的迭代公式表示为：
    Figure PCTCN2018093077-appb-100001
    Figure PCTCN2018093077-appb-100002
    其中：w为惯性权重，t为当前迭代的次数，r 1，r 2为[0，1]中均匀分布的随机数，c 1，c 2为学习因子常数；
    K折交叉验证法用于参数选择中的推广能力估计，基于离散-连续混合的粒子群算法的SAE-RF混合模型参数寻优，具体步骤如下：
    (1)随机产生一组{α，dim}作为粒子的初始位置，确定惯性权重与学习因子；
    (2)将训练样本均匀地分割成k个互不包含的子集S 1，S 2，...，S k；
    (3)根据种群所在初始位置的值作为参数，用于训练SAE-RF混合模型，并计算出k次准确率的平均值，即为K折交叉验证的准确率；
    (4)将K折交叉验证的准确率作为粒子群算法的适应度，计算该代种群的局部最优位置和全局最优位置，迭代更新位置和速度；
    (5)重复步骤(2)，直到满足适应度要求或达到最大迭代次数；
    (6)参数优化完成，将结果作为最终SAE-RF混合模型的参数；
    第四步，构建SAE-RF回归模型，对航空发动机试验数据进行预测，评价预测效果
    采用最值法对数据样本进行归一化处理，避免因量级差距造成的模型误差；根据下式将航空发动机过渡态加速过程试验数据的稀疏表示后的特征归一化到区间[1，2]中：
    Figure PCTCN2018093077-appb-100003
    利用维数重构后的航空发动机过渡态加速过程试验数据对低压转子转速N c与发动机排气温度EGT进行回归预测，计算响应评价指标；
    主要的评价指标包括：
    (1)相对误差RE
    相对误差公式为：
    Figure PCTCN2018093077-appb-100004
    其中，
    Figure PCTCN2018093077-appb-100005
    为第i时刻该样本的预测值，y i为第i时刻该样本的观测值，N为该样本的长度；
    (2)均方误差MSE
    均方误差是反应预测序列与观测序列之间差异的一种度量，按照如下公式计算：
    Figure PCTCN2018093077-appb-100006
    其中
    Figure PCTCN2018093077-appb-100007
    为第i时刻该样本的预测值，y i为第i时刻该样本的观测值，N为该样本的长度。
PCT/CN2018/093077 2018-06-27 2018-06-27 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 WO2020000248A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2018/093077 WO2020000248A1 (zh) 2018-06-27 2018-06-27 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
US16/629,752 US11436395B2 (en) 2018-06-27 2018-06-27 Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/093077 WO2020000248A1 (zh) 2018-06-27 2018-06-27 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法

Publications (1)

Publication Number Publication Date
WO2020000248A1 true WO2020000248A1 (zh) 2020-01-02

Family

ID=68984553

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/093077 WO2020000248A1 (zh) 2018-06-27 2018-06-27 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法

Country Status (2)

Country Link
US (1) US11436395B2 (zh)
WO (1) WO2020000248A1 (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111312338A (zh) * 2020-02-10 2020-06-19 华东理工大学 一种芳烃异构化生产环节的产物预测方法和***
CN111753907A (zh) * 2020-06-24 2020-10-09 国家电网有限公司大数据中心 一种电量数据的处理方法、装置、设备和存储介质
CN111931366A (zh) * 2020-07-31 2020-11-13 中国航发贵阳发动机设计研究所 一种航空发动机可调喷管反馈钢索行程的计算方法
CN112052621A (zh) * 2020-07-22 2020-12-08 西安交通大学 基于cnn的超临界二氧化碳叶轮机械跨临界区预测及控制方法
CN112100067A (zh) * 2020-09-10 2020-12-18 北京完美赤金科技有限公司 一种基于回归分析的测试方法、***及存储介质
CN112163376A (zh) * 2020-10-09 2021-01-01 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN112508378A (zh) * 2020-11-30 2021-03-16 国网北京市电力公司 电力设备生产制造商筛选的处理方法和装置
CN112507609A (zh) * 2020-11-16 2021-03-16 湖南大学 一种基于狼群等级分子动理论的多目标协同优化调度方法
CN112861426A (zh) * 2021-01-14 2021-05-28 西北工业大学 基于改进粒子群算法的航空发动机加速过程最优控制方法
CN112883483A (zh) * 2020-12-31 2021-06-01 中国航空发动机研究院 航空发动机模型校核与验证方法、设备及存储器
CN113011491A (zh) * 2021-03-17 2021-06-22 东北大学 一种主成分分析协同随机森林的热连轧带钢宽度预测方法
CN113051724A (zh) * 2021-03-12 2021-06-29 贺州学院 一种基于bp神经网络的碳酸钙填充复合材料设计方法
CN113158537A (zh) * 2021-01-18 2021-07-23 中国航发湖南动力机械研究所 基于lstm结合注意力机制的航空发动机气路故障诊断方法
CN113420404A (zh) * 2021-04-16 2021-09-21 北京化工大学 一种燃气轮机性能仿真自适应方法
CN113899557A (zh) * 2020-06-22 2022-01-07 中国航发商用航空发动机有限责任公司 确定航空发动机空气***特性的方法和装置
CN113935225A (zh) * 2020-06-29 2022-01-14 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆优化和性能预测方法
CN114329854A (zh) * 2020-11-06 2022-04-12 北京航空航天大学 一种基于多目标约束的二维空间视觉传感器布局优化方法
CN114444394A (zh) * 2022-01-27 2022-05-06 华能南京燃机发电有限公司 一种基于数据驱动的压气机性能退化预测算法
CN114547860A (zh) * 2022-01-18 2022-05-27 宁波天巡科技有限公司 一种基于敏捷筛选策略的空间目标碰撞预警方法
CN114997073A (zh) * 2022-07-29 2022-09-02 浙江大学 冲击式水轮机喷嘴结构参数优化方法及***
CN115048748A (zh) * 2022-08-12 2022-09-13 中国空气动力研究与发展中心低速空气动力研究所 获得压缩机压力预测模型的方法、***、处理终端
CN115221801A (zh) * 2022-09-20 2022-10-21 中国人民解放军国防科技大学 基于动态近似建模的飞行器不确定性传播分析方法和装置
CN115659642A (zh) * 2022-10-26 2023-01-31 兰州空间技术物理研究所 一种离子电推进寿命试验加速因子确定方法
CN116226767A (zh) * 2023-05-08 2023-06-06 国网浙江省电力有限公司宁波供电公司 一种电力***实验数据自动诊断方法
CN116384257A (zh) * 2023-05-29 2023-07-04 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法
CN116825253A (zh) * 2023-07-03 2023-09-29 东北大学 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN117909886A (zh) * 2024-03-18 2024-04-19 南京海关工业产品检测中心 一种基于优化随机森林模型的锯齿棉品级分类方法及***
CN117932984A (zh) * 2024-03-25 2024-04-26 中国航发四川燃气涡轮研究院 一种航空发动机轮盘过渡态径向变形快速分析方法及装置

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694356B (zh) * 2017-04-10 2024-05-07 京东方科技集团股份有限公司 行人检测装置及方法、辅助驾驶***
CN111507518A (zh) * 2020-04-14 2020-08-07 中铁隧道局集团有限公司 一种基于随机森林的小波神径网络混凝土抗渗预测的方法
CN111814390B (zh) * 2020-06-18 2023-07-28 三峡大学 基于传递熵和小波神经网络的电压互感器误差预测方法
CN113821866B (zh) * 2020-06-19 2024-01-19 南京康尼机电股份有限公司 一种城轨门***护指胶条剩余寿命预测方法
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
CN111985150B (zh) * 2020-07-06 2024-06-04 东南大学 利用机器学习辅助优化的多层电子器件鲁棒优化设计方法
CN111814251B (zh) * 2020-07-08 2021-03-26 北京航空航天大学 基于贝叶斯自适应共振的多目标多模态粒子群优化方法
CN112069567B (zh) * 2020-08-07 2024-01-12 湖北交投十巫高速公路有限公司 基于随机森林和智能算法预测混凝土抗压强度的方法
CN112070356B (zh) * 2020-08-07 2024-05-14 湖北交投十巫高速公路有限公司 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN111931307B (zh) * 2020-08-11 2022-07-12 西北工业大学 一种零件质量预测和评估优化方法及***
CN112069592B (zh) * 2020-08-12 2024-03-26 西安理工大学 一种航天器外弹道跟踪测速数据特征点识别方法
CN112100574A (zh) * 2020-08-21 2020-12-18 西安交通大学 一种基于重采样的aakr模型不确定度计算方法及***
CN112231980B (zh) * 2020-10-19 2024-06-07 西安建筑科技大学 一种发动机寿命预测方法、存储介质及计算设备
CN112348278A (zh) * 2020-11-18 2021-02-09 中铁工程装备集团有限公司 一种基于XGBoost算法预测盾构机土仓压力的方法
CN112560930B (zh) * 2020-12-09 2024-01-19 上海海事大学 基于生产数据的汽油辛烷值预测方法
CN112765771B (zh) * 2020-12-24 2023-04-14 中国飞行试验研究院 一种航空发动机在过渡态下振动数据的实时监视算法
CN113255955A (zh) * 2020-12-29 2021-08-13 南京航空航天大学 一种基于cnn-rnn的航空发动机推力估计方法
CN112348002B (zh) * 2021-01-08 2021-03-30 成都云鼎智控科技有限公司 一种用于发动机测试的数据处理方法
CN112800541B (zh) * 2021-01-26 2024-06-11 南京航空航天大学 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法
CN113095677A (zh) * 2021-04-13 2021-07-09 北京工业大学 一种基于加工质量逆向推导的加工过程定量控制方法
CN112926698B (zh) * 2021-04-23 2024-02-13 上海海事大学 一种大型旋转装备振动预测与装配评价方法
CN112977556B (zh) * 2021-04-27 2021-08-31 北京全路通信信号研究设计院集团有限公司 一种列车制动曲线分段方法、***及列车控制方法
CN113539382B (zh) * 2021-05-28 2024-04-05 浙江中控技术股份有限公司 一种亚磷酸二甲酯关键工艺参数的预警定位方法及***
CN113343564A (zh) * 2021-05-28 2021-09-03 国网江苏省电力有限公司南通供电分公司 一种基于多元经验模态分解的变压器顶层油温预测方法
CN113434973B (zh) * 2021-06-21 2023-04-07 西安科技大学 基于改进pso-som-bpnn的机械故障诊断方法
CN113610207A (zh) * 2021-06-21 2021-11-05 江苏省镔鑫钢铁集团有限公司 一种基于pso-elm算法的烧结矿质量预测方法、装置及设备
CN113408070B (zh) * 2021-06-22 2023-09-26 南方科技大学 发动机参数的确定方法、装置、设备及存储介质
CN113705853A (zh) * 2021-07-06 2021-11-26 国网浙江省电力有限公司宁波供电公司 基于关键工艺监测的综合能源负荷预测方法
CN113673774A (zh) * 2021-08-25 2021-11-19 北京航空航天大学 基于自编码器和时序卷积网络的航空发动机余寿预测方法
CN113707320B (zh) * 2021-08-30 2023-08-11 安徽理工大学 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法
CN113723001B (zh) * 2021-09-02 2023-10-31 国网安徽省电力有限公司电力科学研究院 一种基于多维数据的高精度六氟化硫物料核算方法及***
CN113821974B (zh) * 2021-09-07 2023-11-24 北京大学 基于多故障模式的发动机剩余寿命预测方法
CN113921092B (zh) * 2021-10-08 2023-09-15 上海应用技术大学 一种快速筛查生鲜乳中中和酸类物质的方法
CN113868960B (zh) * 2021-10-18 2024-04-16 青岛农业大学 一种基于典型相关森林的土壤重金属特征选取方法及***
JP2023067596A (ja) * 2021-11-01 2023-05-16 株式会社東芝 パラメータベクトル値提案装置、パラメータベクトル値提案方法、パラメータ最適化方法及びパラメータベクトル値提案プログラム
CN114169106A (zh) * 2021-12-13 2022-03-11 汕头大学 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法
CN114239743B (zh) * 2021-12-22 2023-12-15 电子科技大学 一种基于稀疏时间序列数据的天气事件发生时间预测方法
CN114417498A (zh) * 2021-12-24 2022-04-29 中国航天空气动力技术研究院 整车风洞风速标定方法、装置、电子设备及介质
CN114491789A (zh) * 2021-12-27 2022-05-13 中国航天空气动力技术研究院 钝头体高超声速飞行器飞行参数预测方法、***及设备
CN116754235A (zh) * 2022-03-04 2023-09-15 中国人民解放军空军航空大学 一种针对竞争失效的航空发动机可靠性评估方法
CN114659745B (zh) * 2022-03-18 2023-05-30 西安交通大学 一种航空发动机涡轮部件的过渡态性能测试***和实验方法
CN115204031B (zh) * 2022-05-13 2023-06-20 哈尔滨工业大学 航空发动机装配过程的振动值预测方法
CN115062751B (zh) * 2022-06-21 2023-09-12 中国科学院数学与***科学研究院 一种基于稀疏闭环辨识的航空发动机燃油***建模方法
CN115470694B (zh) * 2022-08-16 2023-09-08 中国地质大学（武汉） 一种考虑锚杆破坏模式的节理岩体锚杆剪切抗力预测方法
CN115983088B (zh) * 2022-10-09 2023-08-15 中国地质大学（北京） 一种基于集成学习建立的海相页岩原地气量预测模型
CN115587499B (zh) * 2022-11-08 2023-11-28 中国航发沈阳发动机研究所 一种航空发动机典型瞬态历程编制方法
CN115952590B (zh) * 2023-03-14 2023-06-13 华中科技大学 基于bo-rf-mompa的盾构隧道优化设计方法及设备
CN116068140A (zh) * 2023-03-28 2023-05-05 中国人民解放***箭军工程大学 一种发动机整机热加速试验参数的确定方法及相关设备
CN116682505B (zh) * 2023-06-14 2023-11-21 东北大学 一种基于分位数回归森林的hrb400e钢材力学性能预测方法
CN116502155B (zh) * 2023-06-28 2023-09-19 武汉新威奇科技有限公司 一种用于数控电动螺旋压力机的******
CN117291094A (zh) * 2023-09-14 2023-12-26 成都飞机工业（集团）有限责任公司 基于关联参数映射的无人机动力***参数异常检测方法
CN117117858B (zh) * 2023-10-18 2024-01-30 中国华能集团清洁能源技术研究院有限公司 一种风电机组功率预测方法、装置及存储介质
CN117464825A (zh) * 2023-12-06 2024-01-30 江苏省金鑫安防设备有限公司 一种生产防火门用组合式生产***及控制方法
CN117371299B (zh) * 2023-12-08 2024-02-27 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法
CN117436353B (zh) * 2023-12-21 2024-03-22 泰安维创游乐设备有限公司 基于大数据的游乐设备故障智能预测方法
CN117612656B (zh) * 2024-01-22 2024-04-02 江苏瑞斯达安全防护用品有限公司 一种基于手套储能的相变材料剩余蓄热量测量方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017221923A1 (ja) * 2016-06-22 2017-12-28 株式会社Ihi ガスタービンのタービン出口温度予測方法及び装置
CN107886126A (zh) * 2017-11-10 2018-04-06 哈尔滨工业大学（威海） 基于动态集成算法的航空发动机气路参数预测方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11124317B2 (en) * 2018-01-26 2021-09-21 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017221923A1 (ja) * 2016-06-22 2017-12-28 株式会社Ihi ガスタービンのタービン出口温度予測方法及び装置
CN107886126A (zh) * 2017-11-10 2018-04-06 哈尔滨工业大学（威海） 基于动态集成算法的航空发动机气路参数预测方法及***

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111312338A (zh) * 2020-02-10 2020-06-19 华东理工大学 一种芳烃异构化生产环节的产物预测方法和***
CN113899557A (zh) * 2020-06-22 2022-01-07 中国航发商用航空发动机有限责任公司 确定航空发动机空气***特性的方法和装置
CN113899557B (zh) * 2020-06-22 2023-11-28 中国航发商用航空发动机有限责任公司 确定航空发动机空气***特性的方法和装置
CN111753907A (zh) * 2020-06-24 2020-10-09 国家电网有限公司大数据中心 一种电量数据的处理方法、装置、设备和存储介质
CN113935225B (zh) * 2020-06-29 2024-05-07 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆优化和性能预测方法
CN113935225A (zh) * 2020-06-29 2022-01-14 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆优化和性能预测方法
CN112052621A (zh) * 2020-07-22 2020-12-08 西安交通大学 基于cnn的超临界二氧化碳叶轮机械跨临界区预测及控制方法
CN112052621B (zh) * 2020-07-22 2024-04-16 西安交通大学 基于cnn的超临界二氧化碳叶轮机械跨临界区预测及控制方法
CN111931366A (zh) * 2020-07-31 2020-11-13 中国航发贵阳发动机设计研究所 一种航空发动机可调喷管反馈钢索行程的计算方法
CN111931366B (zh) * 2020-07-31 2024-05-24 中国航发贵阳发动机设计研究所 一种航空发动机可调喷管反馈钢索行程的计算方法
CN112100067A (zh) * 2020-09-10 2020-12-18 北京完美赤金科技有限公司 一种基于回归分析的测试方法、***及存储介质
CN112100067B (zh) * 2020-09-10 2023-08-25 北京完美赤金科技有限公司 一种基于回归分析的测试方法、***及存储介质
CN112163376B (zh) * 2020-10-09 2024-03-12 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN112163376A (zh) * 2020-10-09 2021-01-01 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN114329854B (zh) * 2020-11-06 2023-05-12 北京航空航天大学 一种基于多目标约束的二维空间视觉传感器布局优化方法
CN114329854A (zh) * 2020-11-06 2022-04-12 北京航空航天大学 一种基于多目标约束的二维空间视觉传感器布局优化方法
CN112507609B (zh) * 2020-11-16 2022-06-14 湖南大学 一种基于狼群等级分子动理论的多目标协同优化调度方法
CN112507609A (zh) * 2020-11-16 2021-03-16 湖南大学 一种基于狼群等级分子动理论的多目标协同优化调度方法
CN112508378A (zh) * 2020-11-30 2021-03-16 国网北京市电力公司 电力设备生产制造商筛选的处理方法和装置
CN112883483B (zh) * 2020-12-31 2024-03-19 中国航空发动机研究院 航空发动机模型校核与验证方法、设备及存储器
CN112883483A (zh) * 2020-12-31 2021-06-01 中国航空发动机研究院 航空发动机模型校核与验证方法、设备及存储器
CN112861426A (zh) * 2021-01-14 2021-05-28 西北工业大学 基于改进粒子群算法的航空发动机加速过程最优控制方法
CN113158537A (zh) * 2021-01-18 2021-07-23 中国航发湖南动力机械研究所 基于lstm结合注意力机制的航空发动机气路故障诊断方法
CN113051724A (zh) * 2021-03-12 2021-06-29 贺州学院 一种基于bp神经网络的碳酸钙填充复合材料设计方法
CN113011491A (zh) * 2021-03-17 2021-06-22 东北大学 一种主成分分析协同随机森林的热连轧带钢宽度预测方法
CN113420404A (zh) * 2021-04-16 2021-09-21 北京化工大学 一种燃气轮机性能仿真自适应方法
CN113420404B (zh) * 2021-04-16 2023-12-01 北京化工大学 一种燃气轮机性能仿真自适应方法
CN114547860B (zh) * 2022-01-18 2022-09-27 宁波天巡科技有限公司 一种基于敏捷筛选策略的空间目标碰撞预警方法
CN114547860A (zh) * 2022-01-18 2022-05-27 宁波天巡科技有限公司 一种基于敏捷筛选策略的空间目标碰撞预警方法
CN114444394A (zh) * 2022-01-27 2022-05-06 华能南京燃机发电有限公司 一种基于数据驱动的压气机性能退化预测算法
CN114997073A (zh) * 2022-07-29 2022-09-02 浙江大学 冲击式水轮机喷嘴结构参数优化方法及***
CN115048748B (zh) * 2022-08-12 2022-10-28 中国空气动力研究与发展中心低速空气动力研究所 获得压缩机压力预测模型的方法、***、处理终端
CN115048748A (zh) * 2022-08-12 2022-09-13 中国空气动力研究与发展中心低速空气动力研究所 获得压缩机压力预测模型的方法、***、处理终端
CN115221801B (zh) * 2022-09-20 2022-12-09 中国人民解放军国防科技大学 基于动态近似建模的飞行器不确定性传播分析方法和装置
CN115221801A (zh) * 2022-09-20 2022-10-21 中国人民解放军国防科技大学 基于动态近似建模的飞行器不确定性传播分析方法和装置
CN115659642B (zh) * 2022-10-26 2023-07-18 兰州空间技术物理研究所 一种离子电推进寿命试验加速因子确定方法
CN115659642A (zh) * 2022-10-26 2023-01-31 兰州空间技术物理研究所 一种离子电推进寿命试验加速因子确定方法
CN116226767A (zh) * 2023-05-08 2023-06-06 国网浙江省电力有限公司宁波供电公司 一种电力***实验数据自动诊断方法
CN116226767B (zh) * 2023-05-08 2023-10-17 国网浙江省电力有限公司宁波供电公司 一种电力***实验数据自动诊断方法
CN116384257B (zh) * 2023-05-29 2023-09-29 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法
CN116384257A (zh) * 2023-05-29 2023-07-04 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法
CN116825253A (zh) * 2023-07-03 2023-09-29 东北大学 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN116825253B (zh) * 2023-07-03 2023-11-21 东北大学 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN117909886A (zh) * 2024-03-18 2024-04-19 南京海关工业产品检测中心 一种基于优化随机森林模型的锯齿棉品级分类方法及***
CN117909886B (zh) * 2024-03-18 2024-05-24 南京海关工业产品检测中心 一种基于优化随机森林模型的锯齿棉品级分类方法及***
CN117932984A (zh) * 2024-03-25 2024-04-26 中国航发四川燃气涡轮研究院 一种航空发动机轮盘过渡态径向变形快速分析方法及装置
CN117932984B (zh) * 2024-03-25 2024-06-18 中国航发四川燃气涡轮研究院 一种航空发动机轮盘过渡态径向变形快速分析方法及装置

Also Published As

Publication number Publication date
US11436395B2 (en) 2022-09-06
US20200184131A1 (en) 2020-06-11

Similar Documents

Publication Publication Date Title
WO2020000248A1 (zh) 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN108804850B (zh) 基于空间重构的航空发动机过渡态加速过程参数预测方法
CN106777554B (zh) 基于状态基线的航空发动机气路单元体健康状态评价方法
CN103983453B (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN101802728A (zh) 对气体排放进行基于经验集合的虚拟传感的***和方法
CN107977526B (zh) 大涵道比民航发动机性能诊断方法及***
Loboda et al. Gas turbine fault diagnosis using probabilistic neural networks
CN116204779B (zh) 一种判断储能盐穴运行状态的方法、***及可读存储介质
CN110334383A (zh) 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法
CN115481658A (zh) 一种针对航空发动机故障预测的脉冲回声状态网络模型
CN113743029B (zh) 基于机器学***机械气动性能-叶片载荷优化方法
CN114154234A (zh) 一种航空发动机建模方法、***、存储介质
CN107545112A (zh) 多源无标签数据机器学习的复杂装备性能评估与预测方法
Loboda et al. Neural networks for gas turbine fault identification: multilayer perceptron or radial basis network?
CN112052496A (zh) 一种基于var模型的高拱坝谷幅变形影响因素分析***的操作方法
Cheng et al. Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles
CN112416913B (zh) 一种基于gwo-bp算法的飞机燃油***状态缺失值补充方法
CN113111588A (zh) 一种燃气轮机nox排放浓度预测方法及装置
Rootliep et al. Evolutionary algorithm for enhanced gas path analysis in turbofan engines
Jia et al. Dynamic simulation based on feature transfer learning with source domain adaptive optimization: Application of data-driven model for aero-engines
CN114741948B (zh) 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法
Florence et al. Modeling and fault detection of a turbofan engine by deep-learning approach
Jiang et al. The prognostic method of engine gas path based-on convolutional neural network
Din et al. Predicting the Efficiency of High-Pressure Compressor of a Geared Turbofan using Machine Learning
Castillo et al. Data-Driven Models for Gas Turbine Online Diagnosis. Machines 2021, 9, 372

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18924860

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18924860

Country of ref document: EP

Kind code of ref document: A1