基于贝叶斯分类器链的涡轴发动机多目标性能预测方法技术

本发明专利技术公开了一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，该方法将贝叶斯分类器根据目标变量间的关系进行连接，建立一个链状性能预测模型，在给定待预测涡轴发动机的属性变量状态后，通过后验概率推理可同时对其多个性能目标变量的合格概率进行预测。同时为了确保结果的准确性，考虑了目标变量的不同连接顺序，对所有模型的预测结果取平均值，得出目标变量的最终性能预测结果，从而可以指导生产，提高涡轴发动机的出厂合格率。

【技术实现步骤摘要】
基于贝叶斯分类器链的涡轴发动机多目标性能预测方法
本专利技术属于航空发动机
，具体涉及一种发动机多目标性能预测方法。
技术介绍
涡轴发动机是一种高度复杂的精密热力机械，一般作为直升机的动力来源，对制造水平要求极高。通常情况下，一台合格的涡轴发动机有两个需要考虑的性能参数指标：功率以及关键截面温度。为了保证始终能为直升机提供充足、稳定的动力，发动机的功率有最低合格限制；同时，为了确保发动机的工作寿命以及直升机的安全性，关键截面温度这一指标有最高合格限制。然而，在实际生产中，制造出来的发动机很难做到一次试车便能同时满足两个指标的合格要求，往往需要重新装配之后尝试进行多次试车，这大大增加了人力、物力成本。对涡轴发动机的性能进行准确有效的预测有助于提前预知风险，也能指导生产环节从而提高其出厂合格率。针对航空发动机的性能预测，现阶段主要有两种方法：基于模型的方法和基于数据的方法。基于模型的方法通过构建精确的发动机数学模型来进行性能预测工作，这一方法的应用需要建立在对发动机的构造及原理有深入研究的基础之上。此外，该方法过于依赖数学模型的精度，并且模型预测结果易受噪声及建模的不确定性所影响。基于数据的方法不需要事先具备发动机系统的相关知识，而是直接根据收集到的发动机数据对其性能进行预测，机器学习算法是其中的典型代表。近年来随着人工智能的兴起以及发动机数据的大量积累，基于数据的方法吸引了越来越多研究者的关注，已经逐渐成为航空发动机性能预测领域的首选解决方案。《北京航空航天大学学报》2008，34(3)公开了一种“航空发动机性能参数预测方法”，该方法首先利用小波变换将发动机原始数据分解为不同尺度上的几组子序列，然后根据各子序列的特点分别选用自回归滑动平均模型或求和自回归滑动平均模型进行预测，最后将所有预测结果合成得到总的预测结果。然而，当前这些基于数据的预测方法存在的不足之处是：建模预测低效，无法同时考虑多个性能参数指标的预测，且不能给出具体的性能合格预测概率。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，该方法将贝叶斯分类器根据目标变量间的关系进行连接，建立一个链状性能预测模型，在给定待预测涡轴发动机的属性变量状态后，通过后验概率推理可同时对其多个性能目标变量的合格概率进行预测。同时为了确保结果的准确性，考虑了目标变量的不同连接顺序，对所有模型的预测结果取平均值，得出目标变量的最终性能预测结果，从而可以指导生产，提高涡轴发动机的出厂合格率。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤1：收集涡轴发动机的性能参数数据以及设计参数数据；通过对多部涡轴发动机试车获取涡轴发动机的性能参数数据，包括功率P和关键截面温度T在涡轴发动机试车时的测量数据；获取涡轴发动机的设计参数数据，包括涡轴发动机内部N个不同零件的尺寸；步骤2：确定目标变量和属性变量，并设定目标变量的合格条件；对每个变量都进行离散化处理，得出目标变量的概率分布表、条件概率表，以及不同目标变量下属性变量各个状态的条件概率表；具体如下：步骤2-1：将涡轴发动机的功率P和关键截面温度T设置为目标变量，将涡轴发动机内部N个不同零件的尺寸设置为属性变量，表示为x1,x2,…,xi,…,xN，i＝1,2,…,N；步骤2-2：设置功率P的最小合格条件为aKW；设置关键截面温度T的最大合格条件为b℃，a和b分别代表两个正常数；步骤2-3：以功率P的最小合格条件为界，将功率P分为两段，由步骤1获取的数据统计功率P在两段的概率分布表P(P)；以关键截面温度T的最大合格条件为界，将关键截面温度T分为两段，由步骤1获取的数据统计关键截面温度T在两段的概率分布表P(T)；由步骤1获取的数据统计功率P和关键截面温度T互为先验属于不同段的条件概率表P(P|T)和P(T|P)；步骤2-4：将每个属性变量x1,x2,…,xN采用等频率法各自分为e段，将e段区间分别表示为状态0,1,…,e-1，0,1,…,e-1均代表属性变量状态，不代表属性变量实际值；对于第i个属性变量，分为e段所采用的阈值分别为对应状态0，对应状态1，对应状态2，以此类推，对应状态e-1；步骤2-5：由步骤1获取的数据统计N个属性变量以功率P和关键截面温度T为先验属于不同状态的条件概率表P(xi|P)和P(xi|T)；步骤3：通过后验概率推理得出涡轴发动机在基于朴素贝叶斯分类器以目标变量功率P为链首的贝叶斯分类器链性能预测模型下对目标变量功率P和关键截面温度T的性能预测结果；具体过程如下：步骤3-1：以目标变量功率P为链首的贝叶斯分类器链性能预测模型包括两个分类器，第一个分类器是针对目标变量功率P的预测，以目标变量功率P为父节点，将各个属性变量x1,x2,…,xN作为子节点；第二个分类器是针对目标变量关键截面温度T的预测，以目标变量关键截面温度T为父节点，将各个属性变量x1,x2,…,xN和目标变量功率P作为子节点；步骤3-2：设定待预测涡轴发动机的属性变量x1,x2,…,xN的状态取值分别为y1,y2,…,yN，y1,y2,…,yN∈[0,1,…,e-1]；根据以目标变量功率P为链首的贝叶斯分类器链性能预测模型的第一个分类器预测功率P合格(P>a)的概率；则功率P合格(P>a)的后验概率为：功率P不合格(P≤a)的后验概率为：根据条件概率的基本性质，有：代入步骤2中获取的条件概率表中的数值，解出P(x1＝y1,x2＝y2,…,xN＝yN)，最终计算得到功率P合格(P>a)的概率为P(P>a|x1＝y1,x2＝y2,…,xN＝yN)＝m％；如果m％<50％，则判定待预测涡轴发动机在以目标变量功率P为链首的贝叶斯分类器链性能预测模型下功率P不合格；如果m％≥50％，则判定待预测涡轴发动机在以目标变量功率P为链首的贝叶斯分类器链性能预测模型下功率P合格；步骤3-3：根据以目标变量功率P为链首的贝叶斯分类器链性能预测模型的第二个分类器预测关键截面温度T合格(T≤b)的概率；则关键截面温度T合格(T≤b)的后验概率为：其中，当m％<50％时，⊙为<号；当m％≥50％时，⊙为≥号；关键截面温度T不合格(T>b)的后验概率为：根据条件概率的基本性质，有：代入步骤2中获取的条件概率表中的数值，解出P(x1＝y1,x2＝y2,…,xN＝yN,P⊙a)，最终计算得到关键截面温度T合格(T≤b)的概率为P(T≤b|x1＝y1,x2＝y2,…,xN＝yN,P⊙a)＝n％；如果n％<50％，则判定待预测涡轴发动机在以目标变量功率P为链首的贝叶斯分类器链性能预测模型下关键截面温度T不合格；如果n％≥50％，则判定待预测涡轴发动机在以目标变量功率P为链首的贝叶斯分类器链性能预测模型下关键截面温本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，其特征在于，包括以下步骤：/n步骤1：收集涡轴发动机的性能参数数据以及设计参数数据；/n通过对多部涡轴发动机试车获取涡轴发动机的性能参数数据，包括功率P和关键截面温度T在涡轴发动机试车时的测量数据；/n获取涡轴发动机的设计参数数据，包括涡轴发动机内部N个不同零件的尺寸；/n步骤2：确定目标变量和属性变量，并设定目标变量的合格条件；对每个变量都进行离散化处理，得出目标变量的概率分布表、条件概率表，以及不同目标变量下属性变量各个状态的条件概率表；具体如下：/n步骤2-1：将涡轴发动机的功率P和关键截面温度T设置为目标变量，将涡轴发动机内部N个不同零件的尺寸设置为属性变量，表示为x

【技术特征摘要】
1.一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，其特征在于，包括以下步骤：
步骤1：收集涡轴发动机的性能参数数据以及设计参数数据；
通过对多部涡轴发动机试车获取涡轴发动机的性能参数数据，包括功率P和关键截面温度T在涡轴发动机试车时的测量数据；
获取涡轴发动机的设计参数数据，包括涡轴发动机内部N个不同零件的尺寸；
步骤2：确定目标变量和属性变量，并设定目标变量的合格条件；对每个变量都进行离散化处理，得出目标变量的概率分布表、条件概率表，以及不同目标变量下属性变量各个状态的条件概率表；具体如下：
步骤2-1：将涡轴发动机的功率P和关键截面温度T设置为目标变量，将涡轴发动机内部N个不同零件的尺寸设置为属性变量，表示为x1，x2，...，xi，...，xN，i＝1，2，...，N；
步骤2-2：设置功率P的最小合格条件为aKW；设置关键截面温度T的最大合格条件为b℃，a和b分别代表两个正常数；
步骤2-3：以功率P的最小合格条件为界，将功率P分为两段，由步骤1获取的数据统计功率P在两段的概率分布表P(P)；以关键截面温度T的最大合格条件为界，将关键截面温度T分为两段，由步骤1获取的数据统计关键截面温度T在两段的概率分布表P(T)；
由步骤1获取的数据统计功率P和关键截面温度T互为先验属于不同段的条件概率表P(P|T)和P(T|P)；
步骤2-4：将每个属性变量x1，x2，...，xN采用等频率法各自分为e段，将e段区间分别表示为状态0，1，...，e-1，0，1，...，e-1均代表属性变量状态，不代表属性变量实际值；对于第i个属性变量，分为e段所采用的阈值分别为对应状态0，对应状态1，对应状态2，以此类推，对应状态e-1；
步骤2-5：由步骤1获取的数据统计N个属性变量以功率P和关键截面温度T为先验属于不同状态的条件概率表P(xi|P)和P(xi|T)；
步骤3：通过后验概率推理得出涡轴发动机在基于朴素贝叶斯分类器以目标变量功率P为链首的贝叶斯分类器链性能预测模型下对目标变量功率P和关键截面温度T的性能预测结果；具体过程如下：
步骤3-1：以目标变量功率P为链首的贝叶斯分类器链性能预测模型包括两个分类器，第一个分类器是针对目标变量功率P的预测，以目标变量功率P为父节点，将各个属性变量x1，x2，...，xN作为子节点；第二个分类器是针对目标变量关键截面温度T的预测，以目标变量关键截面温度T为父节点，将各个属性变量x1，x2，...，xN和目标变量功率P作为子节点；
步骤3-2：设定待预测涡轴发动机的属性变量x1，x2，...，xN的状态取值分别为y1，y2，...，yN，y1，y2，...，yN∈[0，1，...，e-1]；根据以目标变量功率P为链首的贝叶斯分类器链性能预测模型的第一个分类器预测功率P合格(P＞a)的概率；
则功率P合格(P＞a)的后验概率为：



功率P不合格(P≤a)的后验概率为：



根据条件概率的基本性质，有：



代入步骤2中获取的条件概率表中的数值，解出P(x1＝y1，x2＝y2，...，xN＝yN)，最终计算得到功率P合格(P＞a)的概率为P(P＞a|x1＝y1，x2＝y2，...，xN＝yN)＝m％；
如果m％＜50％，则判定待预测涡轴发动机在以目标变量功率P为链首的贝叶斯分类器链性能预测模型下功率P不合格；如果m％≥50％，则判定待预测涡轴发动机在以目标变量功率P为链首的贝叶斯分类器链性能预测模型下功率P合格；
步骤3-3：根据以目标变量功率P为链首的贝叶斯分类器链性能预测模型的第二个分类器预测关键截面温度T合格(T≤b)的概率；
则关键截面温度T合格(T≤b)的后验概率为：



其中，当m％＜50％时，⊙为＜号；当m％≥50％时...

【专利技术属性】
技术研发人员：蔡志强，韩思杰，王宇航，司书宾，张帅，叶正梗，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61