一种航空发动机排气温度裕度预测方法、存储介质及设备技术

本发明专利技术公开了一种航空发动机排气温度裕度预测方法、存储介质及设备，将航空发动机的历史数据分为训练集和测试集；利用训练集构造EGTM序列数据集并进行预处理；设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将预处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；将测试集数据放入训练完成的航空发动机排气温度裕度模型中，根据平均绝对误差值、均方根误差值以及拟合度可决系数R

【技术实现步骤摘要】
一种航空发动机排气温度裕度预测方法、存储介质及设备
本专利技术属于航空发动机
，具体涉及一种航空发动机排气温度裕度预测方法、存储介质及设备。
技术介绍
航空发动机排气温度裕度(EGTM)是反映民用航空发动机性能衰退的主要参考依据之一。EGTM定义为航空发动机在海平面压力以及拐点温度条件下，全功率飞行的发动机排气温度(EGT)与EGT红线之间的差值。航空公司通过分析EGTM的变化趋势，可评估发动机的可靠性水平，以保证飞机的安全飞行，降低维修成本。因此，EGTM的预测对于航空公司检修发动机，安排下发时间以及航空发动机的安全性具有积极意义。EGTM的预测一直以来都是航空发动机领域的研究热点。现有国内外在航空发动机排气温度及其裕度的预测研究中，取得了不少的成果，很多研究在EGTM预测中获得了较好的效果，但仍然存在一些问题尚未解决，如大多数研究采用数值分析或者单一模型的方式，预测过程复杂，另外，由于EGTM的变化趋势具有较强的非线性以及随机性，数值分析方法以及单一模型的预测精度还不够令人满意。近年来，基于深度学习的神经网络模型获得了很大的发展，其直接从大量真实实验数据中进行学习，无需考虑输入与输出之间的数学关系，可避免非线性对模型精度的影响。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种航空发动机排气温度裕度预测方法、存储介质及设备，能够准确预测航空发动机的实时排气温度裕度，并实现了输出结果可视化。本专利技术采用以下技术方案：一种航空发动机排气温度裕度预测方法，包括以下步骤：S1、将航空发动机的历史数据分为训练集和测试集，；S2、利用步骤S1获得的训练集构造EGTM序列数据集；S3、对步骤S2构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理；S4、设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；S5、将步骤S1获得的测试集数据放入步骤S4训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R2值，根据平均绝对误差值、均方根误差值以及拟合度可决系数R2值确定航空发动机排气温度裕度模型的准确率；S6、将步骤S5准确率最高的航空发动机排气温度裕度模型封装到计算单元中，采集新数据进行实时预测，并将预测结果可视化。具体的，步骤S3具体为：采取距离检测法计算出所有样本间的测量距离，找出不符合测量距离分布特征的异常点并剔除；采取移动平滑的方式去除EGTM序列数据集中的噪声并采用回归分析原理对缺失值进行补充，采用线性函数归一化的方法对EGTM序列数据集进行归一化处理，将线性变换到[0,1]区间。进一步的，EGTM序列数据集是平稳随机序列Lt＝xt+δt；xt为t时刻的真实状态，Lt为t时刻的测量值，δt为噪声；采用移动平滑的方式去除噪声的过程为：其中，为t时刻平滑后的序列值。具体的，步骤S4具体为：将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，首先经过CNN卷积和池化运算后，提取出数据特征作为长短期记忆网络的输入，然后经过LSTM网络训练后，得到航空发动机排气温度裕度预测模型。进一步的，CNN卷积和池化运算对数据进行特征重构与特征向量降维具体为：其中，yi为第i-1层输出特征量；*代表卷积运算；Wi和Bi分别表示第i层卷积核的权值矩阵和对应的偏置列向量；R(*)代表非线性激活函数；Yi为池化后的特征矩阵，Yi-1为池化前的特征矩阵，P(*)为最大池化函数；经过CNN提取数据特征后作为LSTM网络的输入具体为：其中，ft为遗忘门的输出值，it为输入门的计算结果，Ot为输出门的计算结果；xt为t时刻的输入，ht-1为上一时刻的LSTM输出值，两者拼接成t时刻的输入状态；Wf、Wi和Wc分别对应遗忘门、输入门和输出门结构的权值矩阵，bf、bi和bc为相应的偏置矩阵；Ct-1为旧的细胞状态，ft×Ct-1为遗忘门决定忘记的状态信息，为新的候选值向量，Ct为更新后的细胞状态(t时刻细胞状态)；σ(*)为sigmoid激活函数，th(*)为tanh激活函数。具体的，步骤S5中，平均绝对误差值MAE和均方根误差值RMSE具体为：其中，m代表样本总数，hi代表排气温度裕度真实值，代表排气温度裕度预测值，代表排气温度裕度平均值。具体的，步骤S5中，拟合度可决系数R2值具体为：其中，m代表样本总数，hi代表排气温度裕度真实值，代表排气温度裕度预测值，代表排气温度裕度平均值。具体的，步骤S6中，将步骤S1得到的测试集中的数据放入计算单元中封装的航空发动机排气温度裕度预测模型中进行预测，得到测试集中的排气温度裕度预测值，然后将预测值与测试集中真实的排气温度裕度值进行比较，判断排气温度裕度预测的精度。本专利技术的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。本专利技术的另一个技术方案是，一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种航空发动机排气温度裕度预测方法，立足于航空发动机对飞机飞行安全以及可靠性的影响，对EGTM序列数据集进行预处理，充分挖掘出航空发动机排气温度裕度(EGTM)的变化趋势与航空发动机的性能衰退情况之间潜在的联系和特征，构建基于卷积神经网络和长短期记忆网络的高精度的航空发动机排气温度裕度(EGTM)预测融合模型，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R2值，根据平均绝对误差值、均方根误差值以及拟合度可决系数R2值确定航空发动机排气温度裕度模型的准确率，对于航空发动机的状态监测、寿命控制、维修决策与资源调度具有重要作用。进一步的，通过步骤S3去除无效数据、不规范数据、错误数据；补齐缺失值以及对数据范围、量纲、格式、类型进行统一化处理，更容易进行后续计算，提高预测精度。进一步的，训练数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；测试数据集作为测试样本，验证模型的精度。进一步的，通过步骤S4融合模型中的卷积神经可对数据中有效特征进行提取，长短期记忆网对时间序列敏感且具有记忆性特点，本文档来自技高网...

【技术保护点】
1.一种航空发动机排气温度裕度预测方法，其特征在于，包括以下步骤：/nS1、将航空发动机的历史数据分为训练集和测试集；/nS2、利用步骤S1获得的训练集构造EGTM序列数据集；/nS3、对步骤S2构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理；/nS4、设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；/nS5、将步骤S1获得的测试集数据放入步骤S4训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R

【技术特征摘要】
1.一种航空发动机排气温度裕度预测方法，其特征在于，包括以下步骤：
S1、将航空发动机的历史数据分为训练集和测试集；
S2、利用步骤S1获得的训练集构造EGTM序列数据集；
S3、对步骤S2构造的EGTM序列数据集进行预处理，删除EGTM序列数据集中的异常点，对EGTM序列数据集的噪声进行处理，补充EGTM序列数据集的缺失值，添加EGTM序列数据集的标签；对EGTM序列数据集进行归一化处理；
S4、设计基于卷积神经网络和长短期记忆网络的航空发动机排气温度裕度模型，将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，对航空发动机排气温度裕度模型进行训练；
S5、将步骤S1获得的测试集数据放入步骤S4训练完成的航空发动机排气温度裕度模型中，得出测试集在航空发动机排气温度裕度模型训练中的平均绝对误差值、均方根误差值以及拟合度可决系数R2值，根据平均绝对误差值、均方根误差值以及拟合度可决系数R2值确定航空发动机排气温度裕度模型的准确率；
S6、将步骤S5准确率最高的航空发动机排气温度裕度模型封装到计算单元中，采集新数据进行实时预测，并将预测结果可视化。


2.根据权利要求1所述的方法，其特征在于，步骤S3具体为：采取距离检测法计算出所有样本间的测量距离，找出不符合测量距离分布特征的异常点并剔除；采取移动平滑的方式去除EGTM序列数据集中的噪声并采用回归分析原理对缺失值进行补充，采用线性函数归一化的方法对EGTM序列数据集进行归一化处理，将线性变换到[0,1]区间。


3.根据权利要求2所述的方法，其特征在于，EGTM序列数据集是平稳随机序列Lt＝xt+δt；xt为t时刻的真实状态，Lt为t时刻的测量值，δt为噪声；采用移动平滑的方式去除噪声的过程为：



其中，为t时刻平滑后的序列值。


4.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
将步骤S3归一化处理后的EGTM序列数据集作为卷积神经网络的输入，首先经过CNN卷积和池化运算后，提取出数据特征作为长短期记忆网络的输入，然后经过LSTM网络训练后，得到航空发动机排气温度裕度预测模型。


5.根据权利要求4所述的方法，其特征在于，CNN卷积和池化运算对数据进行特征重构与特征向量降维具体为：
...

【专利技术属性】
技术研发人员：李杰，孟凡熙，张子辰，闫柯朴，赵世明，牛惠萌，李润然，贾渊杰，张志新，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61