采用样本自适应加权的发动机性能预测方法技术

本发明专利技术涉及发动机状态监测技术领域，具体涉及一种采用样本自适应加权的发动机性能预测方法，包括如下步骤：建立第一数据集和第二数据集，所述第一数据集为当前发动机的已运行数据集，所述第二数据集包括N台所述当前发动机同型号其它发动机的运行数据集；将所述第一数据集和所述第二数据集根据飞行包线分布进行聚类，获得M个聚类中心；建立子模型，以使M个聚类中心均包括N个子模型；每个所述聚类中心初始化一个预测权重向量W，对其包括的N个子模型进行加权平均，构建M个线性加权预测模型，所述线性加权预测模型用于预测发动机性能；优化聚类中心的所述预测权重向量W。该方法充分发挥了数据多样性，满足航空发动机精准性能预测的需求。的需求。的需求。

【技术实现步骤摘要】
采用样本自适应加权的发动机性能预测方法


[0001]本专利技术涉及发动机状态监测
，具体涉及一种采用样本自适应加权的发动机性能预测方法。

技术介绍

[0002]军用航空发动机工作环境十分恶劣，高温、高压、高速等环境导致各部件性能衰退迅速、总体性能快速退化，这使得军用航空发动机寿命相对较短。为了保障飞行的可靠性，发动机各性能需要得到监视和预测以便于及时维护，同时也有助于制定合理的视情维修计划，从而保障飞行的可靠性和安全性。
[0003]发动机性能监视和预测通常利用空气动力学、转子动力学、热力学等方程进行复杂运算完成数学建模。然而，发动机的结构复杂、零件繁多，制造和装配误差等因素难以测量和估算，所建立的性能模型是一个平均模型，完全不包含发动机个体差异信息。此外，发动机工作环境带来了部件性能退化等问题，而性能退化机理极其复杂，这使得发动机预测难度非常大。因此，为了获得高精度的预测模型，发动机个体差异和性能退化等特性需要通过发动机实测参数不断校正。
[0004]基于数据修正的建模方法需要大量工况条件下丰富多样的数据才能保证模型的准确性。目前常采用的发动机自适应模型往往需要一定数量的历史数据。然而，由于军用航空发动机寿命短、飞行工况有限、机载存储单元采集频率低等原因，当发动机运行时间有限、样本数量不足、飞行条件和状态等不够丰富多样时，自身样本难以快速对模型形成有效修正。
[0005]现有发动机性能预测方法缺乏对其它发动机多样化数据的充分利用，也难以体现发动机随使用带来的发动机性能退化，因此难以满足现代军用航空发动机精准性能预测的需求。

技术实现思路

[0006]解决的技术问题
[0007]针对现有技术所存在的上述缺点，本专利技术提供了一种采用样本自适应加权的发动机性能预测方法，该方法可以充分发挥了数据多样性，满足对于航空发动机精准性能预测的需求。
[0008]技术方案
[0009]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0010]本专利技术提供一种采用样本自适应加权的发动机性能预测方法，包括如下步骤：
[0011]S1、建立第一数据集和第二数据集，所述第一数据集为当前发动机的已运行数据集，所述第二数据集包括N台所述当前发动机同型号其它发动机的运行数据集；
[0012]S2、将所述第一数据集和所述第二数据集根据飞行包线分布进行聚类，获得M个聚类中心；
[0013]S3、N台其它发动机基于不同的所述聚类中心分别建立子模型，以使M个聚类中心均包括N个子模型；
[0014]S4、每个所述聚类中心初始化一个预测权重向量W，对其包括的N个子模型进行加权平均，构建M个线性加权预测模型，所述线性加权预测模型用于预测发动机性能；
[0015]S5、每个所述聚类中心初始化一个空数据池，将所述当前发动机的当前运行数据数据放入一所述聚类中心的空数据池，优化该所述聚类中心的所述预测权重向量W，所述一所述聚类中心指与所述当前运行数据距离最近的聚类中心。
[0016]进一步地，步骤S2具体包括：
[0017]S2.1、将所述第一数据集和所述第二数据集中的所有数据样本以飞行高度和马赫数为索引，随机选取k个数据样本作为簇初始中心点，建立k个簇；
[0018]S2.2、对剩余每个数据样本，根据其与每个所述簇初始中心点的距离，将该样本分配给距离最近的簇；
[0019]S2.3、重新更新每个簇的平均值并作为新的簇的中心点
[0020]S2.4、不断重复S2.2至S2.3,直到没有样本变换所属的簇或者簇中心点不再发生变化，每个簇即为一个聚类。
[0021]进一步地，步骤S3中每个聚类中心的子模型为：
[0022]y＝f
ij
(u),i＝1,2,L,N,j＝1,2,L,M
[0023]其中，u为输入向量，y为输出向量，f
ij
为模型函数，下标i表示所属发动机序号，下标j表示所属聚类中心序号。
[0024]进一步地，所述线性加权预测模型为：
[0025][0026]其中，h
j
为第j个聚类中心的性能预测模型函数；w
i
为向量系数W中第i个元素，f
ij
为模型函数，下标i表示所属发动机序号，下标j表示所属聚类中心序号。
[0027]进一步地，所述优化该所述聚类中心的所述预测权重向量W具体包括：
[0028]通过每个空数据池加入数据计算对应加权预测模型的输出，建立 Levenberg
‑
Marquardt优化器，并以数据池计算得到的输出与对应加权预测模型实际输出之间误差作为优化目标。
[0029]进一步地，所述Levenberg
‑
Marquardt优化器为：
[0030][0031]其中，e表示所述加权预测模型输出与数据池计算得到的输出之间的误差向量。
[0032]进一步地，还包括步骤S6：
[0033]每隔m个时刻，重复S4至S5的过程，滚动自适应优化所述预测权重向量 W。
[0034]进一步地，还包括步骤S7：绘制预测性能量曲线，获得发动机性能量的变化趋势。
[0035]进一步地，步骤S2采用K
‑
means聚类方法。
[0036]有益效果
[0037]本专利技术充分利用已有发动机历史数据中使用时间和部件性能退化等信息建模，同时兼顾到了多台发动机的不同飞行工况等信息，通过聚类和调度，充分发挥了数据多样性。
在发动机自身数据有限时，基于数据驱动的加权预测方法不断优化迭代，在发动机使用过程中逐渐提高预测精度。
附图说明
[0038]为了更清楚地说明本专利技术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专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0039]图1为本专利技术一实施例提供的采用样本自适应加权的发动机性能预测方法步骤示意图；
[0040]图2为本专利技术一实施例提供的采用样本自适应加权的发动机性能预测方法流程示意图；
[0041]图3为本专利技术一实施例提供的采用样本自适应加权的发动机性能预测方法另一流程示意图；
[0042]图4为本专利技术一实施例提供的训练集飞行条件参数初始数据示意图；
[0043]图5为本专利技术一实施例提供的训练集飞行条件参数聚为4类结果示意图；
[0044]图6为本专利技术一实施例提供的聚类过程中4个聚类中心变化趋势图；
[0045]图7为本专利技术一实施例提供的发动机参数预测子模型结构示意图；
[0046]图8为本专利技术一实施例提供的发动机排气温度预测模型与平均模型对比图。
具体实施方式
[0047]为使本专利技术实施例的目的、技术方案和优点更加清本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用样本自适应加权的发动机性能预测方法，其特征在于，包括如下步骤：S1、建立第一数据集和第二数据集，所述第一数据集为当前发动机的已运行数据集，所述第二数据集包括N台所述当前发动机同型号其它发动机的运行数据集；S2、将所述第一数据集和所述第二数据集根据飞行包线分布进行聚类，获得M个聚类中心；S3、N台其它发动机基于不同的所述聚类中心分别建立子模型，以使M个聚类中心均包括N个子模型；S4、每个所述聚类中心初始化一个预测权重向量W，对其包括的N个子模型进行加权平均，构建M个线性加权预测模型，所述线性加权预测模型用于预测发动机性能；S5、每个所述聚类中心初始化一个空数据池，将所述当前发动机的当前运行数据数据放入一所述聚类中心的空数据池，优化该所述聚类中心的所述预测权重向量W，所述一所述聚类中心指与所述当前运行数据距离最近的聚类中心。2.根据权利要求1所述的采用样本自适应加权的发动机性能预测方法，其特征在于，步骤S2具体包括：S2.1、将所述第一数据集和所述第二数据集中的所有数据样本以飞行高度和马赫数为索引，随机选取k个数据样本作为簇初始中心点，建立k个簇；S2.2、对剩余每个数据样本，根据其与每个所述簇初始中心点的距离，将该样本分配给距离最近的簇；S2.3、重新更新每个簇的平均值并作为新的簇的中心点；S2.4、不断重复S1.2至S1.3,直到没有样本变换所属的簇或者簇中心点不再发生变化，每个簇即为一个聚类。3.根据权利要求1所述的采用样本自适应加权的发动机性能预测方法，其特征在于，步骤S3中每个聚类中心的子模型为：y＝f
ij
(u),i＝1,2,L,N,j＝1,2,L,M其中，u为输入向量，y为输出向量，f...

【专利技术属性】
技术研发人员：邵冬，陈前景，罗斌，吴雨婷，贾志刚，刘博维，
申请(专利权)人：中国航空发动机研究院，
类型：发明
国别省市：