【技术实现步骤摘要】
迁移过程神经网络预测发动机清洗后排气温度的方法
：
[0001]本专利技术涉及航空发动机排气温度监测
，具体的说是一种能够解决传统技术中难以准确预测因清晰导致的数据突变的趋势问题的迁移过程神经网络 (Transfer Process Neural Networks，以下简称TPNN)预测发动机清洗后排气温度的方法。
技术介绍
：
[0002]航空发动机在长时间运行后，空气的污垢沉积发动机叶片表面。叶片结垢在促进叶片点蚀的同时，降低了压气机空气流量，导致推力降低。发动机为了补偿推力而增加了油耗，使排气温度(exhaust gas temperature)EGT升高，发动机寿命降低。由于低水平的空气流量，增加的燃油无法充分燃烧，将导致发动机增加了污染气体的排放。
[0003]为了响应航空业追求的“节能减排”主题，并满足发动机适航要求，需要对发动机进行水洗。水洗是指对在翼发动机的气路进行清洗。水洗能够清除叶片污垢，恢复空气流量和推力。因此能够降低油耗和EGT、防止叶片点蚀、延长发动机寿命。因此，水洗已被世界各国广泛重视和...
【技术保护点】
【技术特征摘要】
1.一种TPNN预测发动机清洗后排气温度的方法，设有TPNN模型，TPNN包括变量与EGTM的映射方法以及变量之间的映射方法，其特征在于，对于数据参数与EGTM的映射方法，采用线性拟合的方式，建立所有变量与EGTM数据对应关系，实现正向和逆向求解，其中将水洗前数据进行了线性拟合，取线性函数的ti处值作为VBW，提前水洗时间CSN和水洗周期ΔCSN；将水洗后数据进行了线性拟合，取线性函数的ti处值与VBW的差值作为INC，取线性函数的斜率为DR；对于变量[VBW,CSN,ΔCSN]和[DR,INC]之间的映射方法，利用迁移过程神经网络作为水洗前后变量的映射模型，模型采用迁移技术从同类型发动机的数据中学习到初始框架，迁移到目标发动机数据中进行训练；其中，所述CSN为飞行循环，是发动机从出厂到当前的所有循环数；ΔCSN是当发动机多次水洗时，水洗间隔由飞行循环来表示，记做ΔCSN；INC是设当前水洗次数为i，水洗时间为t
i
，t
i
后EGTM的突变称为阶跃量INC；DR是EGTM的衰退率，将水洗后的EGTM进行线性拟合，拟合直线的斜率称作EGTM的衰退率DR；VBW是水洗前发动机EGTM数值。2.根据权利要求1所述的一种TPNN预测发动机清洗后排气温度的方法，其特征在于，EGTM与数据参数的映射方法包括以下内容：设x为要预测的水洗后EGTM数据，设飞行循环数为t，水洗时间为，则x由式(1)表达：x＝DR
×
(t
‑
t
i
)+INC+VBW,t＞t
i
(1)，式(1)中的[DR,INC]由[VBW,CSN,ΔCSN]映射得到，[VBW,CSN,ΔCSN]由ti前的数据获得，将迁移过程神经网络称为h，设θ为模型参数，代表迁移过程神经网络中的权重和偏置，迁移过程神经网络h表达为：[DR,INC]＝h(VBW,CSN,ΔCSN|θ)
ꢀꢀ
(2)，模型参数θ从样本数据和维修记录中提取的[DR,INC]和[VBW,CSN,ΔCSN]训练得到，θ的训练过程表达为：设样本中EGTM数据为X＝{x1,x2,x3,
……
,x
n
}，n为数据总量；水洗次数为{1,2,
…
,i,
…
k}，k为总水洗次数；水洗记录的时间点为：T
washing
＝{t1,t2,
…
,t
i
,
…
,t
k
}，则根据T
washing
把X分为k+1组数据：k+1组数据：
………
若水洗时间用飞行循环次数表征，对于第i次水洗，CSN为在当前水洗时的总飞行循环数，ΔCSN为两次水洗事件之间的飞行循环数，有：CSN
i
＝t
i
ΔCSN
i
＝t
i
‑
t
(i
‑
1) (5)；将水洗前的数据进行线性拟合，取拟合函数水洗点处的数值作为VBW；对于第i次水洗，水洗前的数据表达为X(i)＝{x
t(i－1)+1
,x
t(i－1)+2
,
……
,x
ti－1
}，设线性拟合函数的参数为b
i
、a
i
，则有：X(i)＝b
i
+a
i
×
t,t＝{t
(i
‑
1)
+1,t
(i
‑
1)
+2,...,t
i
‑
1} (6)使用数据X(i)拟合b
i
、a
i
，得：，得：其中，card(
·
)指X(i)的元素数量，由此第i次水洗的VBW
i
可由式(8)计算：VBW
i
＝b
i
+a
i
×
(ti
‑
1) (8)，数据样本中的DR和INC通过发动机EGTM数据在水洗后的变化曲线获得；分别减掉式(4)中每组...
【专利技术属性】
技术研发人员：闫至骐，钟诗胜，林琳，崔智全，赵明航，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。