一种基于改进CSA-LSSVM的航空发动机建模方法技术

本发明专利技术公开了一种基于改进CSA

【技术实现步骤摘要】
一种基于改进CSA
‑
LSSVM的航空发动机建模方法


[0001]本专利技术涉及航空发动机参数建模领域，特别是一种基于改进CSA
‑
LSSVM的航空发动机建模方法。

技术介绍

[0002]目前，航空发动机实时建模方法有机理建模和辨识法建模两种方法。机理建模存在建模快速性、机载模型实时性和硬件资源占用大等问题，实时机载模型使用的都为简化部件级模型，但简化模型存在精度较差的问题。辨识方法建模就是采取系统辨识技术，根据系统实际运行或实验过程中所取得的输入/输出数据，利用各种辨识方法来建立系统的动静态数学模型。传统辨识方法为参数估计的线性系统辨识方法，对于航空发动机这种本质强非线性系统，只能在小范围内认为是线性系统进行辨识，大范围模型需大量辨识拟合，工作量大、拟合精度不高。采用人工神经网络和支持向量机辨识能够高度逼近高度复杂的非线性系统、硬件占用资源少、实时性好、自学习能力能跟踪发动机蜕化。
[0003]然而现有人工神经网络多采用浅层BP神经网络进行发动机辨识，学习速度快但精度不高，且采用梯度下降法的BP神经网络在极值点附近存在收敛速度较慢的问题；支持向量机建立发动机模型存在模型参数的选取全凭经验的问题，影响预测结果的精确性。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进CSA
‑
LSSVM的航空发动机建模方法，从而更高精度逼近非线性模型，实现对发动机健康状态的预测评估，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于改进CSA
‑
LSSVM的航空发动机建模方法，包括如下步骤：
[0007]S1、建模：选取巡航状态下等时间间隔的200个数据作为建模数据，其中前160个数据作为训练样本用于模型的建模，后40个数据作为验证样本用于评估检验该模型的预测性能；
[0008]S2、确定模型参数：
[0009]S2.1：核函数，选取核函数的方法通常有两种：一是根据所选模型的使用特点和以往的经验选择核函数；二是使用交叉验证，通过对不同的核函数进行实验选择效果最好的为模型核函数；
[0010]S2.1：最优参数求解，采用高斯径向基核函数的最小二乘支持向量机有两个参数需要确定：正则化参数c和径向基核函数参数g，选用的优化算法为耦合模拟退火方法；模拟退火是一种通用的优化算法，它和常规优化算法不同的是模拟退火算法从某一较高初温出发，随着温度参数的改变，在所有解的区间内找到最优解；
[0011]S3、结果分析，以低压转子转速N1数据为例，用于回归分析的样本序列为1
‑
160，共160个；用于预测分析的样本序列为161
‑
200，共40个，首先使用耦合模拟退火法进行参数寻
优。
[0012]其中，选取的步骤S1中的所述建模数据类型为反映发动机推力的低压转子转速N1和风扇振动值VIB FAN。
[0013]其中，模型参数寻优的目的是寻找最优的正则化参数c和径向基核函数参数g；选用的优化算法为耦合模拟退火方法(CSA)，罚函数选用Leave
‑
One
‑
Out Cross Validation(LOO
‑
CV)交叉验证方法得到的N个模型的验证集平均数MSE，即：
[0014][0015]其中(x
i
，y
i
)为训练样本对，表示各个参数的实际数据，f(x
i
)为样本对应的模型。
[0016]其中，以建模的最小二乘支持向量机法根据以往研究者的实验仿真选择高斯径向基核函数，即
[0017][0018]其中，选取耦合模拟退火算法对模型参数进行优化。耦合模拟退火算法的核心为解的生成和解的接受(解指待模型参数c和g)，模型的精度由解的生成和解的接受概率决定。采用文献[15]的观点，本文解的接受概率函数表达式为：
[0019]其中x
i
∈θ，i＝1,2，......n，，θ代表得到解的组合，n为耦合的模拟退火数量；E(
·
)为解θ的拟合精度目标函数；表示第k次迭代解的接受温度；β表示耦合项，是所有变量相应的拟合精度函数。
[0020]其中，
[0021]所述β的具体函数表达式可写为：上式中j∈θ(所有可行解的集合)，表示对应于x
i
的生成解，满足y
i
＝x
i
+ε
i
，其中ε
i
为随机值。
[0022]其中，
[0023]所述ε
i
通常选取的分布为：g(ε
i
，T
K
)
←
x
i
+tan(π(r
‑
0.5))T
k
，r∈[0,1]；
[0024]则y
i
的表达式转换为：y
i
＝x
i
+tan(π(r
‑
0.5))T
K
；
[0025]其中T
k
表示第k次迭代解的生成温度。T
k
和是两个与算法原理相关的参数；T
k
的值的选取和生成解的取值区间呈正相关，随着T
k
值变小，最优值也逐渐收敛；类似地，的取值则与差解的接受概率呈正相关性，随着的值的下降，非优解的接受概率不断下降，说明正在接近最优解。
[0026]其中，步骤S3中采用耦合模拟退火方法寻找c和g的初步优化结果，选用的代价函数为“leaveoneoutlssvm”；初步优化结果为c
csa
＝31.0981，g
csa
＝0.0390，对应的罚函数值Fcost为0.096185；采用网格搜索法在初步优化结果的领域内进一步优化c
csa
和g
csa
，代价函数仍选取“leaveoneoutlssvm”；
[0027]c
csa
的初步搜索空间为exp[log(c
csa
)+(
‑
5,10)]；
[0028]g
csa
的初步搜索空间为exp[log(g
csa
)+(
‑
5,10)]。
[0029]其中，使用CSA法对最小二乘支持支持向量机寻优之后，编辑程序运用最优化参数c与核函数参数g，对前160组发动机巡航段N1组成的训练样本进行回归训练，从而获得最佳性能的预测模型。
[0030]其中，将最小二乘支持向量机的方法运用到风扇振动值参数趋势预测中，风扇振动值VIB FAN建模：采用耦合模拟退火法得到的初步优化结果为c
csa
＝10.7782，g
csa<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进CSA
‑
LSSVM的航空发动机建模方法，其特征在于：包括如下步骤：S1、建模：选取巡航状态下等时间间隔的200个数据作为建模数据，其中前160个数据作为训练样本用于模型的建模，后40个数据作为验证样本用于评估检验该模型的预测性能；S2、确定模型参数：S2.1：核函数，选取核函数的方法通常有两种：一是根据所选模型的使用特点和以往的经验选择核函数；二是使用交叉验证，通过对不同的核函数进行实验选择效果最好的为模型核函数；S2.1：最优参数求解，采用高斯径向基核函数的最小二乘支持向量机有两个参数需要确定：正则化参数c和径向基核函数参数g，选用的优化算法为耦合模拟退火方法；模拟退火是一种通用的优化算法，它和常规优化算法不同的是模拟退火算法从某一较高初温出发，随着温度参数的改变，在所有解的区间内找到最优解；S3、结果分析，以低压转子转速N1数据为例，用于回归分析的样本序列为1
‑
160，共160个；用于预测分析的样本序列为161
‑
200，共40个，首先使用耦合模拟退火法进行参数寻优。2.根据权利要求1所述的一种基于改进CSA
‑
LSSVM的航空发动机建模方法，其特征在于：选取的步骤S1中的所述建模数据类型为反映发动机推力的低压转子转速N1和风扇振动值VIB FAN。3.根据权利要求1所述的一种基于改进CSA
‑
LSSVM的航空发动机建模方法，其特征在于：模型参数寻优的目的是寻找最优的正则化参数c和径向基核函数参数g；选用的优化算法为耦合模拟退火方法(CSA)，罚函数选用Leave
‑
One
‑
Out Cross Validation(LOO
‑
CV)交叉验证方法得到的N个模型的验证集平均数MSE，即：其中(xi，yi)为训练样本对，表示各个参数的实际数据，f(xi为样本对应的模型。4.所述的一种基于改进CSA
‑
LSSVM的航空发动机建模方法，其特征在于：以建模的最小二乘支持向量机法根据以往研究者的实验仿真选择高斯径向基核函数，即5.根据权利要求1所述的一种基于改进CSA
‑
LSSVM的航空发动机建模方法，其特征在于：选取耦合模拟退火算法对模型参数进行优化，耦合模拟退火算法的核心为解的生成和解的接受(解指待模型参数c和g)，模型的精度由解的生成和解的接受概率决定，采用文献[15]的观点，本文解的接受概率函数表达式为：其中x
i
∈θ，i＝1,2，......n，，θ代表得到解的组合，n为耦合的模拟退火数量；E(
·
)为解θ的拟合精度目标函数；表示第k次迭代解的接受温度；β表示耦合项，是所有变量相应的拟合精度函数。
6.根据权利要求5所述的一种基于改进CSA
‑
LSSVM的航空发动机建模方法，其特征在于：所述β的具体函数表达式可写为：上式中j∈θ(所有可行解的集合)，表示对应于x
i
的生成解，满足y
i
＝...

【专利技术属性】
技术研发人员：侯振华，王亚琼，
申请(专利权)人：江苏航空职业技术学院，
类型：发明
国别省市：