【技术实现步骤摘要】
本专利技术涉及飞机辅助动力装置性能测量，特别涉及一种基于增量学习的飞机辅助动力装置引气性能预测方法及系统。
技术介绍
1、航空发动机被誉为现代“工业皇冠上的明珠”，是一个国家整体制造技术水平的最高指征。飞机辅助动力装置(auxiliary power unit,apu)本质上作为一台小型燃气涡轮发动机，通常并不直接为飞机飞行提供动力，而是为主发动机起动和飞机环控/液压/电力等系统提供辅助能源。常用的apu是带整体引气的单轴燃气涡轮发动机，其尺寸较大、耗油率较高。单轴燃气涡轮在驱动负载压气机的同时驱动泵和发电机的设计变得越来越流行，研究带负载压气机apu的引气性能对于提升apu的可靠性和寿命具有重要意义。
2、航空发动机“高空台”，即高空模拟试车台是研发航空发动机的重要设备，它通过在地面模拟飞机发动机在空中的飞行高度和速度，通常用于对apu等发动机及其零部件进行高空模拟试验。根据高空台实验，通过建立apu工作特性数学理论模型，如apu引气特性计算模型来分析对象的内部工作原理，优势在于能很好地确定工作过程中自变量与因变量间的量化关系，得出计算目标变量的公式或模型。基于数学理论建模方法能够清楚的描述模型的因果关系，具有可解释性，能够准确分析对象的变化特性。然而，基于数学理论建模方法通常需要对apu工作特性有深入的物理理解。此外，该方法在模型创建过程中需要作出更多假设，且在模型校准过程中，凭借模型创建者的经验判断，使得部分关键变量的调整存在很大程度的任意性。由于，apu通常工作于不同海拔高度、不同温度环境中，具有运行工况动态
3、深度学习是一种用于训练一系列深度神经网络的技术，可以实现更精确的特征提取和模型构建，这为实现apu引气性能预测建模和性能特性分析提供了有效的技术方法。基于传统的有监督深度学习的训练过程，一般假设训练数据分布是固定的，所以模型可以重复的在已有的数据分布中进行多次训练，以得到较好的网络参数结构。然而，随着apu工况的动态变化，实际运行过程获得的新的训练集合和旧的训练集合不一定来自于同一个分布。已经训练好的模型从新的分布中不断学习新知识的同时对旧的知识进行了干扰，从而导致模型的性能快速下降，造成了灾难性的遗忘。增量学习(incremental learning,il)，作为一种拥有在线学习新信息的网络框架，是解决上述问题一个很好的解决方案。与传统的训练模式不同，增量学习框架使得模型在学习新信息的同时，仍然能够保留在旧数据集中学习到的信息，即避免了灾难性遗忘的发生。本专利技术的出发点便是为了解决该问题，通过引入增量学习和深度学习方法，从而构建精准度更高的飞机辅助动力装置引气性能预测模型，实现在不同工况下的引气性能动态预测。
技术实现思路
1、本专利技术目的是为了解决现有技术无法实现飞机辅助动力装置引气性能在不同工况下的动态预测问题，提出基于增量学习的飞机辅助动力装置引气性能预测方法及系统，能够准确构建飞机辅助动力装置引气性能预测模型，实现在不同工况下的引气性能动态预测，具有重要意义。
2、一方面，一种基于增量学习的飞机辅助动力装置引气性能预测方法，包括如下步骤：
3、步骤(1)、从高空试车台试验过程中采集飞机辅助动力装置在不同工况下的参数数据dataset(n)，n＝(1,2,…,n)，n为工况数；
4、步骤(2)、采用经验模态分解和改进小波阈值去噪融合算法对不同工况下的参数数据进行预处理，并归一化处理后，利用归一化后数据的时间序列构建得到模型所需输入矩阵，将输入矩阵划分为训练集、验证集和测试集；
5、步骤(3)、采用步骤(2)获得的第n工况下的训练集和验证集对cnn-gru混合模型进行模型训练和评估，获得cnn-gru初始混合模型；
6、步骤(4)、采用步骤(2)获得的第n+1工况下的训练集和验证集对步骤(4)获得的cnn-gru初始混合模型进行再训练，再训练过程中通过计算投影矩阵，对神经网络权重参数进行约束，训练得到cnn-gru-il增量混合模型。
7、步骤(5)、利用步骤(2)中的测试集对cnn-gru-il增量混合模型进行性能预测，模型预测输出结果即为不同工况下飞机辅助动力装置的引气功率。
8、优选的，步骤(4)通过第n+1工况下的训练集和验证集进行再训练和评估获得的cnn-gru-il增量混合模型具体步骤如下：
9、步骤(3.1)，在cnn-gru神经网络前向传播过程中，分别获取每个cnn层、每个gru层和每个全连接层的输入数据矩阵ai，i为神经网络层序号，根据公式(1)计算每个层的投影矩阵pi。
10、pi＝i-ai(aitai+αi)-1ait (1)
11、步骤(3.2)，采用sgd优化器计算得到每个层的权重梯度δwiibp，根据公式(2)利用计算得到的每个层的投影矩阵pi，对反向传播每个层的权重进行约束。
12、δwi＝κpiδwibp (2)
13、步骤(3.3)，假定训练第n工况下的模型任务为tn，根据式(3)计算得到第n+1工况下模型训练的权重参数为wn+1，进行模型的增量学习。此过程使得训练的cnn-gru-il增量混合模型既能适应新的工况信息，又保留了已有旧的工况信息。
14、win+1＝win-κpiδwibp (3)
15、式中，win是完成第n工况任务训练后神经网络第i层的权重，win+1是完成第n+1工况任务训练后神经网络第i层的权重，κ为学习率。
16、优选的，步骤(1)所述不同工况是指通过调节高空试车台的气压和温度来模拟飞机辅助动力装置在不同海拔、不同温度下的不同运行工况，如0海拔公里处isa-40°、0海拔公里处isa+40°、6海拔公里处isa-40°、12海拔公里处isa+40°等。所述参数数据dataset(n)具体包含状态参数：进气压力p0、负载压气机导叶角度θ、发电机负载l、apu转速n和进气温度t0；以及目标预测参数：引气功率p。所述引气功率p由引气压力py、引气流量wy和引气温度ty通过公式(4)计算得到。
17、
18、其中，pe为环境压力。
19、优选的，步骤(2)所述经验模态分解和改进小波阈值去噪融合算法具体步骤如下：
20、步骤(2.1)，采用经验模态分解方法对不同工况下的状态参数数据分别进行分解得到不同分量的本征模态函数和残差，分别计算不同分量与引气功率之间的相关系数，筛选出相关系数超过一定阈值的分量；
21、步骤(2.2)，将筛选出的分量分别进行改进小波阈值去噪处理，将去噪后的分量进行重构得到预处理后的参数数据。
22、优选的，步骤(2)中的参数数据划分按照7本文档来自技高网...
【技术保护点】
1.一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，步骤(1)所述不同工况是指通过调节高空试车台的气压和温度来模拟飞机辅助动力装置在不同海拔、不同温度下的不同运行工况，如0海拔公里处ISA-40°、0海拔公里处ISA+40°、6海拔公里处ISA-40°、12海拔公里处ISA+40°等。所述参数数据DataSet(n)具体包含状态参数：进气压力P0、负载压气机导叶角度θ、发电机负载L、APU转速n和进气温度T0；以及目标预测参数：引气功率P。所述引气功率P由引气压力PY、引气流量WY和引气温度TY通过公式(4)计算得到。
3.如权利要求1所述的一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，步骤(2)所述经验模态分解和改进小波阈值去噪融合算法具体步骤如下：
4.如权利要求1所述的一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，步骤(2)中的参数数据划分按照70:20:10的比例划分训练集、验证集和测
5.如权利要求1所述的一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，步骤(3)中的CNN-GRU-IL增量混合模型具体包含三层卷积层网络、一层GRU网络和三层全连接层网络，其中卷积层网络包含一维卷积层和一维最大池化层。
6.一种基于增量学习的飞机辅助动力装置引气性能预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于增量学习的飞机辅助动力装置引气性能预测方法，其特征在于，步骤(1)所述不同工况是指通过调节高空试车台的气压和温度来模拟飞机辅助动力装置在不同海拔、不同温度下的不同运行工况，如0海拔公里处isa-40°、0海拔公里处isa+40°、6海拔公里处isa-40°、12海拔公里处isa+40°等。所述参数数据dataset(n)具体包含状态参数：进气压力p0、负载压气机导叶角度θ、发电机负载l、apu转速n和进气温度t0；以及目标预测参数：引气功率p。所述引气功率p由引气压力py、引气流量wy和引气温度ty通过公式(4)计算得到。
3...
【专利技术属性】
技术研发人员：吴彬云，吴西云，方权燊，赵建，皮凯雯，
申请(专利权)人：吴彬云，
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。