【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，特别涉及一种基于迁移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。因此，基于数学理论建模方法难以准确表征实际apu引气性能特性。>
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。当前通过深度学习的预测建模方法通常基于单一apu机型的高空台运行数据构建apu性能模型，进而实现apu性能的监控和预测。然而，随着航空技术的发展和飞机对性能需求的不断增加，apu功能日趋多元化，其不同机型在构型、规格、系统复杂性和系统性能等方面具有较大差异，使得不同机型参数数据分布具有较大差异，且高空台实验通常需要耗费大量人力物力和时间成本，往往难以获得全机型下足量且丰富的试验样本数据，给基于深度学习的预测建模方法带来了较大挑战。因此，如果能够提供一种考虑不同机型间差异影响的飞机辅助动力装置引气性能预测建模与模型迁移方法，将具有优越的应用前景。
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在不同机型且具有少量样本数据情况下引气性能预测问题，提出基于迁移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，实现在不同机型且少量样本数据情况下的引气性能准确预测，具有重要意义。
2、一方面，一种基于迁移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机型下的参数数据dataset(n)，n＝(1，2，…，n)，n为机型数；
4、步骤(2)、采用分阶段增量非负矩阵分解和改进小波阈值去噪算法对不同机型下的参数数据进行预处理，并归一化处理，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)、将步骤(2)获得的第n机型下的训练集和验证集作为源域数据集，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)、将步骤(2)获得的第n+1机型少量样本下的训练集和验证集作为目标域数据集，对步骤(3)获得的cnn-gru初始混合神经网络模型进行再训练，再训练过程中通过对cnn-gru初始混合神经网络模型参数进行微调，训练得到cnn-gru迁移混合模型。
7、步骤(5)、利用步骤(2)中的测试集对cnn-gru迁移混合模型进行性能预测，模型预测输出结果即为不同机型下飞机辅助动力装置的引气功率。
8、优选的，步骤(1)所述不同机型是指在构型、规格、系统复杂性和系统性能等方面具有较大差异的apu机型，使得不同机型参数数据分布具有较大差异。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(1)计算得到。
9、
10、其中，pe为环境压力。
11、优选的，步骤(2)所述分阶段增量非负矩阵分解方法具体包含以下步骤：
12、步骤(2.1)，通过增加偏移量方式对状态参数数据进行非负数处理，对处理后数据只更新第n+1机型少量样本的系数矩阵，固定第n机型样本的基矩阵和系数矩阵。如果在此阶段后不能满足rmse精度要求，则执行步骤(2.2)；
13、步骤(2.2)，交替更新第n+1机型少量样本的基矩阵和系数矩阵，固定第n机型样本的系数矩阵。
14、步骤(2.3)，如果步骤(2.2)后仍不能满足rmse精度要求，则在步骤(2.3)更新第n机型样本的系数矩阵，固定第n+1机型少量样本的基矩阵和系数矩阵，将获得的基矩阵作为降维后的状态参数数据。
15、以上连续的三个步骤中，每个步骤的基矩阵和系数矩阵的初值都是前一阶段对应的输出值。完成三个步骤后，能够获得均方根误差和计算效率之间的良好平衡。
16、优选的，步骤(2)所述参数数据划分按照70∶20∶10的比例划分训练集、验证集和测试集。
17、优选的，步骤(3)中的cnn-gru迁移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，其中三层全连接层分别用于预测引气压力、引气流量和引气温度，再根据公式(1)计算得到引气功率预测值。在采用cnn-gru混合模型进行模型评估时使用融合均方误差作为损失函数来评估预测误差，如式(2)所示。
18、
19、其中，n表示样本数，py，i、wy，i和ty，i分别表示第i个数据样本对应的引气压力、引气流量和引气温度预测值，和分别表示第i个数据样本对应的引气压力、引气流量和引气温度真实值。w1、w2和w3为权重系数，且w1+w2+w3＝1。
20、优选的，步骤(4)通过获得的第n+1机型少量样本下的训练集和验证集，训练得到cnn-gru迁移混合模型具体步骤如下：
21、步骤(4.1)，在初始化权重参数下，先采用cnn-gru混合模型对源域数据集进行预训练得到神经网格各层权重参数，将权重参数存储于基准模型学习器中。
22、步骤(4.2)，通过目标域数据集对模型微调优化方法中，首先采用两种方式进行：方式①对cnn-gru初始混合模型冻结卷积层，并对gru层和全连接层再训练；方式②对cnn-gru初始混合模本文档来自技高网...
【技术保护点】
1.一种基于迁移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所述的一种基于迁移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)所述不同机型是指在构型、规格、系统复杂性和系统性能等方面具有较大差异的APU机型，使得不同机型参数数据分布具有较大差异。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(1)计算得到。
3.如权利要求1所述的一种基于迁移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)所述分阶段增量非负矩阵分解方法具体包含以下步骤：
4.如权利要求1所述的一种基于迁移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)所述参数数据划分按照70:20:10的比例划分训练集、验证集和测试集。
5.如权利要求1所述的一种基于迁移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(
6.如权利要求1所述的一种基于迁移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(4)通过获得的第n+1机型少量样本下的训练集和验证集，训练得到CNN-GRU迁移混合模型具体步骤如下：
7.一种基于迁移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】
1.一种基于迁移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所述的一种基于迁移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)所述不同机型是指在构型、规格、系统复杂性和系统性能等方面具有较大差异的apu机型，使得不同机型参数数据分布具有较大差异。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(1)计算得到。
3.如权利要求1所述的一种基于迁移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)所述分阶段增量非负矩阵分解方法具体包含以下步骤：
4.如权利要求1所述的一种基于迁移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(...
【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。