[发明专利]基于自适应共振网络在线增量学习的发动机喘振预测方法

权利要求书

1.基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，包括以下步骤：

实时采集当前发动机部件参数数据并将数据输入到训练好的自适应共振网络中，进而得出输出结果，结合所述输出结果判断发动机当前的状态；

其中，训练所述自适应共振网络的具体步骤包括：

步骤1：收集数据：收集发动机部件参数数据；具体包括以下内容：进行发动机逼喘试验，在喘振周期内，按照固定频率对数据进行采集，所采集的数据类型包括：压气机转速、压比、流量和绝热效率；在喘振周期的时间范围，数据采集周期为1次/秒；

步骤2：整理数据：将步骤1中所收集到的所述参数数据整理成自适应共振网络能处理的形式，作为训练数据集；

步骤3：训练网络：将步骤2中的所述训练数据集输入所述自适应共振网络中，对所述自适应共振网络进行训练；

步骤4：定义输出模式：将发动机部件参数数据输入至训练后的所述自适应共振网络，得到不同的输出模式，对所述输出模式进行分析，生成输出模式定义方法，从而获得训练好的自适应共振网络；

步骤3中对自适应共振网络进行训练具体依次包括以下三个过程：初始化过程、网络输入过程和训练学习过程：

初始化过程：对网络中的自下而上的连接权值ω_ij、自上而下的连接权值t_ij进行初始化，并设置警戒参数ρ；

其中，d为常数，n为训练数据集个数，且0ρ1；

网络输入过程：接受所述训练数据集中的任意一个数据组，经过输入层进行预处理，预处理后的输入信号达到稳定状态后发送至输出层，进入训练学习过程；

训练学习过程主要分为四个阶段：识别阶段、比较阶段、学习阶段和搜索阶段；

在识别阶段，根据公式和h_j＝max{h_k}识别出输出层的获胜神经元，记获胜神经元为j；

其中，h_k表示从输入层到输出层的第k个节点的输入，p_i表示经输入层处理后的输入信号达到稳定状态后的节点，h_j为输入中最大的值，h_j对应的输出值y_j为获胜神经元j，ω_ik为神经网络自下而上的连接权值系数；

在比较阶段，对所述获胜神经元j进行相似度R检验，当获胜神经元j未通过相似度检验时，放弃当前分类结果，进入搜索阶段，当获胜神经元j通过检验，将其作为真正的获胜神经元，网络进入学习阶段；

其中，当|R|＜ρ时，获胜神经元j未通过相似度检验；当|R|＞ρ时，获胜神经元j通过相似度检验；

在学习阶段，根据公式以及来修改所述自适应共振网络的长期记忆连接权向量，实现输入数据集与输出模式之间的共振，增强网络记忆；

其中，Δ表示变化量，d为常数，u_i表示中间节点的输出值，

在搜索阶段，输出层中获胜神经元j的输出值复位为0，并在当前信号输出期间不参与竞争，输出层中的其他神经元进行进一步比较，找到下一个获胜神经元；

步骤4中对输出模式的定义具体包括以下内容：

仅包含正常数据集的输出模式定义为正常状态；

包含正常数据集占比大于喘振数据集的输出模式定义为轻度喘振状态；

包含喘振数据集占比大于等于正常数据集的输出模式定义为初喘振状态；

只包含喘振数据集的输出模式定义为喘振状态；

根据输出模式从而判断发动机当前状态的具体判断方法包括以下内容：

当输出模式为正常状态时，表示发动机处于正常状态；

当输出模式为轻度喘振状态时，表示发动机虽处于正常状态，但有进入异常的趋势，需要及时关注发动机的下一时刻状态；

当输出模式为初喘振状态时，表示发动机已经表现异常，需采取措施及时防喘；

当输出模式为喘振状态时，表示发动机已经处于喘振状态，需及时退喘。

2.根据权利要求1所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，所述逼喘试验的具体方法为：

起动发动机到慢车模式，调节转速至特性曲线中喘振状态所对应的转速后，保持发动机转速不变，逐步增加发动机的气压，使气体克服发动机的高压气体喷入燃烧室中，燃气涡轮导叶前压力提高，进而使压气机流路在经历阻塞、中断和倒流过程后，发出喘振声后，紧急停车，切断电源使发动机退喘。

3.根据权利要求1所述的基于自适应共振网络在线增量学习的发动机喘振预测方法，其特征在于，步骤2具体包括以下内容：

将不同逼喘试验中的不同时刻下所采集到的参数数据组成参数数据组，且所述参数数据组中的每个参数的数值均为浮点型，由所述参数数据组组成所述训练数据集。