[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

说明书

本发明公开了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，包括以下步骤：实时采集当前发动机部件参数数据组并将数据输入训练好的自适应共振网络中，进而得出输出模式，结合所述输出模式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；步骤2:整理数据；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。本发明能对自适应共振网络进行训练，使其跟随发动机的变化及时调整分类，以达到更为实时准确的监测效果，根据当前时刻的输出模式，及时评估当前发动机状态，并对其下一时刻是否喘振进行较准确预测。

技术领域

本发明涉及发动机喘振预测技术领域，更具体的说是涉及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。

背景技术

发动机是航空飞机的关键部件，其性能及当前工作状态直接影响整个飞机的运行情况。航空发动机喘振故障是影响其性能和安全的主要因素之一，严重时直接导致发动机的损毁，对飞机安全构成巨大威胁，因此对喘振故障的诊断和预测显得尤为重要。

在基于数据分析预测发动机喘振的方法中，技术人员通过采集喘振发生前后的压气机转速、压比和燃油流量建立非线性模型(支持向量机预测模型)/线性模型(卡尔曼滤波模型)来监测发动机中压气机转速、压比和燃油流量，计算真实值与预测值间的差值并作为预测喘振的依据，进行喘振预测；也有技术人员通过设定压气机、涡轮机、风扇、转子等部件的性能衰退因子，模拟喘振发生，采集发动机运行周期内的部件参数数据组，采用深度置信网络/前馈神经网络/径向基神经网络进行网络训练，进行喘振诊断及预测；还有技术人员通过贝叶斯网络/专家系统/模糊逻辑/数据融合/混合法，对发动机气路进行故障诊断或预测。然而发动机在真实工作过程中正常状态与喘振状态的边界并不是泾渭分明，以上模型/网络/方法在训练过程中不能将发动机的工作状态进行精细分类，导致模型或网络对于喘振状态预测的准确度也相对偏低；再者，以上模型或网络的训练过程为离线过程，所涉及方法也只是局限于对历史数据的分析和总结，不能将监测时发动机的实时状态特征提取添加到已有的模型或网络中，因此以上模型/网络/方法对于实时运行的发动机的状态监测和预测亦缺乏准确性。

因此，如何设计出一种准确性强且能够实现在线增量学习的发动机喘振预测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了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，能有效地在监测过程中更加准确地对当前所输的发动机性能参数数据进行状态分类，并不断在监测过程中对自适应共振网络进行训练，从而提高喘振预测的准确性。

为了实现上述目的，本发明采用如下技术方案：

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，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，进而得出输出模式，结合所述输出模式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：进行发动机逼喘试验，收集喘振周期内的发动机部件参数数据；

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。

优选的，步骤1中的收集数据方式包括但不限于：进行发动机逼喘试验。