[发明专利]基于PSO-NARX的涡轴发动机稳态模型辨识方法

说明书

基于PSO‑NARX的涡轴发动机稳态模型辨识方法，本发明公开了一种基于PSO‑NARX网络的涡轴发动机稳态模型辨识方法。其特点是用粒子群优化算法(PSO)优化NARX网络的特征参数，采用模型预测输出与目标输出的均方误差作为粒子的适应度函数，以提升对NARX网络的优化效果。将PSO‑NARX网络应用于某型涡轴发动机稳态模型的辨识，并与反向传播(BP)神经网络和NARX网络对比，可得PSO‑NARX网络辨识的某型涡轴发动机稳态模型精度更高，能够满足实际应用的精度需求，方法表现出更好的收敛效果。本发明能较好的解决涡轴发动机稳态建立模型复杂、困难且精度不高的问题。

技术领域

本发明涉及一种基于PSO-NARX的涡轴发动机稳态模型辨识方法，属于发动机建模和回归辨识领域。

背景技术

目前，涡轴发动机模型建立的方法主要有两种：一种是分析部件气动特性、机械关系的解析法，另一种是把发动机当作一个“黑箱”的系统辨识的方法。解析法首先需要充足的发动机部件特性，但是发动机的部件特性获取困难，然后建立非线性方程组，再通过假设、近似处理和大量的迭代运算来获取发动机的性能数据，过程复杂且有一定的偏差。而系统辨识的方法无需了解发动机复杂的部件特性，可以通过大量的发动机输入、输出数据建立准确的发动机模型。近几年，人工神经网络(Artificial Neural Networks，ANN)、支持向量机(Support Vector Machine，SVM)和极限学习机(Extreme Learning Machine，ELM)等数据挖掘机器学习算法快速发展，具有了很好的非线性学习能力，很多人也将它们应用到航空发动机模型的建立。因此，基于数据驱动的模型辨识方法得到了快速发展。传统的神经网络存在初始参数选择无依据、无反馈单元等各种问题。NARX网络具有反馈延时单元，具有很好的动态特性，且对非线性动态系统具有良好的非线性逼近能力，效果明显优于前馈神经网络，但网络初始特性参数由随机函数产生。粒子群优化(Particle SwarmOptimization)算法稳定性好且具有较好的全局搜索和寻优能力，利用PSO算法对NARX网络的初始参数进行寻优，使得NARX网络取得更好的效果。

为解决上述问题，本发明提出一种基于PSO-NARX网络的涡轴发动机稳态模型辨识方法，采用模型预测输出与目标输出的均方误差作为作为适应度函数，以提升对NARX网络的优化效果。PSO-NARX网络应用于涡轴发动机稳态模型的辨识，能较好的解决涡轴发动机稳态模型建立困难、复杂且精度不高的问题。

发明内容

为了解决涡轴发动机稳态模型建立困难、复杂且精度不高的问题，本发明公开一种基于PSO-NARX网络的涡轴发动机稳态模型辨识方法，其特征在于，包括以下步骤：

步骤1：根据涡轴发动机的稳态过程，建立环境参数和条件参数与发动机状态参数和性能参数关系的涡轴发动机稳态模型：

其中，T₀为大气静温，H_p为绝对气压高度，Ma为飞行马赫数，W_f为燃油流量，n_g为燃气发生器转速，T₄为发动机排气温度，T为发动机扭矩，f_ss为需要辨识的发动机模型，k、m为输入输出延时阶次；

步骤2：根据建立的涡轴发动机稳态模型，利用三点自适应法从实际飞行数据中提取辨识所需的发动机处于稳态时的数据，将这些数据作为训练和验证样本集，并对提取的数据进行预处理；

步骤3：根据NARX网络结构，得到影响NARX网络辨识精度的待优化的特征参数；

步骤4：根据粒子群优化算法，将影响NARX网络辨识精度的特征参数作为待优化的参数，设置PSO算法的基本参数；

步骤5：采用PSO-NARX的涡轴发动机稳态模型输出和实际输出的均方误差作为适应度函数，计算所有粒子的适应度函数值；