[发明专利]基于回声状态网络的航空发动机动态推力估计方法

权利要求书

1.一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，包括如下步骤：

步骤1：将已知的航空发动机不同发动机油门杆角度下的可测性能参数和推力值构成的数据集归一化，并分成训练集和测试集；

步骤2：训练回声状态网络推力估计器模型；

步骤3：将实测的航空发动机的可测性能参数输入训练好的回声状态网络推力估计器模型，得到其推力值。

2.根据权利要求1所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，所述可测性能参数为高压转子转速和低压涡轮出口总压，根据高压转子转速计算高压转子相对转速，所述回声状态网络推力估计器模型的输入为高压转子相对转速和低压涡轮出口总压。

3.根据权利要求1所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，步骤2中训练回声状态网络推力估计器模型的步骤包括：

步骤2.1：首先选取合适的网络超参数值；

步骤2.2：初始化回声状态网络推力估计器模型，回声状态网络的输入权值矩阵、循环权值矩阵、隐含层的偏置皆为随机生成，对应的矩阵维度分别为输入个数×隐含层节点个数、隐含层节点个数×隐含层节点个数、隐含层节点个数×1；

步骤2.3：按照岭回归的方式来训练回声状态网络推力估计器模型的输出权值矩阵；

步骤2.4：得到初步训练好的输出权值矩阵之后，接着利用测试集来测试所得回声状态网络推力估计器模型的精度，即计算预测推力值和实际推力值之间的相对误差，满足预定精度就停止训练，否则不断循环此步骤直至回声状态网络模型满足此目标精度，至此就得到了一种航空发动机动态推力估计器。

4.根据权利要求3所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，步骤2.1中，所述回声状态网络推力估计器模型中需要设置的超参数包括循环权值矩阵的谱半径ρ、循环权值矩阵的稀疏度β、隐含层节点的个数N_r、输入值的缩放因子α₁、隐含层偏置的缩放因子α₂和冲洗阶段的时长n_wash。

5.根据权利要求4所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，循环权值矩阵的谱半径ρ选取为[0.5,1)之间，循环权值矩阵的稀疏度β选取为[0.5,1]之间，隐含层节点的个数N_r选取为[30,100]之间；输入值的缩放因子α₁选取为1，隐含层偏置的缩放因子α₂选取为1；回声状态网络的冲洗时长n_wash为5。

6.根据权利要求3所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，步骤2.2中，循环权值矩阵的稀疏度要保持为初始化时所设定的值，实现特定稀疏度的方法可为但不限于以下两种：

①利用Matlab生成特定稀疏度矩阵的sprand()函数；

②先随机生成对应维度的循环权值矩阵，然后随机保留矩阵总元素个数乘以稀疏度向下取整之后的元素数目为非零，其余矩阵元素全部置零。

7.根据权利要求3所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，步骤2.2中，循环权值矩阵的谱半径要等于初始化时所设定的值，具体实现方法为将随机生成的循环权值矩阵除以矩阵最大特征值的绝对值再乘以所设定的谱半径值。

8.根据权利要求3所述的一种基于回声状态网络的航空发动机的推力估计方法，其特征在于，步骤2.3包括：

步骤2.3.1：将训练数据的输入按照时间次序依次输入到回声状态网络的输入节点中，进而按照公式s(k+1)＝θ(Wⁱⁿx(k+1)+W^rs(k)+W^b)计算出所有对应时刻的隐含层状态；其中，s(k)代表第k时刻的隐含层状态，s(k+1)和x(k+1)分别代表第k+1时刻的隐含层状态和输入值，Wⁱⁿ、W^r和W^b分别为输入权值矩阵、循环权值矩阵和隐含层偏置，θ为隐含层激励函数，选取为双曲正切函数

步骤2.3.2：去掉冲洗阶段的隐含层状态值和冲洗阶段的输出状态值，即前n_wash个时刻的值；

步骤2.3.3：按照岭回归的计算公式W^out＝(s^Ts+λI)^-1s^Ty得到回声状态网络的输出矩阵，其中s＝[s(n_wash+1)s(n_wash+2)…s(N)]^T，N为训练数据的序列个数，上标T表示转置，I是矩阵维度为N_r*N_r的单位矩阵，y＝[y(n_wash+1)y(n_wash+2)…y(N)]^T，即为所求的输出权值矩阵。