[发明专利]基于EC-RBELM算法的发动机整机性能衰减预测方法

权利要求书

1.一种基于EC-RBELM算法的发动机整机性能衰减预测方法，其特征在于：包括以下步骤：

步骤1)，建立基于EC-RBELM算法的不同大气环境下的燃气涡轮转速Ng、动力涡轮进口温度T45、耗油率SFC三个性能参数预测模型簇；

步骤2)，离线学习EC-RBELM网络拓扑参数，根据预测误差自动更新EC-RBELM网络拓扑参数；

步骤3)，根据EC-RBELM算法模型进行不同大气环境下涡轴发动机个体性能参数衰减预测；

所述步骤1)中建立基于EC-RBELM算法的不同环境下的燃气涡轮转速Ng、动力涡轮进口温度T45、耗油率SFC三个性能参数预测模型簇具体步骤如下：

步骤1.1)，将涡轴发动机衰减参数进行归一化处理，该数据包括燃气涡轮转速Ng，燃油量Wf，各个截面的传感器测量参数以及耗油率SFC，传感器测量参数包括Wa2，P3，T3，T45，T5；

步骤1.2)，在某大气压下，将发动机进口温度按温度高低划分为若干种大气环境；

步骤1.3)，根据划分的若干种大气环境，分别建立对应大气环境的EC-RBELM的性能参数衰退预测模型簇，具体表达式为：

Ng预测模型：

Ng(t+n)_e＝f(Wa2(t)_e，P3(t)_e，T3(t)_e，Wf(t)_e，T5(t)_e)

T45预测模型：

T45(t+n)_e＝f(Wa2(t)_e，P3(t)_e，T3(t)_e，Wf(t)_e，T5(t)_e)

SFC预测模型：

SFC(t+n)_e＝f(Wa2(t)_e，P3(t)_e，T3(t)_e，Wf(t)_e，T5(t)_e)

其中，n表示预测步长，e表示大气环境，t表示当前时间；

所述步骤2)离线学习EC-RBELM网络拓扑参数，根据预测误差自动更新EC-RBELM网络拓扑参数具体步骤如下：

步骤2.1)，已知样本i表示样本数，n表示输入数据的维度，m表示输出数据的维度，隐含层激活函数为g(x)，隐节点个数为L，学习率η；

步骤2.2)，随机生成输入权值w和隐含层偏置b，并根据对比散度算法更新输入权值w和隐含层偏置b，计算如下：

w_aj＝η·(v_a·h_jdata-v_a·h_jrec)

b_j＝η·(h_jdata-h_jrec)

其中，η表示学习率，下标data表示训练样本初始值，下标rec表示经过对比散度算法计算后得到的重构值，v、h分别表示输入层和隐含层的神经元，a、j分别表示输入层第a个神经元和隐含层第j个神经元；

步骤2.3)，计算隐含层输出矩阵H和输出权重β：

β＝H⁺T

其中，w＝[w₁，w₂，...，w_L]^T是输入权重，b＝[b₁，b₂，...，b_L]^T是网络隐含层的偏置参数，T＝[t₁，t₂，...，t_N]^T是期望输出矩阵；

步骤2.4)，通过MVW计算加权系数；

步骤2.5)，确定预测时间步长，设置阈值e和最大迭代次数max，计算第k步的加权预测值，若预测值和期望值超过设置的阈值，则重新训练网络拓扑参数；

步骤2.6)，设置k＝k+1，返回步骤2.2)；

所述步骤3)根据EC-RBELM算法模型进行不同大气环境下涡轴发动机个体性能参数衰减预测具体步骤如下：

步骤3.1)，将发动机用于测试的数据进行归一化处理，该数据包括燃气涡轮转速Ng，燃油量Wf，各个截面的传感器测量参数以及耗油率SFC组成，传感器测量参数包括Wa2，P3，T3，T45，T5；

步骤3.2)，根据测试发动机的大气进口条件，依据温度分别调用相邻大气条件下的网络预测模型进行预测并将预测结果加权求和，得到该大气条件下的预测值。