[发明专利]基于贝叶斯分类器链的涡轴发动机多目标性能预测方法

说明书

本发明公开了一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，该方法将贝叶斯分类器根据目标变量间的关系进行连接，建立一个链状性能预测模型，在给定待预测涡轴发动机的属性变量状态后，通过后验概率推理可同时对其多个性能目标变量的合格概率进行预测。同时为了确保结果的准确性，考虑了目标变量的不同连接顺序，对所有模型的预测结果取平均值，得出目标变量的最终性能预测结果，从而可以指导生产，提高涡轴发动机的出厂合格率。

技术领域

本发明属于航空发动机技术领域，具体涉及一种发动机多目标性能预测方法。

背景技术

涡轴发动机是一种高度复杂的精密热力机械，一般作为直升机的动力来源，对制造水平要求极高。通常情况下，一台合格的涡轴发动机有两个需要考虑的性能参数指标：功率以及关键截面温度。为了保证始终能为直升机提供充足、稳定的动力，发动机的功率有最低合格限制；同时，为了确保发动机的工作寿命以及直升机的安全性，关键截面温度这一指标有最高合格限制。然而，在实际生产中，制造出来的发动机很难做到一次试车便能同时满足两个指标的合格要求，往往需要重新装配之后尝试进行多次试车，这大大增加了人力、物力成本。对涡轴发动机的性能进行准确有效的预测有助于提前预知风险，也能指导生产环节从而提高其出厂合格率。

针对航空发动机的性能预测，现阶段主要有两种方法：基于模型的方法和基于数据的方法。基于模型的方法通过构建精确的发动机数学模型来进行性能预测工作，这一方法的应用需要建立在对发动机的构造及原理有深入研究的基础之上。此外，该方法过于依赖数学模型的精度，并且模型预测结果易受噪声及建模的不确定性所影响。基于数据的方法不需要事先具备发动机系统的相关知识，而是直接根据收集到的发动机数据对其性能进行预测，机器学习算法是其中的典型代表。近年来随着人工智能的兴起以及发动机数据的大量积累，基于数据的方法吸引了越来越多研究者的关注，已经逐渐成为航空发动机性能预测领域的首选解决方案。

《北京航空航天大学学报》2008，34(3)公开了一种“航空发动机性能参数预测方法”，该方法首先利用小波变换将发动机原始数据分解为不同尺度上的几组子序列，然后根据各子序列的特点分别选用自回归滑动平均模型或求和自回归滑动平均模型进行预测，最后将所有预测结果合成得到总的预测结果。然而，当前这些基于数据的预测方法存在的不足之处是：建模预测低效，无法同时考虑多个性能参数指标的预测，且不能给出具体的性能合格预测概率。

发明内容

为了克服现有技术的不足，本发明提供了一种基于贝叶斯分类器链的涡轴发动机多目标性能预测方法，该方法将贝叶斯分类器根据目标变量间的关系进行连接，建立一个链状性能预测模型，在给定待预测涡轴发动机的属性变量状态后，通过后验概率推理可同时对其多个性能目标变量的合格概率进行预测。同时为了确保结果的准确性，考虑了目标变量的不同连接顺序，对所有模型的预测结果取平均值，得出目标变量的最终性能预测结果，从而可以指导生产，提高涡轴发动机的出厂合格率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：收集涡轴发动机的性能参数数据以及设计参数数据；

通过对多部涡轴发动机试车获取涡轴发动机的性能参数数据，包括功率P和关键截面温度T在涡轴发动机试车时的测量数据；

获取涡轴发动机的设计参数数据，包括涡轴发动机内部N个不同零件的尺寸；

步骤2：确定目标变量和属性变量，并设定目标变量的合格条件；对每个变量都进行离散化处理，得出目标变量的概率分布表、条件概率表，以及不同目标变量下属性变量各个状态的条件概率表；具体如下：

步骤2-1：将涡轴发动机的功率P和关键截面温度T设置为目标变量，将涡轴发动机内部N个不同零件的尺寸设置为属性变量，表示为x₁,x₂,…,x_i,…,x_N，i＝1,2,…,N；