[发明专利]迁移过程神经网络预测发动机清洗后排气温度的方法

权利要求书

1.一种TPNN预测发动机清洗后排气温度的方法，设有TPNN模型，TPNN包括变量与EGTM的映射方法以及变量之间的映射方法，其特征在于，对于数据参数与EGTM的映射方法，采用线性拟合的方式，建立所有变量与EGTM数据对应关系，实现正向和逆向求解，其中将水洗前数据进行了线性拟合，取线性函数的ti处值作为VBW，提前水洗时间CSN和水洗周期ΔCSN；将水洗后数据进行了线性拟合，取线性函数的ti处值与VBW的差值作为INC，取线性函数的斜率为DR；

对于变量[VBW,CSN,ΔCSN]和[DR,INC]之间的映射方法，利用迁移过程神经网络作为水洗前后变量的映射模型，模型采用迁移技术从同类型发动机的数据中学习到初始框架，迁移到目标发动机数据中进行训练；其中，所述CSN为飞行循环，是发动机从出厂到当前的所有循环数；ΔCSN是当发动机多次水洗时，水洗间隔由飞行循环来表示，记做ΔCSN；INC是设当前水洗次数为i，水洗时间为t_i，t_i后EGTM的突变称为阶跃量INC；DR是EGTM的衰退率，将水洗后的EGTM进行线性拟合，拟合直线的斜率称作EGTM的衰退率DR；VBW是水洗前发动机EGTM数值。

2.根据权利要求1所述的一种TPNN预测发动机清洗后排气温度的方法，其特征在于，EGTM与数据参数的映射方法包括以下内容：

设x为要预测的水洗后EGTM数据，设飞行循环数为t，水洗时间为，则x由式(1)表达：

x＝DR×(t-t_i)+INC+VBW,t＞t_i(1)，

式(1)中的[DR,INC]由[VBW,CSN,ΔCSN]映射得到，[VBW,CSN,ΔCSN]由ti前的数据获得，将迁移过程神经网络称为h，设θ为模型参数，代表迁移过程神经网络中的权重和偏置，迁移过程神经网络h表达为：

[DR,INC]＝h(VBW,CSN,ΔCSN|θ) (2)，

模型参数θ从样本数据和维修记录中提取的[DR,INC]和[VBW,CSN,ΔCSN]训练得到，θ的训练过程表达为：

设样本中EGTM数据为X＝{x₁,x₂,x₃,……,x_n}，n为数据总量；水洗次数为{1,2,…,i,…k}，k为总水洗次数；水洗记录的时间点为：T_washing＝{t₁,t₂,…,t_i,…,t_k}，则根据T_washing把X分为k+1组数据：

…

…

若水洗时间用飞行循环次数表征，对于第i次水洗，CSN为在当前水洗时的总飞行循环数，ΔCSN为两次水洗事件之间的飞行循环数，有：

CSN_i＝t_i

ΔCSN_i＝t_i-t_(i-1) (5)；

将水洗前的数据进行线性拟合，取拟合函数水洗点处的数值作为VBW；

对于第i次水洗，水洗前的数据表达为X(i)＝{x_t(i－1)+1,x_t(i－1)+2,……,x_ti－1}，

设线性拟合函数的参数为b_i、a_i，则有：

X(i)＝b_i+a_i×t,t＝{t_(i-1)+1,t_(i-1)+2,...,t_i-1} (6)

使用数据X(i)拟合b_i、a_i，得：

其中，card(·)指X(i)的元素数量，由此第i次水洗的VBW_i可由式(8)计算：

VBW_i＝b_i+a_i×(ti-1) (8)，

数据样本中的DR和INC通过发动机EGTM数据在水洗后的变化曲线获得；

分别减掉式(4)中每组数据的水洗前发动机EGTM数据值VBW，有：

…

…

[DR,INC]由式(9)中的数据拟合线性得到，对于第i次水洗，数据参数DR_i和INC_i用X(i+1)的数据拟合为：