申请/专利权人：南京航空航天大学

申请日：2021-08-19

公开（公告）日：2024-04-02

公开（公告）号：CN113742860B

主分类号：G06F30/17

分类号：G06F30/17;G06F30/27;G06F18/2321;G06N3/045;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.21#实质审查的生效;2021.12.03#公开

摘要：本发明公开了一种基于DBN‑Bayes算法的涡轴发动机功率估计方法，首先基于DBN‑Bayes算法建立涡轴发动机功率Ne预测模型；然后采用k均值聚类算法将涡轴发动机传感器数据进行聚类；通过Bayes方法训练DBN模型输出层拓扑参数；最后进行涡轴发动机功率估计；本发明通过DBN算法对于网络输入数据进行逐层无监督训练，挖掘数据内部深层次之间的联系，并通过Bayes方法求解输出权重，提高了模型的泛化能力；每个子类分别训练DBN‑Bayes网络模型，有效提高了发动机包线内的功率估计精度，以在发动机健康状态以及性能发生衰退时具有较好的估计精度，适用于不同发动机个体，为其发动机直接功率控制系统安全地运行提供保障。

主权项：1.一种基于DBN-Bayes算法的涡轴发动机功率估计方法，其特征在于，包括以下步骤：步骤S1、基于DBN-Bayes算法建立涡轴发动机功率Ne预测模型；步骤S2、采用k均值聚类算法将涡轴发动机传感器数据进行聚类；步骤S3、通过Bayes方法训练DBN模型输出层拓扑参数；步骤S4、进行涡轴发动机功率估计；所述步骤S1中涡轴发动机功率Ne预测模型建立步骤如下：步骤S1.1、将涡轴传感器参数进行归一化处理，所述涡轴传感器参数包括压气机进口流量W2、压气机出口压力P3、压气机出口温度T3、动力涡轮出口温度T5和燃油量Wf；步骤S1.2、建立涡轴发动机功率Ne预测模型如下： 其中，t表示当前时刻，fNe表示非线性函数，表示DBN-Bayes算法的预测值；所述步骤S3中采用通过Bayes方法训练DBN模型输出层拓扑参数，具体步骤包括：步骤S3.1、设定DBN模型中可视层神经元节点数为n，隐含层节点数为m，可视层输入向量为v，偏置为a，隐含层输出向量为h，偏置为b，可视层和隐含层的连接权值为w；步骤S3.2、分别更新可视层和隐含层的激活状态，具体如下： 其中Phj＝1|v,θ为可视层激活状态，Pvi＝1|h,θ为隐藏层激活状态；θ＝{w,a,b}为网络的拓扑参数，σx为Sigmoid激活函数，Nx为Gaussian激活函数，vi是满足均值为方差为1的高斯分布的实数值；步骤S3.3、根据对比散度算法更新网络拓扑参数如下：Δwij＝η·vi·hjdata-vi·hjrecΔai＝η·vidata-virecΔbj＝η·hjdata-hjrec其中η为学习率，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；步骤S3.4、DBN网络训练完成后，根据Bayes回归模型求解DBN最后一层隐含层到输出层之间的权重参数： 其中，H为经过DBN网络重构后的隐含层输出值，t为网络期望输出值，I为单位矩阵，λ为人为设置的因子，为隐含层到输出层之间的权重参数；步骤S3.4中隐含层到输出层之间的权重参数的获取过程包括以下步骤：步骤S3.4.1、DBN网络隐含层输出H到网络期望输出t的Bayes回归模型表示如下：fH＝wTHt＝fH+ξ其中ξ服从均值为0、方差为的高斯分布，w服从均值为0、方差为的高斯分布步骤S3.4.2、根据最大后验概率估计，将目标问题改写如下： 将目标问题简化如下： 其中为损失函数，λ＝σ12σ22为人为设置的因子；步骤S3.4.3、将Lw代入目标函数，化简得到： 步骤S3.4.4、对上述目标函数进行求导，得到DBN-Bayes网络输出权值参数估计为： 所述步骤S4中涡轴发动机功率估计步骤如下：首先，根据当前测试数据确定工作点所属类别k′；然后调用第k′类DBN-Bayes网络权值参数进行功率估计。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于DBN-Bayes算法的涡轴发动机功率估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD