基于特征选择和极限学习机的发动机性能预测

taptap点点手机网页

• 民用航空 • taptap点点手机网页版下一篇

基于特征选择和极限学习机的发动机性能预测

徐建新，岳敏骐

（taptap下载安装安卓航空工程学院，天津300300）

收稿日期:2014-12-29 修回日期:2015-03-16 出版日期:2016-02-20 发布日期:2016-04-13
作者简介:徐建新（1967—），男，江苏苏州人，教授，博士，研究方向为飞机结构疲劳强度和复合材料力学.

Aeroengine performance prognosis based on feature selection and extreme learning machine

XU Jianxin,YUE Minqi

(College of Aeronautical Engineering,CAUC,Tianjin 300300,China)

Received:2014-12-29 Revised:2015-03-16 Online:2016-02-20 Published:2016-04-13

摘要/Abstract

摘要：

利用PW4000 发动机的实时监控数据建立数据库，以平均影响值为评价标准进行了特征选择，筛选出8 个特征参数作为模型输入，训练基于极限学习机算法的单隐层神经网络，建立了排气温度预测模型。用PW4000发动机的运行数据进行了模型验证，与误差逆传播算法进行了对比，并用发动机水洗恢复之后的数据进行了拓展性研究。测试结果显示利用平均影响值进行特征选择结果可信度较高，极限学习机的运算速度快于误差逆传播算法，有利于多次运算充分发挥其优势袁整个算法误差较小，修正后的模型具有良好的拓展性。

关键词: 航空发动机, 实时监控数据, 平均影响值, 特征选择, 极限学习机, 神经网络

Abstract:

For predicting exhaust gas temperature of aeroengine,a modeling method is performed. Original database is derived from real-time monitoring data of engine monitoring system of PW4000 engine. The mean impact value (MIV)is as taken evaluation criteria for feature selection,screening 8 features as input variables. Extreme learning machine (ELM)algorithm for single-hidden layer feedforward neural network is applied for modeling,After the neural network is tested by monitoring data of the same engine,and model's extended performance is tested by data of that same engine after water wash. Result shows that training time of ELMis much less than that of back propagation algorithm,which is efficient for repeated training for reducing error,and the whole modeling method has satisfactory scalability.

Key words: aeroengine, real-time monitoring data, mean impact value, feature selection, extreme learning machine, neural network

中图分类号:

V235.13

徐建新，岳敏骐. 基于特征选择和极限学习机的发动机性能预测[J]. taptap下载安装安卓学报.

XU Jianxin,YUE Minqi. Aeroengine performance prognosis based on feature selection and extreme learning machine[J]. .

参考文献

[1] FREDERICK D K，DECASTRO J A，LIU Y，et al. User’s Guide for the CommercialModularAero-PropulsionSystemSimulation（C-MAPSS）[R]. NASA/TM—2012-217432，2012.

[2] MINK G，BEHBAHANI A. The AFRL ICF Generic Gas Turbine Engine Model[C]//41st AIAA/ASME/SAE/SAEE Joint Propulsion Conference &Exhibit，Tucson，Arizona，July10-13，2005.

[3] ESSAM K，AHMED H，MAHMOUD F，et al. Effect of Bleed Air on Performance of Turbofan Engines[C]//51st AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition，Grapevine（Dallas/Ft. Worth Region），Texas，January 07-10，2013.

[4] 钱德峰. 大涵道比民用涡扇发动机部件级建模技术研究[D]. 南京：南京航空航天大学，2010.

[5] 李国权. 航空发动机滑油系统的现状及未来发展[J]. 航空发动机，2011（6）：49-52.

[6] 郝英，孙健国，白杰. 航空燃气涡轮发动机气路故障诊断现状与展望[J].航空动力学报，2003，18（6）：753-760.

[7] SIMON D L. An Integrated Architecture for On-Board Aircraft Engine Performance Trend Monitoring and Gas Path Fault Diagnostics[R]. 57th Joint Army-Navy-NASA-Air Force （JANNAF）Propulsion Meeting Colorado Springs，Colorado，NASA TM2010-216358，2010.

[8] 耿宏，揭俊.基于QAR数据的飞机巡航段燃油流量回归模型[J].航空发动机，2008（4）：46-50.

[9] 高峰，曲建岭，周玉平，等. 基于飞参数据和支持向量机的航空发动机建模[J]. 测控技术，2013（9）：52-54.

[10] HAYKINSS，HAYKINSS.NeuralNetworksandLearningMachines[M].Upper Saddle River：Pearson Education，2009.

[11] VOLPONI A J，DEPOLD H，GANGULI R，et al. The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics：a comparative study[J]. Journal of Engineering for Gas Turbines and Power，2003，125（4）：917-924.

[12] KOBAYASHI T，SIMON D L. Hybrid neural-network genetic-algorithm technique for aircraft engine performance diagnostics[J]. Journal of Propulsion and Power，2005，21（4）：751-758.

[13] 单晓明，宋云峰，黄金泉，等. 基于神经网络和模糊逻辑的航空发动机状态监视[J].航空动力学报，2009，24（10）：2356-2361.

[14] DASHM，LIU H. Feature selection for classification[J]. Intelligent data analysis，1997，1（3）：131-156.

[15] 刘永建. 基于改进神经网络的民机发动机故障诊断与性能预测研究[D].南京：南京航空航天大学，2012.

[16] HUANG G B，ZHU Q Y，SIEW C K. Extreme Learning Machine：A New Learning Scheme of Feedforward Neural Networks[C]//Proceedings. 2004 IEEE International Joint Conference on. IEEE，2004，2：985-990.

[17] HUANG G，ZHU Q，SIEWC. Extreme learning machine：theory and applications[J]. Neurocomputing，2006，70（1）：489-501.

[18] WANG D，HUANG G B. Protein Sequence Classification Using Extreme Learning Machine[C]//Proceedings. 2005 IEEE International Joint Conference on. IEEE，2005，3：1406-1411.

[19] 周百政，曹惠玲. 基于EHM 软件思路的QAR数据处理[J]. 航空维修与工程，2010（4）：60-62.

基于特征选择和极限学习机的发动机性能预测

Aeroengine performance prognosis based on feature selection and extreme learning machine

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	曹惠玲，刘乃彬，薛鹏，于天浩. 基于热力模型的发动机单元体性能研究[J]. taptap下载安装安卓学报, 2019, 37(2): 23-28.
[2]	徐萌，席泽西，王雍赟，李晓露. 基于集成学习的航空发动机故障诊断方法[J]. taptap下载安装安卓学报, 2019, 37(2): 29-33,42.
[3]	王丙元，张丹丹. 基于GSO-BP 神经网络的磷酸铁锂电池SOC 预测[J]. taptap下载安装安卓学报, 2018, 36(5): 60-64.
[4]	雷伟. 基于数据融合的航空发动机排气温度测量[J]. taptap下载安装安卓学报, 2018, 36(2): 11-15.
[5]	赵洪利，陈民恺，刘诗雄. 发动机下发时间预测和机队下发方案优化[J]. taptap下载安装安卓学报, 2018, 36(2): 16-19,27.
[6]	杨金锋，卢薇冰，贾桂敏，师一华. 基于深度CNN的陆空通话语义一致性校验[J]. taptap下载安装安卓学报, 2018, 36(1): 37-41.
[7]	闫婧，王灵梅. 山地风电场采用柔性直流输电的WNN控制[J]. taptap下载安装安卓学报, 2017, 35(6): 57-60,64.
[8]	盛鸣剑，张康. 基于BP 神经网络的民用飞机交易价格预测[J]. taptap下载安装安卓学报, 2017, 35(3): 49-53.
[9]	徐建新，侯振华. 基于集成ELM 模型的航空发动机性能参数预测[J]. taptap下载安装安卓学报, 2017, 35(2): 20-23.
[10]	杨永刚，顾杰. 基于小波神经网络的航空发动机故障诊断研究[J]. taptap下载安装安卓学报, 2016, 34(5): 9-13.
[11]	邢志伟，李学哲，罗谦，冯文星，白楠，潘野，罗沛. 基于SARIMA和RBF神经网络的机场货运量预测[J]. taptap下载安装安卓学报, 2016, 34(5): 51-55.
[12]	曹惠玲，杜鹏. 基于贝叶斯网络的航空发动机燃油泵故障诊断[J]. taptap下载安装安卓学报, 2016, 34(4): 27-30.
[13]	乔磊，李艳军，曹愈远，许振腾，赵苏阳，汪雷. 基于FTF的航空发动机适航安全性验证方法[J]. taptap下载安装安卓学报, 2016, 34(3): 13-16.
[14]	陶立权，杨坤. 基于AHP-BP神经网络的航空材料供应商选择[J]. taptap下载安装安卓学报, 2016, 34(2): 56-61.
[15]	曹惠玲，张向波，曲春刚，薛鹏. 灰色理论和模糊集结合诊断发动机故障[J]. taptap下载安装安卓学报, 2016, 34(1): 24-26,39.