欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2022101289155
申请人: 长春工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2023-10-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种考虑监测误差的航空发动机气路健康状态预测方法,其特征在于,包括以下具体步骤:步骤1:采集航空发动机的监测数据作为输入特征量,计算环境特征监测误差;采用平均距离方法根据所述监测数据计算环境特征监测误差,具体过程如下:步骤11:计算输入特征量的每个数据与其他数据之间的距离;

步骤12:根据每个数据与其他数据之间的距离计算第n个输入特征量中的数据与其他数据之间的平均距离;

步骤13:根据平均距离与最大距离计算所述环境特征监测误差;

步骤2:根据所述输入特征量,计算传感器退化监测误差;采用平均方差方法根据所述监测数据计算传感器退化监测误差,具体过程如下:步骤21:计算所有输入特征量的平均值;

步骤22:根据所有输入特征量的平均值计算输入特征量中的数据与其他数据之间的平均方差;

步骤23:根据平均方差和最大方差计算传感器退化监测误差;

步骤3:设定干扰因子,根据所述环境特征监测误差和所述传感器退化监测误差计算整体监测误差;

在得到数据的传感器退化监测误差和环境监测误差后,设定干扰因子,将扰动引入到数据的监测误差中获得整体检测误差,整体监测误差表示为:其中, 表示第n个特征的传感器退化监测误差; 表示第n个输入特征量的环境特征监测误差;K表示干扰因子;εn表示第n个特征的整体监测误差;

步骤4:根据所述整体监测误差计算基于多特征置信规则库中考虑监测误差的属性权重,并根据多特征置信规则库中两个相邻规则中的输入特征量参考值计算输入特征量的匹配度,根据所述属性权重和所述输入特征量参考值计算激活权重;

步骤5:根据专家知识设定初始置信度,并结合所述激活权重建立初始MBRB预测模型;

步骤6:采用基于投影协方差矩阵的自适应演化策略优化算法,对所述初始MBRB预测模型中的参数向量进行更新,获得健康状态预测模型;

步骤7:采集待预测的航空发动机的监测数据并输入所述健康状态预测模型,获得预测结果。

2.根据权利要求1所述的一种考虑监测误差的航空发动机气路健康状态预测方法,其特征在于,所述步骤4中具体实现过程为:步骤41:计算考虑监测误差的属性权重的表示为:

其中,为考虑监测误差的属性权重,其包含两部分,属性权重δi和整体监测误差εi;ξi为属性权重δi与整体监测误差εi之间的加权因子,并且0≤ξi≤1;

步骤42:计算输入特征量的匹配度,表达式为:

其中,和 分别表示两个相邻规则中的第i个输入特征量参考值;xi表示第i个输入特征量;l表示多特征置信规则库中置信规则的条数;

步骤43:根据输入特征量参考值和所述属性权重计算激活权重,第k条规则的激活权重表达式为:其中,T表示第k条规则中包含的输入特征量的数量;表示第i个输入特征量的匹配度;

θk表示第k条规则的规则权重;θi表示第i条规则的规则权重;ai表示第i个输入特征量的匹配度;L表示置信规则数量。

3.根据权利要求2所述的一种考虑监测误差的航空发动机气路健康状态预测方法,其特征在于,所述步骤5的具体实现过程为:根据专家知识设定初始MBRB预测模型的初始置信度,对航空发动机气路进行健康状态预测,其中第k条规则如下所示:Rkε:

If x(t)is ∧x(t‑1)is ∧…∧x(t‑τ)isThen x(t+1)is{(D1,β1,k),…,(DN,βN,k)}With a rule weightθk,

attribute weightδ1,δ2,…,δnandmonitoring errorε1,ε2,…,εt‑τ+1其中,Rk代表第k个置信度规则;x(t‑m)表示第m个输入特征量,m∈(0,τ),τ表示延迟步骤数;D={D1D2,…,DN}表示第m个必备属性的参考值; 表示第k条规则中第m个输入特征量的参考值, βj,k表示第j个结果的置信度Dj,并且Dj∈D,j=1,2,…,N,k=1,2,…,L;L表示置信规则数量;N表示健康状态等级数;∧代表与关系;ε代表输入特征量的整体监测误差;θk表示第k条规则的规则权重;δ表示属性权重。

4.根据权利要求1所述的一种考虑监测误差的航空发动机气路健康状态预测方法,其特征在于,利用基于投影协方差矩阵的自适应演化策略优化算法,对所述初始MBRB预测模型中的参数进行更新,以修正专家知识的不确定性,具体过程如下:步骤61:构造所述初始MBRB预测模型的目标函数表示为:式中 表示初始MBRB预测模型中的参数向量;G表示输入特征量的个数;δi表示第i个输入特征量的属性权重;θk表示第k条规则的规则权重;y表示真实健康状态;表示模型输出值;βn,k表示第k条规则下第n等级健康状态的初始置信度;

步骤62:构造优化模型对所述目标函数进行约束,所述优化模型为:minMSE(V)

0≤βn,k≤1,n=1,2,…,N,k=1,2,…,L

0≤δi≤1,i=1,2,…,M

0≤θk≤1

其中,M表示输入特征量的个数;通过所述优化模型更新初始MBRB预测模型中的参数向量,获得健康状态预测模型。