亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于LSTM的航空發(fā)動機電氣附件性能預(yù)測

        2022-04-28 09:23:46羅賢峰劉仲富余振源竇宇驍孫兆榮
        科技創(chuàng)新與應(yīng)用 2022年11期
        關(guān)鍵詞:發(fā)動機模型

        羅賢峰,何 宇,劉仲富,余振源,竇宇驍,孫兆榮

        (中國民航大學(xué),天津 300300)

        隨著民航運輸業(yè)的高速發(fā)展,發(fā)動機作為飛機的核心部位對飛機的飛行安全及適航有著至關(guān)重要的作用。發(fā)動機電氣附件的數(shù)據(jù)獲取,傳輸以及運作和電氣線路的完整性對航空發(fā)動機的正常運行有著重要的影響,而發(fā)動機電氣附件的性能測試及預(yù)測成為了一個難題,能否快速測試分析電氣附件的性能衰減狀況和后期的預(yù)測,對發(fā)動機的維修效率有著巨大的影響。目前,發(fā)動機維修采用分立儀器對部分電氣附件進行測試,測試時間長、效率低、存在人為差錯,難以達(dá)到全覆蓋測試,且在維修間隔期間,電氣附件的性能難以監(jiān)測,存在安全隱患,可能對發(fā)動機和維修人員造成潛在危險。對此我們通過該軟件系統(tǒng)開發(fā),并結(jié)合到硬件系統(tǒng)之中,形成一套完整的測試系統(tǒng)實現(xiàn)發(fā)動機整機電氣附件的靜態(tài)測試,形成全覆蓋的數(shù)據(jù)測試,為發(fā)動機進一步性能測試提供有力的技術(shù)支持,為飛機安全高效運輸提供有效保障,該系統(tǒng)的實現(xiàn)打破了傳統(tǒng)對部分電氣附件的測試方法,除去人工的測試部分,通過對標(biāo)準(zhǔn)大數(shù)據(jù)的采集,訓(xùn)練更加高效精準(zhǔn)的測試與預(yù)測出所需要的電氣附件數(shù)據(jù)。

        LSTM神經(jīng)網(wǎng)絡(luò)作為一種特殊的RNN網(wǎng)絡(luò)有著良好的訓(xùn)練與學(xué)習(xí)能力,眾多學(xué)術(shù)研究者利用該神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)及器件性能預(yù)測方面展開了深入的研究。王鑫等[1]提出了基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時間序列預(yù)測,發(fā)現(xiàn)LSTM模型相比典型時間序列預(yù)測模型,其擬合和預(yù)測性能整體更優(yōu);相比于RNN等循環(huán)神經(jīng)網(wǎng)絡(luò),其擬合和預(yù)測精度整體更高。陸繼翔等[2]利用CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型在短期負(fù)荷預(yù)測中的應(yīng)用,發(fā)現(xiàn)當(dāng)LSTM輸入數(shù)據(jù)是以時序序列的特征向量時,LSTM網(wǎng)絡(luò)模型能較好地擬合負(fù)荷數(shù)據(jù)的時序性和復(fù)雜非線性關(guān)系。彭燕等[3]在基于LSTM的股票價格預(yù)測模型與分析中,發(fā)現(xiàn)適宜的LSTM網(wǎng)絡(luò)層數(shù)和前饋網(wǎng)絡(luò)層隱藏神經(jīng)元個數(shù)可使股價數(shù)據(jù)預(yù)測準(zhǔn)確率大大提高。武麗芬等[4]基于RNN模型與LSTM模型的機器作詩研究中對比了兩種預(yù)測模型在建立時間序列數(shù)據(jù)間的非線性關(guān)系時的結(jié)果。RNN網(wǎng)絡(luò)在訓(xùn)練過程中,隨著遞歸層數(shù)的增加和計算梯度下降容易出現(xiàn)梯度爆炸和梯度消失的問題,只能處理短期依賴問題,而LSTM模型從神經(jīng)單元的結(jié)構(gòu)出發(fā)大大優(yōu)化了上述問題,說明了LSTM在解決長期依賴問題方面明顯優(yōu)于RNN模型。張明岳等[5]RNN與LSTM方法用于滑坡位移動態(tài)預(yù)測的研究中指出LSTM算法結(jié)構(gòu)更為復(fù)雜,精度更高,誤差控制范圍更小,兩者訓(xùn)練時間LSTM明顯多于RNN,說明LSTM在大量數(shù)據(jù)參與訓(xùn)練的情況下,訓(xùn)練及預(yù)測結(jié)果更為可靠。

        本文提出運用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練構(gòu)建一套預(yù)測模型用于測試發(fā)動機電氣附件性能。在發(fā)動機電氣附件龐大數(shù)據(jù)輸入的前提下,該預(yù)測模型利用LSTM對數(shù)據(jù)進行記憶訓(xùn)練可大幅提高數(shù)據(jù)預(yù)測精準(zhǔn)度,有效緩減了一般RNN循環(huán)網(wǎng)絡(luò)的梯度爆炸和梯度消失問題。本次實驗會將所得數(shù)據(jù)預(yù)測值與實際值作對比檢驗其預(yù)測精準(zhǔn)度。

        1 LSTM基本工作原理

        LSTM是RNN-循環(huán)神經(jīng)網(wǎng)絡(luò)的一種演化形式,RNN(Recurrent Neural Network)[6]網(wǎng)絡(luò)一般包含輸入層,隱藏層和輸出層,但是由于其在處理數(shù)據(jù)量較大的分析與預(yù)測時,可能會遺漏開頭部分重要數(shù)據(jù)信息[7]使預(yù)測結(jié)果不準(zhǔn)確,并且存在梯度爆炸和梯度消失的問題,導(dǎo)致其不具備良好的長期學(xué)習(xí)能力。當(dāng)訓(xùn)練RNN模型時需要預(yù)先確定延遲窗口長度,然而實際應(yīng)用中很難獲取這一參數(shù)的最優(yōu)值。1977年,霍克賴特首次提出了長短期記憶網(wǎng)絡(luò)單元利用LSTM中的記憶細(xì)胞代替了一般網(wǎng)絡(luò)中的隱藏層結(jié)構(gòu)有效緩解了RNN網(wǎng)絡(luò)的上述問題。一般的循環(huán)神經(jīng)網(wǎng)絡(luò)對于序列輸入都是所有前序輸入與當(dāng)前輸入的堆疊,但是RNN網(wǎng)絡(luò)對所有前序輸入沒有選擇性。而實際情況下,當(dāng)前輸入所決定的輸出值可能只與(LSTM)模型前序輸入中的某個值有關(guān),而與其他值無關(guān),或者相關(guān)性很小。為此LSTM通過對記憶單元的門處理,用更行門(Γu)遺忘門(Γf)以及輸出門(Γo)來限制記憶細(xì)胞單元的值,從而來表示序列輸入的相關(guān)性。相關(guān)公式如下:

        式中,W[a,x]是簡化表達(dá),表示相關(guān)a,x參數(shù)堆疊后與相應(yīng)權(quán)重參數(shù)相乘,c~<t>是來自上一層的記憶信息,Wu.f.o是相關(guān)參數(shù)的參數(shù)矩陣,Γu,f.o是用sigmoid函數(shù)得到的門值,bu.o.f是偏置參數(shù),x<t>是當(dāng)前輸入的序列值,c<t>是當(dāng)前輸出的記憶信息,a<t>為當(dāng)前序列輸入產(chǎn)生的激活值,被用于下一次輸入。不同于傳統(tǒng)RNN,它是門輸出值與記憶細(xì)胞的激活值相乘的結(jié)果。如圖1所示。

        圖1 LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)

        當(dāng)多個序列輸入時,就是圖1 LSTM單元相連的邏輯表示,如圖2所示。

        圖2 LSTM網(wǎng)絡(luò)單元相連結(jié)構(gòu)

        2 預(yù)測模型的設(shè)計與構(gòu)建

        2.1 設(shè)計思路

        由于飛機在飛行過程中各部分的運行是具有一定關(guān)聯(lián)性的,例如:飛行速度、空速、風(fēng)速、飛行高度的變化等與發(fā)動機各部分運行具有一定關(guān)聯(lián),利用數(shù)據(jù)之間的關(guān)聯(lián)性將使得算法在學(xué)習(xí)過程中更好地提取到數(shù)據(jù)特征,從而在很大程度上提高預(yù)測的精度,所以在本項目中主要體現(xiàn)為使用風(fēng)速、飛行高度、發(fā)動機轉(zhuǎn)速,飛行速度等數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),對發(fā)動機增壓比(EPR)進行預(yù)測。具體設(shè)計思路為:使用某型飛機發(fā)動機從啟動到停車過程中各項數(shù)據(jù)的記錄以及發(fā)動機之外的其他數(shù)據(jù)的記錄作為訓(xùn)練數(shù)據(jù)導(dǎo)入LSTM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。包括飛行速度、發(fā)動機轉(zhuǎn)速、空速等共計23項數(shù)據(jù),完成訓(xùn)練后,對發(fā)動機增壓比(EPR)等多項發(fā)動機指標(biāo)進行預(yù)測,最后將預(yù)測值與實際值對比以檢驗該模型的準(zhǔn)確性并對該模型做出評價。

        2.2 數(shù)據(jù)的選取及預(yù)處理

        現(xiàn)有主流機型均對飛機在飛行過程中各部分的運行有著詳細(xì)且真實的記錄,本項目將以某型飛機在一段航線共計203 min飛行中各個傳感器所記錄的數(shù)據(jù)(每秒記錄一次)為實驗數(shù)據(jù)。實驗數(shù)據(jù)為時間序列,選取其中有關(guān)聯(lián)的23列輸入訓(xùn)練網(wǎng)絡(luò)進行訓(xùn)練學(xué)習(xí),每個時間序列即每個指標(biāo)選取其中5 900個數(shù)據(jù),23項共計135 700個數(shù)據(jù)。將其中某個單一序列的85%作為訓(xùn)練數(shù)據(jù)與其余22項數(shù)據(jù)一同作為訓(xùn)練數(shù)據(jù)導(dǎo)入LSTM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,剩余15%作為測試數(shù)據(jù)參與預(yù)測,本文選取發(fā)動機增壓比為預(yù)測對象進行數(shù)據(jù)預(yù)處理。

        (1)數(shù)據(jù)歸一化

        為獲得較好的擬合并防止訓(xùn)練過程發(fā)散,將訓(xùn)練數(shù)據(jù)標(biāo)準(zhǔn)化為零均值和單位方差,公式如下:

        (2)反歸一化

        預(yù)測結(jié)束后,需根據(jù)先前的參數(shù)對預(yù)測值數(shù)據(jù)進行去標(biāo)準(zhǔn)化,公式如下:

        式中,yk為歸一化(反歸一化)后的數(shù)據(jù),ymean為數(shù)據(jù)均值,ystd為數(shù)據(jù)單位方差。

        2.3 構(gòu)建模型架構(gòu)

        本文所提出模型核心思想為多序列輸入訓(xùn)練,單序列輸出預(yù)測,通過這種方法可以在省去訓(xùn)練之前數(shù)據(jù)特征提取的同時完成訓(xùn)練與預(yù)測。該模型共有6層,分別為:輸入層、LSTM層、全連接層1、丟棄層、全連接層2、回歸輸出層,具體模型如圖3所示。

        圖3 模型流程圖

        關(guān)于模型中每層的解釋如下:

        (1)輸入層

        讀取數(shù)據(jù)集中23個時間序列的數(shù)據(jù)并進行歸一化預(yù)處理。

        (2)LSTM層

        該層的作用為學(xué)習(xí)導(dǎo)入各序列數(shù)據(jù)中各時間步長之間的長期相關(guān)性。

        (3)全連接層1

        綜合LSTM層所學(xué)習(xí)的結(jié)果進行特征輸入丟棄層。

        (4)丟棄層

        通過設(shè)置合適的丟棄率解決過擬合問題。

        (5)全連接層2

        綜合丟棄層的數(shù)據(jù)特征輸入回歸輸出層。

        (6)回歸輸出層

        對預(yù)測結(jié)果進行輸出。

        2.4 網(wǎng)絡(luò)參數(shù)設(shè)置

        飛機發(fā)動機電氣附件的變化是由多方面因素影響的復(fù)雜非線性過程,故定義LSTM網(wǎng)絡(luò)的初始化狀態(tài)對整個訓(xùn)練過程有至關(guān)重要的作用。首先,設(shè)置網(wǎng)絡(luò)的初始參數(shù):網(wǎng)絡(luò)中隱藏單元個數(shù)影響著訓(xùn)練效果,需要通過設(shè)置合適的隱藏單元數(shù)來降低誤差,根據(jù)數(shù)據(jù)的特性與復(fù)雜程度利用轉(zhuǎn)換函數(shù)將LSTM層的隱藏單元數(shù)定義為200,同時隱藏單元數(shù)還需要小于N-1(N為訓(xùn)練數(shù)據(jù)樣本個數(shù));后續(xù)為一大小為50的全連接層和丟棄概率為0.1的丟棄層;將學(xué)習(xí)率定義為0.001,每經(jīng)過1 000步長,學(xué)習(xí)率衰減0.1;閾值為1以防止梯度爆炸。然后在以上參數(shù)的基礎(chǔ)上定義大小為25的小批量進行400輪訓(xùn)練。

        3 發(fā)動機增壓比(EPR)預(yù)測

        3.1 網(wǎng)絡(luò)評價指標(biāo)

        本文研究目的是對航空發(fā)動機的各項運行指標(biāo)進行預(yù)測,著重對發(fā)動機增壓比預(yù)測。本文將以均方根誤差(RMSE)和平均相對誤差(MAPE)作為網(wǎng)絡(luò)的評價指標(biāo)進一步驗證模型的精確程度,RESE和MAPE二者數(shù)值越小則表明預(yù)測值越準(zhǔn)確,模型性能越優(yōu)越。

        具體公式如下:

        式中,n為樣本數(shù)據(jù)個數(shù),yi為數(shù)據(jù)實際值,為預(yù)測值。

        3.2 預(yù)測結(jié)果分析

        發(fā)動機增壓比(engine pressure ratio)是指渦扇發(fā)動機中壓氣機出氣口與進氣口的總壓之比,公式如下:

        其關(guān)乎到飛機發(fā)動機的運行狀態(tài)以及燃油消耗效率。本次預(yù)測使用的是實采于某型航空發(fā)動機的發(fā)動機實際運行中增壓比數(shù)據(jù)記錄,為一時間序列。平穩(wěn)飛行階段實測與預(yù)測值的對比曲線圖如圖4所示。

        圖4 平穩(wěn)飛行階段預(yù)測值與實際值曲線圖

        可見使用LSTM所預(yù)測的結(jié)果與實際值基本符合,也驗證了該網(wǎng)絡(luò)用于時間序列預(yù)測的優(yōu)越性以及在本項目中的高度適用性。上述預(yù)測的數(shù)據(jù)選取自飛機進入巡航高度后的較平穩(wěn)飛行階段,為進一步驗證該網(wǎng)絡(luò)的普適性以及準(zhǔn)確性,再選取飛機起飛階段的部分?jǐn)?shù)據(jù)進行預(yù)測。起飛階段的預(yù)測值與實際值對比曲線圖如圖5所示。

        圖5 起飛階段預(yù)測值與實際值曲線圖

        觀察圖5所繪曲線可知該模型對于變化較為復(fù)雜的情況,雖然在部分時間點有數(shù)據(jù)預(yù)測偏差,但仍然在數(shù)據(jù)改變時刻能夠預(yù)測其變化趨勢及其走向,也具有較好的攀附性。

        由表1可知,對飛機不同飛行階段的預(yù)測具有很高的準(zhǔn)確度。0~0.5 h的均方根誤差為0.522 0,0.5~1 h的均方根誤差為1.121 7,1~1.5 h均方根誤差為1.426 5,由此可見該模型對于數(shù)據(jù)的預(yù)測雖有一定誤差但仍具有較高的準(zhǔn)確性。MAPE平均相對誤差在3個時間段內(nèi)均小于0.1,且隨時間的變化逐漸減小,0.5~1 h與1~1.5 h兩個時間段內(nèi)均小于0.01,以MAPE為評價標(biāo)準(zhǔn)時,此模型具有相當(dāng)高的預(yù)測精準(zhǔn)度。

        表1 不同飛行階段的RMSE與MAPE值

        同機型飛機在其他航線飛行數(shù)據(jù)預(yù)測對比,如圖6所示,此部分?jǐn)?shù)據(jù)選取自起飛一段時間后。去除起飛時部分奇異值后,此模型對于短序列有部分預(yù)測偏差,但是起飛一定時間后,預(yù)測性非常準(zhǔn)確,這說明此網(wǎng)絡(luò)的魯棒性和穩(wěn)健性很好。綜合來看,網(wǎng)絡(luò)對數(shù)據(jù)依賴性較大,同時對長期序列數(shù)據(jù)具有較大依賴性,對于其他不同于此環(huán)境的飛行情況、飛行高度、氣流、天氣因素等等預(yù)測都會有一定影響,此網(wǎng)絡(luò)預(yù)測準(zhǔn)度也必然會略有下降,同時對于某些情況值會出現(xiàn)準(zhǔn)確度丟失,但對于一般飛行參數(shù),此網(wǎng)絡(luò)仍然有參考意義。

        圖6 其他航線預(yù)測對比

        4 結(jié)束語

        基于LSTM的航空發(fā)動機靜態(tài)預(yù)測模型的設(shè)計,克服了航空發(fā)動機維修過程中電器附件性能難以檢測,使用人工分立測試效率低,時間長等實際存在問題。該系統(tǒng)運用了LSTM(長短期神經(jīng)網(wǎng)絡(luò))作為訓(xùn)練模型,解決了一般RNN網(wǎng)絡(luò)無法長期學(xué)習(xí)和儲存記憶的問題,其不僅開發(fā)周期短,設(shè)計成本低,還可快速集成測試和進行性能預(yù)測,及時監(jiān)測到電氣附件的性能衰減情況,方便為進一步的航空發(fā)動機維修提供指導(dǎo)策略,大大縮短了測試及預(yù)測時間,確保了所得數(shù)據(jù)的準(zhǔn)確性與可靠性,解決了傳統(tǒng)測試方法所存在的誤差比較大等問題。

        猜你喜歡
        發(fā)動機模型
        一半模型
        2015款寶馬525Li行駛中發(fā)動機熄火
        重要模型『一線三等角』
        2012年奔馳S600發(fā)動機故障燈偶爾點亮
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        新一代MTU2000發(fā)動機系列
        發(fā)動機的怠速停止技術(shù)i-stop
        新型1.5L-Eco-Boost發(fā)動機
        久久一区二区三区四区| 国产精品视频永久免费播放| 东京热无码av一区二区| 阴唇两边有点白是怎么回事 | 日中文字幕在线| 亚洲妇女av一区二区| 亚洲成人精品久久久国产精品| 蜜臀av色欲a片无码精品一区| 久久久www成人免费无遮挡大片 | 一级黄色一区二区三区| 五月天中文字幕mv在线| 美丽人妻被按摩中出中文字幕 | 亚洲av中文字字幕乱码| 日韩人妻精品中文字幕专区| 真实国产老熟女无套中出| 国产激情视频白浆免费| 久久国产亚洲中文字幕| 日韩人妖一区二区三区| 国产一区二区三区久久悠悠色av| 中文亚洲av片在线观看| 一本大道香蕉视频在线观看| 亚洲高清美女久久av| 国产一区二区三区仙踪林| 伊人久久大香线蕉av网禁呦| 精品一级毛片| 久久本道久久综合一人| 国产 一二三四五六| 久热综合在线亚洲精品| 福利网在线| 成人大片在线观看视频| 亚洲日韩欧美一区、二区| 中文字幕一区二区三区久久网站 | 欧美亚洲色综久久精品国产| 在线观看视频一区| 久久精品日韩免费视频| 蜜桃av人妻精品一区二区三区| 国产av旡码专区亚洲av苍井空| 欧美人妻日韩精品| 91国语对白在线观看| 人妻丰满熟妇av无码区app| 亚洲色自偷自拍另类小说|