基于径向基过程神经网络的航空发动机排气温度预测
2019-07-05陈庆贵李洪伟谢镇波
陈庆贵,李洪伟,李 明,谢镇波,谢 静
(海军航空大学青岛校区, 山东 青岛 266041)
航空发动机的涡轮排气温度(Exhaust gas temperature,EGT)是航空发动机状态监控最主要的性能指标。排气温度超温对发动机的危害较大。对于刚装机的发动机,其EGT值较低。随着发动机使用时间的增长,发动机的整体性能逐步衰退,其EGT值相应升高[1-3]。因此,通过对积累的EGT历史数据进行数据挖掘,及时预测EGT值的变化趋势,便可在一定程度上获得发动机性能衰退的速度,确定发动机的大致使用寿命。这对于监控航空发动机的性能衰退,节约维修成本,降低飞机的故障率具有重要意义。
1 基于RBF神经网络的数据挖掘算法
径向基函数(Radial basis function, RBF)过程神经元的聚合运算既包含了多输入的空间加权聚合和对时间过程的累积聚合。因此,可以用来处理具有时间累积效应的EGT时间序列[3-4]。
1.1 RBF神经网络结构

(1)
(2)
同理,隐层第j个过程神经元的核中心函数亦可表示为

j=1,2,…,m
(3)
由基函数的正交性和式(2)~(3),得
(4)
隐层第j个神经元的输出为
Oj=K(||X(t)-Xj(t)||)=
(5)
1.2 网络学习
给定K个学习样本:
2009年1 月-2017年6月我院肠球菌的临床分布及耐药性分析 …………………………………………… 郑巧伟等(10):1356
(x11(t),x12(t),…,x1n(t),d1) 、
(x21(t),x22(t),…,x2n(t),d2) 、…、
(xK1(t),xK2(t),…,xKn(t),dK)
设网络对于第k个样本的实际输出为yk,则网络误差函数可定义为
(6)
选取径向基核函数取为高斯函数,即
(7)
式中,σ表示m个中心函数的平均偏差,可由下式确定:
(8)

(9)
权值学习迭代式为
(10)
式中,s为学习迭代次数;η为网络学习效率。
1.3 学习算法步骤
1) 给定学习精度ε,累计学习迭代次数s=0,学习最大迭代次数N,选取输入空间标准正交基函数bl(t),l=1,2,…,L;
2) 按式(2)、式(3)将输入函数X(t) 和核中心函数Xj(t)(j=1,2,…,m)在bl(t)(l=1,2,…,L)下展开;
