留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

改进BA优化的MKSVDD航空发动机工作状态识别

何大伟 彭靖波 胡金海 宋志平

何大伟, 彭靖波, 胡金海, 等 . 改进BA优化的MKSVDD航空发动机工作状态识别[J]. 北京航空航天大学学报, 2018, 44(10): 2238-2246. doi: 10.13700/j.bh.1001-5965.2017.0756
引用本文: 何大伟, 彭靖波, 胡金海, 等 . 改进BA优化的MKSVDD航空发动机工作状态识别[J]. 北京航空航天大学学报, 2018, 44(10): 2238-2246. doi: 10.13700/j.bh.1001-5965.2017.0756
HE Dawei, PENG Jingbo, HU Jinhai, et al. Aero-engine working condition recognition based on MKSVDD optimized by improved BA[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(10): 2238-2246. doi: 10.13700/j.bh.1001-5965.2017.0756(in Chinese)
Citation: HE Dawei, PENG Jingbo, HU Jinhai, et al. Aero-engine working condition recognition based on MKSVDD optimized by improved BA[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(10): 2238-2246. doi: 10.13700/j.bh.1001-5965.2017.0756(in Chinese)

改进BA优化的MKSVDD航空发动机工作状态识别

doi: 10.13700/j.bh.1001-5965.2017.0756
基金项目: 

国家自然科学基金 51506221

陕西省自然科学基础研究计划 2015JQ5179

详细信息
    作者简介:

    何大伟  男, 硕士研究生。主要研究方向:航空发动机控制品质辨识

    彭靖波  男, 博士, 副教授, 硕士生导师。主要研究方向:航空发动机分布式控制

    胡金海  男, 博士, 副教授, 硕士生导师。主要研究方向:信号处理与故障隔离

    宋志平  男, 博士, 高级研究员。主要研究方向:航空发动机及控制系统建模、发动机故障诊断技术

    通讯作者:

    彭靖波, E-mail:pjb1209@126.com

  • 中图分类号: V235.13

Aero-engine working condition recognition based on MKSVDD optimized by improved BA

Funds: 

National Natural Science Foundation of China 51506221

Basic Science and Technology Program of Shaanxi Province, China 2015JQ5179

More Information
  • 摘要:

    为了提高航空发动机工作状态识别准确率和效率,避免人工识别中存在的误判和耗时耗力问题,提出了基于混沌脉冲蝙蝠算法(CRBA)优化的多核支持向量数据描述(CRBA-MKSVDD)智能识别方法。研究了多核支持向量数据描述(MKSVDD)改进策略,引入混沌脉冲发射率提高了蝙蝠算法(BA)的收敛速度和收敛精度,得到了CRBA;通过CRBA优化MKSVDD的惩罚因子和核参数,同时对飞参数据进行了特征提取;基于特征飞参数据训练了CRBA-MKSVDD分类器,并对某型发动机一个飞行架次的工作状态进行了识别。结果表明,该方法识别准确率达到97.547 9%,可用于与发动机工作状态的相关研究和应用。

     

  • 图 1  SVDD原理示意图

    Figure 1.  Schematic diagram of SVDD principle

    图 2  混沌脉冲发射率变化范围

    Figure 2.  Value range of chaotic pulse rate

    图 3  测试函数的收敛曲线

    Figure 3.  Convergence curves of test function

    图 4  不同工作状态分类器的ROC曲线

    Figure 4.  ROC curves of different working condition classifier

    图 5  某架次航空发动机状态识别结果

    Figure 5.  Result of one sortie aero-engine working condition recognition

    表  1  某型航空发动机飞参数据格式

    Table  1.   Flight parameter format of a type of aero-engine

    参数 名称
    记录时间/0.1s 记录时长
    N1/% 低压转速
    N2/% 高压转速
    T6/℃ 涡轮后燃气温度
    A1/(°) 风扇进口可调叶片角度
    T1/K 发动机进口总温
    T25/K 风扇内涵出口总温
    P31/kPa 压气机出口压力
    P6/kPa 涡轮后出口压力
    PH/kPa 发动机舱压
    PLA/(°) 油门杆位置
    H/km 飞行高度
    A2/(°) 压气机进口可调静子叶片角度
    W/kg 主燃油流量给定值
    A8/cm2 喷口面积
    下载: 导出CSV

    表  2  分类器测试结果

    Table  2.   Test results of classifiers

    分类器 惩罚因子 核参数 识别准确率/% 测试时间/s
    慢车 节流 中间及以上 最大 慢车 节流 中间及以上 最大 慢车 节流 中间及以上 最大 慢车 节流 中间及以上 最大
    CV-SVDD 0.7933 0.7827 0.9926 0.0447 221.07 322.26 91.07 100.70 95.91 94.29 81.41 84.37 29.85 39.14 15.75 14.20
    CV-MKSVDD 0.022 2 0.4878 0.5149 0.9930 576.72 677.08 827.71 161.73 97.04 96.16 83.57 90.22 37.93 45.71 16.26 16.51
    BA-SVDD 0.1531 0.0100 0.5245 0.5832 561.73 656.93 280.13 327.91 95.66 96.55 84.65 86.14 16.08 20.06 8.67 5.40
    BA-MKSVDD 0.2608 0.4970 0.5512 1.000 481.60 595.19 499.96 520.38 98.00 94.42 88.31 92.74 19.46 27.06 12.65 8.64
    CRBA-MKSVDD 0.1956 0.3949 0.7397 0.3726 463.24 638.42 440.23 957.35 98.67 97.93 92.05 93.36 18.27 25.31 10.15 7.66
    下载: 导出CSV
  • [1] 何立明.飞机推进系统原理[M].北京:国防工业出版社, 2006:236-237.

    HE L M.Aircraftpropulsion system principles[M]. Beijing:National Defence of Industry Press, 2006:236-237(in Chinese).
    [2] SIMON D L, LITT J S.A data filter for identifying steady-state operating points in engine flight data for condition monitoring applications[J]. Journal of Engineering for Gas Turbines and Power, 2011, 133(7):1-8.
    [3] TAX D M J, DUIN R P W.Support vector data description[J]. Machine Learning, 2004, 54(1):45-66. doi: 10.1023/B:MACH.0000008084.60811.49
    [4] 丁昊, 李旭东, 赵慧洁.基于SVDD的三维目标多视点视图建模[J].北京航空航天大学学报, 2012, 38(11):1517-1521. http://bhxb.buaa.edu.cn/CN/abstract/abstract12456.shtml

    DING H, LI X D, ZHAO H J.Method of multi-view modeling for 3D target based on SVDD[J]. Journal of Beijing University of Aeronautics and Astronautics, 2012, 38(11):1517-1521(in Chinese). http://bhxb.buaa.edu.cn/CN/abstract/abstract12456.shtml
    [5] 唐明珠, 王岳斌, 阳春华.一种改进的支持向量数据描述故障诊断方法[J].控制与决策, 2011, 26(7):967-972. http://d.old.wanfangdata.com.cn/Periodical/kzyjc201107002

    TANG M Z, WANG Y B, YANG C H.Modified support vector data description for fault diagnosis[J]. Control and Decision, 2011, 26(7):967-972(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/kzyjc201107002
    [6] 唐炬, 林俊亦, 卓然, 等.基于支持向量数据描述的局部放电类型识别[J].高电压技术, 2013, 39(5):1046-1053. doi: 10.3969/j.issn.1003-6520.2013.05.004

    TANG J, LIN J Y, ZHUO R, et al.Partial discharge type recognition based on support vector data description[J]. High Voltage Engineering, 2013, 39(5):1046-1053(in Chinese). doi: 10.3969/j.issn.1003-6520.2013.05.004
    [7] PENG X J, XU D.Efficient support vector data descriptions for novelty detection[J]. Neural Computing & Applications, 2012, 21(8):2023-2032.
    [8] 曲建岭, 李晓娟, 司敬国, 等.基于飞参数据的发动机工作状态识别方法研究[C]//第32届中国控制会议.西安: 西北工业大学, 2013: 3565-3569.

    QU J L, LI X J, SI J G, et al.On recognitionmethod of aeroengine working conditions based on flight data[C]//Proceedings of the 32nd Chinese Control Conference.Xi'an: Northwestern Polytechnical University, 2013: 3565-3569(in Chinese).
    [9] 周胜明, 曲建岭, 高峰, 等.基于HE-SVDD的航空发动机工作状态识别[J].仪器仪表学报, 2016, 37(2):308-315. doi: 10.3969/j.issn.0254-3087.2016.02.010

    ZHOU S M, QU J L, GAO F, et al.Aero-engine working condition recognition based on HE-SVDD[J]. Chinese Journal of Scientific Instrument, 2016, 37(2):308-315(in Chinese). doi: 10.3969/j.issn.0254-3087.2016.02.010
    [10] ASHKEZARI A D, MA H, SAHA T K, et al.Application of fuzzy support vector machine for determining the health index of the insulation system of in-service power transformers[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2013, 20(3):965-972. doi: 10.1109/TDEI.2013.6518966
    [11] JORDI MUNOZ-MARI L B, CAMPS-VAILS G.A support vector domain description approach to supervised classification of remote sensing images[J]. Transactions on Geoscience and Remote Sensing, 2007, 45(8):2683-2692. doi: 10.1109/TGRS.2007.897425
    [12] 卢明, 刘黎辉, 吴亮红.多核支持向量数据描述分类方法研究[J].计算机工程与应用, 2016, 52(18):68-73. doi: 10.3778/j.issn.1002-8331.1412-0205

    LU M, LIU L H, WU L H.Research on multi-kernel support vector data description method of classification[J]. Computer Engineering and Applications, 2016, 52(18):68-73(in Chinese). doi: 10.3778/j.issn.1002-8331.1412-0205
    [13] 刘明.支持向量机中Sigmoid核函数的研究[D].西安: 西安电子科技大学, 2010: 34-35. http://cdmd.cnki.com.cn/Article/CDMD-10701-2010083361.htm

    LIU M.The study on Sigmoid kernel function in support vector machine[D]. Xi'an: Xidian University, 2010: 34-35(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10701-2010083361.htm
    [14] ZHOU S S, LIU H W, YE F.Variant of Gaussian kernel and parameter setting method for nonlinear SVM[J]. Neurocomputing, 2009, 72(13):2931-2937. doi: 10.1016-j.neucom.2008.07.016/
    [15] YANG X S.A new metaheuristic bat-inspired algorithm[C]//Nature Inspired Cooperative Strategies for Optimization (NISCO 2010).Berlin: Springer-Verlag, 2010, 284: 65-74.
    [16] YANG X S.Nature inspired meta-heuristic algorithms[M]. 2nd ed.Frome:Luniver Press, 2010:97-104.
    [17] 李枝勇, 马良, 张惠珍.蝙蝠算法收敛性分析[J].数学的实践与认识, 2013, 43(12):182-190. doi: 10.3969/j.issn.1000-0984.2013.12.026

    LI Z Y, MA L, ZHANG H Z.Convergenceanalysis of bat algorithm[J]. Mathematics in Practice and Theory, 2013, 43(12):182-190(in Chinese). doi: 10.3969/j.issn.1000-0984.2013.12.026
    [18] ADARSH B R, RAGHUNATHAN T, JAYABARATHI T, et al.Economic dispatch using chaotic bat algorithm[J]. Energy, 2016, 96(2):666-675.
    [19] KARRI C, JENA U.Fast vector quantization using a bat algorithm for image compression[J]. Engineering Science & Technology, an International Journal, 2016, 19(2):769-781. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=Doaj000004650871
    [20] RAHIMI A, BAVAFA F, AGHABABAEI S, et al.The online parameter identification of chaotic behaviour in permanent magnet synchronous motor by self-adaptive learning bat-inspired algorithm[J]. International Journal of Electrical Power & Energy Systems, 2016, 78(6):285-291.
    [21] 李煜, 裴宇航, 刘景森.融合均匀变异与高斯变异的蝙蝠优化算法[J].控制与决策, 2017, 32(10):1775-1781. http://d.old.wanfangdata.com.cn/Periodical/kzyjc201710006

    LI Y, PEI Y H, LIU J S.Bat optimal algorithm combined uniform mutation with Gaussian mutation[J]. Control and Decision, 2017, 32(10):1775-1781(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/kzyjc201710006
    [22] 刘长平, 叶春明.具有混沌搜索策略的蝙蝠优化算法及性能仿真[J].系统仿真学报, 2013, 25(6):1183-1195. http://d.old.wanfangdata.com.cn/Periodical/xtfzxb201306008

    LIU C P, YE C M.Batalgorithm with chaotic search strategy and analysis of its property[J]. Journal of System Simulation, 2013, 25(6):1183-1195(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/xtfzxb201306008
    [23] JAVAD H, REZA S, NEDA N.Weighted support vector data description based on chaotic bat algorithm[J]. Applied Soft Computing, 2017, 60:540-551. doi: 10.1016/j.asoc.2017.07.038
    [24] GANDOM A H, YANG X S.Chaotic bat algorithm[J]. Journal of Computational Science, 2014, 5(2):224-232. doi: 10.1016/j.jocs.2013.10.002
  • 加载中
图(5) / 表(2)
计量
  • 文章访问数:  351
  • HTML全文浏览量:  5
  • PDF下载量:  719
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-12-06
  • 录用日期:  2018-02-25
  • 刊出日期:  2018-10-20

目录

    /

    返回文章
    返回
    常见问答