(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110645925.1 (22)申请日 2021.06.09 (71)申请人 哈尔滨工业大 学 （威海） 地址 264200 山东省威海市文化西路2号 (72)发明人 崔智全　闫志骐　钟诗胜　林琳　 (74)专利代理 机构 威海科星专利事务所 37202 专利代理师 初姣姣 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 基于AdaLMBP神经网络模型的航空发动机性 能状态预测方法 (57)摘要 本发明涉及一种基AdaLMBP神经网络模型的 航空发动机性能状态预测方法， 其特征在于， 获 取航空发动机燃油流量数据， 并对航空发动机的 燃油流量数据进行预处理， 得到数据； 将数据整 理成数据集， 将数据集{X， Y}拆分为训练集 {Xtrain,Ytrain}和测试集{Xtest,Ytest}， 搭建AdaLM‑ BP神经网络模型， 使用训练集训练模型， 完成模 型训练后， 测试并应用模型， 还包括首先从发动 机采集数据， 然后经过预处理得到模 型可用的数 据， 此后上述三层 AdaLM‑BP神经网络模型进行数 据训练， 用于预测未来的趋势， 本发明针对航空 发动机性能预测方法存在的问题， 使模型的优化 算法改变误差下降方向， 收敛到 “好”的局部最 小； 通过实验使用C FM56‑5B型发动机采 集的燃油 流量数据验证 了该性能预测方法的有效性。 权利要求书2页 说明书12页 附图7页 CN 115455800 A 2022.12.09 CN 115455800 A 1.一种基于AdaLMBP神经网络模型的航空发动 机性能状态预测方法， 其特征在于， 获取 航空发动机燃油流量数据， 并对航空发动机的燃油流量数据进行预处理， 得到数据X＝(x1, x2,x3,……,xn)； 将数据整理成数据集， 将数据集{X， Y}拆分为训练集{Xtrain,Ytrain}和测试 集{Xtest,Ytest}， 搭建AdaLM ‑BP神经网络模型， 使用训练集训练模型， 完成模型训练后， 测试 并应用模型， 其中所述AdaLM ‑BP神经网络模型中AdaLM ‑BP算法具体包括以下步骤： 第一步： 初始化各变量， 设定： 迭代步数k＝0， 待求参数向量初始值x0， 迭代停止条件ε， 最大迭代步数kmax， 惯性量V＝0， 惯性 参数α 。 计算目标函数值F(x0)； 第二步： 执行反向传播算法， 得到雅各比矩阵， 计算矩阵H＝JT(x)J(x)和向量g＝J(x)e (x)； 第三步： 设置λ0＝0， λa＝10， 变量ν＝2， 中断迭代标志ρ ＝0， 残差增大标志l＝0， 搜索计 数变量num＝0； 第四步： 计算列文伯格算法得到步长Δx和惯性量V， 设更新参数为x1＝x0+V， 计算目标 函数值F(x1)， 令 λmin＝ λ0, λ0＝ λ0+2 λ a, λmax＝ λ0， 转至第五步； 第五步： 如果F(x1)≤F(x0)， 更新神经网络参数向量： x0＝x1， 设置迭代步数k＝k+1， 若k> kmax， 结束迭代， 否则， 转至第三 步； 如果F(x1)>F(x0)， 令Fmin＝F(x1)， 转至第六步； 第六步： 更新阻尼系数μ＝( λmin+λmax)/2， 计算矩阵H， H＝JT(x)J(x)+μ ×diag(JT(x)J (x))， 计算待求 参数变化 量Δx和惯性 量V， 更新搜索点x ’＝x0+V， 计算目标函数值F(x ’)； 第七步： 如果F(x ’)<F(x1)置Fmin＝F(x ’)， λmi＝λ0， num＝0； 否则， num＝num+1； 若num＞ 10， 置ρ ＝1， 转第八步； 否则， 转至第九步； 第八步： 采用最速下降法计算迭代步长Δx， 设惯性量V＝0， 更新神经网络参数向量x0＝ x0+V， 转至第三 步； 第九步： 如果F(x ’)>F(x1)， 搜索方向残差增大， 令λmax＝λ0， λ0＝λ0+λa/5， λmin＝λ0， l ＝0， ν＝2； 如果F(x ’)<F(x1)， 搜索方向残差减小， 若l＝1， 令ν＝2ν， 更新变量λmin＝λ0， λ0 ＝ λ0+ν×λ a， λ max＝ λ0， l＝1， 跳转至第五步； 结束迭代。 2.根据权利要求1所述的一种基于AdaLMBP神经网络模型的航空发动机性能状态预测 方法， 其特征在于， 所述第k次迭代时偏置与 权重组成的向量为xk,则k+1次迭代时所组成向 量为xk+1如式： xk+1 ＝xk+Vk+1 (5)， 其中， Vk+1是k+1次迭代时得到的惯性量， 也是历史步长的积累， Vk+1通过式(6)进行求 解： Vk+1 ＝ α Vk + Δx (6) 其中， α 是惯性 参数， Δx是每次迭代的步长， 根据LM算法有： Δx ＝ [JT(x)J(x) + μI]‑1J(x)e(x)  (7) 其中， J(x)是雅各比矩阵， e(x)是神经网络 输出误差， μ是阻尼系数。 给定成本函数 F(x)迭代后为F(x+h)， L(h)是成本函数 F(x)一阶泰勒展开式， 有： L(h)≈F(x+h)≡F(x)+hTJT f(x)+1/2hTJTJh(8) 一个方法来评估L(h)模型的准确度,叫做增益比q： 权　利　要　求　书 1/2 页 2 CN 115455800 A 2在每次迭代中， 阻尼系数 μ根据q的状态进行调整： 若q>0, μ＝ μ ×max{1/3,1‑(2q‑1)3}； 若q<0, μ＝ μ×v,v＝v×2， 重新计算 步长Δx； 当μ被调节t次后q仍然为负时 ， Δx使用最速下降法计算， 由式(10)给出： 3.根据权利要求1所述的一种基于AdaLMBP神经网络模型的航空发动机性能状态预测 方法， 其特征在于， 采用三层的AdaLM ‑BP神经网络模 型， 输入层节 点数目设定为9， 神经网络 的隐藏层节点数的经验公式如下： 其中， m表示隐藏层节点数， n表示输入层节点数， l表示输出层节点数。 4.根据权利要求1所述的一种基于AdaLMBP神经网络模型的航空发动机性能状态预测 方法， 其特征在于， 还包括首先从发动机采集数据， 然后经过预处理得到模型可用的数据， 此后上述三层AdaLM ‑BP神经网络模型进行数据训练， 用于预测未来的趋势， 所述预处理是 归一化以及数据平滑处理， 归一化的目的是避免上溢和下溢等数值问题， 减少模型初始化 带来的影响， 从而提高预测精度， 数据平滑处理的目的是为了降低噪音和离群点对模型 的 影响， 数据平 滑方法由式12给 出： 其中， n为滑动窗口大小， 即神经网路输入节点数 大小， 因此n ＝9。权　利　要　求　书 2/2 页 3 CN 115455800 A 3