基于奇异值趋势分解和LS-SVR的航空发动机性能指数组合预测

推进技术 ›› 2013, Vol. 34 ›› Issue (10): 1406-1413.

基于奇异值趋势分解和LS-SVR的航空发动机性能指数组合预测

李冬¹,李本威²,赵凯¹,张赟²,宋岩³

海军航空工程学院研究生管理大队, 山东烟台 264001;海军航空工程学院飞行器工程系, 山东烟台 264001;海军航空工程学院研究生管理大队, 山东烟台 264001;海军航空工程学院飞行器工程系, 山东烟台 264001;海军航空工程学院基础实验部, 山东烟台 264001

发布日期:2021-08-15
作者简介:李冬(1984—),男,博士生,研究领域为航空发动机性能衰退、评估与预测。 E-mail:happyli.dong@163.com

Combined Prediction of Aero-Engine Performance Index Based on Singular Value Trend Decomposition and LS-SVR

Graduate Students’ Brigade, Naval Aeronautical and Astronautical University, Yantai 264001, China;Department of Aircraft Engineering, Naval Aeronautical and Astronautical University, Yantai 264001,China;Graduate Students’ Brigade, Naval Aeronautical and Astronautical University, Yantai 264001, China;Department of Aircraft Engineering, Naval Aeronautical and Astronautical University, Yantai 264001,China;Department of Basic Experiment, Naval Aeronautical and Astronautical University,Yantai 264001,China

Published:2021-08-15

摘要/Abstract

摘要： 发动机性能指数是衡量其性能优劣的重要指标之一。针对发动机性能指数具有非线性、非平稳的特征,引入多层次多尺度的思想,在此基础上提出一种基于奇异值趋势分解的组合预测方法。利用奇异值趋势分解提取原始数据的趋势项和波动项；以改进粒子群算法分别获取趋势项和波动项在最小二乘支持向量回归模型中的最佳参数组合(嵌入维数、延迟时间、惩罚因子、核参数),并引入回归移动的思想,在此基础上利用最佳的最小二乘支持向量回归模型进行预测。预测结果表明预测精度明显增加,计算时间也相对减少。提前预测步长在5步之内时,精度变化不大；步长超过10步,精度下降很快。与不同预测方法比较,证明了方法的有效性。 

关键词: 航空发动机;奇异值分解;性能参数;组合预测;粒子群参数优化 

Abstract: Engine performance index is one of most important index which weights good or bad performance. Aiming at performance index having characteristic of nonlinearity and nonstationary,multi-level and multi-scaling were introduced and a combined predicting method based on SVD (Singular Value Decomposition) was presented. Trend and fluctuation were extracted using SVD. The best parameter combination of LS-SVR (Least Square-Support Vector Regression) model in trend and fluctuation (embed dimension, delay time, punish coefficient, kernel parameter) was generated using improved PSO (Particle Swarm Optimization). The regression and motion were introduced. They were predicted respectively using best LS-SVR on this basis. The results indicate that predicting precision increases apparently and the computational time decreases. Precision changes unobviously when predicting step is within 5. The precision decreases rapidly when step is beyond 10.Compared with different methods, it verifies effectiveness of this method. 

Key words: Aeroengine;Singular value decomposition; Performance parameter; Combined prediction; Parameter optimization of particle swarm optimization

李冬,李本威,赵凯,张赟,宋岩. 基于奇异值趋势分解和LS-SVR的航空发动机性能指数组合预测[J]. 推进技术, 2013, 34(10): 1406-1413.

LI Dong¹, LI Ben-wei², ZHAO Kai¹, ZHANG Yun², SONG Yan³. Combined Prediction of Aero-Engine Performance Index Based on Singular Value Trend Decomposition and LS-SVR[J]. Journal of Propulsion Technology, 2013, 34(10): 1406-1413.

参考文献

[1] 吕永乐, 郎荣玲, 路辉, 等.航空发动机性能参数联合RBFPN和FAR预测[J].北京航空航天大学学报, 2010,6(2):131-134,9.
[2] 吴云, 李应红, 尉询凯, 等.基于相空间重构和神经网络的压气机机匣静压预测[J].航空动力学报, 2005,0(3):508-511.
[3] 纪玲玲, 林振山, 王昌雨, 等.最小二乘回归支持向量机对非线性时间序列预测的试验分析[J].解放军理工大学(自然科学版), 2009,0(1):92-97.
[4] 孙娜.基于非等间距灰色多变量模型预测变压器故障[J].电力科学与工程, 2010,6(9):27-30.
[5] 刘峰, 瞿俊.基于聚类分析和神经网络的时间序列预测方法[J].微电子学与计算机, 2006,3(9):85-87,0.
[6] 李悦, 张诤敏.基于聚类和模糊神经网络的装备维修费用预测[J].微计算机信息, 2006,2(9):234-236.
[7] 姜珊, 陈晓怀.用小波分析和支持向量机的方法预测精度损失[J].计量测试与检定, 2009,9(1):1-4.
[8] 黄帅, 李本威.基于云粒子群小波网络的发动机起动模型辨识[J].计算机仿真, 2011:28(6):71-74.
[9] 王冠超, 杨春, 徐波, 等.基于改进PSO-SVM参数优化的发动机起动过程辨识[J].燃气涡轮试验与研究, 2011,4(1):35-41.
[10] 李本威, 樊照远, 王永华, 等.基于SVR的X型发动机传感器故障诊断[J].航空动力学报, 2007,2(10):1754-1759.
[11] 尉询凯, 陆波, 汪诚, 等.支持向量机在航空发动机故障诊断中的应用[J].航空动力学报, 2004,9(6):844-848.
[12] 徐启华, 师军.应用SVM的发动机故障诊断若干问题研究[J].航空学报, 2005,6(6):686-690.
[13] 胡金海, 谢寿生, 骆广琦, 等.基于支持向量机方法的发动机性能趋势预测[J].推进技术, 2005:26(3):260-264.(HU Jin-hai, XIE Shou-sheng, LUO Guang-qi, et al.Study of Support Vector Machines for Aero-Engine Performance Trend Forecasting[J].Journal of Propulsion Technology, 2005:26(3):260-264.)
[14] Van Tung Tran, Bo-Suk Yang, Andy Chit Chiow Tan.Multi-Step Ahead Direct Prediction for the Machine Condition Prognosis Using Regression Trees and Neuro-Fuzzy Systems[J].Expert Systems with Applications, 2009:9378-9387.
[15] Y G Li, P Nilkitsaranont.Gas Turbine Performance Prognostic for Condition-Based Maintenance[J].Applied Energy, 2009:2152-2161.
[16] 李凌均, 张周锁, 何正嘉.基于支持向量数据描述的机械故障诊断研究[J].西安交通大学学报, 2003,7(9):910-913.
[17] 杨继坤, 徐廷学, 董琪, 等.基于时间序列分析的装备可用度预测方法[J].海军航空工程学院学报, 2013,8(1):85-89.
[18] 许光辉,胡光锐.基于奇异值分解的非线性滤波算法[J].上海交通大学学报, 2005,9(4):626-629.
[19] 尉询凯, 李应红.基于支持向量机的时间序列预测模型分析与应用[J].系统工程与电子技术, 2007,7(3):529-532.
[20] 李冬, 黄帅, 曹明川.基于支持向量机的发动机性能衰退指标分类和预测[J].燃气涡轮试验与研究, 2012,5(3):20-25.
[21] 戴林超, 吴琳丽, 赵海娜, 等.基于最小二乘支持向量机的故障预测法[J].中南大学学报(自然科学版), 2009,0(1):253-257.
[22] 李本威, 张赟, 孙涛.基于免疫粒子群算法的滑油屑末支持向量机预测模型设计[J].航空动力学报, 2009,4(7):1639-1643.
[23] 熊伟丽, 徐保国.基于PSO的SVR参数优化选择方法研究[J].系统仿真学报, 2006,8(9):2442-2445.
[24] 张强.基于粒子群算法的X某型涡扇发动机最优加速控制规律研究[D].烟台:海军航空工程学院, 2008.
[25] 张强, 李本威, 王永华.粒子群算法在航空发动机部件级仿真模型中的应用[J].系统仿真技术及其应用, 2008:9(3):719-721.
[26] 胡谋法, 董文娟.奇异值分解带通滤波背景抑制和去噪[J].电子学报, 2008,6(1):112-116.