买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国航空发动机研究院;大连理工大学

摘要：本发明属于人工智能领域，涉及一种基于CTCN‑Lite的航空发动机全包线建模方法。首先建立CTCN网络模型，通过使用航空发动机多工况的多特征参数数据对模型进行训练，并以降采样和剪枝的操作对网络模型进行优化。通过有效地融合卷积神经网络和时序卷积网络，引入Inception结构，增强模型的特征提取能力；在卷积神经网络部分，通过多通路并行卷积挖掘了多个卷积尺度中信息更为密集的特征；在时序卷积网络部分，通过在多个尺度对卷积过滤后的特征数据进行滑窗。对输入网络模型的参数数据进行降采样；在网络模型完成预训练后，分别对CNN部分和TCN部分采用剪枝。该方法针对不同飞行状态下的航空发动机的性能实现了精确预测。

主权项：1.一种基于CTCN-Lite的航空发动机全包线建模方法，其特征在于，包括以下步骤：步骤1、采集航空发动机全飞行周期性能参数数据，并进行预处理；步骤1.1：采集航空发动机在起飞、爬升、巡航和降落状态下的性能参数数据；步骤1.2：采用三次样条插值方法来填补原始数据中的缺失值，并使用3σ原则来检测和校正异常值；步骤1.2.1：三次样条插值计算缺失值的方法如下：数据节点表示为x1,y1,x2,y2,...,xn,yn，其中xi表示节点的序号，yi表示序号对应的数据值，计算插值步长hi＝xi+1-xi,i＝1,2,...,n，n表示节点数量；构建样条函数的二阶微分矩阵，求得样条函数的二阶导函数mi＝S”xi，i＝0,1,...,n，并计算样条曲线的系数ai,bi,ci,di： 在每个子区间xi≤x≤xi+1中，Six＝ai+bix-xi+cix-xi2+dix-xi3，其中，Six表示第i处缺失值的插值数据；步骤1.2.2：使用3σ原则判断异常值，判定落在正则分布边界外的数据为异常值，即将μ-3σ,μ+3σ外的数据判定为异常值，其中，μ为平均值，σ为标准差，确定异常值后删除原数据并用平均值法对其进行校正；步骤2、对数据进行降采样、相关性分析和归一化处理，对处理后的特征参数进行滑窗获取多特征参数序列，并将多特征参数序列重构为特征矩阵；将处理后的数据划分为训练集和测试集；步骤2.1：对数据进行M倍降采样，以减少数据量并保留关键信息；步骤2.2：采用Pearson相关系数法评估目标特征与原始数据中各个特征之间的相关性，设置相关性系数阈值rt，并保留系数大于rt的特征为高度相关特征，计算方法如下： 其中，r为Pearson相关系数，Xi和Yi为不同特征的采样值，X和Y为Xi和Yi的平均值；步骤2.3：多特征数据的量纲和数量级不同，采用z-score标准化方法对保留的特征数据进行归一化处理，计算方法如下： 其中，为特征数据的标准差，为特征数据的均值，z为归一化之后的数据，zi为特征数据；步骤2.4：将处理后得到的m组特征数据进行标序，其中m为经过相关性分析保留的特征个数，得到如下序列： 其中Dfj为第j组目标特征序列，N为时序长度；步骤2.5：采用同步滑窗切片的方法将步骤2.4中特征序列变换为输入序列X＝[...,Xt-1,Xt,Xt+1,...]和预测序列Y＝[...,Yt-1,Yt,Yt+1,...]，其中表示t时刻特征矩阵，w为滑窗长度，表示预测标签，l为预测步长；步骤2.6：按照比例将序列X和Y随机划分为训练集和测试集；步骤3、搭建CTCN网络模型，并初始化权重和超参数；分批次将训练集输入模型进行预训练，直至模型收敛；通过调节超参数，获得最优网络模型；对训练完成的网络模型进行剪枝，得到轻量化的网络模型CTCN-Lite，并进行复训练，使其达到最优；步骤3.1：以CNN和TCN作为主干网络，融合全连接层组成CTCN网络模型，并初始化网络模型的权重和超参数；CNN网络包含多层卷积模块，每层卷积模块包含卷积层、激活层、BN层和池化层；TCN网络包含多层残差连接模块，每层残差连接模块相同，均包含因果卷积和Conv层；多层卷积模块和多层残差连接模块均采用Inception结构提供多尺度的特征传递；步骤3.2：将训练集中的特征矩阵分批次输入到CTCN网络模型中并输出预测值，将预测值与预测标签值作对比，通过均方误差函数计算损失值Loss，利用反向传播更新各层网络的神经权重；步骤3.3：多次重复步骤3.2直至网络收敛；步骤3.4：调节超参数，并判断损失值Loss是否小于预设值γ，若满足则认为CTCN网络模型达到最优，停止训练，否则，重复步骤3.2和步骤3.3；步骤3.5：分别对训练完成网络模型的CNN部分和TCN部分进行剪枝，将剪枝后的网络重新拼接在一起，得到轻量化的CTCN-Lite网络模型，并对简化后的网络进行复训练优化；步骤3.6：调节超参数，并判断损失值Loss是否小于预设值γ，若满足则认为CTCN-Lite网络模型达到最优，停止训练，否则，对模型进行复训练；步骤4、将测试集输入到已经训练完成的CTCN-Lite网络模型中，通过观察模型表现，以验证其对目标特征短时预测的准确性，并以此来评估基于CTCN-Lite的航空发动机全包线建模方法在实际应用中的可靠性和有效性。

全文数据：

权利要求：

百度查询： 中国航空发动机研究院 大连理工大学 一种基于CTCN-Lite的航空发动机全包线建模方法