基于粒子群极限学习机的排气温度裕度预测
排气温度是表征发动机工作状态的主要参数之一,通过对多个飞行架次的排气温度裕度(Exhaust Gas Temperature Marsin,EGTM)进行预测分析,能够在一定程度上反映发动机工作性能,为后续故障检测工作提供理论依据.针对EGTM数据的非线性、非平稳特征,提出了基于粒子群优化算法(Particle Swarm Optimization,PSO)的极限学习机(Extreme Learning Machine,ELM)预测方法.通过ELM构建EGTM的预测模型,并利用PSO算法对其参数进行优化以保证模型的精确性;以某航空发动机EGTM数据作为验证,结果表明,相比于传统的预测方法,RMSE与MAE分别降低至1.889 8、1.0,有效提高了预测精度.
排气温度裕度、粒子群优化算法、极限学习机、预测
V235.13(航空发动机(推进系统))
航空科学基金;国防科技项目
2019-07-09(万方平台首次上网日期,不代表论文的发表时间)
共4页
10-13