为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked denoising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法。以C...为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked denoising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法。以CFM56-7B发动机实际采集的飞行数据作为原始数据样本,利用SDAE进行数据特征提取和降噪处理后,将提取到的非线性特征作为SVR网络的输入,建立排气温度基线模型。利用同型号的另一台发动机航后数据对所建立的排气温度基线模型进行验证,并与基于单一网络的基线模型进行对比。结果表明,基于SDAE-SVR融合模型的基线建模方法具有更强的鲁棒性和更高的预测精度。展开更多
文摘为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked denoising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法。以CFM56-7B发动机实际采集的飞行数据作为原始数据样本,利用SDAE进行数据特征提取和降噪处理后,将提取到的非线性特征作为SVR网络的输入,建立排气温度基线模型。利用同型号的另一台发动机航后数据对所建立的排气温度基线模型进行验证,并与基于单一网络的基线模型进行对比。结果表明,基于SDAE-SVR融合模型的基线建模方法具有更强的鲁棒性和更高的预测精度。
