基于支持向量回归模型的压气机旋转失速识别方法及系统

本技术涉及故障预测，尤其涉及一种基于支持向量回归模型的压气机旋转失速识别方法及系统。

背景技术：

1、压气机是航空发动机的核心部件，其运行状态的良好与否直接关系到航空发动机的稳定性和安全性。压气机在高效率运行时容易因流体流动分离而产生旋转失速现象，严重影响发动机性能，此外，已有的实验表明，旋转失速会引起发动机喘振，导致涡轮和燃烧室过热，损坏涡轮叶片等关键部件，进而引发灾难性后果。因此对旋转失速的辨识和快速诊断是个极为重要的问题，并且也是一种预防压气机喘振的有效方法。压气机工作时的流场是一个具有无穷维的非线性系统，系统动态极其复杂。因此，对旋转失速进行系统建模和失速辨识是一个充满挑战的难题。

2、针对旋转失速的诊断与预测，国内外学者大多采用基于压气机流场压力信号的行波能量法、时间序列分析法和频域数据处理法等。行波能量分析法是基于线性化的流体力学理论,基于所检测的周向压力信号采用空间傅里叶分析方法进行定量分析；时间序列分析法是利用压气机流场压力传感器测量的数据，根据混沌理论计算测量的时间序列信号的不同熵值、复杂度和相关维数等指标进行诊断；频域数据处理法是将压力传感器测量的数据经过小波变换等确定压力信号的频域值，按照频域值进行诊断。这些方法各具优势，但单一指标特征提取算法无法全面提取旋转失速特征信息，因而限制了故障预测的精准性。

3、随着人工智能诊断领域的不断发展，机器学习(如神经网络、聚类分析、决策树、支持向量机等)在旋转失速预测领域得到了广泛的应用。支持向量回归(svr)模型是一种基于降低结构风险原则的机器学习算法。相比于利用神经网络求解容易落入局部极小值的缺陷，svr擅长处理非线性回归问题，能够避免求解问题落入局部极小值，并且计算复杂度不依赖于输入空间的维度等优势，逐渐成为一种出色的机器学习算法。然而，在过去svr建模中参数的确定大多是手动的，这种确定参数的方法，如果在出现参数搜索范围较广泛的情况下，具有较高的计算成本，并且会影响预测模型的精度。

技术实现思路

1、本说明书一个或多个实施例提供了一种基于支持向量回归模型的压气机旋转失速识别方法，包括：

2、对压气机系统状态的空间模态幅值进行尺度化分解后再进行奇异值分解与信息熵计算，提取多维度压力信号特征；

3、以径向基函数为核函数构建支持向量回归模型svr，基于多维度压力信号特征，利用svr模型结合灰狼优化算法构建以参数寻优为目标导向的融合模型，并进行训练；

4、通过训练后的旋转失速预测模型进行压气机旋转失速预测。

5、进一步地，所述对压气机系统状态的空间模态幅值进行尺度化分解前，通过离散傅里叶变换提取出各阶行波的空间模态振幅，进而获得反映压气机系统状态的空间模态幅值，如下所示：

6、

7、式中，am表示第m阶空间模态幅值，n表示传感器的个数，φj表示通过转换第j个动态压力传感器信号计算的流量系数。

8、进一步地，所述对压气机系统状态的空间模态幅值进行尺度化分解具体方法为：

9、提取一阶空间模态a1(t)，选择合适的小波基函数ψa,b(t)对所提取出的一阶空间模态a1(t)进行尺度化分解，如下所示：

10、

11、其中ψa,b(t)是由基本小波ψ(t)通过尺度因子a和变换因子b所形成的函数族，即：

12、

13、进一步地，对进行尺度化分解后的空间模态幅值进行奇异值分解与信息熵计算具体方法为：

14、根据奇异值定理，将小波系数重构矩阵进行奇异值分解，如下所示：

15、

16、其中，矩阵σ是h×h阶的对角矩阵，并且矩阵σ主对角线上的元素λj(λj≥0,j＝1,2,…,h)为矩阵σ的奇异值，e和f都为正交矩阵；

17、将得到的奇异值进行归一化处理，如下所示：

18、

19、计算信号序列一阶空间模态的小波奇异谱熵，如下所示：

20、

21、其中，pm满足条件0≤pm≤1，r表示计算过程中有效奇异特征值的个数。

22、进一步地，所述计算信号序列一阶空间模态的小波奇异谱熵采取3σ准则，将识别阈值ε设置为标准偏差的三倍加上其平均值，并以压气机正常工作状态下的小波奇异谱熵值作为基准实现旋转失速的识别，具体如下所示：

23、

24、式中，σ表示标准偏差，表示正常工作状态下小波奇异谱熵的平均值，小波奇异谱熵值大于设定阈值则压气机系统旋转失速。

25、进一步地，所述以径向基函数为核函数构建支持向量回归模型svr具体方法为：

26、采用c-c算法分别对近似分量和细节分量进行相空间重构，并将其分为训练集和测试集，以径向基函数为核函数构建svr模型，具体如下所示：

27、

28、其中，g>0为rbf的核带宽。

29、进一步地，所述基于多维度压力信号特征，利用svr模型结合灰狼优化算法构建以参数寻优为目标导向的融合模型，并进行训练具体方法为：

30、应用灰狼优化算法确定最优径向基函数的惩罚参数c和核参数g；

31、获取每个小波重构系数分量的预测结果，通过逆归一化处理获得每个分量的预测值；

32、将近似分量和细节分量的预测值合并到一起，实现对流场一阶空间模态的最终预测。

33、本说明书一个或多个实施例提供了一种基于支持向量回归模型的压气机旋转失速识别系统，包括：

34、特征提取模块：用于对压气机系统状态的空间模态幅值进行尺度化分解、奇异值分解与信息熵计算，提取多维度压力信号特征；

35、模型训练模块：用于以径向基函数为核函数构建支持向量回归模型svr，基于多维度压力信号特征，利用svr模型结合灰狼优化算法构建以参数寻优为目标导向的融合模型，并进行训练；

36、模型预测模块：用于通过训练后的旋转失速预测模型进行压气机旋转失速预测。

37、本说明书一个或多个实施例提供了一种电子设备，包括：

38、处理器；以及，

39、被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述基于支持向量回归模型的压气机旋转失速识别方法的步骤。

40、本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述基于支持向量回归模型的压气机旋转失速识别方法的步骤。

41、采用本发明实施例，提出了一种融合信号空间模态分析、小波变换时频特征评估、奇异值分解与信息熵结合的多维度压力信号特征提取策略，有效地避免了单一熵算法或时频分析无法从多角度完成空间信息特征提取的缺点，并基于该特征，利用svr结合灰狼优化算法建立以参数寻优为目标导向的融合模型，实现了模型参数自动化寻优模式，降低了计算成本，能够更快速的实现压气机旋转失速的精准预测。

42、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。