一种多电飞机电气系统供电兼容性预测方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

一种多电飞机电气系统供电兼容性预测方法
申请号	CN202311418660.7	申请日	2023-10-30	公开(公告)号	CN117454761A	公开(公告)日	2024-01-26
申请人	中国航空工业集团公司沈阳飞机设计研究所;			发明人	王鹏; 刘亮; 周维; 张宁; 代振东; 张德红; 赵焕天;
摘要	本申请属于多电飞机电气系统供电兼容性预测技术领域，具体涉及一种多电飞机电气系统供电兼容性预测方法，利用集合经验模态EEMD分解电气系统信号进行处理，进行特征提取，进而利用训练的BP神经网络进行预测分析，得出多电飞机电气系统供电兼容性，能够为多电飞机的电气系统设计提供指导作用。
权利要求	1.一种多电飞机电气系统供电兼容性预测方法，其特征在于，包括：对电气系统信号多次加入具有均匀尺度特性、幅值标准差为常数的随机高斯白噪声序列，进行集合经验模态EEMD分解得到相应的本征模函数IMF；计算本征模函数IMF和电气系统信号之间的归一化相关系数：其中， ri为第i个本征模函数IMF和电气系统信号之间的归一化相关系数； n为采样点数； x(t)为电气系统信号；为电气系统信号的均值； yi(t)为第i个本征模函数IMF；为本征模函数IMF的均值；计算设定阈值其中，为本征模函数IMF和电气系统信号之间归一化相关系数的均值；若ri>TH，则保留相应的本征模函数IMF，否则将对应的本征模函数IMF剔除，筛选出有效的本征模函数IMF，进行叠加，得到去噪后的电气系统信号；以BP神经网络，利用电气系统信号，预测电气系统供电的兼容性。 2.根据权利要求1所述的多电飞机电气系统供电兼容性预测方法，其特征在于，以BP神经网络，利用电气系统信号，预测电气系统供电的兼容性，需要对BP神经网络进行训练，具体为：将电气系统信号打乱顺序，按照4:1的比例分割为训练集和测试集，并进行归一化；设置BP神经网络具有双输入节点、一层包括5个节点的隐含层、单输出节点，设定学习率为0.05，最大误差为10‑9，最大失败次数为15，最大迭代次数为1000，利用训练集进行训练；以训练后的BP神经网络，对测试集进行预测，并将输出反归一化；在预测结果与期望相符时，完成对BP神经网络的训练。
说明书全文	一种多电飞机电气系统供电兼容性预测方法技术领域 [0001] 本申请属于多电飞机电气系统供电兼容性预测技术领域，具体涉及一种多电飞机电气系统供电兼容性预测方法。背景技术 [0002] 随着多电飞机的不断发展，其电气系统的规模和复杂程度不断提升，设计和研发的难度也逐渐加大，如果不能保证其电气系统的供电兼容，必然会对飞行安全产生巨大威胁。 [0003] 随着智能算法的兴起及发展，以神经网络和卡尔曼滤波技术等为代表的电气系统供电兼容预测算法得到了深入研究，但由于对缺少对电气系统信号的可靠处理，且难以收敛，不容易得到准确的结果。 [0004] 鉴于上述技术缺陷的存在提出本申请。 [0005] 需注意的是，以上背景技术内容的公开仅用于辅助理解本申请的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。发明内容 [0006] 本申请的目的是提供一种多电飞机电气系统供电兼容性预测方法，以克服或减轻已知存在的至少一方面的技术缺陷。 [0007] 本申请的技术方案是： [0008] 一种多电飞机电气系统供电兼容性预测方法，包括： [0009] 对电气系统信号多次加入具有均匀尺度特性、幅值标准差为常数的随机高斯白噪声序列，进行集合经验模态EEMD分解得到相应的本征模函数IMF； [0010] 计算本征模函数IMF和电气系统信号之间的归一化相关系数： [0011] [0012] 其中， [0013] ri为第i个本征模函数IMF和电气系统信号之间的归一化相关系数； [0014] n为采样点数； [0015] x(t)为电气系统信号； [0016] 为电气系统信号的均值； [0017] yi(t)为第i个本征模函数IMF； [0018] 为本征模函数IMF的均值； [0019] 计算设定阈值 [0020] 其中， [0021] 为本征模函数IMF和电气系统信号之间归一化相关系数的均值； [0022] 若ri>TH，则保留相应的本征模函数IMF，否则将对应的本征模函数IMF剔除，筛选出有效的本征模函数IMF，进行叠加，得到去噪后的电气系统信号； [0023] 以BP神经网络，利用电气系统信号，预测电气系统供电的兼容性。 [0024] 根据本申请的至少一个实施例，上述的多电飞机电气系统供电兼容性预测方法中，以BP神经网络，利用电气系统信号，预测电气系统供电的兼容性，需要对BP神经网络进行训练，具体为： [0025] 将电气系统信号打乱顺序，按照4:1的比例分割为训练集和测试集，并进行归一化； [0026] 设置BP神经网络具有双输入节点、一层包括5个节点的隐含层、单输出节点，设定学习率为0.05，最大误差为10‑9，最大失败次数为15，最大迭代次数为1000，利用训练集进行训练； [0027] 以训练后的BP神经网络，对测试集进行预测，并将输出反归一化； [0028] 在预测结果与期望相符时，完成对BP神经网络的训练。附图说明 [0029] 图1是本申请实施例提供的基于集合经验模态EEMD分解电气系统信号特征提取的示意图； [0030] 图2是本申请实施例提供的通过接入超过加热防冰系统额定功率的负载，使电气系统发生故障的示意图； [0031] 图3是本申请实施例提供的电气系统信号进行集合经验模态EEMD分解的示意图； [0032] 图4是本申请实施例提供的符合大于设定阈值TH条件的本征模函数IMF与原电气系统信号对比的示意图； [0033] 图5是本申请实施例提供的BP神经网络预测结果与期望对比的示意图； [0034] 图6是本申请实施例提供的以Matlab神经网络工具对BP神经网络进行训练分析示意图； [0035] 图7是本申请实施例提供的BP神经网络下降梯度、动量法梯度下降参数和梯度下降合法性检查情况的示意图； [0036] 图8是本申请实施例提供的BP神经网络对数据集不同部分拟合程度的示意图。具体实施方式 [0037] 为使本申请的技术方案及其优点更加清楚，下面将结合附图对本申请的技术方案作进一步清楚、完整的详细描述，可以理解的是，此处所描述的具体实施例仅是本申请的部分实施例，其仅用于解释本申请，而非对本申请的限定。需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分，其他相关部分可参考通常设计，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互组合以得到新的实施例。 [0038] 此外，除非另有定义，本申请描述中所使用的技术术语或者科学术语应当为本申请所属领域内一般技术人员所理解的通常含义。本申请描述中所使用的“上”、“下”、“左”、“右”、“中心”、“竖直”、“水平”、“内”、“外”等表示方位的词语仅用以表示相对的方向或者位置关系，而非暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，当被描述对象的绝对位置发生改变后，其相对位置关系也可能发生相应的改变，因此不能理解为对本申请的限制。本申请描述中所使用的“第一”、“第二”、“第三”以及类似用语，仅用于描述目的，用以区分不同的组成部分，而不能够将其理解为指示或暗示相对重要性。本申请描述中所使用的“一个”、“一”或者“该”等类似词语，不应理解为对数量的绝对限制，而应理解为存在至少一个。本申请描述中所使用的“包括”或者“包含”等类似词语意指出现在该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。 [0039] 此外，还需要说明的是，除非另有明确的规定和限定，在本申请的描述中使用的“安装”、“相连”、“连接”等类似词语应做广义理解，例如，连接可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，领域内技术人员可根据具体情况理解其在本申请中的具体含义。 [0040] 本申请提供一种多电飞机电气系统供电兼容性预测方法，利用集合经验模态EEMD分解电气系统信号进行处理，进行特征提取，进而利用训练的BP神经网络进行预测分析，得出多电飞机电气系统供电兼容性，能够为多电飞机的电气系统设计提供指导作用。 [0041] 电气系统信号可包括负载卸除时间、功率变化以及瞬态峰值，可通过电气系统仿真模型生成。 [0042] EEMD分解提取电气系统信号参数特征，是通过往电气系统信号中加入高斯白噪声使之成为由电气系统信号和噪声组成一个“整体”，加入的白噪声将遍布整个时频空间，当不同尺度的电气系统信号加在这些一致分布的白色背景上，电气系统信号就会自动映射到合适的尺度上，由于噪声的零均值特性，将这些多次分解的结果取“平均”后，噪声最终将被互相抵消而达到消除的效果，避免模式混叠现象，具体过程如下： [0043] 首先，通过对电气系统信号多次加入具有均匀尺度特性、幅值标准差为常数的随机高斯白噪声序列，使电气系统信号有足够的极值点，为避免模式混叠的电气系统信号分解准备条件； [0044] 然后，对每次加入高斯白噪声后的电气系统信号进行集合经验模态EEMD分解得到相应的本征模函数IMF，利用不相关随机序列的统计均值为零的原理，将所有本征模函数IMF作总体平均运算，消除多次加入高斯白噪声对真实本征模函数IMF的影响，将总体平均后的本征模函数IMF作为集合经验模态EEMD分解的最终结果，具体过程参见图1。 [0045] 电气系统信号的特征提取需要用到相关系数，常用的相关系数是将本征模函数IMF与电气系统信号之间的相关系数作为一个指标，来判断哪些本征模函数IMF是电气系统信号的真实分量，哪些是虚假的、无意义的分量，将虚假的本征模函数IMF剔除，作为残差的一部分。 [0046] 为了避免幅值较小而又是真实的电气系统信号被去除，将所有本征模函数IMF与原电气系统信号进行归一化处理。 [0047] 本征模函数IMF和电气系统信号之间的归一化相关系数为： [0048] [0049] 其中， [0050] ri为第i个本征模函数IMF和电气系统信号之间的归一化相关系数； [0051] n为采样点数； [0052] x(t)为电气系统信号； [0053] 为电气系统信号的均值； [0054] yi(t)为第i个本征模函数IMF； [0055] 为本征模函数IMF的均值； [0056] 计算相关系数矩阵R＝[r1 r2 r3 … rn]； [0057] 计算设定阈值TH，该阈值由相关系数的标准差得到，即： [0058] [0059] 其中， [0060] 为本征模函数IMF和电气系统信号之间归一化相关系数的均值； [0061] 若ri>TH，则保留相应的本征模函数IMF，否则将对应的本征模函数IMF剔除，筛选出有效的本征模函数IMF，进行叠加，即可得到去噪后的电气系统信号。 [0062] 在一个具体的实施例中，通过接入超过加热防冰系统额定功率的负载，使电气系统发生故障，使270V的总线电压产生剧烈的波动，电气系统无法正常的运行，如图2所示，对电气系统信号进行集合经验模态EEMD分解，得到15个本征模函数IMF分量和一个残余分量，如图3所示，经计算有设定阈值TH＝0.2688，仅有第六、七、八、九个本征模函数IMF和电气系统信号之间的归一化相关系数为0.5849，0.7483，0.7223，0.4017符合大于设定阈值TH的条件，对其进行叠加，与原电气系统信号对比如图4所示，去噪后的电气系统信号与原电气系统信号的时域特征和频域特征基本一致，其剔除了相关性很低的本征模函数IMF分量，极大程度将无关的本征模函数IMF分量剔除，对电气系统信号有着很好的滤波效果，曲线较为平滑，信噪比高，可减少无关电气系统信号的干扰，能够提高数据的准确性，为电气系统供电兼容性预测做基础。 [0063] 电气系统供电兼容性预测的对象是电气系统直流卸载瞬变过程的电压峰值，具体来说，即假设瞬变前负载恒定，根据输入的负载变化量和卸载时间，预测瞬变过程所达到的电压极大值，期望较为准确地预测某一负载变化条件下，系统电压波形是否会超出GJB 181B‑2012所规定的瞬变极限包络线。 [0064] 以BP神经网络算法，利用电气系统信号，预测电气系统的兼容性，具体可参照如下： [0065] 将电气系统信号打乱顺序，按照4:1的比例分割为训练集和测试集，并进行归一化； [0066] 设置BP神经网络具有双输入节点、一层包括5个节点的隐含层、单输出节点，设定学习率为0.05，最大误差为10‑9，最大失败次数为15，最大迭代次数为1000，利用训练集进行训练； [0067] 以训练后的BP神经网络，对测试集进行预测，并将输出反归一化； [0068] 在预测结果与期望相符时，完成对BP神经网络的训练，，以BP神经网络对多电飞机电气系统供电兼容性进行预测。 [0069] 在一个具体的实施例中，待拟合的电气系统信号如下表所示： [0070] 对BP神经网络进行训练，经历124次迭代之后，收敛，对训练集达到要求下降梯度，预测结果与期望对比如图5所示，尽管训练集很小，仅有40组数据，但还是得到了不错的预测性能，多数预测值与期望值基本接近，在如此小规模的训练集下，10组中9组的预测误差很小，如果加大训练集，预测结果也将更加准确。 [0071] 以Matlab神经网络工具进行训练分析，训练集、验证集、测试集和总体的均方误差随训练次数的变化如图6所示，其中圆圈位置代表终止的训练次数处的均方误差，BP神经网络在94次迭代时，对验证集性能最佳，图7为下降梯度、动量法梯度下降参数和梯度下降合法性检查的情况，可以看出下降梯度总体减小，对应着逐步趋向收敛，期间梯度下降越来越慢，此次训练没有因为梯度中止下降而停止，图8为训练出的BP神经网络面对数据集不同部分，所表现出的拟合程度，可以看出相关系数在面对各个数据集时，都有R＞0.9。 [0072] 本申请基于BP神经网络的多电飞机电气系统供电兼容性预测方法，在训练集足够的情况下，可对电气系统供电兼容性的预测达到预期准确度，无需仿真即可通过预测得知某初始负载和负载变化的情况下，电气系统供电兼容是否能够满足供电兼容标准，设计人员可依据预测结果，试错找到飞机电气系统大致的合理参数，再进一步细化调整，可节省设计初始阶段大量高精度仿真的时间。 [0073] 说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。 [0074] 至此，已经结合附图所示的优选实施方式描述了本申请的技术方案，领域内技术人员应该理解的是，本申请的保护范围显然不局限于这些具体实施方式，在不偏离本申请的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本申请的保护范围之内。