2016年第35卷第12期
传感器与微系统（Transducer and MicrosystemTechnologies）
129
DOI;10.13873/J.10009787(2016)12012903
用于航空发动机动态辨识的MSMEA-ELM算法
许梦阳"，黄金泉12，潘慕绚
（1.南京航空航天大学能源与动力学院江苏省航空动力系统重点实验室，江苏南京210016；
2.先进航空发动机协同创新中心，北京100191)
摘要：针对传统思维进化算法搜索半径缺乏目的性，临时子群体补充缺乏方向性以及神经网络训练速度慢、泛化能力不足，传统极端学习机隐含层神经元个数多的缺点，提出一种多群体自适应思维进化算法优化的极端学习机（MSMEA-ELM)算法，通过传感器数据训练该算法用于对航空发动机大范围动态过程进行辨识。以训练均方误差与权值2范数的加权和最小为优化目标，采用多群体自适应思维进化算法优化极端学习机。以某型涡扇发动机为研究对象，采用MSMEA-ELM算法进行航空发动机动态过程辨识，验证了该算法的有效性。
关键词：航空发动机；传感器；动态辨识；思维进化算法；极端学习机；泛化能力
中图分类号：V233.7
文献标识码：A
文章编号：1000-9787(2016)12-0129-03
MSMEA-ELM algorithm applied in aero-engine
dynamic identification*
XU Meng-yang', HUANG Jin-quan'-2, PAN Mu-xuan'
(1. Jiangsu Province Key Laboratory of Aerospace Power System, College of Energy and Power Eengineering,
Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China;
2. Collaborative Innovation Center for Advanced Aero-engine,Beijing 100191, China)
Abstract: In traditional mind evolutionary algorithm, the searching radius is lack in target and supplement of temporary groups is lack in direction, neural network had slow training speed and weak generation ability, traditional extreme learning machine has many nerve cells in hidden layer. In order to solve these problems multi-group self-adaptive mind evolutionary algorithm optimized extreme learning machine ( MSMEAELM ) algorithm is proposed to solve these problems. Aiming at optimizing the adding of weighted mean square error and weighted 2 norm of weights,multi-group self-adaptive mind evolutionary algorithm is introduced to optimize ELM. The demonstration test is conducted on a turbofan engine and MSMEAELM algorithm is applied in aero-engine dynamic identification. The result shows that the introduced algorithm is efficient.
Key words: aero-engine; sensor; dynamic identification; mind evolutionary algorithm(MEA) ; extreme leaming machine(ELM); generation ability
o
引言
航空发动机模型通常包括动态模型和稳态模型，其中
动态模型在航空发动机控制和故障诊断等方面有重要作用。基于智能算法进行航空发动机动态辨识具有重要的研究价值，文献[1,2]采用不同方法对航空发动机进行了动态辨识，但其研究的动态过程较小。文献[3]提出了训练速度快，泛化能力强的极端学习机，但其输入层到隐含层的权值及隐含层的阔值随机确定，且需要更多的隐含层神经元。文献[4]提出了基于差分进化算法的极端学习机，优
收稿日期：2016-01-15
化了网络结构和泛化能力。文献[5]分析了思维进化算法的收敛性，但算法尚存在搜索缺乏目的性等缺点。
本文针对思维进化算法趋同过程中散布半径缺乏目的性和异化过程中临时子群体补充缺乏方向性，提出一种多群体自适应思维进化算法优化的极端学习机（MSMEA-ELM）算法，优化过程以训练均方误差和权值2范数的加权和为适应度函数。以某型涡扇发动机为研究对象，取一组大动态数据作为训练样本，取慢车到最大状态的动态数据作为测试样本，进行动态过程辨识研究，以验证算法的有效性。
*基金项目：国家自然科学基金资助项目（51406084）；航空科学基金资助项目（2013ZB52030）；南京航空航天大学研究生创新基地（实验室）开故基金资助项目（KFJ20150205）