支持向量回歸機及其在智能航空發(fā)動機參數(shù)估計中的應用.pdf

1、智能發(fā)動機控制作為航空發(fā)動機最值得發(fā)展的先進控制概念,它包括的內(nèi)容非常豐富。因而,本文重點研究了智能發(fā)動機控制中的推力估計器設計和解析余度技術。推力估計器在智能發(fā)動機控制中的直接推力控制和性能退化緩解控制中都有重要應用；智能發(fā)動機控制中的高可靠性控制就是針對傳感器故障而提出的,而要保證傳感器工作的可靠性,發(fā)展先進的解析余度技術是一種有效的途徑。在設計推力估計器和發(fā)展解析余度技術的過程當中,作者利用了機器學習中具有統(tǒng)計學基礎和優(yōu)良泛化能力

2、的支持向量回歸技術,并針對原有算法的一些缺點和不足之處提出了許多有價值的算法和觀點,更重要的是,作者將自己提出的算法應用到了推力估計器設計和解析余度技術當中并取得了滿意的效果。本文的主要研究內(nèi)容如下:
　　 首先針對經(jīng)典支持向量回歸機不能抑制系統(tǒng)中存在的奇異點問題提出了截尾ε-不敏感損失函數(shù),并進而提出了截尾支持向量回歸機。截尾支持向量回歸機不僅能抑制系統(tǒng)中存在的奇異點而提高回歸機的泛化能力,還減少了支持向量的數(shù)目,提高了實時性

3、。由于截尾支持向量回歸機涉及到非凸優(yōu)化問題,因而作者利用CCCP技巧,將非凸優(yōu)化問題轉(zhuǎn)化為一系列凸優(yōu)化問題,才使這個非凸優(yōu)化問題得以解決。作者在實現(xiàn)截尾支持向量回歸機的過程當中從兩個角度出發(fā):一是對偶空間；二是原空間。雖然角度不同,但達到的效果基本相同。
　　 在分析了硬支持向量回歸機產(chǎn)生過擬合現(xiàn)象的原因后,作者提出了利用Greedy Stagewise策略來近似訓練硬支持向量回歸機,即GS-HSVR算法。這主要是由于Greed

4、y Stagewise策略產(chǎn)生的“早停”現(xiàn)象阻止了硬支持向量回歸機過擬合現(xiàn)象的發(fā)生,這其實相當于一種正則化策略.和經(jīng)典的軟支持向量回歸機比較起來,筆者提出的近似訓練算法在泛化能力上和軟支持向量回歸機相當,但在訓練時間和支持向量數(shù)目上都有一定的優(yōu)勢。
　　 和經(jīng)典支持向量回歸機比較起來,最小二乘支持向量回歸機雖然能減輕訓練代價,但其解缺乏稀疏性。為了實現(xiàn)其解的稀疏性,作者在介紹FSA-LSSVR算法的基礎上,首先提出了LS2SVR

5、算法。這種算法和FSA-LSSVR算法以及一些現(xiàn)存的算法比較起來,無論在訓練時間和支持向量數(shù)目上都占有一定的優(yōu)勢。和FSA-LSSVR算法比較起來,LS2SVR考慮到了整個訓練樣本集產(chǎn)生的約束對目標函數(shù)的影響,因而在較少支持向量數(shù)目的情況下,能取得和FSA-LSSVR一樣的泛化能力,并進行了證明。為了進一步實現(xiàn)LSSVR的稀疏性,作者將約簡技術和迭代策略結合起來提出了RR-LSSVR算法。與FSA-LSSVR、RLSSVR和LS2SVR

6、相比較,RR-LSSVR算法有更優(yōu)秀的稀疏性,但這種算法的訓練代價也是最大的。
　　 為了改善局部變化差異比較大的系統(tǒng)的學習效果,同時也為了利用先驗知識和多核學習的優(yōu)勢,作者將半?yún)?shù)技術和多核學習結合起來,提出了兩種多核半?yún)?shù)支持向量回歸機:一種是多核半?yún)?shù)線性規(guī)劃支持向量回歸機(MSLP-SVR),另一種是稀疏多核半?yún)?shù)最小二乘支持向量回歸機(稀疏MSLSSVR)。這兩種多核半?yún)?shù)回歸機有一個特性,那就是經(jīng)典的單核回歸機是其特

7、例,這也就意味著多核半?yún)?shù)回歸機的學習效果不會比經(jīng)典的單核回歸機差。另外,和其他多核學習算法比較起來,作者提出的多核學習算法在泛化能力或者訓練時間上占有優(yōu)勢。
　　 作者研究和提出這些算法的目的就是為了應用它們。這主要包括兩個方面:一是利用RR-LSSVR算法進行推力估計器設計；二是基于GS-HSVR算法提出了一種在線進行傳感器故障診斷的解析余度技術。
　　 實現(xiàn)直接推力控制和性能退化緩解控制的一個重要環(huán)節(jié)就是進行推力估

8、計器設計。首先作者基于用于模型選擇的留一法來進行推力估計器輸入量的選擇。在確定完推力估計器的輸入量后,用RR-LSSVR算法進行了全包線推力估計器的設計。為了在全包線內(nèi)設計高精度和高實時性的推力估計器,作者將包線按高度進行分塊。緊接著,提出了更合理的對全包線進行分塊的方法,那就是將全包線內(nèi)的點進行聚類。一般來說,每一類中的數(shù)據(jù)點都是相似的,推力不會相差太大,這就避免了在推力絕對誤差基本相同的情況,由于推力相差太多而導致相對誤差較大現(xiàn)象的

9、發(fā)生。針對航空發(fā)動機在服役過程中發(fā)生的性能退化現(xiàn)象,在訓練過程中加入退化樣本后使這個問題得以解決。為了實時地估計出航空發(fā)動機運行時的推力值,作者修改了RR-LSSVR算法,在輸入端引入反饋的推力值來模擬航空發(fā)動機的動態(tài)過程而設計了動態(tài)過程推力估計器。
　　 在智能發(fā)動機控制概念中有一種高可靠性控制。所謂高可靠性控制,就是要保證提供給控制器的信號是正確可靠的。針對這個問題,作者將離線GS-HSVR算法進行了適當?shù)母倪M。改進后的算法