(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111174629.4 (22)申请日 2021.10.09 (65)同一申请的已公布的文献号 申请公布号 CN 113836817 A (43)申请公布日 2021.12.24 (73)专利权人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 孙希明　弓子勤　全福祥　李英顺　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 苗青 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/08(2020.01) (56)对比文件 CN 111737910 A,2020.10.02 CN 112131673 A,2020.12.25 CN 112001128 A,2020.1 1.27 US 201912 2373 A1,2019.04.25 审查员 祝子豪 (54)发明名称 一种基于堆叠长短期记忆网络的轴流压气 机旋转失速预测方法 (57)摘要 本发明提供一种基于堆叠长短期记忆网络 的轴流压气机旋转失速预测方法， 属于航空发动 机建模与仿真技术领域。 首先， 使用某型航空发 动机喘振实验数据， 对数据进行挑选以及预处 理， 将数据划分为训练集和测试集。 其次， 搭建 Stacked LSTM模型并进行训练， 利用最终训练好 的模型， 在测试集上进行实时预测， 并给出模型 损失及评价指标。 最后， 采用StackedLS TM预测模 型对测试数据进行实时预测， 按时间顺序给出喘 振概率随时间变化趋势。 本发明综合了时域统计 特征和变化趋势， 提高了预测精度； 有利于提高 发动机主动控制的性能， 具有一定的普适 性。 权利要求书2页 说明书7页 附图4页 CN 113836817 B 2022.07.19 CN 113836817 B 1.一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法， 其特征在于， 包括 以下步骤： S1.对航空发动机喘 振数据进行 预处理， 包括以下步骤： S1.1获取某型号航空发动机喘振实验数据， 剔除实验数据中由于传感器故障产生的无 效数据； S1.2对剩余有效数据依次进行采样滤波、 归一化、 平滑处理； 将实验数据划分为测试数 据集和训练数据集， 并通过时间窗切分训练数据集， 将其按比例划分为训练集和验证集； S2.构建堆叠 长短期记 忆网络模型， 即Stacked  LSTM模型， 包括以下步骤： S2.1将每个样本维度调整为(n_steps,1)， 作为Stacked  LSTM模型的输入， 其中n_ steps代表时间步长大小； S2.2 Stacked LSTM模型是由多个LSTM模块构成， 每个LSTM模块包含多个单元状态， 上 一个LSTM模块学习到输入样本的 隐藏的时间模式， 输出一个特征序列并传到下一个LSTM模 块； S2.3通过多个LSTM模块对输入样本的学习， 将最后一个LSTM模块的输出特征输入到两 个全连接层， 再采用sigmo id激活函数计算， 得到最终的喘 振概率并输出； S3.Stacked  LSTM模型损失函数及评价指标： S3.1针对类别不平衡问题， 采用GH M损失函数， 具体如下： 所述GHM损失函数能够利用梯度协调机制解决正负样本类别不平衡问题与难分样本和 易分样本之间类别不平衡问题； 首先通过传统的交叉熵损失函数计算每次迭代时的样本梯度， 其中交叉熵损失函数计 算公式如下： 其中， L(p)表示交叉熵损失； p表示预测概 率； y表示样本真实标签； 再对交叉熵损失求偏导， 取其 绝对值作为梯度模长g， 计算方式如下： 其中， x是样本的输出， p＝sigmo id(x)； 其次， 定义梯度密度GD(g)来衡量梯度范围内的样本数量， 衰减单位区间内数量多的那 类样本： 其中， δε(gk,g)表示样本1～N中， 梯度模长分布在 范围内的样本个数； lε (g)表示 区间的长度； gk表示第k个样本的梯度模长； g表示梯度模长； 然后， 定义梯度密度协调参数为： 权　利　要　求　书 1/2 页 2 CN 113836817 B 2其中， N表示总样本数量； 分母 GD(gi)/N是一个归一化器， 表示梯度模长在gi邻域的样本 个数占样本总数的 比例； 如果样本在梯度方面均匀分布， 则任意GD(gi)＝N， 并且每个样本 具有相同的βi＝1， 否则， 梯度密度大的样本的权 重会被降低， 密度小的样本的权 重会增加； 最后， 将GHM损失函数嵌入到交叉熵损失函数中， 将βi视为第i个样本的损失权重， 损失 函数的形式为： S3.2基于GHM损失函数， 在步骤S1得到的训练集上对Stacked  LSTM模型进行权重更新， 具体如下： LSTM输出层的输出h(t)为： O(t)＝σ(W(o)x(t)+U(o)h(t‑1)) h(t)＝O(t)*tanh(c(t)) 其中， h(t)表示本单元的输出； h(t‑1)表示上一个单元的输出； W(o)表示连接权重； x(t)表示 此刻输入； c(t)表示此刻的状态值； U(o)表示连接权值； σ()表示sigmoid激活函数； O(t)表示 单层LSTM的输出门输出； 将LSTM的输出层输出结果输入到两个全连接层， 再通过sigmoid激活函数计算得到 Stacked LSTM模型的最终输出， 生成Stacked  LSTM的初步预测模型； S3.3采用初步预测模型在步骤S1得到的验证集上进行测试， 获取评价指标F2， 根据F2 指标以及ROC曲线调整Stacked  LSTM模型参数， 以达到更优， 保存各项评价指标表现最优的 Stacked LSTM预测模型； S4.采用Stacked  LSTM预测模型对测试 数据进行实时预测： 将预处理后的测试集数据输入到已经训练好的Stacked  LSTM模型中进行测试； 采用步 骤3.3得到的Stacked  LSTM预测 模型对每个样本的喘振概率逐一进行预测， 得到样本的实 时喘振概率。 2.根据权利要求1所述的一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方 法， 其特征在于， 所述 步骤S1中， 训练集和验证集的比例为 4： 1。 3.根据权利要求1或2所述的一种基于堆叠长短期记忆网络的轴流压气机旋转失速预 测方法， 其特 征在于， 步骤S3.3所述的F2指标为： 其中， P为精确率， 表示被分为正类的样本中实际为正类的比例： 其中， TP 为真正例数， FP为假正例数； R为召回率， 表示在所有实际为正类的样本中， 被正确地判断为 正类的比例： 其中， FN为假负例数； 在所有实际为负例的样本中， 被错 误地判断为 正例的比例为FPR： FPR＝FP/(FP+TN)。权　利　要　求　书 2/2 页 3 CN 113836817 B 3