"航空发动机过渡态非线性辨识中基于改进局部线性模型树的研究"

本研究旨在基于改进局部线性模型树的航空发动机过渡态非线性辨识。航空发动机作为一种复杂的非线性多变量系统，其内部工作机理目前尚不完全清楚。为了获取精确的发动机或者其部件系统输出，通常采用基于气动热力学模型的机理建模方法，但这种方法的精度高度依赖于发动机各部件特性和工作状态参数，且建模过程非常复杂。随着机器学习与人工智能的发展，基于数据驱动的建模方法已经成为一种选择，因为它们可以在没有系统过程先验知识的情况下获得复杂系统的精确输出。因此，机器学习的思想也越来越多的应用于复杂系统的建模研究。 目前，利用辨识理论建立发动机动态模型在国内外已经有非常广泛的应用。尉询楷等采用遗传规划算法建立了比较精确的发动机起动过程非线性模型，用于起动过程的供油规律研究。高峰等通过采集发动机飞行状态数据，基于支持向量回归算法对发动机飞行阶段的故障进行诊断。传统的非线性辨识方法具有很高的模型预测精度，但通常非线性模型很难得到物理解释。为了克服这一问题，本研究采用了局部线性模型树(LOLIMOT)网络，这是径向基神经网络模型的进一步拓展，最早由Nelles提出。它是一种半物理非线性建模方法，能够反映系统动态阶次和非线性关系，相比于其他非线性建模方法更有实际意义。Pedram等在非线性模型中也证明了LOLIMOT模型的有效性。 本研究的主要目的是研究基于改进局部线性模型树的航空发动机过渡态非线性辨识。首先，本文对LOLIMOT模型进行了详细介绍，解释了其原理和优点。然后，本文提出了改进的LOLIMOT模型，这一模型在原有LOLIMOT模型的基础上进行了一些改进，使其更适合航空发动机过渡态非线性辨识。接着，本文介绍了实验设计和数据采集的方法，以及实验结果的分析与讨论。最后，对改进的LOLIMOT模型进行了评估，验证了其在航空发动机过渡态非线性辨识中的有效性和可行性，并对未来的研究方向进行了展望。 通过本研究，我们期望能够为航空发动机过渡态非线性辨识提供一种新的方法和思路，为航空发动机系统的精确建模与预测提供技术支持，同时也为机器学习在复杂系统建模研究中的应用提供新的实践案例。同时，本研究还为LOLIMOT模型在航空发动机过渡态非线性辨识中的应用提供了可靠的理论和实验基础，为其他领域利用LOLIMOT模型进行非线性建模研究提供了借鉴和参考。在未来的研究中，我们将进一步完善改进的LOLIMOT模型，探索更多的应用场景，并不断优化模型的性能，以期能够更好地为工程实践和科学研究提供帮助。