摘要： 为解决航空发动机在出现性能退化时模型精度下降的问题，提出了一种基于在线径向基函数神经网络（online radial basis function neural network, Online-RBFNN）的航空发动机动态模型。采用连续K均值（K-Means）算法和FTRL（follow the regularized leader）在线学习算法，对典型RBFNN进行改进，实现在线学习功能。以某型涡扇发动机正常退化数据为原始样本，建立低压涡轮机（low pressure turbine, LPT）出口总温度动态模型，并与其他多种算法建立的模型进行对比，动态模型的平均绝对误差、均方根误差和校正决定系数分别为0.59、1.7和0.997 8;将所建立的动态模型在同型号但不同飞行包线区域、不同退化形式的发动机运行数据上进行测试，模型输出结果的误差可分别控制在[-9,8]K和[-10,9]K范围内。研究结果表明，基于Online-RBFNN的动态模型能有效避免模型精度下降的问题，且具有良好的自适应能力

关键词: 航空发动机;Online-RBFNN;在线学习;动态模型;

中图分类号: 

• V23