CN116659881A

CN116659881A - 航空发动机的性能测试方法、装置、介质及电子设备

Info

Publication number: CN116659881A
Application number: CN202310641472.4A
Authority: CN
Inventors: 向英子; 张万东; 吴凡; 潘信予; 赵振兴; 薛园园
Original assignee: Taicang Dianshi Aviation Power Co ltd
Current assignee: Taicang Dianshi Aviation Power Co ltd
Priority date: 2023-06-01
Filing date: 2023-06-01
Publication date: 2023-08-29
Anticipated expiration: 2043-06-01
Also published as: CN116659881B

Abstract

本发明涉及一种航空发动机的性能测试方法、装置、介质以及电子设备，所述测试方法包括：获取航空发动机的第一性能参数，所述第一性能参数为影响所述航空发动机性能的飞行参数，根据模糊推理将所述第一性能参数划分为多个飞行状态，将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数，所述极端梯度模型是通过最小损失函数和正则函数构建树进行残差拟合的方式训练得到的，根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果。

Description

航空发动机的性能测试方法、装置、介质及电子设备

技术领域

本发明涉及航空发动机性能测试领域，尤其涉及一种航空发动机的性能测试方法、装置、介质以及电子设备。

背景技术

航空发动机是飞机的动力核心，航空发动机的健康对于航空安全至关重要，因此必须经常对航空发动机的性能进行检测，航空发动机性能参数测试是指通过一定的技术手段对表征航空发动机工况的主要性能参数，如N2(高压转子转速)、N1(风扇转速)、FF(燃油流量)、EGT(排气温度)进行监测，并根据实际监测数据建模分析，以获取各部件工作状态在不同外界环境下的变化趋势。航空发动机的性能参数变化趋势能够客观反映航空发动机的性能衰退状况。由于航空发动机工作过程复杂，工作环境多变，且核心部件长期处于高速旋转、高温状态下，其性能参数呈现非线性、非平稳性、波动性等特点，给航空发动机的性能趋势预测带来较大困难。传统的预测方法如多元线性回归、自回归滑动平均模型，其预测精度不高，且鲁棒性不强。

在传统方案中，大都采用航后诊断的方法，主要对航空发动机的气路参数、振动参数和油液参数，通过异常的参数找到航空发动机潜在的风险状态数据，进而判断航空发动机中与气路有关的单元体和子系统状态是否存在异常作为故障诊断的依据，对于航后航空发动机的故障诊断存在延迟性，无法对航空发动机的超限状态做出预判，从而导致对航空发动机的检修不及时，存在很大的安全隐患。

发明内容

为克服相关技术中存在的问题，本发明提供一种航空发动机的性能测试方法、装置、介质及电子设备。

根据本发明发明实施例的第一方面，提供一种航空发动机的性能测试方法，所述测试方法包括：

获取航空发动机的第一性能参数，所述第一性能参数为影响所述航空发动机性能的飞行参数；

根据模糊推理将所述第一性能参数划分为多个飞行状态；

将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数，所述极端梯度模型是通过最小损失函数和正则函数构建树进行残差拟合的方式训练得到的；

根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果。

可选地，所述极端梯度模型是通过以下方式训练得到的：

将样本第一参数输入初始极端梯度模型；

根据所述样本第一参数，通过最小化预设的损失函数和正则函数，确定初始函数；

根据预设决策树参数，对所述初始函数中的所述损失函数进行变换，得到目标函数；

根据所述样本第一参数的第一阶导数之和以及二阶导数之和，确定叶子权重函数；

根据所述叶子权重函数和所述目标函数，确定目标函数的最优解；

根据所述最优解对所述极端梯度模型进行更新。

可选地，所述根据预设决策树参数，对所述初始函数中的所述损失函数进行变换，得到目标函数，包括：

对所述初始函数中的所述损失函数进行二阶泰勒展开，得到简化初始函数；

将所述预设决策树参数代入所述简化初始函数，得到所述目标函数。

可选地，所述根据模糊推理将所述第一性能参数划分为多个飞行状态，包括：

根据所述第一性能参数，确定目标参数；

基于所述目标参数的论域，通过隶属度函数对所述目标参数进行模糊化，得到多个模糊集合；

根据预设模糊规则对所述多个模糊集合进行模糊推理，得到模糊结论；

通过最大隶属度法对所述模糊结论去模糊化，得到多个所述飞行状态。

可选地，所述将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数之前，包括：

通过小波变换对所述第一性能参数进行分解，得到一组小波分解系数；

根据预设阈值，确定所述小波分解系数中的噪声类子系数以及信号类子系数；

通过将所述噪声类子系数置零的方式对所述小波分解系数进行处理，得到处理后的小波分解系数；

根据所述处理后的小波分解系数，构建去噪后的第一性能参数。

可选地，根据预设阈值，确定将所述小波分解系数中的噪声类子系数和以及信号类子系数，包括：

将所述小波分解系数中大于或等于所述预设阈值的子系数确定为所述信号类子系数；

将所述小波分解系数中小于所述预设阈值的子系数确定为所述噪声类子系数。

可选地，所述根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果，包括：

根据所述第二性能参数，构建所述航空发动机的性能变化曲线；

根据所述性能变化曲线，对所述航空发动机的性能进行检测以得到性能检测结果。

根据本发明实施例的第二方面，提供一种航空发动机的性能测试装置，包括：

获取模块，被配置为获取航空发动机的第一性能参数，所述第一性能参数为影响所述航空发动机性能的飞行参数；

划分模块，被配置为根据模糊推理将所述第一性能参数划分为多个飞行状态；

函数模块，被配置为将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数，所述极端梯度模型是通过最小损失函数和正则函数构建树进行残差拟合的方式训练得到的；

确定模块，被配置为根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果。

根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本发明第一方面所提供的航空发动机的性能测试方法的步骤。

本发明实施例的第四方面，提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本发明实施例的第一方面所述方法的步骤。

本发明的实施例提供的技术方案可以包括以下有益效果：

通过模糊推理确认飞行状态，减少了对飞行状态的误判对航空飞行器的性能分析带来的影响，进一步地，通过对多种飞行状态下的第一性能参数基于极端梯度模型进行分析，有效提高了性能检测结果的稳定性和准确性，根据性能检测结果预判航空发动机的性能变化，提高了飞机的安全性，对发动机的健康管理起到了关键性的作用，有效降低了对航空发动机的检修成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种航空发动机的性能测试方法的流程图。

图2是根据一示例性实施例示出的一种极端梯度模型的训练方法的流程图。

图3为根据一示例性实施例示出的一种实现图2中步骤S23的流程图。

图4为根据一示例性实施例示出的一种实现图1中步骤S12的流程图。

图5为根据一示例性实施例示出的一种实现图1中步骤S14的流程图。

图6是根据一示例性实施例示出的一种航空发动机的性能测试装置框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

图1是根据一示例性实施例示出的一种航空发动机的性能测试方法的流程图，如图1所示，包括以下步骤。

在步骤S11中，获取航空发动机的第一性能参数，所述第一性能参数为影响所述航空发动机性能的飞行参数。

在一种具体实施方式中，通过QAR(QuickAccess Recorder，快速存取记录器)获取航空发动机的第一性能参数，其中，QAR获取数据的频率为1HZ，第一性能参数为多个飞机的飞行参数在不同时刻的值。

值得说明的是，航空发动机是一个非线性的系统，第一性能参数包括以下至少一者：油门杆位置(TLA)、马赫数(Mach)、飞机外界大气总温度(TAT)、飞机重量(GW)、发动机转数、以及飞行高度(ALT)。

其中，油门杆位置为飞机的控制输入，马赫数、飞机外界大气总温度、飞机重量以及飞行高度为飞机的状态参数。

在步骤S12中，根据模糊推理将所述第一性能参数划分为多个飞行状态。

可选地，为了满足飞机在不同飞行状态的推进例需求，飞机的自动推力系统会采用不同的推力控制模式，其中，在不同的推力控制模式下，推力的变化规律不相同。示例的，民航发动机包括以下几种恒定推力模式：起飞推力、最大连续推力、灵活起飞推力、最大爬升推力以及慢车推力，同样飞机也可通过油门系统对推力进行控制，在恒定推力模式下，根据不同的飞行状态，航空发动机具有不同的发动机转数和负荷，使得第一性能参数具有不同的变化规律和函数关系，有鉴于此，可以先将第一性能参数划分为多个飞行状态再进行建模分析，避免不同飞行状态对发动机性能检测的影响。

飞机的飞行状态包括以下至少一者：为滑行(T)状态、停止(S)状态、起飞爬升(CLB)状态、阶梯平飞(LEV)状态、巡航(CRU)状态以及下降(DES)状态。

值得说明的是，飞机在上升和下降阶段使用梯度爬行的方式进行，即飞机上升和下降的过程不是连续的，可以将飞机梯度上升或梯度下降中的阶梯平飞阶段纳入飞行状态之中，在飞机的飞行状态是变化的情况下，由于飞行状态中没有具体的界限判定，若把变化的飞行状态当成一种飞行状态会产生严重误差，在这种情况下，通过模糊推理判断飞机的飞行状态可以有效较少对飞行状态判断的误差，示例的，飞机在处于巡航模式的情况下，飞机会频繁进行高度的改变，飞机在爬升和下降是对应不同的飞行状态，可以通过模糊推理对飞行阶段进行识别，以提高检测结果的准确度。

在步骤S13中，将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数，所述极端梯度模型是通过最小损失函数和正则函数构建树进行残差拟合的方式训练得到的。

值得说明的是，极端梯度模型通过不断生成树来拟合前一棵树的残差，从而确定飞机在不同飞行状态下，用于表征航空发动机性能的第二性能参数随第一性能参数变化的规律。

其中，第二性能参数包括以下至少一者：如N2(高压转子转速)、N1(风扇转速)、FF(燃油流量)、EGT(排气温度)。

在步骤S14中，根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果。

根据第二性能参数确定航空发动机性能的变化规律，发动机性能的变化规律能够客观地体现航空发动机的性能衰退情况，容易理解的是，通过检测航空发动机的性能是否衰退，可以确定航空发动机的性能检测结果是否正常。

基于上述方案，通过模糊推理确认飞行状态，减少了对飞行状态的误判对航空飞行器的性能分析带来的影响，进一步地，通过对多种飞行状态下的第一性能参数基于极端梯度模型进行分析，有效提高了性能检测结果的稳定性和准确性，根据性能检测结果预判航空发动机的性能变化，提高了飞机的安全性，对发动机的健康管理起到了关键性的作用，有效降低了对航空发动机的检修成本。

图2是根据一示例性实施例示出的一种极端梯度模型的训练方法的流程图，参见图2所示，所述极端梯度模型是通过以下方式训练得到的：

S21、将样本第一参数输入初始极端梯度模型。

值得说明的是，将同一飞行状态的第一性能参数按照预设比例分为训练集、验证集合测试集，使用训练集对初始极端梯度模型进行训练，通过交叉验证的方式，通过验证集对初始极端梯度模型进行评估，得到目标极端梯度模型，再将测试集输入目标极端梯度模型，验证拟合精度，若精度目标达到预设误差要求，则极端梯度模型训练完成，若精度目标未达到预设误差要求，则按照预测绘比例重新划分第一性能参数进行训练，在一种实施方式中，预设比例为7比3比2。

在一种实施方式中，初始梯度模型的基础为以下弱分类器组合函数：

其中：为第i个样本的模型预测值，K为树的数量，f_k为第k棵树，x_i为输入的第i个样本。

S22、根据所述样本第一参数，通过最小化预设的损失函数和正则函数，确定初始函数；

进一步地，极端梯度模型通过最小化损失函数和正则函数Ω(f_k)来寻找最佳的初始函数，初始函数如下所示：

其中，损失函数为预测值/>与真实值y_i的误差，正则函数Ω(f_k)代表每棵树的复杂度，T为叶子节点的数量，w为叶子节点权重，γ为新叶子节点复杂度代价，λ可以控制叶子节点权重不会过大，防止过拟合。

S23、根据预设决策树参数，对所述初始函数中的所述损失函数进行变换，得到目标函数；

S24、根据所述样本第一参数的第一阶导数之和以及二阶导数之和，确定叶子权重函数；

在一种实施方式中，一阶导数之和为二阶导数之和为/> 叶子权重函数/>如下所示：/>

S25、根据所述叶子权重函数和所述目标函数，确定目标函数的最优解；

在一种实施方式中，将叶子权重函数代入目标函数即可得到目标函数最小值，目标函数最小值越小，树的结构越好，目标函数的最优解如下所示：

S26、根据所述最优解对所述极端梯度模型进行更新。

图3为根据一示例性实施例示出的一种实现图2中步骤S23的流程图，参见图3所示，包括以下步骤：

S231、对所述初始函数中的所述损失函数进行二阶泰勒展开，得到简化初始函数。

具体地，通过初始函数可知，第t轮预测结果为第t-1轮预测结果与第t次迭代产生的决策树函数之和，简化初始函数如下所示：

Ob^(t)＝

其中，为损失函数的一阶导数，/>为损失函数的二阶导数。又因/>为常数项，不影响求最优解。

S232、将所述预设决策树参数代入所述简化初始函数，得到所述目标函数。

在一种实施方式中，定义第j叶的样本集如下：I_j＝{i∣q(x_t)＝j}，目标函数变为：

图4为根据一示例性实施例示出的一种实现图1中步骤S12的流程图，包括以下步骤：

S121、根据所述第一性能参数，确定目标参数。

在一种实施方式中，根据所述第一性能参数，通过数据译码软件从机载记录器中获取目标参数，其中，目标参数包括以下至少一者：飞行高度、航空发动机温度、气压高度、垂直速度、空速以及马赫数。

S122、基于所述目标参数的论域，通过隶属度函数对所述目标参数进行模糊化，得到多个模糊集合。

在一种实施方式中，采用Z形隶属度函数将垂直速度进行模糊化，得到负(NV)、零(ZV)、正(PV)三个模糊集合，垂直速度对应的轮晕取值范围为[-5000,5000]ft/min，隶属度取值范围为[0,1]。

可选地，隶属度函数还可以选择S形隶属度函数或三角形隶属度函数。

又一示例，采用S形隶属度函数将气压高度进行模糊化，将气压高度分为低(LH)、中(MH)、高(HH)三个模糊集合，其论域取值范围为[-2000,40000]ft；

又一示例，采用三角形隶属度函数将空速进行模糊化，将空速分为低(LV)、中(MV)、高(HV)三个模糊集合，其论域取值范围为[0,400]knots。

S123、根据预设模糊规则对所述多个模糊集合进行模糊推理，得到模糊结论。

值得说明的是，根据目标参数的特征，采用if-then的形式制动模糊规则并预先储存在模糊规则库中，根据模糊规则库，采用Mamdani模糊推理法进行推理，得到模糊结论。

在一种具体实施方式中，模糊规则如下所示：

规则1：当气压高度为LH，空速为LV，垂直速度为ZV的情况下，飞行状态为T或者是S。

规则2：当气压高度为MH，空速为MV，垂直速度为PV的情况下，飞行状态为CLB。

规则3：当气压高度为HH，空速为HV，垂直速度为ZV的情况下，飞行状态为CRU。

规则4：当气压高度为MH，空速为MV，垂直速度为NV的情况下，飞行状态为DES。

规则5：当气压高度为MH，空速为MV，垂直速度为ZV的情况下，飞行状态为LEV。

规则6：当气压高度为HH，空速为HV，垂直速度为PV的情况下，飞行状态为CLB。

规则7：当气压高度为HH，空速为MV，垂直速度为NV的情况下，飞行状态为DES。

S124、通过最大隶属度法对所述模糊结论去模糊化，得到多个所述飞行状态。

值得说明的是，去模糊化的过程为将模糊结论通过隶属度法转化为具体的输出，由于一个模糊集合中可能存在一个或多个模糊子集合，因此在隶属度曲线上可能存在一个或多个点取最大值，有鉴于此，采用最大隶属度法对所述模糊结论去模糊化，得到多个最大值的合集。

通过小波变换对所述第一性能参数进行分解，得到一组小波分解系数。

根据预设阈值，确定所述小波分解系数中的噪声类子系数以及信号类子系数。

通过将所述噪声类子系数置零的方式对所述小波分解系数进行处理，得到处理后的小波分解系数。

值得说明的是，由QAR采集的第一性能参数由于飞行环境复杂多变，第一性能参数中存在很多野值和抖动，直接使用会影响数据的准确性，因此在将第一性能参数输入极端梯度模型之前，通过小波阈值法对第一性能参数进行处理，从而提高数据的准确性。

将所述小波分解系数中大于或等于所述预设阈值的子系数确定为所述信号类子系数。

图5为根据一示例性实施例示出的一种实现图1中步骤S14的流程图，包括以下步骤：

S141、根据所述第二性能参数，构建所述航空发动机的性能变化曲线。

S142、根据所述性能变化曲线，对所述航空发动机的性能进行检测以得到性能检测结果。

示例的，选取飞机从10000ft高度爬升导25000ft高度的过程中，通过性能变化曲线，可以得到爬升过程中航空发动机的预测性能变化数据，采集实际航空发动机性能变化数据，根据实际性能变化数据和预测性能变化数据，得到检测结果，通过上述监测结果，对航空发动机的故障进行预判，从而实现提前维修或者采取相应的应急措施。

图6是根据一示例性实施例示出的一种航空发动机的性能测试装置1200框图。参照图6，该装置包括获取模块1201，划分模块1202、函数模块1203和确定模块1204。

获取模块1201，被配置为获取航空发动机的第一性能参数，所述第一性能参数为影响所述航空发动机性能的飞行参数。

划分模块1202，被配置为根据模糊推理将所述第一性能参数划分为多个飞行状态。

函数模块1203，被配置为将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数，所述极端梯度模型是通过最小损失函数和正则函数构建树进行残差拟合的方式训练得到的。

确定模块1204，被配置为根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果。

可选地，所述函数模块中的模型子模块被配置为：

根据所述样本第一参数，通过最小化预设的损失函数和正则函数，确定初始函数。

根据预设决策树参数，对所述初始函数中的所述损失函数进行变换，得到目标函数。

根据所述样本第一参数的第一阶导数之和以及二阶导数之和，确定叶子权重函数。

根据所述最优解对所述极端梯度模型进行更新。

可选地，所述模型子模块中的单元被配置为：

对所述初始函数中的所述损失函数进行二阶泰勒展开，得到简化初始函数。

可选地，所述划分模块1202，包括：

第一确定子模块，被配置为根据所述第一性能参数，确定目标参数。

模糊化子模块，被配置为基于所述目标参数的论域，通过隶属度函数对所述目标参数进行模糊化，得到多个模糊集合。

推理子模块，被配置为根据预设模糊规则对所述多个模糊集合进行模糊推理，得到模糊结论。

去模糊化子模块，被配置为通过最大隶属度法对所述模糊结论去模糊化，得到多个所述飞行状态。

可选地，所述获取模块1201，还包括：

分解子模块，被配置为通过小波变换对所述第一性能参数进行分解，得到一组小波分解系数。

第二确定子模块，被配置为根据预设阈值，确定所述小波分解系数中的噪声类子系数以及信号类子系数。

处理子模块，被配置为通过将所述噪声类子系数置零的方式对所述小波分解系数进行处理，得到处理后的小波分解系数。

第一构建子模块，被配置为根据所述处理后的小波分解系数，构建去噪后的第一性能参数。

可选地，所述第二确定子模块，包括：

第一确定单元，被配置为将所述小波分解系数中大于或等于所述预设阈值的子系数确定为所述信号类子系数；

第二确定单元，被配置为将所述小波分解系数中小于所述预设阈值的子系数确定为所述噪声类子系数。

可选地，所述确定模块1204，包括：

第二构建子模块，被配置为根据所述第二性能参数，构建所述航空发动机的性能变化曲线。

检测子模块，被配置为根据所述性能变化曲线，对所述航空发动机的性能进行检测以得到性能检测结果。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本发明提供的航空发动机的性能测试方法的步骤。

本发明还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现航空发动机的性能测试方法的步骤。

图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。

其中，处理器701用于控制该电子设备700的整体操作，以完成上述的航空发动机的性能测试方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。

在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的航空发动机的性能测试方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的航空发动机的性能测试方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的航空发动机的性能测试方法。

本领域技术人员在考虑说明书及实践本发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种航空发动机的性能测试方法，其特征在于，所述测试方法包括：

根据模糊推理将所述第一性能参数划分为多个飞行状态；

2.根据权利要求1所述的测试方法，其特征在于，所述极端梯度模型是通过以下方式训练得到的：

将样本第一参数输入初始极端梯度模型；

根据所述最优解对所述极端梯度模型进行更新。

3.根据权利要求2所述的测试方法，其特征在于，所述根据预设决策树参数，对所述初始函数中的所述损失函数进行变换，得到目标函数，包括：

4.根据权利要求1所述的测试方法，其特征在于，所述根据模糊推理将所述第一性能参数划分为多个飞行状态，包括：

根据所述第一性能参数，确定目标参数；

5.根据权利要求1所述的测试方法，其特征在于，所述将同一飞行状态的所述第一性能参数输入预先训练的极端梯度模型，得到用于表征所述航空发动机性能的第二性能参数之前，包括：

6.根据权利要求5所述的测试方法，其特征在于，根据预设阈值，确定将所述小波分解系数中的噪声类子系数和以及信号类子系数，包括：

7.根据权利要求1-6任一项所述的测试方法，其特征在于，所述根据所述第二性能参数，对所述航空发动机的性能进行检测以得到性能检测结果，包括：

8.一种航空发动机的性能测试装置，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。