本发明涉及航空发动机与燃气轮机，具体涉及一种基于特征选择的叶栅性能预测模型构建方法。
背景技术：
1、叶栅性能预测是压气机/涡轮等航空发动机核心部件性能快速预测模型构建的基础。传统方法中，通常基于落后角模型、损失模型等经验模型构建叶栅性能快速预测模型。其中的经验模型对性能预测的精度起到了决定性作用。
2、早期叶栅性能经验模型主要是建立在平面叶栅试验的基础上，随着cfd技术在叶轮机械中的广泛应用，研究人员对压气机中复杂流动有了更加深入的理解，这也进一步促进了叶栅经验模型的发展，但是随着叶轮机械的发展，通过参数化优化或反设计等方法得到的现代叶型及弯、掠等先进技术被广泛应用于现代高性能压气机中，现有的经验模型对现代叶型的适用性有待进一步检验。
3、国内外学者开展了关于落后角和损失等叶栅经验模型的校准研究，以用于提高低维性能分析的准确性。当前的叶栅性能预测模型多是基于少量典型叶型和充足的cfd数值仿真结果，分别构建的性能预测模型，其适用度有限。究其原因，一方面是以往难以同时获得大量不同设计的叶型及其对应性能，另一方面是受限于模型的复杂度，难以构建出更具有普适性的叶栅性能快速预测模型。
技术实现思路
1、有鉴于此，本申请实施例提供一种基于特征选择的叶栅性能预测模型构建方法，将机器学习方法与叶栅试验数据相结合，发展快速、高精度叶栅性能预测方法，以降低新型叶栅试验次数、节约试验相关周期和成本，为叶栅/叶轮机的高效设计提供依据和手段。
2、本申请实施例提供以下技术方案：一种基于特征选择的叶栅性能预测模型构建方法，包括：
3、s101.获取叶栅几何参数和试验测试数据，进行数据预处理；
4、s102.根据所述叶栅几何参数确定所有叶栅典型几何参数，根据所述试验测试数据确定所有叶栅试验工况参数；
5、s103.根据历史的叶栅试验数据，确定模型训练样本集；
6、s104.将所述所有叶栅典型几何参数和所述所有叶栅试验工况参数输入机器学习模型中，基于所述模型训练样本集对所述机器学习模型进行训练和精度评估；
7、s105.对所述机器学习模型进行特征选择，确定关键参数和非关键参数；
8、s106.剔除所述非关键参数，以所述关键参数作为输入特征，对所述机器学习模型重新进行训练；
9、重复进行s105和s106，通过多次迭代，对所述机器学习模型进行多次训练。
10、根据本申请一种实施例，s106中还包括：将所述非关键参数按照设定的批次分批与所述关键参数同时输入所述机器学习模型，对所述机器学习模型重新进行训练；对训练后的所述机器学习模型的精度进行评估，若所述精度相对于初始的模型精度有提高，则保留所述非关键参数，若否，则剔除所述非关键参数。
11、根据本申请一种实施例，所述叶栅典型几何参数包括叶栅进口角、出口角以及挠度。
12、根据本申请一种实施例，所述数据预处理包括：将所述叶栅几何参数和所述试验测试数据分别进行格式规范化处理，定义叶栅性能预测模型的输入特征和输出特征，将所述输入特征和输出特征分别进行归一化处理。
13、根据本申请一种实施例，所述数据预处理还包括：辨识出噪声数据，并将所述噪声数据剔除。
14、根据本申请一种实施例，根据历史的叶栅试验数据，确定模型训练样本集，包括：根据历史的叶栅典型几何参数、叶珊试验工况参数以及叶栅试验结果数据，确定所述模型训练样本集。
15、根据本申请一种实施例，对所述机器学习模型进行特征选择，确定关键参数和非关键参数，包括：采用可解释机器学习方法对所述机器学习模型进行解释，辨识出所述关键参数和所述非关键参数。
16、根据本申请一种实施例，采用全连接神经网络作为所述机器学习模型。
17、与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：本发明实施例针对建立高维高精度叶栅性能预测模型所需样本量大的难题，提出了将关键因素辨识与模型构建过程耦合，进行双向搜索的新方法，实现了在小样本条件下对叶栅性能预测建模。通过建立快速、高精度叶栅性能预测方法，以节约相关叶栅试验周期和成本，为叶栅/叶轮机的高。
1.一种基于特征选择的叶栅性能预测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，s106中还包括：
3.根据权利要求1所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，所述叶栅典型几何参数包括叶栅进口角、出口角以及挠度。
4.根据权利要求1所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，所述数据预处理包括：将所述叶栅几何参数和所述试验测试数据分别进行格式规范化处理，定义叶栅性能预测模型的输入特征和输出特征，将所述输入特征和输出特征分别进行归一化处理。
5.根据权利要求4所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，所述数据预处理还包括：辨识出噪声数据，并将所述噪声数据剔除。
6.根据权利要求1所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，根据历史的叶栅试验数据，确定模型训练样本集，包括：
7.根据权利要求1所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，对所述机器学习模型进行特征选择，确定关键参数和非关键参数，包括：
8.根据权利要求1所述的基于特征选择的叶栅性能预测模型构建方法，其特征在于，采用全连接神经网络作为所述机器学习模型。
