CN105868467B - 一种动稳态航空发动机机载模型构建方法 - Google Patents
一种动稳态航空发动机机载模型构建方法 Download PDFInfo
- Publication number
- CN105868467B CN105868467B CN201610184251.9A CN201610184251A CN105868467B CN 105868467 B CN105868467 B CN 105868467B CN 201610184251 A CN201610184251 A CN 201610184251A CN 105868467 B CN105868467 B CN 105868467B
- Authority
- CN
- China
- Prior art keywords
- engine
- dynamic
- aero
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种动稳态航空发动机机载模型构建方法,属于航空发动机控制技术领域。首先利用相似准则及及泰勒展开原理进行采样数据的压缩,大幅降低采样数据量及时间;然后利用压缩后采样数据中的动态数据和稳态数据分别训练基于稀疏自动编码器的动态机载模型以及基于BP神经网络的稳态机载模型,最后设置相应的相应的准稳态判断逻辑,在动态过程使用稀疏自动编码器动态模型,在稳态过程使用BP网络稳态模型。相比现有技术,本发明所构建航空发动机机载模型在动态和稳态条件下均具有更高的精度,并且实时性更好,对数据存储量的要求更低。
Description
技术领域
本发明涉及航空发动机控制技术领域,尤其涉及一种动稳态航空发动机机载模型构建方法。
背景技术
美国在1988~2005年间开展了综合高性能涡轮发动机技术(IHPTET,IntegratedHigh Performance Turbo Engine Technology)计划,旨在提高发动机性能并降低发动机重量,提高发动机推重比。其中,先进涡轮发动机控制采用基于模型的智能发动机控制(IEC,Intelligent Engine Control)技术,该控制技术改变了传统的基于传感器的控制模态,通过机载自适应模型来在线反映发动机的实际工作状态,计算出推力、功率、喘振裕度等发动机性能参数作为反馈量,构成直接性能参数的控制回路,充分挖掘发动机潜力。在本世纪初,作为IHPTET的后续计划,美国军方开展了经济可承受多用途先进涡轮发动机(VAATE,Versatile Affordable Advanced Turbine Engines)计划,在该计划中,智能发动机控制被定为了一个重要的发展方向。2007年美国Glenn中心针对发动机控制技术专门召开了会议,明确指出智能发动机控制将作为未来发动机先进控制技术的代表,其主要研究内容包括模型基控制和诊断、高可靠性发动机控制、延寿控制等核心控制技术。13年度美国Glenn中心的研究报告表明:基于高精度机载模型的诊断和控制算法为创建集自诊断、自优化、自适应任务及鲁棒性于一体的智能推进系统提供了可能,可提高控制系统的性能、可靠性及安全性。
作为智能发动机控制的基础,对发动机机载模型的研究工作近些年在国内外也已相继展开,如NASA构建了改进的发动机机载自适应模型(eSTORM),该模型在发动机状态变量模型加Kalman滤波器的传统机载适应模型基础上,增加了基于神经网络实现的偏差量估计模块,用以补偿模型输出与真实发动机输出之间的偏差,该机载模型的可靠性已在PW6000发动机上得到验证。近年来,NASA构建了进行性能趋势监控及气路故障诊断的机载模型,该模型由实时自适应模型、性能基线模型、故障诊断模块三部分组成,其性能基线模型为分段线化模型,该机载模型通过商用模块化航空推进系统(C-MAPSS40k)提取。试验数据为NASA车辆综合推进研究(VIPR)中获得的安装在C-17上Pratt&Whitney F117发动机的测量数据,该机载模型成功检测到了稳态故障,却未能对过渡态故障正确定位,原因分析为模型动态精度不足,因此有必要进一步提升机载模型动态精度。
近年来,随着我国对飞机、发动机等项目的大力投入和支持,国内的航空发动机控制技术研究也取得了丰富的成果,在机载模型方面,鲁峰,王海泉等均对机载自适应模型的卡尔曼滤波算法进行了不同程度的改进,但性能基线模型是用发动机部件级模型代替,在现有的机载芯片上,有实时性较差的问题。王健康,任新宇等研究了基于相似理论的复合机载模型,能用于寻优,但属于稳态模型,没有反映动态过程。由文献可见现阶段的国内外发动机机载模型研究以发动机部件级模型和分段线性化模型为主,部件级模型实时性相对较差,而分段线性化模型则很难实现高精度。神经网络等机器学习算法虽然具有精度高实时性好的特点,但通常要求训练样本在空间中是稠密的,因此采样过程中各输入变量需要划分得足够细,当输入量增加时,普遍有维数灾难问题。例如用神经网络法进行机载模型建模,首先用发动机部件级模型进行采样取点,用N-R法计算的发动机部件级模型计算一个样本点约200-300次迭代,耗时5s左右,样本输入量为10维,若每一维度需10个点以保证样本稠密,则共需1.38×107小时,显然难以采样,更难以训练。随着航空发动机输入变量的日益增多,基于机器学习算法建模遇到的海量样本问题越发棘手,因此极有必要探索能够压缩样本数量,进而缩短采样时间的方法。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种动稳态航空发动机机载模型构建方法,在动态和稳态条件下均具有更高的精度,并且实时性更好,对数据存储量的要求更低。
本发明具体采用以下技术方案解决上述技术问题:
一种动稳态航空发动机机载模型构建方法,包括以下步骤:
步骤1、利用以下方法对航空发动机采样数据进行压缩:首先利用相似准则对采样数据的输入数据进行降维;然后通过采样输出对输入的泰勒展开式中的低阶项数据来逼近全维数据,将多维采样数据替换压缩为多个低维度的采样数据;
步骤2、利用压缩后采样数据中的稳态数据训练BP神经网络,得到航空发动机稳态机载模型;利用压缩后采样数据中的动态数据训练稀疏自动编码器,得到航空发动机动态机载模型;
步骤3、设置准稳态判断逻辑,用于根据航空发动机当前所处状态调用相应的机载模型,当航空发动机当前处于稳态时,调用所述航空发动机稳态机载模型,否则,调用所述航空发动机动态机载模型。
优选地,所述利用相似准则对采样数据的输入数据进行降维,具体为:利用T2=const相似准则,用发动机进口总温T2替代采样数据的输入数据中的飞行高度H与马赫数Ma。
优选地,所述准稳态判断逻辑根据高压转子相对转速的一组连续采样数据的均方差来判断航空发动机当前所处状态:如所述均方差小于预设阈值,则航空发动机当前处于稳态,否则,航空发动机当前处于动态。其中所述阈值优选为0.01。
根据相同的发明思路还可以得到一种动稳态航空发动机机载模型,利用以上任一技术方案所述方法构建。
相比现有技术,本发明具有以下有益效果:
本发明利用相似准则及泰勒展开原理进行采样数据的压缩,在保证机载模型精度的前提下,极大降低了构建机载模型所需的采样数据量及时间;
本发明对动态和稳态分别构建相应的模型,其中,对压缩后的稳态样本数据利用BP网络建立了稳态模型,解决了传统神经网络在维数灾难条件下难以训练及难以保证精度的问题;对压缩后的动态样本数据利用稀疏自动编码器进行建模,解决了经压缩后动态样本数据量仍然过大,BP算法难以训练的问题;并设计了相应的准稳态判断逻辑,在动态过程使用稀疏自动编码器动态模型,在稳态过程使用BP网络稳态模型,解决了稀疏自动编码器模型的稳态精度较差的问题。
附图说明
图1为双轴涡扇发动机截面示意图;
图2为稀疏自动编码器结构图;
图3为所构建的动稳态航空发动机机载模型结构示意图;
图4为稳态机载模型测试结果;
图5为动态测试输入设置;
图6为动态机载模型测试结果;
图7为加入准稳态逻辑后动稳态机载模型测试结果。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
针对现有技术不足,本发明的思路是首先利用相似准则及及泰勒展开原理进行采样数据的压缩,大幅降低采样数据量及时间;然后利用压缩后采样数据中的动态数据和稳态数据分别训练基于稀疏自动编码器的动态机载模型以及基于BP神经网络的稳态机载模型,最后设置相应的相应的准稳态判断逻辑,在动态过程使用稀疏自动编码器动态模型,在稳态过程使用BP网络稳态模型。
为了便于公众理解,下面以某双轴混排涡扇发动机的发动机机载模型为例来对本发明技术方案进行详细说明。图1为该型双轴混排涡扇发动机截面图,图中,1截面为发动机进口,2截面为风扇进口,22截面为风扇出口,13和23截面分别为外涵道、内涵道进口,25截面为压气机进口,3截面为燃烧室进口,4截面为高压涡轮进口,42截面为高压涡轮出口,45截面为低压涡轮转子进口,46截面为低压涡轮出口,16截面为外涵道出口,6截面为内涵道出口及掺混室进口,7截面为加力燃烧室进口,75截面为加力燃烧室出口,8截面为尾喷管喉道,9截面为尾喷管出口。由于真实发动机数据获取困难,用该双轴混排涡扇发动机的非线性部件级模型代替真实发动机取得建模数据。输入变量为高度H,马赫数Ma,燃油流量Wfb,尾喷口喉道面积A8,风扇导叶角αf,压气机导叶角αc。输出变量为风扇转速Nf,风扇进口流量WA22,风扇喘振裕度SML,压气机转速Nc,压气机喘振裕度SMH,燃烧室进口总温T3,燃烧室进口总压P3,高压涡轮进口总温T41,低压涡轮出口总温T6,低压涡轮出口总压T6,发动机推力F。此外,需考虑真实发动机退化因素影响,故将发动机主要部件的蜕化因素风扇流量蜕化因子df、压气机流量蜕化因子dc、燃烧室效率蜕化因子db、高压涡轮效率蜕化因子dh、低压涡轮流量蜕化因子dl也列为输入量,共计11个输入量,11个输出量。文中出现的cor下标表示换算。
一、机载模型建模所需样本数据的压缩。
1、相似准则的引入及改进
航空发动机机载模型在精度、实时性以及存储量上均有苛刻的要求,为适应宽包线、大状态的要求,应借助发动机的固有相似特性对建模数据量进行合理压缩。如NASA在PSC计划的机载模型使用的相似准则P3cor=const,P6cor=const,通过P3cor P6cor相似将(9.14km,0.9Ma)下建立的航空发动机机载模型通过相似变化扩展到大包线,减少了建模数据量,但其转换精度仍然有所不足,为减少相似转换时精度的损失,需要采用更精确的准则。依据P3cor=const,P6cor=const准则建模精度不高的原因,在于忽略了Ma及绝热指数k对共同工作的影响,而直接采用四个相似准则数则太过复杂。从发动机进口条件出发来分析,由于H、Ma、k的变化对发动机共同工作的影响主要体现在进口总温T2、总压P2上,而P2改变后,发动机各截面的压力成比例变化,不影响压气机的增压比和不同截面上的温度比,对共同工作并没有显著影响,决定性因素在于T2。故可采用T2替代Ma及绝热指数k作为准则数,此时H、Ma可由T2替换,输入量由11个缩减至10个,u=[T2,Wfbcor,A8,αf,αc,df,dc,db,dh,dl]T,常用输出为Y=[Nfcor,Nccor,T3cor,T41cor,T6cor,P3cor,P6cor,WA22cor,SML,SMH,Fcor]T,各参数为换算到标准大气状态的对应值,当扩大到不同包线点时,可根据当前点的飞行条件,经反相似换算,最终得到输出Y=[Nf,Nc,T3,T41,T6,P3,P6,WA22,SML,SMH,F]T。
2、特征采样数据量的压缩
航空发动机任一输出量可由其泰勒展开的低阶项来近似表出,因此可以对线性模型加入少量泰勒非线性余项来提高模型精度。反过来说,发动机部件级模型的实际输出中许多高阶项属于冗余信息,对精度提升不大,且浪费了大量的采样时间。由泰勒原理可知,航空发动机任一输出可由对输入的泰勒展开项表示:如推力F=f(T2,Wfbcor,A8,αf,αc),在任意点其泰勒展开表示后为
式中(A)项表示基点值,(B)项表示线性项,(C)项表示非线性余项。一个完整的推力输出由基点值,线性项,二阶到高阶的所有非线性余项表示,由泰勒原理我们知道,泰勒展开的低阶项即可起到对原输出的逼近表达,那么在采样过程中只需要将低阶次的项数全部采出。正常情况F=f(T2,Wfbcor,A8,αf,αc)需要按T2,Wfbcor,A8,αf,αc五个变量采出五维度数据,如取零到三阶次展开项来近似表达推力F的输出,则只需将T2,Wfbcor,A8,αf,αc按三变量变化采出组三维数据,当5个蜕化因子也增广入输入量,输入达到10维,仍可按此法将高维采样数据压缩到组三维采样数据,样本量最终减少到10维度采样的1.2×106分之一。
3、特征采样区间的选取
特征采样区间指[T2,Wfbcor,A8,αf,αc,df,dc,db,dh,dl]T等各输入的变化区间。采用了T2=const准则后,只需定H,变Ma或定Ma,变H即可获得所需包线的T2的变化范围,扩展到不同的H、Ma下。但Wfbcor进行区间划分时,因航空发动机中间状态的Wfb/Wfbcor在不同飞行条件下变化相当大,为减少样本数量,Wfbcor的变化区间越小越好,因此每个T2下Wfbcor分别以当前点中间状态Wfbcor为基准,取一个小变化范围,A8也采用相同的方法选取,其他各输入量正常选取。由于泰勒展开式有输入量偏离基点越远,精度越差的问题,为确保距离基点足够近,故将采样区间再分为四个区域,对每个区域分别采样并建模。
二、机载模型稳态部分的建模。
用BP算法对压缩后的样本数据进行了机载模型稳态部分的建模。采样压缩后,以上各子区域的稳态采样数据量均有几M字节的大小,BP算法具有精度高,存储量小的特点,能胜任此时的建模需求。利用压缩后的稳态采样数据训练BP神经网络,训练时间5-6min,运算时间仅1ms内,解决了传统神经网络在维数灾难条件下数据量海量增加而难以训练及训练精度难以保证的问题。
三、机载模型动态部分的建模。
针对机载模型动态部分所需样本数据量巨大,BP算法难以训练的问题,建立了基于稀疏自动编码器的动态机载模型。反映发动机动态过程的动态模型,需要将输出值的历史信息作为当前时刻的输入,至少需要前一时刻的历史数据,因此
u=[T2(k),Wfbcor(k),A8(k),αf(k),αc(k),df(k),dc(k),db(k),dh(k),dl(k),Nfcor(k-1),Nccor(k-1),T3cor(k-1),T6cor(k-1),P3cor(k-1),P6cor(k-1),WA22cor(k-1)]T,Y=[Nfcor(k),Nccor(k),T3cor(k),T41cor(k),T6cor(k),P3cor(k),P6cor(k),WA22cor(k),SML(k),SMH(k),F(k)]T。
即使经过采样数据压缩后,动态数据依然极多,各子区域训练数据达到数G以上,计算机读取存储出现困难,需要对采样过程进一步压缩,由于动态过程可由各稳态点的过渡来表示,因此无需分为太多间隔,尽可能减少间隔将训练数据减少到数百M,此时仍难以用常规的神经网络进行建模处理。为此,本发明采用稀疏自动编码器训练机载模型的动态部分。
Hinton对原型自动编码器结构进行改进,进而产生了深度自动编码器,先用无监督逐层贪心训练算法完成对隐含层的预训练,然后用BP算法对整个神经网络进行系统性参数优化调整,显著降低了神经网络的性能指数,通过无监督逐层贪心训练算法使大数据量神经网络建模成为可能,且有效改善了BP算法易陷入局部最小的不良状况。在文献[BengioY,Lamblin P,Popovici D,et al.Greedy layer-wise training of deep networks[C].Proceedings of the 20th Annual Conference on Neural Information ProcessingSystem,Whistler,2006:153-160.]中,Benjio提出稀疏自动编码器的概念,进一步深化了自动编码器的研究。稀疏自动编码器是目前应用最为广泛的自动编码器,但在航空发动机领域尚未见使用。稀疏自动编码器能提取高维数据变量的稀疏解释性因子,保留原始输入的非零特征,增加表示算法的鲁棒性,增强数据的线性可分性,使分类边界变得更加清晰,并且能在一定程度上控制变量的规模,改变给定输入数据的结构,丰富了原有信息,提高了信息表述的全面性和准确率。这里基于稀疏自动编码器对动态数据进行训练回归,并建立了动态机载模型,其结构如图2所示:
自动编码器由编码器、由编码器、解码器和隐含层组成。编码器是输入x到隐含表示h的映射,表示为:
h=f(x)=Sf(Wx+bn) (2)
其中,W为输入到隐含层的权值,bn表示隐含层阈值,Sf是非线性激活函数,一般为逻辑函数其表达式为:
sigmoid(z)=1/(1+z-1) (3)
解码器函数g(h)将隐含层数据映射回重构y,表示为:
y=g(h)=Sg(W'h+by) (4)
其中,W'为隐含层到输出层的权值,by表示输出层阈值,Sg是解码器的激活函数,一般为线性函数或sigmoid函数。训练自动编码器的过程是在训练样本集D上寻找参数θ={W,by,bh}的最小化重构误差,重构误差的表达式为:
其中,L为重构误函数,一般可用平方误差函数或交叉熵损失函数,二者分别表示
L(x,y)=||x-y||2 (6)
其中,平方误差用于线性Sg,交叉熵损失函数用于sigmoid:
稀疏自动编码器在自动编码器的代价函数中增加了稀疏惩罚项,其表达式为:
其中ρ为稀疏性参数,ρj'为隐藏神经元j的平均活跃度,稀疏性参数s2表示隐藏神经元的数量。此时代价函数为:
其中,β表示稀疏惩罚项的权重。
无监督贪心逐层训练算法的训练过程如下:
1)首先逐层构建单层神经元,这样每次都是训练一个单层网络。
2)当所有层训练完后,使用wake-sleep算法进行调优。
动态训练数据为输入量阶跃激励后的样本数据,与稳态模型采用相同的区域划分,有四个子区域,各子区域训练数据约200M字节。
四、准稳态判断逻辑的设计。
在训练过程中发现增加层数并未显著提高模型精度,故仍采用单隐含层结构,神经元个数80-120之间,训练时间小于30s,其具有良好的动态性能及稳态性能,但稳态部分精度相对上文建立的稳态机载模型有所差距,而用此算法直接对稳态数据进行训练时,发现训练及测试效果不如常规的BP网络,原因在于深度学习算法对权值阈值的处理方式,使得其在相同规模数据时不如常规算法精度好,但其优势在能够快速处理海量动态变化数据。加之多维输入采样的困难,难以获取足够多的稳态数据量,该方案只用于动态机载模型建模,未能推广到稳态模型建模中。因此,动、稳态模型的统一计算采用准稳态判断逻辑的方法,通过准稳态逻辑判断稳态与动态的切换,进入动态过程后用动态模型计算动态过程。准稳态逻辑公式如下:
flag=wtpd(Nc) (10)
由于高压转子相对转速Nc是评价航空发动机主要动态的一个参数,因此本发明选择Nc作为判据。通过判断连续20次Nc与其平均值的均方差是否小于阈值σ来判断机载模型动态过程是否达到了准稳态,未达到准稳态时用动态机载模型计算动态过程输出,达到后切换为稳态机载模型计算稳态值作为稳态输出。均方差阈值σ的选取既要考虑到简化模型的建模精度又要考虑到判断精度。σ过小,Nc误差处于机载模型建模精度之外,易出现误判;σ过大,则易过早进入稳态。经反复试验,σ确定为0.01。由此构成了动、稳态机载模型统一计算。解决了稀疏自动编码器模型稳态精度不如BP网络模型的问题。
经过上述过程后,最终构建出的动稳态航空发动机机载模型如图3所示。
为了验证本发明所提出的样本数据的压缩方法及本建模方法所构建的稳态机载模型的建模精度,对BP网络模型在建立包线范围内选择与训练数据不同的点作为测试,由于训练的数据是采样压缩后的三变量数据,且经过相似转换,只是一部分包线点的数据,而测试的数据为大包线全维数据,因此测试效果的好坏很能反应压缩采样数据思路的正确与否。经测试,Nf平均相对误差绝对值为0.13%,Nc为0.068%,T3为0.0660%,T41为0.072%,T6为0.089%,P3为0.096%,P6为0.092%,WA22为0.16%,Sml为0.46%,Smh为0.41%,F为0.099%。稳态模型输出如图4所示,限于篇幅,不再全部列出。
图4测试结果表明,采样数据进行压缩后,所建立的神经网络模型依旧能很好地逼近发动机部件级模型。因此,输出量的泰勒展开保留低阶非线性项处理方法,及利用优选相似准则对多维数据量进行简化压缩是必要且可行的。
为了验证本建模方法所构建的动态机载模型的建模精度及准稳态逻辑建立的价值,
进行了动态、稳态模型的仿真测试。测试包线点为(H=12km,Ma=1.29)。测试输入为斜坡变化,用发动机部件级模型数据代替真实发动机试车数据。将动态、稳态机载模型的输出值与发动机部件级模型进行对比。发动机初始状态为中间状态,即PLA=70°。各输入激励如图5所示。
在86s之前,为发动机额定状态或部件未蜕化时的仿真。在发动机运行稳定后:
在t=2s引入Wfbcor0~0.03、斜率为0.2/s的斜坡信号;
在t=10s引入Wfbcor=0.03~0、斜率为-0.2/s的斜坡信号;
在t=18s引入A8=0~-0.03、斜率为0.19/s的斜坡信号;
在t=28s引入A8=-0.03~0、斜率为-0.19/s的斜坡信号
在t=38s引入αf=0°~3°、斜率为5°/s的斜坡信号;
t=46s引入αf=3°~0°、斜率为-5°/s斜坡信号;
t=54s引入αc=0°~-3°、斜率为5°/s斜坡信号;
t=62s引入αc=-3°~0°、斜率为-5°/s斜坡信号;
t=70s引入Wfbcor=0~-0.02,A8=0~0.03,αf=0°~-3°,αc=0~3°的叠加斜坡信号、斜率同前;
t=78s引入Wfbcor=-0.02~0,A8=0.03~0,αf=-3°~0°,αc=3°~0°的叠加斜坡信号、斜率同前;
86s后为发动机部件性能蜕化后的仿真:
t=86s引入叠加的部件性能蜕化信号,即df=0~+2%、斜率为1%/s,dc=0~2%、斜率为1%/s,db=0~2%、斜率为1%/s,dh=0~2%、斜率为1%/s,dl=0~2%、斜率为1%/s;
t=94s引入叠加的控制量斜坡信号,即Wfbcor=0~-0.02,A8=0~0.03,αf=0°~-3°,αc=0°~3°,斜率同前;
t=102s引入各输入量的叠加斜坡信号,即df=2%~0,dc=2%~0,db=2%~0,dh=2%~0,dl=2%~0,Wfbcor=-0.02~0,A8=0.03~0,αf=-3°~0°,αc=3°~0°,各输入参数变化的斜率同前。
在同样的输入激励条件下,用本发明建立的机载模型与发动机部件级模型对应输出进行了对比,仿真结果如图6所示。机载模型各输量的测试精度如下:Nf平均相对误差为0.18%,Nc为0.0395%,T3为0.0660%,T41为0.1042%,T6为0.1215%,P3为0.083%,P6为0.054%,WA22为0.1168%,SML为0.1714%,SMH为0.1502%,F为0.1134%。Nf最大相对误差为0.67%,Nc为0.28%,T3为0.20%,T41为0.45%,T6为0.31%,P3为1.06%,P6为0.89%,WA22为0.65%,SML为3.65%,SMH为3.73%,F为0.53%。
由图6还进一步得到,机载模型的最大仿真误差处于稳态部分,Nc为0.28%,SMH为2.73%,T41为0.45%,F为0.53%。结果表明,所建立的基于稀疏自动编码器的机载模型的动态精度较高,稳态精度相对较差。
当稳态部分计算采用BP网络模型来代替,机载模型计算仿真结果如图7所示。可以看出,模型稳态精度明显得到了提升,Nc最大仿真误差降低到0.11%,SMH降低到2.45%,T41降低到0.19%,F降低到0.23%。
为了测试所建立机载模型的包线适应性,进行了包线内的大量测试,结果类似,不再赘述。典型测试点的模型误差见表1:
表1不同包线点的参数精度验证
由表1的测试结果可以看出,结合稀疏自动编码器和BP算法所构成的机载发动机自适应模型,在未蜕化情和蜕化情况下,大部分参数平均测试精度均在0.2%以内,最大误差不超过1%,个别参数如SML,SMH略高,但也在允许的范围内。实时性方面,计算设备主频2GHz时一次模型计算时间在1ms内,存储量不大于100kb。与国外动态机载模型[14]相比,该模型动、静态精度更高,与非线性部件级模型相比,实时性大为提升,与分段线性模型及支持向量机等相比,存储量显著减小,因此可作为发动机在线性能趋势监控及气路故障诊断机载模型建模的一种有效设计方案。此外,本文仅是针对工程急需提升性能的包线区域进行了仿真研究,实际上亚声速区非线性程度更低,实现更为简单。
本发明可用于多变量、高精度发动机机载模型的建模,在未蜕化情和蜕化情况下,大部分参数平均测试精度均在0.2%以内,最大误差不超过1%,个别参数如SML,SMH略高,但也在允许的范围内。实时性方面,计算设备主频2GHz时一次模型计算时间在1ms内,存储量不大于100kb。与现有动态机载模型相比,该模型动、静态精度更高,与非线性部件级模型相比,实时性大为提升,与分段线性模型及支持向量机等相比,存储量显著减小,因此可作为发动机在线性能趋势监控及气路故障诊断机载模型建模的一种有效设计方案。
Claims (6)
1.一种动稳态航空发动机机载模型构建方法,其特征在于,包括以下步骤:
步骤1、利用以下方法对航空发动机采样数据进行压缩:首先利用相似准则对采样数据的输入数据进行降维;然后通过采样输出对输入的泰勒展开式中的低阶项数据来逼近全维数据,将多维采样数据替换压缩为多个低维度的采样数据;
步骤2、利用压缩后采样数据中的稳态数据训练BP神经网络,得到航空发动机稳态机载模型;利用压缩后采样数据中的动态数据训练稀疏自动编码器,得到航空发动机动态机载模型;
步骤3、设置准稳态判断逻辑,用于根据航空发动机当前所处状态调用相应的机载模型,当航空发动机当前处于稳态时,调用所述航空发动机稳态机载模型,否则,调用所述航空发动机动态机载模型。
2.如权利要求1所述动稳态航空发动机机载模型构建方法,其特征在于,所述利用相似准则对采样数据的输入数据进行降维,具体为:利用T 2=const相似准则,用发动机进口总温T 2替代采样数据的输入数据中的飞行高度H与马赫数Ma。
3.如权利要求1所述动稳态航空发动机机载模型构建方法,其特征在于,所述准稳态判断逻辑根据高压转子相对转速的一组连续采样数据的均方差来判断航空发动机当前所处状态:如所述均方差小于预设阈值,则航空发动机当前处于稳态,否则,航空发动机当前处于动态。
4.如权利要求3所述动稳态航空发动机机载模型构建方法,其特征在于,所述一组连续采样数据的采样点个数为20。
5.如权利要求3所述动稳态航空发动机机载模型构建方法,其特征在于,所述阈值为0.01。
6.如权利要求1所述动稳态航空发动机机载模型构建方法,其特征在于,所述稀疏自动编码器为单隐含层结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184251.9A CN105868467B (zh) | 2016-03-28 | 2016-03-28 | 一种动稳态航空发动机机载模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184251.9A CN105868467B (zh) | 2016-03-28 | 2016-03-28 | 一种动稳态航空发动机机载模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868467A CN105868467A (zh) | 2016-08-17 |
CN105868467B true CN105868467B (zh) | 2018-09-07 |
Family
ID=56625081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610184251.9A Expired - Fee Related CN105868467B (zh) | 2016-03-28 | 2016-03-28 | 一种动稳态航空发动机机载模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868467B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106169961B (zh) * | 2016-09-07 | 2019-07-23 | 北京百度网讯科技有限公司 | 基于人工智能的神经网络的网络参数处理方法及装置 |
CN106569977B (zh) * | 2016-09-26 | 2019-01-22 | 南京航空航天大学 | 涡轴发动机起动过程建模方法 |
CN107045575B (zh) * | 2017-04-14 | 2020-04-24 | 南京航空航天大学 | 基于自调整维纳模型的航空发动机性能模型建模方法 |
CN107066736B (zh) * | 2017-04-14 | 2020-06-26 | 厦门大学 | 一种基于压缩采样的模态分析及结构冲击监测方法 |
CN107505931A (zh) * | 2017-07-10 | 2017-12-22 | 南京航空航天大学 | 一种基于深度信念网络的航空发动机维修等级决策方法 |
CN107748809B (zh) * | 2017-09-20 | 2021-01-26 | 苏州芯智瑞微电子有限公司 | 一种基于神经网络技术的半导体器件建模方法 |
CN108594788B (zh) * | 2018-03-27 | 2020-09-22 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
CN108716931B (zh) * | 2018-06-08 | 2021-06-11 | 中国航发沈阳发动机研究所 | 航空发动机机载传感器故障的处置算法 |
CN109829238B (zh) * | 2019-02-02 | 2022-06-17 | 哈尔滨工业大学 | 基于折合平衡流形展开模型的航空发动机系统辨识方法 |
CN109870260B (zh) * | 2019-02-27 | 2020-11-24 | 北京航空航天大学 | 一种在线测量mems固体微推力器阵列输出推力的方法 |
CN109871653B (zh) * | 2019-03-15 | 2020-09-01 | 南京航空航天大学 | 航空发动机数学模型部件特性修正方法 |
CN110348079B (zh) * | 2019-06-25 | 2021-06-15 | 南京航空航天大学 | 基于机器学习算法的涡轴发动机稳态开环控制设计方法 |
CN110488609A (zh) * | 2019-09-02 | 2019-11-22 | 南京航空航天大学 | 一种航空发动机直接推力逆控制方法及装置 |
CN110516391A (zh) * | 2019-09-02 | 2019-11-29 | 南京航空航天大学 | 一种基于神经网络的航空发动机动态模型建模方法 |
CN112560881B (zh) * | 2019-09-25 | 2024-04-19 | 北京四维图新科技股份有限公司 | 对象识别方法和装置、数据处理方法 |
WO2021062754A1 (zh) * | 2019-09-30 | 2021-04-08 | 西门子股份公司 | 非线性模型的建模方法、装置及存储介质 |
US11022524B2 (en) | 2019-11-05 | 2021-06-01 | Dalian University Of Technology | Stochastic configuration network based turbofan engine health parameter estimation method |
CN110672328B (zh) * | 2019-11-05 | 2020-08-14 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
CN111475889B (zh) * | 2020-03-30 | 2022-12-06 | 西安交通大学 | 一种物理与数据驱动的航空发动机数字孪生建模方法 |
CN111965981B (zh) * | 2020-09-07 | 2022-02-22 | 厦门大学 | 一种航空发动机强化学习控制方法及系统 |
CN113669166B (zh) * | 2021-08-20 | 2022-03-22 | 南京航空航天大学 | 一种航空发动机控制方法及装置 |
CN117521528B (zh) * | 2024-01-03 | 2024-03-15 | 中国核动力研究设计院 | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1906291A1 (en) * | 2006-09-29 | 2008-04-02 | United Technologies Corporation | Empirical tuning of an on board real-time gas turbine engine model |
CN103838920A (zh) * | 2014-02-13 | 2014-06-04 | 南京航空航天大学 | 一种涡轴发动机动态实时模型建模方法及系统 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
-
2016
- 2016-03-28 CN CN201610184251.9A patent/CN105868467B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1906291A1 (en) * | 2006-09-29 | 2008-04-02 | United Technologies Corporation | Empirical tuning of an on board real-time gas turbine engine model |
CN103838920A (zh) * | 2014-02-13 | 2014-06-04 | 南京航空航天大学 | 一种涡轴发动机动态实时模型建模方法及系统 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
Non-Patent Citations (3)
Title |
---|
APPLICATION OF HYBRID AERO-ENGINE MODEL FOR INTEGRATED FLIGHT/PROPULSION OPTIMAL CONTROL;Wang Jiankang, et al.;《Transactions of Nanjing University of Aeronautics & Astronautics》;20120331;第29卷(第1期);第16-24页 * |
一种考虑非线性余项的机载发动机自适应模型建立及其在寻优控制中的应用;李永进,等;《推进技术》;20160131;第37卷(第1期);第172-180页 * |
基于单纯B样条的航空发动机机载稳态模型研究;郑前钢,等;《推进技术》;20151231;第36卷(第12期);第1887-1894页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105868467A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868467B (zh) | 一种动稳态航空发动机机载模型构建方法 | |
CN107942653B (zh) | 航空电动燃油泵流量控制系统传感器故障鲁棒容错方法 | |
CN106777554B (zh) | 基于状态基线的航空发动机气路单元体健康状态评价方法 | |
CN109522600A (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
CN106055770A (zh) | 一种基于滑模理论的航空发动机气路故障诊断方法 | |
CN104200062A (zh) | 一种航空发动机气路故障的融合诊断方法 | |
CN110348078B (zh) | 一种涡轴发动机容积动力学结合热惯性效应的建模方法 | |
CN112284752A (zh) | 一种基于改进状态跟踪滤波器的变循环发动机解析余度估计方法 | |
CN111680357A (zh) | 一种变循环发动机机载实时模型的部件级无迭代构建方法 | |
WO2023097705A1 (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
CN113761803A (zh) | 燃气轮机的补偿模型的训练方法及使用 | |
Cheng et al. | Surrogate model-based real-time gas path fault diagnosis for gas turbines under transient conditions | |
CN112947064A (zh) | 考虑气路部件故障的航空发动机最大推力控制优化方法 | |
CN112327602A (zh) | 变循环发动机气路部件故障增益调度容错控制器 | |
CN115688609A (zh) | 一种用于航空发动机的智能推力预测及实时预警方法 | |
CN109829238A (zh) | 基于折合平衡流形展开模型的航空发动机系统辨识方法 | |
CN110362960B (zh) | 基于多胞折合平衡流形展开模型的航空发动机系统辨识方法 | |
CN110362065B (zh) | 一种航空发动机防喘控制系统的状态诊断方法 | |
CN112948961A (zh) | 考虑气路部件故障的航空发动机最低油耗控制优化方法 | |
CN112507476A (zh) | 一种变几何进气道与发动机的一体化建模方法 | |
Xiaohong et al. | Aero engine gas path fault prediction based on multi-sensor information fusion | |
Gao et al. | Numerical investigation on aerodynamic characteristics of variable geometry turbine vane cascade for marine gas turbines | |
CN115952621A (zh) | 一种航空发动机性能退化估计模型建模方法 | |
CN112904715B (zh) | 一种变循环发动机加速过程最优控制方法 | |
Thakkar et al. | Remaining Useful Life Prediction of an Aircraft Turbofan Engine Using Deep Layer Recurrent Neural Networks. Actuators 2022, 11, 67 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180907 Termination date: 20190328 |