CN108573116A - 一种基于长短时记忆网络的航空发动机过渡态推力估计算法 - Google Patents

Abstract

本发明提供一种基于长短时记忆网络的航空发动机过渡态推力估计算法，包括如下步骤：首先，获取航空发动机机载设备的各项影响发动机推力的参数数据集；对所得数据集整体进行归一化处理和序列化处理；将序列化处理后的训练数据集传递到基于长短时记忆网络的算法中，通过随机梯度下降算法优化算法参数，得出网络模型。现有技术只能以一定精度估计航空发动机稳态下的推力，而对于航空发动机过渡态下的推力，无法进行估计。本发明基于长短时记忆神经网络，是针对航空发动机的过渡态而设计的推力估计器，能满足过渡态下推力估计的精度要求。本发明提出了航空发动机过渡态推力估计的方法，填补了过渡态推力估计方法的空缺。

Description

一种基于长短时记忆网络的航空发动机过渡态推力估计算法

技术领域

本发明涉及航空发动机过渡态推力估计方法，属于时间序列预测、发动机控制、推力控制及估计等领域。

背景技术

航空发动机推力是用于发动机控制和管理的重要指标。控制系统主要用于提高推力的稳态特性与安全性，传统的方式是将能反应发动机推力的参数，如转速、压比等作为反馈信号来设计控制器，通过控制这些参数达到控制推力的目的；为了保证发动机通常留有较大的裕度，发动机的性能没有得到完全的发挥。如果可以估计出发动机的推力而实现对发动机推力的直接控制，那么就可以减小那些在设计时为保障发动机稳定工作而预留的裕度，从而充分发挥发动机的潜力。

国内外对于航空发动机推力估计都有一些的研究。国外对于航空发动机性能参数估计的研究开始得相对较早。2001年，K.KrishnaKumar,Y.Hachisako,and Y.Huangs在第39届“AIAA航空科学会议和展示”中提出了神经网络和遗传算法在喷气式发动机性能估计中的两个应用。在第一个应用中，主要目标是设计、实施以及分析遗传算法，将其作为一个径向基函数神经网络的选择器，设计一个径向基函数神经网络用于估计航空发动机性能变量，例如喘振边界和推力等；在第二个应用中，作者结合了卡尔曼滤波器和循环神经网络提出一种新的方法，并将其用于发动机恶化过程中质量参数的估计。2003年，ManfrediMaggiore等在Engineering Applications of Artificial Intelligence上发表了论文“Estimator design in jet engine application”，作者在该论文中强调了输入选择和估计可行性分析作为复杂动态系统下估计器设计的重要性；文中作者将发动机看成一个随机系统，介绍了利用相关性分析方法来选择估计器的输入，使用基于模型的方法和基于数据的方法对发动机推力等参数进行估计的方法。2005年，Jonathan S.发表了论文“AnOptimal Orthogonal Decomposition Method for Kalman Filter-Based TurbofanEngine Thrust Estimation”，文中提出了一种新的用于确定调整参数以使得诸如推力等不可测发动机输出可被最优估计的线性点设计技术。在这个新技术中，通过在最小二乘意义上尽可能精确地表示更大集合上的健康参数的总影响而确定了一系列调整参数。2011年Mattias Henriksson等在论文“Model-based on board turbofan thrust estimation”中讨论了基于模型的涡扇发动机推力估计的方法，两种不同的基于模型的推力估计滤波器被应用于低涵道比的涡扇发动机中。

国内对于航空发动机推力估计也做了不少研究。2005年，陈恬在《南京航空航天大学动力学报》上发表了论文“基于相关性分析和神经网络的直接推力控制”，在该论文中作者采用多层前向神经网络作为估计器，利用训练后的神经网络模型作为发动机推力估计器，从而根据估计出的推力进行直接推力控制。2007年，姚彦龙等在《航空动力学》报上发表论文“自适应遗传神经网络算法在推力估计器中的应用”，提出将遗传算法和神经网络技术结合以充分发挥遗传算法和神经网络各自的全局收敛性和局部搜索快速性的优点，由此设计出了一种结合了两者的推力估计器。2009年，赵永平提出将最小二乘支持向量回归机应用在发动机推力估计中，并结合了特征选择方法和稀疏性建模，达到了更好的推力估计效果。次年，该作者又提出了基于K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计方法，进一步提高了推力估计器的精度。2013年，刘毅男等将鲁棒最小二乘支持向量回归机应用到发动机推力估计中，也取得了不错的效果。2017年，宋汉强等结合聚类算法、粒子群优化算法和极限学习机提出了设计航空发动机推力估计器的新方法，该方法用粒子群算法寻优隐含层单元数目以优化网络拓扑结构，使得所设计的推力估计器更加紧凑。

以上各类方法对于航空发动机推力的估计都是稳态情况下的估计，而对于航空发动机过渡状态下的推力没有相应的分析，这些方法没有能力估计航空发动机过渡态的推力。

发明内容

针对上述现有技术的不足，本发明提出一种基于长短时记忆网络的航空发动机过渡态推力估计算法，实现航空发动机过渡态推力估计。

为实现上述目的，本发明采用如下技术方案：

一种基于长短时记忆网络的航空发动机过渡态推力估计算法，包括如下步骤：

步骤1：获取航空发动机机载设备的各项影响发动机推力的参数，按照不同的规律调整油门杆角度从航空发动机模型中采集n次发动机所述参数的值以及发动机的实际推力，构成n个数据集，假设每个样本的维度大小为sample_size；

步骤2：对步骤1所得n个数据集进行预处理；

步骤2.1：将步骤1所得n个数据集合并为一个数据集进行归一化处理，然后将归一化后的数据按照其原本所属的数据集，拆分至其原本的数据集中；

步骤2.2：对归一化后的n个数据集分别进行序列化处理，获得n个序列化后的数据集；

步骤3：将n个序列化后的数据集划分为训练数据集和测试数据集；将训练数据集传递到基于长短时记忆网络的算法中训练估计器模型；训练结束后，将测试数据集传递到估计器模型中，判断估计器模型的预测精度是否满足预定精度；若满足预定精度，则结束训练过程，保存估计器模型参数；若不满足预定精度，则调整估计器模型参数，重新训练，直至满足预定精度；

步骤4：将发动机实际全飞行包线内机载设备的所述参数输入到估计器模型中，得到航空发动机过渡态的估计推力。

优选的，步骤1中，按照不同的规律调整油门杆角度从航空发动机模型中采集n次发动机所述参数的值以及发动机的实际推力，包括如下步骤：

1)设定航空发动机工作的高度和飞行马赫数，以及油门杆角度的初始值；

2)启动航空发动机模型，待模型迭代至平衡点时，调节油门杆角度到另一较大角度，待发动机再次达到稳定状态后，再次调整油门杆角度至另一较大角度；重复以上过程，直到油门杆角度调节到最大角度；在上述过程中，以固定时间间隔采集所述参数和发动机推力；

3)当发动机在油门杆最大角度处达到稳定状态后，将油门杆角度调整至某一较小角度，待发动机达到稳定状态后，再次调节发动机油门杆角度至另一较小角度；重复以上过程，直至油门杆角度到达设定的油门杆角度的初始值；在上述过程中，以所述固定时间间隔采集所述参数和发动机推力。

优选的，步骤2中，序列化后的数据集中单个样本的输出为t时刻的实际推力归一化后的标量值时，该样本对应的输入为原数据集t时刻的前time_steps个时刻的样本按时间顺序组成的大小为(time_steps,sample_size)的二阶张量；time_steps为时间步长。

优选的，步骤3中，所述基于长短时记忆网络的算法训练估计器模型包括如下步骤：

1)应用随机梯度下降优化算法训练出第一子估计器模型，将训练数据集的输入传递到所述第一子估计器模型中得到预测输出，记为Y_prediction，对训练数据集的目标输出Y_real与Y_prediction做逐元素减运算，得到目标输出与网络输出的残差：

Error＝Y_real-Y_prediction

2)对残差进行规范化处理：

digit＝max(Error)

Error_normalized＝Error/digit

3)将训练数据的输入量和步骤2)得到的残差Error组成新的训练数据集，应用随机梯度下降优化算法重新训练一个结构与所述第一子估计器模型结构相同的子估计器模型，以实现对残差Error的预测；

4)重复步骤2)和3)，直至训练好的子估计器的数量达到设定的个数，则所有子估计器训练结束；

5)传递测试数据集的输入量至所有子估计器中，测试数据集最终的预测结果，是所有子估计器的预测结果与其对应的digit加权后的逐元素求和，该预测结果是归一化后的推力值Y_network；

6)采用以下公式将推力反归一化：

Thrust_network＝(F_max-F_min)*Y_network+F_min

Thrust_network代表网络预测的实际推力，F_max是所采集的所有样本中推力的最大值，F_min是所采集的所有样本中推力的最小值；

7)根据以下公式计算推力估计的相对误差和绝对误差：

Absolute_deviation＝|Thrust_real-Thrust_network|

以及相对误差的最大值：

max_RD＝max(relative_deviation)

其中，Thrust_real是测试数据集未归一化的推力，Thrust_network是对应的网络预测的未归一化的推力；

8)判断预测的推力与测试数据集的目标推力的相对误差和绝对误差是否满足预定精度，若满足预定精度，则结束训练过程，保存算法参数；若不满足预定精度，则调整算法参数，重新训练，直至满足预定精度。

优选的，所述随机梯度下降算法优化算法为Adam算法。

有益效果：现有技术只能以一定精度估计航空发动机稳态下的推力，而对于航空发动机过渡态下的推力，无法进行估计。本发明基于长短时记忆神经网络，是针对航空发动机的过渡态而设计的推力估计器，能满足过渡态下推力估计的精度要求。本发明提出了航空发动机过渡态推力估计的方法，填补了过渡态推力估计方法的空缺。

附图说明

图1为基于长短时记忆网络的算法训练估计器模型的流程图；

图2为子估计器设计流程图；

图3为子估计器的结构；

图4为所需设定的估计器的参数；

图5为飞行高度为0km、飞行马赫数为0马赫时，估计器的估计出的推力和实际推力的曲线；

图6为飞行高度为0km、飞行马赫数为0马赫时，估计器估计的推力和实际推力的绝对误差图；

图7为飞行高度为0km、飞行马赫数为0马赫时，估计器估计的推力和实际推力的相对误差图；

图8为飞行高度为0km、飞行马赫数为0马赫时，估计器估计的推力与实际推力的最大相对误差和最大绝对误差随着子估计器的数量的变化曲线；

图9为飞行高度12km、飞行马赫数为0.8马赫时，估计器的估计出的推力和实际推力的曲线；

图10为飞行高度为12km、飞行马赫数为0.8马赫时，估计器估计的推力和实际推力的绝对误差图；

图11为飞行高度为12km、飞行马赫数为0.8马赫时，估计器估计的推力和实际推力的相对误差图；

图12为飞行高度为12km、飞行马赫数为0.8马赫时，估计器估计的推力与实际推力的最大相对误差和最大绝对误差随着子估计器的数量的变化曲线。

具体实施方式

下面结合实施例对本发明做更进一步的解释。

如图1所示，本发明包括：步骤1：获取航空发动机机载设备的各项影响发动机推力的参数，按照不同的规律调整油门杆角度从航空发动机模型中采集n次发动机所述参数的值以及发动机的实际推力，构成n个数据集。假设每个样本的维度大小为sample_size。

步骤2：对步骤1所得数据集整体进行预处理。预定义的时间步长time_steps，表示根据发动机前time_steps时刻的状态预测下一时刻发动机的状态。根据预定义的时间步长，分别处理每个数据集，获得n个序列化的数据集。处理后的单个样本的输入量是一个大小为(time_steps,sample_size)的二阶张量，其对应的目标输出为实际推力归一化后的标量值。随机选择其中n-1个数据集合并组成训练数据集，余下的数据集作为测试数据集。若组成训练数据集的n-1个数据集的样本个数分别为N₁,N₂,…,N_n-1，而组成测试训练集的数据集的样本数为N_n，则训练数据集总的样本数为N_train＝N₁+N₂+…N_n-1，测试数据集的样本数为N_test＝N_n。因此，训练数据集是输入一个大小为(N_train,time_steps,sample_size)的三阶张量，训练数据集的目标输出是一个长度为的一阶张量；而测试数据集的输入是一个大小为(N_test,time_steps,sample_size)的三阶张量，测试数据集的输出是一个长度为N_test的一阶张量。

步骤3：将训练数据集传递到基于长短时记忆网络的算法中，通过随机梯度下降算法优化算法参数。训练结束后，将测试数据集传递到网络模型中，计算算法的预测结果，判断预测的推力与测试数据集的目标推力的相对误差和绝对误差是否满足预定精度。若满足预定精度，则结束训练过程，保存算法参数；若不满足预定精度，则调整算法参数，重新训练，直至满足预定精度。

所述步骤1中获取发动机机载设备的各项影响发动机推力的参数包括如下步骤：

1)以周期ΔT采集发动机全飞行包线内机载设备的各项参数值，构成数据集；

2)对以上获得数据集进行预处理，利用特征选择算法根据预处理后的数据集提取出对发动机推力影响较大的参数；

所述步骤1中数据的采集方式详细介绍如下：

1)设定航空发动机工作的高度和飞行马赫数，以及油门杆角度的初始值；

2)启动航空发动机模型，待模型迭代至平衡点时，调节油门杆角度到另一较大角度，待发动机再次达到稳定状态后，即发动机推力等参数的数值趋于平稳时，再次调整油门杆角度至另一较大角度。重复以上过程，直到油门杆角度调节到最大角度。

3)当发动机在油门杆最大角度处达到稳定状态后，将油门杆角度调整至某一较小角度，待发动机达到稳定状态后，再次调节发动机油门杆角度至另一较小角度。重复以上过程，直至油门杆角度到达设定的油门杆角度的初始值。

4)多次采集发动机数据时，油门杆角度的调整规律应尽量不同，以使得采集的数据尽可能涵盖发动机在各种过渡状态下的情况。此外，调整油门杆角度时，应符合实际情况，不应过于频繁调节油门杆角度，且油门杆角度的调节幅度不应该太大。

所述步骤2的数据处理过程详细介绍如下：

1)数据预处理：针对每个数据集，删除发动机模型运行初期稳态迭代部分的无用数据以及数据采集后期多余的数据。将所有数据集合并为一个数据集，针对合并后的数据集统一归一化处理至区间[0,1]，然后将归一化后的数据按照其原本所属的数据集，拆分至其原本的数据集中。数据的归一化采用以下公式：

此处，x_min指的是某个参数在所有样本中的最小值，x_max指的是该参数在所有样本中的最大值,x是该参数某个样本的原有值,而x_new是该原有值归一化后的新数值。

2)序列化样本：长短时记忆网络的输入量为序列化的样本，每个输入量包含了time_steps个样本，每个样本包含sample_size个特征，并且这些样本是按照时间顺序排列的。在每个数据集中，当预测t+1时刻的推力时，其对应的输入量为其前time_steps个时刻的状态顺序组成的大小为(time_steps,sample_size)的二阶张量。在该张量中，每一行对应一个样本，也代表了发动机在某一个时刻的状态。其中最后一行对应于发动机在t时刻的状态，倒数第二行对应于发动机在t-1时刻的状态，其余情况以此类推。对于步骤1)所获得的每个数据集都进行序列化处理，得到序列化后的各数据集。

所述步骤3中“基于长短时记忆网络的算法”详细介绍如下：

本发明提出的推力估计算法基于长短时记忆神经网络(Long-short TimeMemory,LSTM)，结合了梯度提升(Gradient Boosting)的思想，同时在梯度提升过程中对每个子估计器的目标输出进行了规范化处理。长短时记忆网络接受单个样本的输入量，在每个时间步上计算得到一个输出，这个输出是对于下一状态的预测；当该样本的输入量的最后一个时间步输入到网络中时，网络输出所需预测的发动机状态，它是一个长度为sample_size的一阶张量，该张量中包含了网络预测的推力值。为从一阶张量中得到标量的推力预测值，需要在长短时记忆网络上添加一层全连接层，该全连接层的输入维度为长短时记忆网络的输出维度，即维度大小为sample_size，全连接层的输出维度为1，即对应着该样本的推力值。

对于整个神经网络的训练，采用Adam(Adaptive Moment Estimation)算法，该算法是一种比较强大的随机梯度优化算法，一般情况下，相对于普通的随机梯度下降(Stochastic Gradient Descent,SGD)算法来说，Adam算法可以更快地收敛。神经网络的损失定义为均平方误差(Mean Square Error,MSE),其公式如下：

此处，k为目标输出和网络输出的维度，为目标输出的第i个分量，为神经网络的预测输出的第i个分量。

当一个神经网络训练结束后，将训练数据集的输入传递到网络中得到网络的预测输出，记为Y_prediction，Y_prediction是与训练数据集的目标输出Y_real具有相同维度的一阶张量，即维度大小为N_train。对Y_real与Y_prediction做逐元素减运算(对应元素相减)，得到目标输出与网络输出的残差：

Error＝Y_real-Y_prediction

为提高网络的预测精度，本发明采用梯度提升的思想，将训练数据的输入量和此处得到的残差Error组成新的训练数据集，重新训练一个结构与以上长短时记忆网络结构相同的新网络，以实现对残差Error的预测。因此，最终的算法是一个组合了多个长短时记忆神经网络的复合预测网络，这些长短时记忆网络可被称为子估计器。第一个子估计器以推力实际输出为预测目标，此后的子估计器以推力实际输出与之前所有子估计器的预测结果的加权和之间的残差为预测目标。经过一定的数量的子估计器后，网络预测精度趋于稳定，该数量记为num_estimators，可作为合适的子估计器数。

由于航空发动机推力的最大值和最小值相差较大，归一化后的发动机推力的值在每个时间间隔的内的差值很小；同时训练好一些子估计器后，网络的预测值与目标输出值之间的已经比较相近。因此，当以残差作为新的子估计器的预测目标时，子估计器的目标输出的数量级会很小，这会导致神经网络在训练时梯度值会过小甚至消失，从而导致网络的训练效果变得很差。本发明提出对残差进行规范化处理，以提高参数的数量级。考虑到数据集被归一化至[0,1]，本发明选择以下公式处理残差：

digit＝max(Error)

Error_normalized＝Error/digit

估计器以规范化后的残差为目标输出，训练数据集的输入量作为子估计器的输入，应用Adam算法训练子估计器。由于子估计器是对规范化后的残差进行估计，因此网络训练结束后，网络的实际输出需要针对规范化做适当处理：

Error_prediciton＝Error_network*digit

当所有子估计器训练结束后，可以传递测试数据集的输入量至所有子估计器中。测试数据集最终的预测结果，是所有子估计器的预测结果与其对应的digit加权后的逐元素求和。该预测结果是归一化后的推力值，为计算推力估计的相对误差和绝对误差，采用以下公式将推力反归一化：

Thrust_network＝(F_max-F_min)*Y_network+F_min

Thrust_network代表网络预测的实际推力。F_max是所采集的所有样本中推力的最大值，F_min是所采集的所有样本中推力的最小值。Y_network是神经网络最终的预测结果。得到测试数据集的预测推力Thrust_network后，根据以下公式计算推力估计的相对误差和绝对误差：

Absolute_deviation＝|Thrust_real-Thrust_network|

以及相对误差的最大值：

max_RD＝max(relative_deviation)

其中，Thrust_real是测试数据集未归一化的推力，Thrust_network是对应的网络预测的未归一化的推力。

图2表示的是子估计器设计的流程图。参数iteration代表子估计器的个数，train_x代表每个子估计器的输入，train_y代表子估计器的目标输出。在训练新的子估计器时train_y会被更新，而train_x始终不变。当训练的子估计器个数达到iteration时，结束整个训练过程，并保存所有子估计器。

图3表示的是子估计器共同的神经网络结构，包括输入层、LSTM层和输出层。输入层节点数为单个时刻的样本的维度大小，LSTM层节点数自定，输出层为全连接层，节点数为1，对应着推力值。

图4表示需要手动设定的算法参数，包括子估计器的个数，LSTM层的节点数，训练周期的轮次，是否在每个训练周期开始时打乱样本顺序以便重新分批，以及训练算法每个批的大小。

实施案例:

在案例中,对发动机在飞行高度为0km、飞行马赫数为0马赫和飞行高度为12km、飞行马赫数0.8马赫这两种情况的推力进行了估计。

为降低每个样本的维度，提高训练速度，需要确定对发动机推力影响较大的参数。根据对步骤1补充说明部分介绍的方法，确定了对发动机推力影响较大的参数为：发动机所处高度、发动机飞行马赫数、发动机外涵出口总压、发动机喷口截面参数、发动机主燃油量、发动机加力供油量、发动机的温比。在航空发动机过渡态推力估计中，发动机所处高度和发动机飞行马赫数是固定的。因此，航空发动机过渡态推力估计考虑的参数包括：发动机外涵出口总压、发动机喷口截面参数、发动机主燃油量、发动机加力供油量、发动机的温比，外加所需要估计的发动机推力，因此数据采集过程中，每个时刻采集的样本的维度sample_size为6。

在案例中，针对每种情况采集了四次数据，选择其中的三组作为训练数据集，余下的一组作为测试数据集。预定义time_steps＝3,意味着通过前3个时刻的发动机状态，来预测发动机后一状态的推力。根据以上对步骤2补充说明所介绍的方法，对数据进行预处理和序列化处理，最终得到序列化数据集。序列化的数据集的每个样本的输入量是一个大小为(3,6)的二阶张量，对应的输出量是归一化后的标量推力值。下表介绍了案例中的两种情况下处理后的训练数据集和测试数据集：

本案例的子估计器的参数设置：

长短时记忆网络层隐含层的节点数设置为50；

训练算法选择Adam算法，设置Adam算法的数据批次的大小batch_size为20，意味着将训练数据以每20个样本为一批分批传递到Adam算法中训练估计器的网络参数；

随机设置训练模型迭代轮次epoch为50，意味着对整个训练数据集训练50个轮次。

设置每个轮次对样本分批时，随机打乱样本顺序；

设置子估计器的数量num_estimators为5。

估计效果：

图5至图8显示了发动机在台架上(高度为0km、飞行马赫数为0马赫)的过渡态的推力估计情况。图5显示了估计器的估计出的推力和实际推力的曲线，从图中可以看出估计效果是很不错的。图6和图7是估计器估计的推力和实际推力的绝对误差图和相对误差图。从图中可以看出，绝对误差在200N之间，相对误差在2％以内，其估计效果是满足过渡态下的推力估计的精度要求的。图8展示了估计器估计的推力与实际推力的最大相对误差和最大绝对误差随着子估计器的数量的变化曲线。从图8可看出，梯度提升的引入和子估计器的添加提高了复合估计器的估计效果。

图9至图12显示了在飞行高度12km、飞行马赫数为0.8马赫的下的估计效果。从图中可以看出，由长短时记忆网络为基础，结合梯度提升的思想的多个子估计器构成的复合估计器具有良好的航空发动机过渡态推力估计效果。

Claims (5)

1.一种基于长短时记忆网络的航空发动机过渡态推力估计算法，其特征在于，包括如下步骤：

步骤1：获取航空发动机机载设备的各项影响发动机推力的参数，按照不同的规律调整油门杆角度从航空发动机模型中采集n次发动机所述参数的值以及发动机的实际推力，构成n个数据集，假设每个样本的维度大小为sample_size；

步骤2：对步骤1所得n个数据集进行预处理；

步骤2.1：将步骤1所得n个数据集合并为一个数据集进行归一化处理，然后将归一化后的数据按照其原本所属的数据集，拆分至其原本的数据集中；

步骤2.2：对归一化后的n个数据集分别进行序列化处理，获得n个序列化后的数据集；

步骤3：将n个序列化后的数据集划分为训练数据集和测试数据集；将训练数据集传递到基于长短时记忆网络的算法中训练估计器模型；训练结束后，将测试数据集传递到估计器模型中，判断估计器模型的预测精度是否满足预定精度；若满足预定精度，则结束训练过程，保存估计器模型参数；若不满足预定精度，则调整估计器模型参数，重新训练，直至满足预定精度；

步骤4：将发动机实际全飞行包线内机载设备的所述参数输入到估计器模型中，得到航空发动机过渡态的估计推力。

2.根据权利要求1所述的一种基于长短时记忆网络的航空发动机过渡态推力估计算法，其特征在于，步骤1中，按照不同的规律调整油门杆角度从航空发动机模型中采集n次发动机所述参数的值以及发动机的实际推力，包括如下步骤：

1)设定航空发动机工作的高度和飞行马赫数，以及油门杆角度的初始值；

2)启动航空发动机模型，待模型迭代至平衡点时，调节油门杆角度到另一较大角度，待发动机再次达到稳定状态后，再次调整油门杆角度至另一较大角度；重复以上过程，直到油门杆角度调节到最大角度；在上述过程中，以固定时间间隔采集所述参数和发动机推力；

3)当发动机在油门杆最大角度处达到稳定状态后，将油门杆角度调整至某一较小角度，待发动机达到稳定状态后，再次调节发动机油门杆角度至另一较小角度；重复以上过程，直至油门杆角度到达设定的油门杆角度的初始值；在上述过程中，以所述固定时间间隔采集所述参数和发动机推力。

3.根据权利要求1所述的一种基于长短时记忆网络的航空发动机过渡态推力估计算法，其特征在于，步骤2中，序列化后的数据集中单个样本的输出为t时刻的实际推力归一化后的标量值时，该样本对应的输入为原数据集t时刻的前time_steps个时刻的样本按时间顺序组成的大小为(time_steps,sample_size)的二阶张量；time_steps为时间步长。

4.根据权利要求1所述的一种基于长短时记忆网络的航空发动机过渡态推力估计算法，其特征在于，步骤3中，所述基于长短时记忆网络的算法训练估计器模型包括如下步骤：

1)应用随机梯度下降优化算法训练出第一子估计器模型，将训练数据集的输入传递到所述第一子估计器模型中得到预测输出，记为Y_prediction，对训练数据集的目标输出Y_real与Y_prediction做逐元素减运算，得到目标输出与网络输出的残差：

Error＝Y_real-Y_prediction

2)对残差进行规范化处理：

digit＝max(Error)

Error_normalized＝Error/digit

3)将训练数据的输入量和步骤2)得到的残差Error组成新的训练数据集，应用随机梯度下降优化算法重新训练一个结构与所述第一子估计器模型结构相同的子估计器模型，以实现对残差Error的预测；

4)重复步骤2)和3)，直至训练好的子估计器的数量达到设定的个数，则所有子估计器训练结束；

5)传递测试数据集的输入量至所有子估计器中，测试数据集最终的预测结果，是所有子估计器的预测结果与其对应的digit加权后的逐元素求和，该预测结果是归一化后的推力值Y_network；

6)采用以下公式将推力反归一化：

Thrust_network＝(F_max-F_min)*Y_network+F_min

Thrust_network代表网络预测的实际推力，F_max是所采集的所有样本中推力的最大值，F_min是所采集的所有样本中推力的最小值；

7)根据以下公式计算推力估计的相对误差和绝对误差：

Absolute_deviation＝|Thrust_real-Thrust_network|

以及相对误差的最大值：

max_RD＝max(relative_deviation)

其中，Thrust_real是测试数据集未归一化的推力，Thrust_network是对应的网络预测的未归一化的推力；

8)判断预测的推力与测试数据集的目标推力的相对误差和绝对误差是否满足预定精度，若满足预定精度，则结束训练过程，保存算法参数；若不满足预定精度，则调整算法参数，重新训练，直至满足预定精度。

5.根据权利要求4所述的一种基于长短时记忆网络的航空发动机过渡态推力估计算法，其特征在于，所述随机梯度下降算法优化算法为Adam算法。