CN110431296A - 用于稳态性能接近的神经网络 - Google Patents

用于稳态性能接近的神经网络 Download PDF

Info

Publication number
CN110431296A
CN110431296A CN201880018552.1A CN201880018552A CN110431296A CN 110431296 A CN110431296 A CN 110431296A CN 201880018552 A CN201880018552 A CN 201880018552A CN 110431296 A CN110431296 A CN 110431296A
Authority
CN
China
Prior art keywords
neural network
turbogenerator
steady
input
output
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.)
Granted
Application number
CN201880018552.1A
Other languages
English (en)
Other versions
CN110431296B (zh
Inventor
约翰·劳伦斯·万迪克
肯尼思·李·戴尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN110431296A publication Critical patent/CN110431296A/zh
Application granted granted Critical
Publication of CN110431296B publication Critical patent/CN110431296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/81—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/01—Purpose of the control system
    • F05D2270/20—Purpose of the control system to optimize the performance of a machine
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • 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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Control Of Turbines (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

提供了包括和/或利用神经网络以接近涡轮发动机的稳态性能的系统和方法。在一个示例性方面，训练神经网络以对基于物理的稳态循环平台建模。当适当训练时，可以将新的输入数据输入到神经网络，并且作为网络的输出，可以接收指示涡轮发动机的稳态性能的一个或多个性能指标。在另一方面，提供了用于至少部分地基于被构造为接近“现场”或参考涡轮发动机的稳态性能的参考神经网络来接近“虚拟”或目标涡轮发动机的稳态性能的系统和方法。

Description

用于稳态性能接近的神经网络
技术领域
本主题大体涉及涡轮发动机。更具体地，本主题涉及用于接近一个或多个涡轮发动机的稳态性能的系统和方法。
背景技术
飞行器涡轮发动机的稳态发动机性能通常由基于物理的稳态循环平台(physics-based steady-state cycle decks)，或者在稳态飞行条件下操作时的发动机性能的数值表示或表征建模。虽然基于物理的模型可以生成稳态发动机性能的准确表示，但由于需要处理的大量复杂的物理启发算法，它们通常是计算密集型的；因此，发动机性能结果相对缓慢地产生，并且通常需要具有更多处理能力的计算设备，导致较长的提前期并且需要更昂贵的计算装备。
另外，基于物理的模型通常对于超出范围的数据点不稳健，并且通常需要监督(即，人为干预)以平稳地运行。此外，很多时候基于物理的模型需要专用的应用或软件来执行模型，这些应用或软件通常不是语言/操作系统无关的。当发动机制造商向飞行器制造商提供或共享发动机性能数据时，这提出了挑战。因此，构造为对稳态发动机性能建模的基于物理的模型可能难以使用和部署。
在另一方面，为了在数字上表示新涡轮发动机设计或非现场涡轮发动机的发动机性能，很多时候基于物理的模型需要重新开发或基本上进行大修，以便精确地建模新涡轮发动机或非现场涡轮发动机的发动机性能。因此，可能需要大量的努力和时间来为新涡轮发动机或非现场涡轮发动机开发这些基于物理的模型。
因此，用于接近一个或多个涡轮发动机的稳态性能的改进的系统和方法将是有用的。另外，可以容易地与新发动机平台相关联的稳态性能模型将是有益的。
发明内容
本公开的示例性方面涉及用于接近一个或多个涡轮发动机的稳态性能的方法和系统。本发明的方面和优点将部分地在以下描述中阐述，或者可以从描述中显而易见，或者可以通过实践本发明来学习。
本公开的一个示例性方面涉及一种用于涡轮发动机的稳态性能接近的计算机实施的方法。该方法包括通过一个或多个计算设备接收数据集，该数据集包括指示在操作期间涡轮发动机的操作状况的一个或多个操作参数。该方法还包括通过一个或多个计算设备将数据集的至少一部分输入到神经网络中。该方法还包括通过一个或多个计算设备接收涡轮发动机的一个或多个性能指标作为神经网络的输出，其中神经网络被构造为接近涡轮发动机的稳态性能。
在各种实施例中，至少部分地基于稳态循环平台的训练数据集来训练神经网络。
在一些各种实施例中，稳态循环平台是基于物理的模型。
在其他实施例中，通过以下步骤至少部分地基于稳态循环平台的训练数据集来训练神经网络：通过一个或多个计算设备将训练数据集的至少一部分输入到神经网络中，训练数据集指示在操作期间涡轮发动机的稳态操作状况，训练数据集包括稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个循环平台输出对应于循环平台输入中的一个或多个；通过一个或多个计算设备接收涡轮发动机的一个或多个性能指标作为神经网络的输出，并且通过一个或多个计算设备至少部分地基于误差Δ来训练神经网络，误差Δ描述了神经网络的输出和与输入到神经网络的循环平台输入中的一个或多个对应的循环平台输出之间的差异。
在又一些各种实施例中，一个或多个操作参数包括以下中的至少一个：风扇速度，高度，环境温度和马赫数。
在又一些各种实施例中，涡轮发动机安装到旋翼飞行器或与旋翼飞行器成一体，并且其中一个或多个操作参数包括以下中的至少一个：向前空速，请求扭矩和请求动力。
在其他各种实施例中，一个或多个性能指标包括以下中的至少一个：质量流量，一个或多个站温度，一个或多个站压力和核心速度。
在其他各种实施例中，在接收涡轮发动机的一个或多个性能指标作为神经网络的输出之后，该方法还包括通过一个或多个计算设备将一个或多个性能指标提供给损伤模型。
在其他各种实施例中，涡轮发动机安装到飞行器或与飞行器成一体，并且其中在接收涡轮发动机的一个或多个性能指标作为神经网络的输出之后，该方法还包括：通过一个或多个计算设备，将一个或多个性能指标提供给位于飞行器上的运载工具计算设备。
本公开的另一示例性方面涉及一种用于训练神经网络的计算机实施的方法，该神经网络被构造为接近涡轮发动机的稳态性能。该方法包括通过一个或多个计算设备将训练数据集的至少一部分输入到神经网络中，训练数据集指示在操作期间涡轮发动机的稳态操作状况，训练数据集包括稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个循环平台输出对应于循环平台输入中的一个或多个。该方法还包括通过一个或多个计算设备接收涡轮发动机的一个或多个性能指标作为神经网络的输出，其中神经网络的输出被构造为接近涡轮发动机的稳态性能。该方法还包括通过一个或多个计算设备至少部分地基于误差Δ来训练神经网络，误差Δ描述神经网络的输出和与输入到神经网络的循环平台输入中的一个或多个对应的循环平台输出之间的差异。
在各种实施例中，在训练之后，重复该方法至少直到描述神经网络的输出和与循环平台输入中的一个或多个对应的循环平台输出之间的差异的误差Δ大约在阈值百分比内。
在其他各种实施例中，阈值百分比是正或负百分之一(1)。
在其他各种实施例中，在训练之后，该方法包括通过一个或多个计算设备接收指示在操作期间涡轮发动机的稳态操作状况的验证数据集，验证数据集包括稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个循环平台输出对应于循环平台输入中的一个或多个。该方法还包括通过一个或多个计算设备将验证数据集的循环平台输入的至少一部分输入到神经网络中。该方法还包括通过一个或多个计算设备接收涡轮发动机的一个或多个性能指标作为神经网络的输出。该方法还包括通过一个或多个计算设备确定误差Δ，该误差Δ描述神经网络的输出和与输入到神经网络的验证数据集的循环平台输入中的一个或多个对应的循环平台输出之间的差异。此外，该方法还包括通过一个或多个计算设备确定描述神经网络的输出和与循环平台输入中的一个或多个对应的循环平台输出之间的差异的误差Δ是否大约在阈值百分比内。
在其他各种实施例中，神经网络包括输入层，隐藏层，和输出层，隐藏层具有一个或多个隐藏层节点；并且其中，如果误差Δ不大约在阈值百分比内，则该方法还包括通过一个或多个计算设备调整一个或多个隐藏层节点的数量。
在其他各种实施例中，循环平台输入包括一个或多个操作参数，其中一个或多个操作参数包括以下中的至少一个：风扇速度，高度，环境温度，马赫数，向前空速，请求扭矩和请求动力。
本公开的另一示例性方面涉及一种用于至少部分地基于被构造为接近参考涡轮发动机的稳态性能的参考神经网络来接近目标涡轮发动机的稳态性能的方法。该方法包括通过一个或多个计算设备将参考数据集转换为目标数据集，参考数据集包括指示在操作期间参考涡轮发动机的稳态操作状况的一个或多个操作参数，并且在转换后目标数据集指示目标涡轮发动机的稳态操作状况的接近。该方法还包括通过一个或多个计算设备将目标数据集的至少一部分输入到参考神经网络中。该方法还包括通过一个或多个计算设备接收一个或多个目标性能指标作为参考神经网络的输出，该一个或多个目标性能指标指示目标涡轮发动机的稳态性能。
在各种实施例中，目标涡轮发动机是非现场涡轮发动机。
在各种实施例中，目标涡轮发动机的最大推力大约在参考涡轮发动机的最大推力的20,000lbf内。
在其他各种实施例中，目标涡轮发动机的最大推力大约在参考涡轮发动机的最大推力的15,000lbf内。
在其他各种实施例中，目标涡轮发动机的最大推力大约在参考涡轮发动机的最大推力的10,000lbf内。
可以对本公开的这些示例性方面进行变化和修改。
参考以下描述和所附权利要求，将更好地理解本发明的这些和其他特征，方面和优点。包含在本说明书中并构成其一部分的附图示出了本发明的实施例，并与说明书一起用于解释本发明的原理。
附图说明
在说明书中阐述了针对本领域普通技术人员的本发明的完整且可行的公开，包括其最佳模式，其参考附图，其中：
图1提供了根据本公开的示例性实施例的示例性运载工具；
图2提供了根据本公开的示例性实施例的示例性燃气涡轮发动机的示意性横截面视图；
图3提供了根据本公开的示例性实施例的示例性系统的示意图；
图4提供了根据本公开的示例性实施例的用于接近示例性涡轮发动机的稳态性能的示例性系统的工作流程图；
图5提供了根据本公开的示例性实施例的示例性训练神经网络；
图6提供了根据本公开的示例性实施例的示例性计算系统；
图7提供了根据本公开的示例性实施例的示例性方法的流程图；
图8提供了根据本公开的示例性实施例的用于至少部分地基于参考神经网络来接近目标涡轮发动机的稳态性能的流程图；和
图9提供了根据本公开的示例性实施例的示例性方法的流程图。
具体实施方式
现在将详细参考本公开的实施例，其一个或多个示例在附图中示出。提供每个示例是为了解释本公开而不是限制本公开。实际上，对于本领域技术人员显而易见的是，在不脱离本公开的范围或精神的情况下，可以在本公开中进行各种修改和变化。例如，作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用，以产生又一个实施例。因此，本公开旨在覆盖落入所附权利要求及其等同物的范围内的这些修改和变化。
本公开的示例性方面涉及包括和/或利用机器学习模型(例如神经网络)的系统和方法，以接近涡轮发动机的稳态性能。特别地，本公开的系统和方法涉及一种计算系统和方法，因此包括被构造为输出涡轮发动机的一个或多个性能指标的神经网络。性能指标指示涡轮发动机的稳态性能。例如，性能指标可被用于进一步分析，并可被输入到一个或多个损伤模型中。
更具体地，在一个示例性方面，本公开的计算系统可以接收或以其他方式获得数据集，该数据集包括指示在操作期间涡轮发动机的操作状况的一个或多个操作参数。操作参数可以从一个或多个发动机或飞行器传感器，数据收集设备或其他反馈设备获得，其他反馈设备监测：飞行器的状况，飞行状况，其发动机中的一个或多个，或其他飞行器或发动机部件。操作参数可以包括例如在飞行包络的一个或多个点上燃气涡轮发动机的进气口处的风扇速度，马赫数，高度和/或环境温度。在涡轮发动机安装到旋翼飞行器(例如直升机)或与旋翼飞行器(例如直升机)成一体的情况下，其他示例性操作参数可包括向前空速，请求扭矩和/或所需动力。
数据集的至少一部分被输入到机器学习模型中。例如，机器学习模型可以是或可以以其它方式包括一个或多个各种模型，例如神经网络(例如，深度神经网络)或其他多层非线性模型。神经网络可以包括递归神经网络(例如，长短期记忆递归神经网络)，前馈神经网络，卷积神经网络和/或其他形式的神经网络。
在将数据集输入到机器学习模型之后，发动机性能计算系统接收燃气涡轮发动机的至少一个性能指标作为机器学习模型的输出。由于机器学习模型被构造为接近涡轮发动机的稳态性能，输出的性能指标指示涡轮发动机的稳态性能。性能指标或属性可以是例如质量流量，站温度和压力，核心速度等，和/或其他合适的发动机性能指标，例如那些不容易被感测或测量的指标。然后，生成或输出的性能指标可用于数据分析并输入到其他模型(例如损伤模型(damage model)，劣化模型(deterioration model)和/或提升模型(lifingmodel))中。在其他示例性实施方式中，输出的性能指标可以被提供给机载运载工具计算系统，该机载运载工具计算系统可以用于对燃气涡轮发动机的一个或多个输入进行实时调节，例如，修改燃料流量。在一些实施方式中，机器学习模型可以在运载工具上物理地定位和实施，并且可以例如在运载工具操作时实时接收操作参数数据并输出性能指标数据。
在本公开的另一示例性方面，可以训练发动机性能计算系统的机器学习模型以对稳态循环平台(steady-state cycle deck)建模，稳态循环平台是发动机的基于物理的热力学模型。换句话说，在一些实施方式中，本公开的机器学习模型可以被构造为模型(即，稳态循环平台)的模型。
在一些实施方式中，可以在一组标记的训练数据集上使用监督训练技术。特别地，为了将机器学习模型训练为稳态循环平台的模型，训练计算系统(其可以是发动机性能计算系统或其自己的专用系统的一部分)接收或以其他方式获得训练数据集。训练数据集指示在操作期间涡轮发动机的稳态操作状况，并且包括稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出。每个循环平台输出对应于循环平台输入中的一个或多个。这意味着，当一个或多个循环平台输入通过稳态循环平台输入或馈送时，这些输入的一个或多个输出是循环平台的一个或多个输出。因此，在一些实施方式中，可以通过将循环平台输入提供到稳态循环平台并接收相应的循环平台输出来生成训练数据。
为了训练机器学习模型以接近稳态循环平台，将训练数据集的至少一部分输入到机器学习模型中。特别是，循环平台输入被馈送到机器学习模型或模型训练器中。在将一部分训练数据输入到模型(即，一个或多个循环平台输入)之后，接收涡轮发动机的至少一个性能指标作为模型的输出。如上所述，性能指标可以是例如质量流量，站温度和压力，核心速度等之一的给定值。
然后，模型训练器确定描述神经网络的输出(即，性能指标的值)与预期的循环平台输出之间的差异的误差Δ。在确定误差Δ之后，至少部分地基于误差Δ来训练模型。举例来说，在机器学习模型被构造为神经网络的情况下，可以基于误差Δ使用前馈/反向传播技术来调整神经网络(例如，输入层和隐藏层之间，隐藏层之间，以及隐藏层和输出层之间)的权重。执行错误的反向传播可以包括执行通过时间截断的反向传播。模型训练器或模型可以执行许多通用技术(例如，权重衰减，丢失等)以改进正在训练的模型的通用能力。
在训练的迭代之后(即，在至少部分地基于误差Δ来调整层之间的一个或多个权重之后)，训练处理可以根据需要迭代，直到以针对训练数据集的任意好的精度构建机器学习模型。也就是说，将进一步的循环平台输入馈送到模型中，并且接收基于那些循环平台输入的一个或多个性能指标作为机器学习模型的输出。如上所述，可以通过将输出与预期的循环平台输出进行比较来确定误差Δ。在一些实施方式中，训练处理迭代直到描述神经网络的输出与与循环平台输入中的一个或多个对应的预期循环平台输出之间的差异的误差Δ大约在正或负阈值百分比(例如，百分之一(1))内。以这种方式，机器学习模型在针对训练数据集在任意好的精度内构建。
在一些实施方式中，一旦构建了机器学习模型，可以使用验证数据集(其也可以包括循环平台输入和相应的预期循环平台输出)来验证模型以确保模型即使在被呈现有新的输入数据时也将表现准确。具体而言，循环平台输入通过机器学习模型馈送。然后机器学习模型输出一个或多个性能指标。将一个或多个性能指标的值与验证数据集的预期循环平台输出进行比较，从而可以确定误差Δ。基于误差Δ，可以确定模型是否准确。可以利用其他新数据重复验证处理以进一步验证模型。当训练完成并且机器学习模型被验证时，机器学习模型被构造为对稳态循环平台建模。以这种方式，当将新数据集输入到机器学习模型中时，机器学习模型的输出是涡轮发动机的稳态性能的接近。
在本公开的另一示例性方面，提供了包括和/或利用机器学习模型以接近“虚拟”或目标涡轮发动机的稳态性能的系统和方法。虚拟或目标发动机是存在于计算机或计算机网络上或在计算机或计算机网络上模拟的涡轮发动机，或者可以简单地是非现场发动机。以这种方式，例如，机器学习模型可以为新涡轮发动机设计提供“虚拟进入服务”。
具体地，在一个示例中，提供了用于通过利用被构造为接近参考涡轮发动机(即，现场涡轮发动机)的稳态性能的参考神经网络，来接近目标涡轮发动机(即，虚拟涡轮发动机)的稳态性能的系统和方法。
在一个方面，参考数据集被转换为目标数据集。参考数据集包括指示在操作期间参考涡轮发动机的稳态操作状况的一个或多个操作参数。这些“参考”操作参数被转换成目标操作参数。以这种方式，目标数据集包括目标操作参数，该目标操作参数指示如果目标发动机在这样的状况下操作，目标涡轮发动机的稳态操作状况将是什么。
通过利用用于训练参考神经网络的稳态循环平台和一种或多种统计或机器学习技术，可以将参考操作参数转换成目标操作参数。在一个示例中，通过利用参考涡轮发动机的稳态循环平台和回归技术将参考风扇速度转换成目标风扇速度。首先，在该示例中，可以选择一系列推力。然后，循环平台可用于计算参考涡轮的风扇速度是多少以实现各种选定的推力。因此，实现所选推力的风扇速度对于参考涡轮发动机是已知的。以类似的方式，确定目标涡轮发动机的所选推力的风扇速度。为此，可以将目标涡轮发动机的发动机规格输入到循环平台中。具体而言，目标发动机的风扇规格和相关的发动机设计特性可以输入到循环平台中。循环平台可用于计算目标涡轮的风扇速度是多少以实现所选推力。
然后，一旦已知参考和目标发动机的风扇速度，就可以使用回归分析来确定在整个飞行包络上某些操作状况下特定推力的风扇速度。除了回归技术之外，诸如一种或多种外推和/或内插技术的其他技术可单独使用或与回归技术结合使用，以至少部分地基于已知的参考操作参数和他们在飞行包络上的一个或多个点的关系来推断和/或确定目标操作参数。
可以将目标操作参数的至少一部分输入到参考神经网络中。在通过参考神经网络馈送目标操作参数之后，接收一个或多个目标性能指标作为参考神经网络的输出。参考神经网络的输出(即，目标性能指标)被构造为接近目标涡轮发动机的稳态性能。以这种方式，可以快速接近目标涡轮发动机的稳态性能，而无需开发或检修复杂的基于物理的稳态循环平台。
然后，性能指标可以用于分析，作为到其他模型(例如，提升模型，损伤模型，低循环疲劳(LCF)模型，高循环疲劳(HCF)模型，热机械疲劳(TMF)，蠕变，破裂，腐蚀，设计失效模式和影响分析(DFMEA)模型，计算流体动力学(CFD)模型，发动机循环模型等)中的输入。并且基于这些其他模型和/分析的输出，可以在设计处理的早期对目标涡轮发动机进行必要的设计改进和变更，以及其他益处。
在一些示例性实施例中，至少部分地基于通过选择接近参考发动机的稳态性能的参考神经网络来选择参考神经网络以接近目标涡轮发动机的稳态性能，该参考发动机在与目标涡轮发动机相似的推力等级内或附近。以这种方式，参考神经网络将最好地接近目标发动机的稳态性能。在两个发动机处于相同或相似的推力等级的情况下，两个发动机更可能具有相同或相似的操作特性，机身(airframe)，用途等。在一个示例中，目标涡轮发动机的最大推力在参考涡轮发动机的最大推力的约20,000lbf内。在其他实施例中，例如，目标涡轮发动机的最大推力在参考涡轮发动机的最大推力的约5,000lbf内。
在一些示例性实施例中，参考神经网络可以被训练或重新训练为目标神经网络。为了将参考神经网络训练为目标神经网络，可以如上所述使用一种或多种监督训练技术。特别地，当来自目标涡轮发动机的数据变得可用时，该数据可用于将参考神经网络训练或重新训练为目标神经网络。
本文描述的系统和方法可以提供许多技术效果和益处，并且还提供对运载工具和飞行器计算技术的改进。在一个方面，本公开的计算系统的机器学习模型可以提供更短的处理时间并且可需要比执行基于物理的稳态循环平台的一个或多个计算系统更少的处理能力。循环平台可以是计算密集型的，并且可能需要大量的处理能力来运行。通过对循环平台进行建模，机器学习模型可以输出精确的发动机性能接近，而无需处理许多行物理启发代码，该代码通常需要大量的处理能力来运行。因此，可以显著减少处理时间，并且处理资源可以用于其他核心处理功能，以及其他益处。
另外，本公开的一个或多个计算系统的机器学习模型可以提供固定或已知的处理器运行时间。通过使用本公开的机器学习模型中的一个，对于给定的一组输入，存在一个或多个输出，其是加法，乘法和函数调用的函数。也就是说，机器学习模型可以在每个时间点具有固定数量的处理器操作。相反，循环平台通常需要平台收敛(即，发动机的热力循环必须闭合)，其导致长且可变的处理器运行时间。本公开的机器学习模型(例如神经网络)放松了热力学闭合要求并且可以完全基于状态。因此，如上所述，处理时间可以是固定的运行时间。
在另一方面，循环平台也可以接收各种异常值输入，结果，循环平台可能陷入循环中。相反，即使给定异常值输入，本公开的机器学习模型通常可以更稳健并且可以产生合理的输出。由于构建的机器学习模型的架构，模型可能不会陷入循环中。
在另一方面，机器学习模型(例如神经网络)可以与模型接收或获得的输入数量无关。传统的循环平台使用极少量的输入(高度，马赫，环境温度，风扇速度)；然而，通过例如将神经元添加到网络的输入层，可以扩展神经网络以包括任何数量的附加输入。随着涡轮发动机传感器的数量增加，可以包括所感测的数据作为更新模型的输入，从而有助于更准确地预测稳态发动机性能。通过这种方式，机器学习模型可以灵活。
此外，机器学习模型可以是灵活的，因为它们可以容易地在编程语言之间移植并且通常是语言/操作系统无关的，与通常需要特殊应用或软件的循环平台不同。这允许发动机制造商和飞行器制造商或机身制造商(airframers)之间的发动机性能数据的自由数据交换。
所公开的系统和方法还提供了用于在涡轮发动机投入使用之前(即，在发动机已经在现场之前)对涡轮发动机的性能进行建模的改进的处理和方法的技术效果和益处。不是为每个新发动机创造，开发和实施新的基于物理的模型或者调整物理启发的算法，而是可以使用机器学习模型来快速预测虚拟或目标涡轮发动机在某些操作状况(例如飞行器处于平衡或非加速状态的稳态飞行状况)下将如何表现。这种机器学习模型可以比基于物理的循环平台快一个数量级地生成快速结果。机器学习模型的输出可以为工程师和发动机设计人员提供机会以在设计阶段早期优化他们的发动机设计，从而更有效地利用资源。
本主题的进一步方面和优点对于本领域技术人员而言是显而易见的。将参考附图进一步详细讨论本公开的示例性方面。详细描述使用数字和字母标记来指代附图中的特征。附图和说明书中的相同或相似的标记已用于指代本发明的相同或相似的部分。如本文所用，术语“第一”，“第二”和“第三”可互换使用以将一个部件与另一个部件区分开，并且不旨在表示各个部件的位置或重要性。术语“上游”和“下游”是指相对于流体路径中的流体流动的相对流动方向。例如，“上游”是指流体从其流动的流动方向，“下游”是指流体向其流动的流动方向。“HP”表示高压，“LP”表示低压。此外，如本文所用，术语“轴向”或“轴向地”是指沿发动机的纵向轴线的尺度。与“轴向”或“轴向地”结合使用的术语“前”指的是朝向发动机入口的方向，或者与另一个部件相比部件相对更靠近发动机入口。与“轴向”或“轴向地”结合使用的术语“后”指的是朝向发动机喷嘴的方向，或者与另一部件相比部件相对更靠近发动机喷嘴。术语“径向”或“径向地”是指在发动机的中心纵向轴线(或中心线)与外发动机圆周之间延伸的尺度。径向向内是朝向纵向轴线，并且径向向外是远离纵向轴线。
现在转到附图，图1提供了根据本公开的示例性实施例的示例性运载工具10。本公开的系统和方法可以在飞行器(例如，如所示的固定翼飞行器或旋翼飞行器)上实施，或者在其他运载工具(诸如船，潜艇，火车，坦克)和/或包括一个或多个涡轮发动机100的任何其他合适的运载工具上实施。虽然本文中参考飞行器实施方式描述了本公开，但是这仅旨在用作示例而不是限制。例如，本公开的方面可以与其他类型的涡轮发动机(例如发电燃气涡轮发动机或航改式燃气涡轮发动机)一起使用。
在涡轮发动机100的操作期间，涡轮发动机100可以在稳态状况下操作。稳态状况是其中作用在本体(例如飞行器)上的所有力的力矩之和等于零的状况。在飞行空气动力学中，当作用在飞行器上的所有反作用力平衡时，实现稳态状况。也就是说，升力等于重量并且推力等于阻力(即稳定的，未加速的飞行状况)。在飞行包络的各个阶段期间(例如在恒定速率爬升期间，在巡航阶段期间，以及在恒定速率下降期间)可能存在稳态状况。相反，瞬态状况发生在作用于本体的力矩不相等的情况。在飞行空气动力学中，例如，在瞬态状况下，升力不等于重量和/或推力不等于阻力。本公开主要涉及稳态状况，但是在一些示例性实施方式中，本文描述的各种计算系统的机器学习模型也可以被构造为对瞬态状况建模。
图2提供了根据本公开示例性实施例的示例性涡轮发动机100的示意性横截面视图。对于图2的实施例，涡轮发动机100是航空的高旁通涡轮风扇喷气发动机，其构造成安装到运载工具10(图1)或与运载工具10成一体。燃气涡轮发动机100限定轴向方向A(平行于提供用于参考的纵向中心线102或者与其同轴延伸)，径向方向R和周向方向C(即，围绕轴向方向A延伸的方向；未示出)。燃气涡轮发动机100包括风扇区段104和设置在风扇区段104下游的核心涡轮发动机106。
所示的示例性核心涡轮发动机106通常包括基本上管状的外壳108，其限定环形入口110。外壳108以串行流动关系包围：压缩机区段112，其包括第一增压器或LP压缩机114和第二HP压缩机116；燃烧区段118；涡轮区段120，其包括第一HP涡轮122和第二LP涡轮124；喷射排气喷嘴区段126。HP轴或线轴128将HP涡轮122驱动地连接到HP压缩机116。LP轴或线轴130将LP涡轮124驱动地连接到LP压缩机114。压缩机区段112，燃烧区段118，涡轮区段120和喷射排气喷嘴区段126一起限定通过核心涡轮发动机106的核心空气流动路径132。
风扇区段104包括风扇134，风扇134具有以周向间隔开的方式联接到盘138的多个风扇叶片136。如图所示，风扇叶片136大致沿径向方向R从盘138向外延伸。风扇叶片136和盘138一起可通过越过动力齿轮箱142的LP轴130绕纵向中心线102旋转。动力齿轮箱142包括多个齿轮，用于降低LP轴130的旋转速度，以获得更有效的旋转风扇速度。
仍然参照图2的示例性实施例，盘138由可旋转的旋转器144覆盖，旋转器144在空气动力学上成形为促进通过多个风扇叶片136的气流。另外，示例性风扇区段104包括环形风扇壳或外机舱146，其周向地围绕风扇134和/或核心涡轮发动机106的至少一部分。此外，机舱146通过多个周向间隔开的出口导向轮叶148相对于核心涡轮发动机106被支撑。此外，机舱146的下游区段150在核心涡轮发动机106的外部分上延伸，以在其间限定旁路气流通道152。
在燃气涡轮发动机100的操作期间，一定量的空气154通过机舱146和/或风扇区段104的相关入口156进入燃气涡轮发动机100。当一定量的空气154穿过风扇叶片136时，如箭头158所示的第一部分空气154被引导或导向到旁路气流通道152中，并且如箭头160所示的第二部分空气154被引导或导向到核心涡轮发动机106的LP压缩机114中。然后，随着第二部分空气160被导向通过HP压缩机116并进入燃烧区段118，第二部分空气160的压力增加。
从压缩机区段112排出的压缩的第二部分空气160与燃料混合并在燃烧区段118内燃烧以提供燃烧气体162。燃烧气体162沿着热气路径174从燃烧区段118导向通过HP涡轮122，其中来自燃烧气体162的一部分热能和/或动能经由联接到外壳108的HP涡轮定子轮叶164和联接到HP轴或线轴128的HP涡轮转子叶片166的连续级提取，因此使HP轴或线轴128旋转，从而支持HP压缩机116的操作。然后，燃烧气体162被导向通过LP涡轮124，其中经由联接到外壳108的LP涡轮定子轮叶168和联接到LP轴或线轴130的LP涡轮转子叶片170的连续级从燃烧气体162中提取第二部分热能和动能，因此使LP轴或线轴130旋转，从而支持LP压缩机114的操作和/或风扇134的旋转。
随后，燃烧气体162被导向通过核心涡轮发动机106的喷射排气喷嘴区段126，以提供推进推力。同时，随着第一部分空气158在从燃气涡轮发动机100的风扇喷嘴排气区段172排出之前被导向通过旁路气流通道152，第一部分空气158的压力显著增加，也提供推进推力。HP涡轮122，LP涡轮124和喷射排气喷嘴区段126至少部分地限定热气路径174，用于将燃烧气体162导向通过核心涡轮发动机106。
仍然参考图2，应当理解，可以参考某些站(station)来描述涡轮发动机100，这些站可以是例如SAE标准AS 755-D中所述的站。如图所示，站可包括风扇入口主气流20，风扇入口辅助气流12，风扇出口导向轮叶出口13，HP压缩机入口25，HP压缩机排出口30，HP涡轮入口40，LP涡轮入口45，LP涡轮排出口49和涡轮框架出口50。每个站可具有与涡轮发动机100的特定站相关联的某些温度T，压力P，质量流率W，燃料流量Wf等。例如，LP涡轮入口45处的一部分空气154可具有表示为T45的某一温度，表示为P45的压力和表示为W45的质量流量。如进一步所示，风扇速度N1代表LP轴或线轴130的旋转速度，并且核心速度N2代表HP轴或线轴128的旋转速度。
图3提供了根据本公开的示例性实施例的示例性飞行器200和计算系统300的示意图。仅作为示例提供图3中示出的计算系统300。图3中示出的部件，系统，连接和/或其他方面是可选的，并且被提供为实施本公开的可能但不是必需的示例。如图所示，示例性计算系统300可包括位于示例性飞行器200上的运载工具计算系统250，循环平台计算系统310，训练计算系统320和发动机性能计算系统330，它们通过网络340通信地联接。在一些实施方式中，发动机性能计算系统330可以包括在运载工具计算系统250中或以其他方式物理地位于飞行器200上。
飞行器200包括一个或多个发动机100，机身202，驾驶舱204，用于向机组人员显示信息的显示器206，以及构造成控制一个或多个发动机100的一个或多个发动机控制器210。例如，如图3所示，飞行器200包括由其各自的控制器210控制的两个发动机100。对于该实施例，飞行器200包括安装到飞行器200的每个机翼或与飞行器200的每个机翼成一体的一个发动机100。每个发动机控制器210可包括例如全权数字发动机控制(FADEC)的电子发动机控制器(EEC)或电子控制单元(ECU)。每个发动机控制器210包括用于执行各种操作和功能(例如用于从一个或多个发动机或飞行器传感器收集和存储飞行数据)的各种部件。
尽管未示出，但每个发动机控制器210可包括一个或多个处理器和一个或多个存储器设备。一个或多个处理器可以包括任何合适的处理设备，例如微处理器，微控制器，集成电路，逻辑设备和/或其他合适的处理设备。一个或多个存储器设备可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质，RAM，ROM，硬盘驱动器，闪存驱动器和/或其他存储器设备。
一个或多个存储器设备可以存储可由一个或多个处理器访问的信息，包括可以由一个或多个处理器执行的计算机可读指令。该指令可以是任何指令集，其当其由一个或多个处理器执行时使一个或多个处理器执行操作。该指令可以是以任何合适的编程语言编写或者可以在硬件中实施的软件。附加地和/或替代地，该指令可以在处理器上的逻辑和/或虚拟分离的线程中执行。
存储器设备可以进一步存储可以由一个或多个处理器访问的数据。例如，该数据可包括从各种发动机传感器收集的飞行数据。例如，飞行数据可以包含用于各种飞行任务的过去飞行历史。具体地，过去飞行数据可以包括指示操作期间涡轮发动机100的操作状况的操作参数。该数据还可以包括本文所示和/或描述的其他数据集，参数，输出，信息等。
发动机控制器210还可以包括用于例如与飞行器200的其他部件通信的通信接口(例如，经由通信网络230)。通信接口可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射器，接收器，端口，控制器，天线和/或其他合适的部件。
发动机控制器210与飞行器200的通信网络230通信地联接。通信网络230可以包括例如局域网(LAN)，广域网(WAN)，SATCOM网络，VHF网络，HF网络，Wi-Fi网络，WiMAX网络，网关网络(gatelinknetwork)，和/或用于传输到飞行器200和/或来自飞行器200(例如到云计算环境和/或机外计算系统)的消息的任何其他合适的通信网络。这种网络环境可以使用各种各样的通信协议。通信网络230可以包括数据总线或有线和/或无线通信链路的组合。通信网络230还可以通过一个或多个通信电缆240或通过无线方式联接到一个或多个控制器210。一个或多个控制器210可以被构造为经由通信网络230与运载工具计算系统250的一个或多个计算设备251通信。
如图3所示，运载工具计算系统250可包括一个或多个计算设备251。计算设备251可以包括一个或多个处理器252和一个或多个存储器设备253。一个或多个处理器252可以包括任何合适的处理设备，例如微处理器，微控制器，集成电路，逻辑设备和/或其他合适的处理设备。一个或多个存储器设备253可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质，RAM，ROM，硬盘驱动器，闪存驱动器和/或其他存储器设备。
一个或多个存储器设备253可以存储可由一个或多个处理器252访问的信息，包括可以由一个或多个处理器252执行的计算机可读指令254。指令254可以是任何指令集，当其由一个或多个处理器252执行时，使得一个或多个处理器252执行操作。在一些实施例中，指令254可以由一个或多个处理器252执行以使一个或多个处理器252执行操作，诸如计算设备251被构造用于的任何操作和功能。指令254可以是以任何合适的编程语言编写或者可以在硬件中实施的软件。附加地和/或替代地，指令254可以在处理器252上的逻辑和/或虚拟分离的线程中执行。
存储器设备253还可以存储可以由一个或多个处理器252访问的数据255。例如，数据255可以包括通过通信网络230经由一个或多个通信链路240从发动机控制器210传输到运载工具计算系统250的飞行数据。例如，飞行数据可以存储在飞行数据库260中，该飞行数据可以下载或传输到如本文进一步描述的其他计算系统。
计算设备251还可以包括通信接口256，用于例如与飞行器200的其他部件通信(例如，经由通信网络230)。通信接口256可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射器，接收器，端口，控制器，天线和/或其他合适的部件。
循环平台计算系统310可包括一个或多个计算设备311。计算设备311可以包括一个或多个处理器312和一个或多个存储器设备313。一个或多个处理器312可以包括任何合适的处理设备，例如微处理器，微控制器，集成电路，逻辑设备和/或其他合适的处理设备。一个或多个存储器设备313可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质，RAM，ROM，硬盘驱动器，闪存驱动器和/或其他存储器设备。
一个或多个存储器设备313可以存储可由一个或多个处理器312访问的信息，包括可以由一个或多个处理器312执行的计算机可读指令314。指令314可以是任何指令集，当其由一个或多个处理器312执行时，使得一个或多个处理器312执行操作。在一些实施例中，指令314可以由一个或多个处理器312执行以使一个或多个处理器312执行操作，诸如用于处理飞行数据和输出发动机性能数据的操作。指令314可以是以任何合适的编程语言编写或者可以在硬件中实施的软件。附加地和/或替代地，指令314可以在处理器312上的逻辑和/或虚拟分离的线程中执行。
存储器设备313还可以存储可以由一个或多个处理器312访问的数据315。计算设备311还可以包括通信接口316，用于例如通过网络340与其他计算设备或系统通信。通信接口316可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射器，接收器，端口，控制器，天线和/或其他合适的部件。
循环平台计算系统310的一个或多个计算设备311可以包括循环平台模型317，例如稳态循环平台。在一些示例性实施例中，循环平台模型317是用于对飞行器的燃气涡轮发动机的性能建模的计算热力学模型。此外，在一些实施方式中，循环平台317是基于物理的模型。一种这样的基于物理的循环平台模型可以是由德克萨斯州圣安东尼奥市(SanAntonio,Texas)的西南研究所(Southwest Research)拥有的数字推进系统模拟(NPSS)模型(Numerical Propulsion System Simulationmodel)。
在一些实施方式中，指示在操作期间飞行器的燃气涡轮发动机的操作状况的飞行数据的数据集可以输入到循环平台137中。数据可以由循环平台计算系统310的一个或多个计算设备311的一个或多个处理器312处理。在处理之后，可以生成指示在操作期间涡轮发动机的性能的一个或多个性能指标作为循环平台137的输出。然后，诸如质量流量W，站温度T或压力P，燃料流量Wf等的性能指标可用于分析，发动机的进一步建模等。例如，飞行数据可以指示在飞行包络的一个或多个点上涡轮发动机的稳态状况。
机器学习计算系统或该实施例的发动机性能计算系统330可包括一个或多个计算设备331。每个计算设备331可以包括一个或多个处理器332和存储器333。一个或多个处理器332可以是任何合适的处理设备(例如，处理器核心，微处理器，ASIC，FPGA，控制器，微控制器等)，并且可以是一个处理器或者操作地连接的多个处理器。存储器333可以包括一个或多个存储器设备，非暂时性计算机可读存储介质，诸如RAM，ROM，EEPROM，EPROM，闪存设备，磁盘等，以及它们的组合。存储器333可以存储数据335和可由处理器332执行的指令334，以使发动机性能计算系统330执行操作。发动机性能计算系统330还可以包括通信接口336，其包括用于与一个或多个网络接口以与另一系统(例如，运载工具计算系统250，循环平台计算系统310，训练计算系统320等)通信的任何合适的部件。
发动机性能计算系统330可以存储或以其他方式包括一个或多个机器学习模型337。例如，模型337可以是或可以以其他方式包括各种机器学习模型，例如神经网络(例如，深度递归神经网络)或其他多层非线性模型。在一些示例性实施例中，机器学习模型337可以被构造为接近涡轮发动机的稳态性能。
更具体地，在一些实施方式中，发动机性能计算系统330和/或其他计算系统可以经由与通过网络340通信地联接的训练计算系统320的交互来训练模型337。在一些实施例中，训练计算系统320可以与发动机性能计算系统330分离，或者可以是发动机性能计算系统330的一部分。
训练计算系统320包括一个或多个计算设备321。每个计算设备321可以包括一个或多个处理器322和一个或多个存储器设备323。一个或多个处理器322可以是任何合适的处理设备(例如，处理器核心，微处理器，ASIC，FPGA，控制器，微控制器等)，并且可以是一个处理器或者操作地连接的多个处理器。存储器323可以包括一个或多个存储器设备，非暂时性计算机可读存储介质，诸如RAM，ROM，EEPROM，EPROM，闪存设备，磁盘等，以及它们的组合。存储器323可以存储数据325和由处理器322执行的指令324，以使计算设备321的处理器322执行操作。在一些实施方式中，训练计算系统320可以包括一个或多个发动机性能计算设备330或以其他方式由一个或多个发动机性能计算设备330实施。训练计算系统320还可以包括通信接口326，其包括用于与一个或多个网络接口以与另一系统通信的任何合适的部件。
训练计算系统320可以包括模型训练器327，其使用各种训练或学习技术(例如，误差的反向传播)训练模型337。在一些实施方式中，可以在一组标记的训练数据上使用监督训练技术。在一些实施方式中，执行误差的反向传播可以包括执行通过时间截断的反向传播。模型训练器327可以执行许多通用技术(例如，权重衰减，丢失等)以改进正被训练的模型337的通用能力。
模型训练器327可以基于一组训练数据328训练模型337。训练数据328可包括例如多个循环平台输入和相应的循环平台输出。在一些实施方式中，与飞行器的一个或多个发动机或发动机机群相对，用于创建训练数据328的循环平台输入可以严格地从一个燃气涡轮发动机获取，使得可以评估该特定发动机的发动机性能。以这种方式，可以训练模型337以确定或生成特定于该涡轮发动机的发动机性能的接近。
网络340可以是任何类型的通信网络，例如局域网(例如，内联网)，广域网(例如，因特网)或其某种组合，并且可以包括任何数量的有线或无线链路。通常，通过网络340的通信可以使用各种通信协议(例如，TCP/IP，HTTP，SMTP，FTP)，编码或格式(例如，HTML，XML)，和/或保护方案(例如，VPN，安全HTTP，SSL)，经由任何类型的有线和/或无线连接来承载。
图3示出了可用于实施本公开的一个示例计算系统300。也可以使用其他计算系统。例如，在一些实施方式中，运载工具计算系统250可包括模型训练器327和训练数据328。在这样的实施方式中，模型337可以被训练并且在运载工具计算系统250处本地使用。作为另一示例，在一些实施方式中，运载工具计算系统250未连接到其他计算系统并且可以执行飞行器200上的所有操作。
图4提供了根据本公开示例性实施例的示例性计算系统300的流程图。计算系统300被示为包括训练部分301和接近部分302。
如图所示，训练部分301包括被构造为输入到循环平台计算系统310中的数据集350。数据集350包括指示操作期间涡轮发动机的操作状况的一个或多个操作参数352。举例来说，一个或多个操作参数352可包括风扇速度，高度，马赫数，环境温度等。例如，可以从一组数据收集设备(例如一组发动机传感器)获得，获取或以其他方式接收这些各种操作参数352。
数据集350可以存储在计算系统300的计算设备之一的一个或多个存储器设备上。例如，数据集350可以存储在运载工具计算系统250的计算设备251之一的存储器设备253的飞行数据库260中。例如，数据集350可以经由网络340传输到循环平台计算系统310或以其他方式由循环平台计算系统310获得。应当理解，数据集350可以在被输入到循环平台317之前被预处理。
将数据集的至少一部分输入到循环平台317中。数据由循环平台计算系统310的计算设备311之一的一个或多个处理器312处理。可以生成一个或多个性能指标354作为循环平台317的一个或多个输出。性能指标354可以是例如核心速度，质量流量，一个或多个站温度或压力，或者不能或不能容易地利用当前技术计算的任何其他性能指标，例如各种间隙和失速裕度。然后，生成或输出的性能指标354可以用于数据分析或作为其他模型(例如损伤模型，劣化模型和/或提升模型)的输入。在图4所示的示例中，性能指标354被输入到损伤模型356中。
如前所述，虽然基于物理的循环平台317通常可以生成稳态发动机性能的准确表示，但是它们可能难以部署。
如图4中进一步所示，输入或者在该示例中的操作参数352，和输出或者在该示例中的性能指标354，可以用作训练数据328和/或验证数据329以训练和/或验证模型337。特别地，数据集350的操作参数352可以用作循环平台输入358，用于训练和验证模型337。作为循环平台317的输出而产生的性能指标354可以用作输入到模型337或模型训练器327中的一个或多个循环平台输入358的预期值或目标值，在此表示为循环平台输出360。以这种方式，例如，为了训练模型337，可以将循环平台输入358输入到模型或模型训练器327中并且将生成输出。然后可以将模型的输出与循环平台输出360进行比较，从而可以计算误差Δ。然后，使用任何合适的训练或统计技术，例如模型是神经网络的前馈-反向传播技术，可以调整模型337的权重，使得模型的输出可以在特定的误差范围(例如+/-1％)内与循环平台输出360匹配。训练处理可以迭代直到达到这样的令人满意的误差范围。以这种方式，机器学习模型可以在针对训练数据集的任意好的精度内构建。
循环平台输入358的至少一部分及其对应的循环平台输出360可以被划分为验证数据集329。验证数据集329可以通过模型337和/或模型训练器327馈送，以验证模型337即使在呈现有新的输入数据时也将表现准确。以这种方式，可以证实模型337的准确性。当训练完成并且模型337被验证时，模型337被构造为循环平台317的模型；并且因此，该模型被构造为接近一个或多个涡轮发动机的发动机性能。
训练301可以是临时的或正在进行的。例如，训练301可以仅在计算系统300的设置或安装期间发生。附加地或替代地，训练301可以在计算系统300的标准操作期间(例如，在接近302期间)继续，以改善一个或多个燃气涡轮发动机的发动机性能的接近。
接近部分102包括数据集351。例如，数据集351可以是尚未通过模型337馈送的新数据集。类似于在训练部分301中使用的数据集350，新数据集351可以从相同或扩展的一组数据收集设备(例如发动机传感器)接收。此外，与数据集350相似，新数据集351可包括多个操作参数352，其指示在操作期间涡轮发动机的一个或多个操作状况。
发动机性能计算系统330的计算设备331中的一个或多个接收或以其他方式获得数据集351，并且新数据集351的至少一部分被输入到模型337中。在一些示例性实施例中，机器学习模型337是神经网络。在图5中更详细地示出了一个这样的神经网络。
图5提供了根据本公开的示例性实施例的被训练以输出涡轮发动机的稳态发动机性能的接近的示例性神经网络。对于该实施例，神经网络包括输入层，隐藏层和输出层。尽管仅示出了一个隐藏层，但是应当理解，神经网络中可以包括多于一个的隐藏层。输入层包括四个神经元，隐藏层包括五个神经元，输出层包括一个神经元。应当理解，可以在每层中包括任何合适数量的神经元，并且图5的示例是出于示例性目的，并且不应该被解释为以任何方式进行限制。输入和隐藏层的神经元之间以及隐藏层和输出层之间，显示了在它们之间延伸的各种突触。如本领域技术人员将理解的，每个突触具有与其相关的特定权重。
如图所示，包括一个或多个操作参数352的数据集351被输入到网络中。具体地，在飞行包络的一个或多个点上的涡轮发动机的风扇速度，马赫数，高度和环境温度被输入到神经网络的输入层的它们的相应神经元中。当输入通过网络被前馈时，一组第一权重w1被应用于输入值，每个第一权重w1对于每个突触连接可以是不同的。然后，隐藏层的每个神经元将来自输入层和隐藏层之间的其相应突触的输出相加，并应用激活函数。此后，来自激活函数的值被前馈向输出层，其中一组第二权重w2被应用于隐藏层的激活函数的输出，每个第二权重w2对于每个突触连接可以是不同的。输出层的神经元接收来自突触连接的值，并且同样应用激活函数以呈现网络的输出。在该示例中，网络的输出是涡轮发动机的一个或多个性能指标354。举例来说，如图所示，性能指标可以是HP压缩机排气温度T30，HP涡轮入口压力P40或核心速度N2。预期其他合适的性能指标。
发动机性能计算系统330可以接收涡轮发动机的一个或多个性能指标354。由于至少部分地基于循环平台317训练模型337，性能指标354接近涡轮发动机的性能。在用于训练的循环平台317是稳态循环平台的情况下，性能指标354接近涡轮发动机的稳态性能。
现在返回图4，性能指标354可以传输到损伤模型356或以其他方式由损伤模型356获得。应当理解，生成或输出的性能指标354还可以用于数据分析或用作其他类型的模型(例如劣化模型和/或提升模型)的输入。
图6提供了根据本公开示例性实施例的用于涡轮发动机的稳态性能接近的示例性方法(600)的流程图。方法(600)中的一些或全部可以由本文描述的发动机性能计算系统330的计算设备331之一或计算系统300的任何其他计算设备来实施。方法(600)中的一些或全部可以在飞行器200上，并且在飞行器200操作时(例如当飞行器200在飞行时)执行。附加地或替代地，方法(600)中的一些或全部可以在飞行器200未操作时和/或在飞行器200外执行。此外，图6以特定顺序描绘了方法(600)以用于说明和讨论的目的。应当理解，在不脱离本主题的范围的情况下，可以以各种方式修改，调整，扩展，重新布置和/或省略示例性方法(600)。
在(602)处，示例性方法(600)包括通过一个或多个计算设备接收数据集351，该数据集351包括指示在操作期间涡轮发动机100的操作状况的一个或多个操作参数352。
例如，在一些实施方式中，数据集352的一个或多个操作参数352可以包括以下中的至少一个：风扇速度，高度，环境温度和飞行器马赫数。在涡轮发动机100安装到旋翼飞行器或与旋翼飞行器成一体的情况下，示例性操作参数352可包括向前空速，请求扭矩和/或所需动力。对于军事应用，核心速度N2也可以是操作参数，因为风扇速度N1和核心速度N2可能由于增加的节气门运动而不是线性关系。
在(604)处，示例性方法(600)包括通过一个或多个计算设备将数据集351的至少一部分输入到神经网络337中。在一些示例性实施方式中，神经网络至少部分地基于通过稳态循环平台来训练。稳态循环平台可以是基于物理的模型，其被构造为对发动机性能建模。
在(606)处，示例性方法(600)包括通过一个或多个计算设备接收涡轮发动机100的一个或多个性能指标354作为神经网络337的输出，其中神经网络337构造成接近涡轮发动机100的稳态性能。在一些实施方式中，性能指标354包括以下中的至少一个：质量流量，一个或多个站温度或压力，以及核心速度。然后，接近涡轮发动机100的发动机性能的性能指标354可以通过一个或多个计算设备提供给损伤模型356等。
图7提供了根据本公开的示例性实施例的用于训练神经网络的示例性方法(700)的流程图，该神经网络被构造成接近涡轮发动机的稳态性能。方法(700)中的一些或全部可以由本文描述的计算系统330的一个或多个计算设备实施。方法(700)中的一些或全部可以在飞行器200上且在飞行器200操作时(例如当飞行器200在飞行时)执行。或者，方法(700)中的一些或全部可以在飞行器200未操作时和/或在飞行器200外执行。此外，图7以特定顺序描绘方法(700)以用于说明和讨论的目的。应当理解，在不脱离本主题的范围的情况下，可以以各种方式修改，调整，扩展，重新布置和/或省略示例性方法(700)。
在(702)处，示例性方法(700)包括通过一个或多个计算设备将训练数据集328的至少一部分输入到神经网络337中，训练数据集328指示在操作期间涡轮发动机100的稳态操作状况，训练数据集328包括稳态循环平台317的一个或多个循环平台输入358和一个或多个循环平台输出360，每个循环平台输出360对应于循环平台输入358中的一个或多个。
在(704)处，示例性方法(700)包括通过一个或多个计算设备接收涡轮发动机100的一个或多个性能指标354作为神经网络337的输出，其中神经网络337的输出被构造为接近涡轮发动机100的稳态性能。
在(706)处，示例性方法(700)包括通过一个或多个计算设备至少部分地基于误差Δ来训练神经网络337，该误差Δ描述神经网络337的输出(即，性能指标354)和对应于输入到神经网络337中的循环平台输入358中的一个或多个的循环平台输出360之间的差异。
在一些实施方式中，在训练之后，重复方法(700)至少直到描述神经网络337的输出和对应于循环平台输入358中的一个或多个的循环平台输出360之间的差异的误差Δ大约在阈值百分比(例如，正或负百分之一(1))内。在其他示例性实施方式中，重复方法(700)至少直到描述神经网络337的输出和对应于循环平台输入358中的一个或多个的循环平台输出360之间的差异的误差Δ大约在正或负百分之二(2)内，大约在正或负百分之三(3)内，大约在正或负百分之四(4)内，或大约在正或负百分之五(5)内。
在一些示例性实施方式中，可以验证模型337(即，神经网络)。具体地，在训练之后，该方法还包括通过一个或多个计算设备接收指示操作期间涡轮发动机100的稳态操作状况的验证数据集329，验证数据集包括稳态循环平台317的一个或多个循环平台输入358和一个或多个循环平台输出360，每个循环平台输出360对应于循环平台输入358中的一个或多个。在接收之后，方法(700)还可以包括通过一个或多个计算设备将验证数据集329的循环平台输入358的至少一部分输入到神经网络337中。此后，方法(700)包括通过一个或多个计算设备接收涡轮发动机100的一个或多个性能指标354作为神经网络337的输出。一旦接收到性能指标354，方法(700)还包括通过一个或多个计算设备确定误差Δ，该误差Δ描述神经网络337的输出和对应于输入到神经网络337中的验证数据集329的循环平台输入358中的一个或多个的循环平台输出360之间的差异。最后，方法(700)还可以包括通过一个或多个计算设备确定描述神经网络337的输出和对应于循环平台输入358中的一个或多个的循环平台输出360之间的差异的误差Δ是否大约在正或负百分之一(1)内。如果误差Δ在正或负百分之一(1)内，则在一些实施例中，模型337被认为已验证。
在其他示例性实施方式中，机器学习模型337是神经网络。神经网络包括输入层，隐藏层和输出层，隐藏层可以包括一个或多个隐藏层节点。并且如果误差Δ不在大约正或负百分之一(1)内，则方法(700)还包括通过一个或多个计算设备调整隐藏层节点的数量。
在本公开的另一示例性方面，提供了包括和/或利用神经网络，或更广泛地，包括和/或利用机器学习模型以接近“虚拟”或目标涡轮发动机的稳态性能的系统和方法。神经网络可以为非现场涡轮发动机提供“虚拟进入服务”。图8提供了根据本公开的示例性实施例的用于至少部分地基于被构造为接近参考涡轮发动机的稳态性能的参考神经网络来接近目标涡轮发动机的稳态性能的流程图。
如图8所示，参考涡轮发动机500安装到参考飞行器502的翼或与其成一体。虽然未示出，但是参考涡轮发动机500包括一个或多个传感器和一个或多个发动机控制器，用于从参考涡轮发动机500的传感器收集数据。从传感器收集的数据可以代表在飞行包络上的特定点处参考涡轮发动机500的一个或多个操作参数，例如风扇速度N1，高度，马赫数和环境温度。发动机控制器可以将飞行数据存储在其存储器设备中的一个或多个中，或者数据可以被传输到参考飞行器502的计算设备或以其他方式由参考飞行器502的计算设备获得。计算设备可以将飞行数据存储在飞行数据库260中，例如，使得该数据可以通过机载或机外计算系统下载，传输或以其他方式获得。
参考涡轮发动机500可以在特定推力等级内，例如20,000-35,000lbf，18,000-24,000lbf等。而且，应当理解，参考飞行器502的机身可以具有独特的结构几何形状和特性。例如，参考飞行器502的机身可以具有某一大小，形状和重量，并且可以以某一种方式布置。参考飞行器502的机身可以由某些材料制成，并且可以以特定方式在空气动力学上成型。另外，参考飞行器502的机身可具有某一燃料容量，范围和扭转特性，以及应力能力，以及其他机身特性。此外，参考飞行器502的机身可具有特定用途。可以使用感测的，测量的或预测的飞行数据在单独的飞行器基础上跟踪飞行用途。飞行数据可以包括来自应变和/或应力传感器，或者可以从其中导出的数据。飞行数据可用于对具有特定用途的参考飞行器502进行分类。举例来说，商用飞行器可分为载货，载客等。
在一些实施例中，在选择参考神经网络508以接近特定目标涡轮发动机的稳态性能时，参考神经网络508至少部分地通过比较目标飞行器522的机身(或其建议的设计)来选择，其中目标涡轮发动机520将被安装到参考飞行器502的机身或与其成一体。如果参考飞行器502的机身与目标飞行器522的机身(或建议的机身)相同或相似，则选择参考神经网络508用于接近目标涡轮发动机520的发动机性能。
在一些示例性实施方式中，在选择参考神经网络508以接近特定目标涡轮发动机的稳态性能时，至少部分地通过将目标涡轮发动机520的推力等级(例如，18,000-24,000lbf)(或其建议的推力等级)与参考涡轮发动机500的推力等级进行比较来选择参考神经网络508。如果参考涡轮发动机500的推力等级与目标涡轮发动机520(或建议的推力等级)相同或相似，则选择参考神经网络508用于接近目标涡轮发动机520的发动机性能。
在其他实施方式中，在选择参考神经网络508以接近特定目标涡轮发动机的稳态性能时，至少部分地通过将目标涡轮发动机520的最大推力(或其建议的最大推力)与参考涡轮发动机500的最大推力进行比较来选择参考神经网络508。例如，在一些实施例中，在目标涡轮发动机520的最大推力(或其设计的最大推力)在参考涡轮发动机500的最大推力的约20,000lbf内的情况下，选择参考神经网络508以接近目标涡轮发动机520的稳态性能。在其他示例中，在目标涡轮发动机520的最大推力(或其设计的最大推力)在参考涡轮发动机500的最大推力的约15,000lbf，约10,000lbf，或约5,000lbf内的情况下，选择参考神经网络508以接近目标涡轮发动机520的稳态性能。以这种方式，参考神经网络508可以更精确地对目标涡轮发动机520的发动机性能建模。
在其他示例性实施方式中，在选择参考神经网络508以接近特定目标涡轮发动机的稳态性能时，至少部分地通过将目标飞行器522的建议用途与参考飞行器502的用途进行比较来选择参考神经网络508。如果参考飞行器502的用途与目标飞行器的建议用途相同或相似，则选择参考神经网络508用于接近目标涡轮发动机520的发动机性能。例如，在目标飞行器522被设计为载客飞行器的情况下，可以选择参考神经网络508，其接近参考涡轮发动机500的发动机性能，参考涡轮发动机500安装到被构造为载客飞行器的参考飞行器502或与其成一体。
仍然参考图8，在通过飞行器传感器，数据收集设备或其他反馈设备收集飞行数据之后，飞行数据被存储在飞行数据库260中，如上所述。飞行数据库260存储参考数据集504，参考数据集504包括指示在操作期间参考涡轮发动机500的操作状况的一个或多个参考操作参数506。在该示例中，参考操作参数506包括飞行包络的一个或多个点上的参考风扇速度N1R，参考高度AltR，参考马赫数MachR和参考环境温度Amb.TR。
如图所示，参考数据集504被转换为目标数据集524。具体地，参考操作参数506中的一个或多个被转换成目标操作参数526。通过利用用于训练参考神经网络的稳态循环平台和一种或多种统计或机器学习技术，可以将参考操作参数转换成目标操作参数。
作为示例，如图8所示，参考风扇速度N1R被转换为目标风扇速度N1T。首先，可以在特定参考涡轮发动机500的推力范围内以某些间隔选择一系列推力。然后，利用用于训练参考神经网络508的稳态循环平台，可以用于计算在各种选定的推力下参考涡轮发动机500的风扇速度是多少。因此，对于参考涡轮发动机500，在选定的推力下的风扇速度是已知的。
然后，确定目标涡轮发动机520的所选推力的风扇速度。为此，目标涡轮发动机520的发动机规格被输入稳态循环平台。具体而言，目标发动机风扇规格和相关的发动机设计特性可以输入到循环平台中。循环平台可用于计算目标涡轮发动机520的风扇速度是多少以实现所选推力。
然后，一旦参考涡轮发动机500和目标涡轮发动机520的风扇速度对于所选推力是已知的，则可以使用回归分析来确定在整个飞行包络上某些操作状况下的推力的风扇速度。除了回归技术之外，其他技术(诸如一种或多种外推和/或内插技术)可单独使用或与回归技术结合使用，以至少部分地基于飞行包络的一个或多个点上的参考操作参数之间已知的关系来推断和/或确定目标操作参数526。应当理解，除了风扇速度之外的其他“相关器”可以用于将参考操作参数506转换成目标操作参数526。例如，提取的扭矩或动力可以用作相关器。
对于飞行包络的该特定点，剩余的参考操作参数506(即，参考高度AltR，参考马赫数MachR和参考环境温度Amb.TR)可以保持相同。参考操作参数506和现在的目标风扇速度N1T(统称为目标操作参数526)可以输入到如图8所示的参考神经网络508中。例如，发动机性能计算系统330的一个或多个计算设备331的一个或多个处理器332可以处理转换(图3)。
应当理解，可以以与上面关于风扇速度描述的类似方式转换多于一个的参考操作参数506。例如，在考虑用于旋翼飞行器的目标涡轮发动机的情况下，可以将参考请求扭矩和/或请求动力转换成目标请求动力和/或请求动力。
可以通过任何数量的统计或机器学习模型或技术将参考操作参数506转换为目标操作参数526。在一些实施例中，例如，回归分析可用于将参考操作参数506转换成目标操作参数526。在一些实施例中，目标操作参数526可以通过一种或多种外推和/或内插技术，至少部分地基于已知的参考操作参数506以及它们在飞行包络上的一个或多个点的关系来推断或接近。
在将参考数据集504转换为目标数据集524之后，将目标数据集524的至少一部分输入到参考神经网络508中。如图所示，目标数据集524的目标操作参数526被输入到参考神经网络337的输入层。
此后，接收或生成指示目标涡轮发动机520的稳态性能的一个或多个目标性能指标530作为参考神经网络337的输出。示例性性能指标包括目标HP压缩机排气温度T30T，HP涡轮入口压力P40T和核心速度N2T。发动机性能计算系统330的一个或多个计算设备331可以接收和/或生成目标性能指标530(图3)。
参考神经网络508的输出可以用于目标分析532，例如，提升模型，损伤模型，低循环疲劳(LCF)模型，高循环疲劳(HCF)模型，热机械疲劳(TMF)，蠕变，破裂，腐蚀等。并且基于这些目标分析532的输出，可以在设计处理中更早地对目标涡轮发动机520进行必要的设计改进和改变，以及其他益处。
在一些示例性实施方式中，参考神经网络508可以被训练或重新训练为目标神经网络528。为了将参考神经网络508训练为目标神经网络528，可以如上所述使用一种或多种监督训练技术。特别地，当来自目标涡轮发动机520的数据变得可用时，该数据可用于将参考神经网络508训练或重新训练为目标神经网络528。
在一个示例中，包括指示操作期间目标涡轮发动机520的操作状况的操作参数的数据集可以被馈送到稳态循环平台，该稳态循环平台被构造为对现场目标涡轮发动机520的稳态性能进行建模。循环平台输入(即，与飞行包络上的特定点相关联的操作参数)和对应于那些输入的循环平台的一个或多个输出可以用作训练数据集，并且可以进一步划分为验证数据集。训练/验证数据集可用于连续地或以某些间隔训练或重新训练参考神经网络508，使得参考神经网络508被训练为目标神经网络528。
图9描绘了根据本公开的示例性实施例的用于至少部分地基于被构造为接近参考涡轮发动机的稳态性能的参考神经网络来接近目标涡轮发动机的稳态性能的示例性方法(900)的流程图。方法(900)中的一些或全部可以由本文描述的发动机性能计算系统330的计算设备331或计算系统300的任何其他计算设备中的一个来实施。另外，图9以特定顺序描绘了方法(900)用于说明和讨论的目的。应当理解，在不脱离本主题的范围的情况下，可以以各种方式修改，调整，扩展，重新布置和/或省略示例性方法(900)。
在(902)处，示例性方法(900)包括通过一个或多个计算设备将参考数据集504转换为目标数据集524，参考数据集504包括指示在操作期间参考涡轮发动机500的稳态操作状况的一个或多个操作参数506，并且在转换之后目标数据集524指示目标涡轮发动机520的稳态操作状况的接近。在一些实施方式中，目标涡轮发动机520是非现场虚拟发动机。
在(904)处，示例性方法(900)包括通过一个或多个计算设备将目标数据集524的至少一部分输入到参考神经网络508中。
在(906)处，示例性方法(900)包括通过一个或多个计算设备接收一个或多个目标性能指标530作为参考神经网络508的输出，一个或多个目标性能指标530指示目标涡轮发动机520的稳态性能。
在一些示例性实施例中，参考神经网络508可以被训练或重新训练为目标神经网络528。为了将参考神经网络508训练为目标神经网络528，可以使用一种或多种监督训练技术。特别地，当来自目标涡轮发动机520的数据变得可用时，该数据可用于将参考神经网络508训练或重新训练为目标神经网络528。
本文讨论的技术参考计算设备，数据库，软件应用和其他基于计算机的系统，以及所采取的动作和发送到这些系统以及从这些系统发送的信息。本领域普通技术人员将认识到，基于计算机的系统的固有灵活性允许部件之间和部件之中的各种可能的构造，组合以及任务和功能的划分。例如，这里讨论的计算机实施的处理可以使用单个计算设备或组合工作的多个计算设备来实施。数据库和应用可以在单个系统上实施，或跨多个系统分布。分布式部件可以顺序或并行操作。此外，这里讨论的在远离运载工具的计算设备处执行的计算任务可以替代地在运载工具处(例如，经由运载工具计算系统)执行，或反之亦然。可以在不脱离本公开的范围的情况下实施这样的构造。
本书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何结合的方法。本发明的可专利范围由权利要求限定，并且可包括本领域技术人员想到的其他示例。如果这些其他示例包括与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差别的等效结构元件，则这些其他示例意图落入权利要求的范围内。

Claims (20)

1.一种用于涡轮发动机的稳态性能接近的计算机实施的方法，其特征在于，所述方法包括：
通过一个或多个计算设备，接收包含一个或多个操作参数的数据集，所述一个或多个操作参数指示在操作期间所述涡轮发动机的操作状况；
通过所述一个或多个计算设备，将所述数据集的至少一部分输入到神经网络中；和
通过所述一个或多个计算设备，接收所述涡轮发动机的一个或多个性能指标作为所述神经网络的输出，其中所述神经网络被构造为接近所述涡轮发动机的所述稳态性能。
2.根据权利要求1所述的计算机实施的方法，其特征在于，其中至少部分地基于稳态循环平台的训练数据集来训练所述神经网络。
3.根据权利要求2所述的计算机实施的方法，其特征在于，其中所述稳态循环平台是基于物理的模型。
4.根据权利要求2所述的计算机实施的方法，其特征在于，其中通过以下步骤至少部分地基于所述稳态循环平台的所述训练数据集来训练所述神经网络：
通过所述一个或多个计算设备，将所述训练数据集的至少一部分输入到所述神经网络中，所述训练数据集指示在操作期间所述涡轮发动机的稳态操作状况，所述训练数据集包括所述稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个所述循环平台输出对应于所述循环平台输入中的一个或多个；
通过所述一个或多个计算设备，接收所述涡轮发动机的一个或多个性能指标作为所述神经网络的输出，和
通过所述一个或多个计算设备，至少部分地基于误差Δ来训练所述神经网络，所述误差Δ描述所述神经网络的输出和与输入到所述神经网络的所述循环平台输入中的一个或多个对应的所述循环平台输出之间的差异。
5.根据权利要求1所述的计算机实施的方法，其特征在于，其中所述一个或多个操作参数包括以下中的至少一个：风扇速度、高度、环境温度和马赫数。
6.根据权利要求1所述的计算机实施的方法，其特征在于，其中所述涡轮发动机安装到旋翼飞行器或与旋翼飞行器成一体，并且其中所述一个或多个操作参数包括以下中的至少一个：向前空速、请求扭矩和请求动力。
7.根据权利要求1所述的计算机实施的方法，其特征在于，其中所述一个或多个性能指标包括以下中的至少一个：质量流量、一个或多个站温度、一个或多个站压力以及核心速度。
8.根据权利要求1所述的计算机实施的方法，其特征在于，其中在接收所述涡轮发动机的所述一个或多个性能指标作为所述神经网络的输出之后，所述方法进一步包括：
通过所述一个或多个计算设备，将所述一个或多个性能指标提供给损伤模型。
9.根据权利要求1所述的计算机实施的方法，其特征在于，其中所述涡轮发动机安装到飞行器或与飞行器成一体，并且其中在接收所述涡轮发动机的所述一个或多个性能指标作为所述神经网络的输出之后，所述方法进一步包括：
通过所述一个或多个计算设备，将所述一个或多个性能指标提供到位于所述飞行器上的运载工具计算设备。
10.一种用于训练神经网络的计算机实施的方法，所述神经网络被构造为接近涡轮发动机的所述稳态性能，其特征在于，所述方法包括：
通过所述一个或多个计算设备，将训练数据集的至少一部分输入到神经网络中，所述训练数据集指示在操作期间所述涡轮发动机的稳态操作状况，所述训练数据集包括稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个所述循环平台输出对应于所述循环平台输入中的一个或多个；
通过所述一个或多个计算设备，接收所述涡轮发动机的一个或多个性能指标作为所述神经网络的输出，其中所述神经网络的所述输出被构造为接近所述涡轮发动机的所述稳态性能；和
通过所述一个或多个计算设备，至少部分地基于误差Δ来训练所述神经网络，所述误差Δ描述所述神经网络的所述输出和与输入到所述神经网络的所述循环平台输入中的一个或多个对应的所述循环平台输出之间的差异。
11.根据权利要求10所述的计算机实施的方法，其特征在于，其中在训练之后，重复所述方法至少直到描述所述神经网络的所述输出和与所述循环平台输入中的一个或多个对应的所述循环平台输出之间的差异的所述误差Δ大约在阈值百分比内。
12.根据权利要求11所述的计算机实施的方法，其特征在于，其中所述阈值百分比是正或负百分之一(1)。
13.根据权利要求10所述的计算机实施的方法，其特征在于，其中在训练之后，所述方法进一步包括：
通过一个或多个计算设备，接收指示在操作期间所述涡轮发动机的稳态操作状况的验证数据集，所述验证数据集包括所述稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个所述循环平台输出对应于所述循环平台输入中的一个或多个；
通过所述一个或多个计算设备，将所述验证数据集的所述循环平台输入的至少一部分输入到所述神经网络中；
通过所述一个或多个计算设备，接收所述涡轮发动机的一个或多个性能指标作为所述神经网络的输出；
通过所述一个或多个计算设备，确定误差Δ，所述误差Δ描述所述神经网络的所述输出和与输入到所述神经网络的所述验证数据集的所述循环平台输入中的一个或多个对应的所述循环平台输出之间的差异；和
通过所述一个或多个计算设备，确定描述所述神经网络的所述输出和与所述循环平台输入中的一个或多个对应的所述循环平台输出之间的差异的所述误差Δ是否大约在阈值百分比内。
14.根据权利要求15所述的计算机实施的方法，其特征在于，其中所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括一个或多个隐藏层节点；并且其中，如果所述误差Δ不大约在所述阈值百分比内，则所述方法进一步包括：
通过一个或多个计算设备，调整所述一个或多个隐藏层节点的数量。
15.根据权利要求10所述的计算机实施的方法，其特征在于，其中所述循环平台输入包括一个或多个操作参数，其中所述一个或多个操作参数包括以下中的至少一个：风扇速度、高度、环境温度、马赫数、向前空速、请求扭矩和请求动力。
16.一种用于至少部分地基于参考神经网络来接近目标涡轮发动机的所述稳态性能的方法，所述参考神经网络被构造为接近参考涡轮发动机的稳态性能，其特征在于，所述方法包括：
通过一个或多个计算设备，将参考数据集转换为目标数据集，所述参考数据集包括指示在操作期间所述参考涡轮发动机的稳态操作状况的一个或多个操作参数，并且在转换之后所述目标数据集指示所述目标涡轮发动机的稳态操作状况的接近；
通过一个或多个计算设备，将所述目标数据集的至少一部分输入到所述参考神经网络中；和
通过所述一个或多个计算设备，接收一个或多个目标性能指标作为所述参考神经网络的输出，所述一个或多个目标性能指标指示所述目标涡轮发动机的所述稳态性能。
17.根据权利要求16所述的方法，其特征在于，其中所述目标涡轮发动机是非现场涡轮发动机。
18.根据权利要求16所述的方法，其特征在于，其中所述目标涡轮发动机的最大推力大约在所述参考涡轮发动机的所述最大推力的20,000lbf内。
19.根据权利要求16所述的方法，其特征在于，其中所述目标涡轮发动机的所述最大推力大约在所述参考涡轮发动机的所述最大推力的15,000lbf内。
20.根据权利要求16所述的方法，其特征在于，其中所述目标涡轮发动机的所述最大推力大约在所述参考涡轮发动机的所述最大推力的10,000lbf内。
CN201880018552.1A 2017-03-14 2018-01-26 用于稳态性能接近的神经网络 Active CN110431296B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/458,340 2017-03-14
US15/458,340 US20180268288A1 (en) 2017-03-14 2017-03-14 Neural Network for Steady-State Performance Approximation
PCT/US2018/015355 WO2018169605A1 (en) 2017-03-14 2018-01-26 Neural network for steady-state performance approximation

Publications (2)

Publication Number Publication Date
CN110431296A true CN110431296A (zh) 2019-11-08
CN110431296B CN110431296B (zh) 2022-04-29

Family

ID=63520119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880018552.1A Active CN110431296B (zh) 2017-03-14 2018-01-26 用于稳态性能接近的神经网络

Country Status (4)

Country Link
US (1) US20180268288A1 (zh)
EP (1) EP3596325A4 (zh)
CN (1) CN110431296B (zh)
WO (1) WO2018169605A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178506A (zh) * 2019-12-26 2020-05-19 哈尔滨工业大学 一种基于深度置信神经网络的大型高速回转装备消偏消倾方法
CN112610339A (zh) * 2021-01-13 2021-04-06 南京航空航天大学 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法
CN113282004A (zh) * 2021-05-20 2021-08-20 南京航空航天大学 基于神经网络的航空发动机线性变参数模型建立方法
WO2021236251A3 (en) * 2020-05-15 2022-03-03 Hrl Laboratories, Llc Neural network-based system for flight condition analysis and communication

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10472096B2 (en) * 2017-05-30 2019-11-12 The Boeing Company Advanced analytic methods and systems utilizing trust-weighted machine learning models
US10343784B2 (en) * 2017-06-07 2019-07-09 The Boeing Company Methods for optimized engine balancing based on flight data
US10626817B1 (en) * 2018-09-27 2020-04-21 General Electric Company Control and tuning of gas turbine combustion
US11300069B2 (en) * 2018-11-28 2022-04-12 Honeywell International Inc. Self-generating engine-specific health monitoring model from generic model base
US11397134B2 (en) * 2018-12-03 2022-07-26 Raytheon Technologies Corporation Intelligent learning device for part state detection and identification
US11410058B2 (en) 2019-03-29 2022-08-09 QuantumiD Technologies Inc. Artificial intelligence system for estimating excess non-sapient payload capacity on mixed-payload aeronautic excursions
FR3095424A1 (fr) * 2019-04-23 2020-10-30 Safran Système et procédé de surveillance d’un moteur d’aéronef
GB201908494D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for training a machine learning algorithm
FR3101669B1 (fr) * 2019-10-07 2022-04-08 Safran Dispositif, procédé et programme d’ordinateur de suivi de moteur d’aéronef
US20210150106A1 (en) * 2019-11-05 2021-05-20 Michael R. Limotta, III Machine learning system and method for propulsion simulation
EP3822718A1 (en) * 2019-11-18 2021-05-19 Siemens Aktiengesellschaft System device and method of integrated model-based management of industrial assets
US20210215104A1 (en) * 2020-01-15 2021-07-15 Pratt & Whitney Canada Corp. Method and system for controlling operation of an engine using an engine controller
JP7410901B2 (ja) 2021-03-17 2024-01-10 株式会社豊田中央研究所 モデル学習装置、制御装置、モデル学習方法、および、コンピュータプログラム
US11939085B2 (en) 2021-06-16 2024-03-26 Beta Air, Llc Methods and systems for wrapping simulated intra-aircraft communication to a physical controller area network
US20240043110A1 (en) * 2022-08-02 2024-02-08 Pratt & Whitney Canada Corp. System and method for addressing redundant sensor mismatch in an engine control system

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128609A (en) * 1997-10-14 2000-10-03 Ralph E. Rose Training a neural network using differential input
CN1647108A (zh) * 2002-04-19 2005-07-27 计算机联合思想公司 通过本地网的自动模型维护
US7451122B2 (en) * 2006-03-29 2008-11-11 Honeywell International Inc. Empirical design of experiments using neural network models
EP2078995A2 (en) * 2007-11-15 2009-07-15 Rolls-Royce plc A method of monitoring a gas turbine engine
US8068997B2 (en) * 2009-02-06 2011-11-29 Honeywell International Inc. Continuous performance analysis system and method
US8306791B2 (en) * 2009-12-21 2012-11-06 United Technologies Corporation Method and system for modeling the performance of a gas turbine engine

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5857321A (en) * 1996-06-11 1999-01-12 General Electric Company Controller with neural network for estimating gas turbine internal cycle parameters
US6823675B2 (en) * 2002-11-13 2004-11-30 General Electric Company Adaptive model-based control systems and methods for controlling a gas turbine
US7321809B2 (en) * 2003-12-30 2008-01-22 The Boeing Company Methods and systems for analyzing engine unbalance conditions
US20070005527A1 (en) * 2005-06-06 2007-01-04 Honeywell International, Inc. Model reduction system and method for component lifing
US8065022B2 (en) * 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
RU2595066C1 (ru) * 2015-06-24 2016-08-20 Открытое акционерное общество "Лётно-исследовательский институт имени М.М. Громова" Способ оценки нагружения конструкции самолёта при лётных прочностных исследованиях с использованием искусственных нейронных сетей

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128609A (en) * 1997-10-14 2000-10-03 Ralph E. Rose Training a neural network using differential input
CN1647108A (zh) * 2002-04-19 2005-07-27 计算机联合思想公司 通过本地网的自动模型维护
US7451122B2 (en) * 2006-03-29 2008-11-11 Honeywell International Inc. Empirical design of experiments using neural network models
EP2078995A2 (en) * 2007-11-15 2009-07-15 Rolls-Royce plc A method of monitoring a gas turbine engine
US8068997B2 (en) * 2009-02-06 2011-11-29 Honeywell International Inc. Continuous performance analysis system and method
US8306791B2 (en) * 2009-12-21 2012-11-06 United Technologies Corporation Method and system for modeling the performance of a gas turbine engine

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUY DENNEY: ""F16 jet engine trending and diagnostics with neural networks"", 《SPIE VOL.1965 APPLICATIONS OF ARTIFICIAL NEURAL NETWORKS IV》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178506A (zh) * 2019-12-26 2020-05-19 哈尔滨工业大学 一种基于深度置信神经网络的大型高速回转装备消偏消倾方法
WO2021236251A3 (en) * 2020-05-15 2022-03-03 Hrl Laboratories, Llc Neural network-based system for flight condition analysis and communication
US11995998B2 (en) 2020-05-15 2024-05-28 Hrl Laboratories, Llc Neural network-based system for flight condition analysis and communication
CN112610339A (zh) * 2021-01-13 2021-04-06 南京航空航天大学 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法
CN112610339B (zh) * 2021-01-13 2021-12-28 南京航空航天大学 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法
CN113282004A (zh) * 2021-05-20 2021-08-20 南京航空航天大学 基于神经网络的航空发动机线性变参数模型建立方法
CN113282004B (zh) * 2021-05-20 2022-06-10 南京航空航天大学 基于神经网络的航空发动机线性变参数模型建立方法

Also Published As

Publication number Publication date
WO2018169605A1 (en) 2018-09-20
CN110431296B (zh) 2022-04-29
US20180268288A1 (en) 2018-09-20
EP3596325A1 (en) 2020-01-22
EP3596325A4 (en) 2021-04-21

Similar Documents

Publication Publication Date Title
CN110431296A (zh) 用于稳态性能接近的神经网络
CN108571344A (zh) 自适应主动间隙控制逻辑
CN105986907B (zh) 燃气涡轮发动机健康确定
CN108733891A (zh) 用于预测使用寿命周期和低周期疲劳消耗的系统和方法
CN107023405B (zh) 用于燃气涡轮发动机的推力调度方法
US11061394B2 (en) In-situ measurement logging by wireless communication unit for communicating engine data
US9878692B2 (en) Model-based optimal control for stall margin limit protection in an aircraft engine
EP2814733B1 (en) Gas turbine engine performance seeking control
Montazeri-Gh et al. Real-time multi-rate HIL simulation platform for evaluation of a jet engine fuel controller
CN109204840A (zh) 用于飞行器的推进系统
CN109204839A (zh) 用于飞行器的推进系统
CN107917811A (zh) 航空飞行器发动机健康预测
US10801359B2 (en) Method and system for identifying rub events
US10977880B2 (en) Hover time remaining for an aircraft
CN110254746A (zh) 燃气涡轮发动机健康状况确定
EP4057256A1 (en) Computer-implemented methods for controlling the operation of electric and hybrid electric aircraft
JP2017137859A (ja) 航空機エンジンに対するダストの影響を評価するシステムおよび方法
Kavvalos et al. Exploring design trade-offs for installed parallel hybrid powertrain systems
Donateo et al. Control oriented modelling of a turboshaft engine for hybrid electric urban air-mobility
Rippl Sizing Analysis for Aircraft Utilizing Hybrid-Electronic Propulsion Systems
Clark et al. Development of an Open Rotor Propulsion System Model and Power Management Strategy
CN113931707A (zh) 带有负载平衡推力连杆的推力安装件
Ciobanu et al. Self-Learning Control System Concept for APU Test Cells
US20220106059A1 (en) Flexible engine monitoring
Beckey et al. Compressor Modeling for Engine Control and Maintenance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant