CN111523276B - 基于网络模型的燃气涡轮发动机燃油流量校正方法 - Google Patents

Abstract

本公开揭示了一种基于网络模型的燃气涡轮发动机燃油流量校正方法，包括：构建燃气涡轮发动机的动态物理模型并求取第一风扇转速信号N_1m；测量燃气涡轮发动机的主燃油流量W_f和第二风扇转速信号N_1a；计算N_1m与N_1a的偏差ΔN₁；根据W_f和ΔN₁计算第一燃油修正量ΔW_f1；将W_f输入前馈校正网络，输出第二燃油修正量ΔW_f2，将ΔW_f2与W_f叠加获得第一主燃油修正量W_fr1；输入W_f与ΔW_f1对前馈校正网络进行训练；将W_fr1与ΔW_f1叠加获得第二主燃油修正量W_fr2，将W_fr2输入动态物理模型再次输出N_1m；重复步骤3‑7，直到N_1m与N_1a的偏差ΔN₁与N_1a的比值ΔN₁/N_1a＜阈值ε，校正完成。

Description

基于网络模型的燃气涡轮发动机燃油流量校正方法

技术领域

本公开属于燃气涡轮发动机燃油测量领域，特别涉及一种基于 网络模型燃气涡轮发动机燃油流量校正方法。

背景技术

燃油流量是燃气涡轮发动机中非常重要的参数，其可以反映发 动机实际的耗油率、体现发动机性能衰减的程度、反映出发动机的 健康情况。同时，燃油流量也是用于健康管理、容错控制等应用的 发动机数学模型的重要输入参数之一，其测量的准确性将直接影响 发动机模型应用的有效性和可靠性。

为了获取燃油流量，现常用的方法是通过测量燃油计量活门的 开度从而计算出实际的燃油流量。然而，对于所有的测量方法，即 使测量精度再高，其测量结果都有不确定性。此外，相关研究表 明，燃油流量是燃气涡轮发动机参数测量中不确定性较大的一个，对测量误差进行不确定性分析以及校正在相关应用中至关重要，而 目前燃油流量测量的准确性一直都受到诟病，而有效的校正方法也 比较缺乏。因此，为了提高燃油流量测量结果的准确性，迫切需要 一种能够为燃气涡轮发动机的诸多研究工作提供基础、可行且有效的燃油流量的测量及校正方法。

在发动机的所有测量参数中，不同参数的测量不确定性有较大 的差异，且各参数之间需满足一定的物理约束关系。因此，建立各 参数之间的物理约束关系，并利用高置信测量参数对低置信的燃油 流量进行修正，是较为可靠的解决方案。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景 的理解，因此可能包含不构成在本国中本领域普通技术人员公知的 现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于网络 模型燃气涡轮发动机燃油流量校正方法，通过燃气涡轮发动机动态 物理模型，建立各测量参数之间的物理约束关系，并选取与燃油流量 相关性大、发生故障概率低的风扇转速信号作为参考信号，利用与 燃油流量误差相关性强的燃油流量建立二者的映射关系网络模型， 利用该网络模型进行燃油流量的前馈校正，实现模型低压转速与实 测低压转速的快速一致，从而实现瞬态过程中的燃油流量的校正。

为实现上述目的，本公开提供以下技术方案：

一种基于网络模型燃气涡轮发动机燃油流量校正方法，包括如下 步骤：

S100：构建燃气涡轮发动机的动态物理模型，所述动态物理模型 输出第一风扇转速信号N_1m；

S200：通过相应传感器测量燃气涡轮发动机的主燃油流量W_f和 第二风扇转速信号N_1a；

S300：计算所述第一风扇转速信号N_1m与所述第二风扇转速信号 N_1a的偏差ΔN₁，即ΔN₁＝N_1a-N_1m；

S400：根据所述主燃油流量W_f和偏差ΔN₁计算第一燃油修正量 ΔW_f1，即ΔW_f1＝kΔN₁/W_f，其中，k为修正系数；

S500：将所述主燃油流量W_f输入前馈校正网络，输出第二燃油 修正量ΔW_f2，将所述第二燃油修正量ΔW_f2与主燃油流量W_f叠加，获 得第一主燃油修正量W_fr1，即W_fr1＝ΔW_f2+W_f；

S600：将所述主燃油流量W_f与第一燃油修正量ΔW_f1输入燃气涡 轮发动机动态物理模型的数据缓冲器中，判断数据缓存器的数据量长 度是否大于预设值，若小于预设值，转到步骤S700；若大于或等于 预设值，网络训练开关闭合，利用数据缓存器中的主燃油流量W_f和 第一燃油修正量ΔW_f1的值对前馈校正网络进行重新训练，训练完成 后转到步骤S700；

S700：将所述第一主燃油修正量W_fr1与所述第一燃油修正量ΔW_f1叠加获得第二主燃油修正量W_fr2，并将所述第二主燃油修正量W_fr2输 入所述燃气涡轮发动机的动态物理模型，以及再次通过所述动态物理 模型输出第一风扇转速N_1m；

S800：判断步骤S700所得的所述第一风扇转速信号N_1m与所述 第二风扇转速信号N_1a的偏差ΔN₁与所述第二风扇转速信号N_1a的比 值是否小于阈值ε，如是，即ΔN₁/N_1a＜ε，则校正完成；否则重 复步骤S300至步骤S700，直到步骤S700所得的所述第一风扇转速 信号N_1m与所述第二风扇转速信号的偏差ΔN₁与所述第二风扇转速信 号N_1a的比值是否小于阈值ε，即ΔN₁/N_1a＜ε时，校正完成。

优选的，步骤S100中，所述燃气涡轮发动机的动态物理模型包 括：

高压轴的功率平衡方程：

其中，π为圆周率，I_H为高压转子转动惯量，n_H为高压转速， L_TH为高压涡轮功率，L_CH为高压压气机功率，L_Add为起动过程中， 起动机作用于发动机的附加功率；

低压轴功率平衡方程：

其中，I_L为低压转子转动惯量，n_L为低压转速，L_TL为低压涡 轮功率，L_CL为低压压气机/风扇功率；

高压涡轮流量平衡方程：

W_g41xcor＝W_g41cor

其中，W_g41xcor为根据高压涡轮流量特性曲线计算出来的高压 涡轮进口换算流量，W_g41cor为由高压涡轮导向器流入高压涡轮的实 际换算流量；

低压涡轮流量平衡方程：

W_g45xcor＝W_g45cor

其中，W_g45xcor为根据低压涡轮流量特性曲线计算出来的低压涡 轮进口换算流量，W_g45cor为由低压涡轮导向器流入低压涡轮的实际 换算流量；

内外涵出口静压平衡方程：

p_s6＝p_s16

其中，p_s6为低压涡轮内涵出口燃气静压，p_s16为外涵出口空气 静压；

喷口喉道总压平衡方程：

p_tC8＝p_t8

其中，p_tC8为流量连续计算的喷口总压，p_t8喷口喉道燃气背压；

风扇特性方程：

W_{acor_Fan}＝f₁(n_Lcor，π_Fan，α_{V_Fan})

η_Fan＝f₂(n_Lcor，π_Fan，α_{V_Fan})

其中，W_{acor_Fan}为换算流量特性，η_Fan为效率特性，

为风扇换算转速，T₁ ^*为风扇进口总温，

为 风扇进口总温设计点值，π_Fan为风扇压比，α_{V_Fan}为风扇可调导叶 角度，f₁为风扇流量特性函数，f₂为风扇效率特性函数；

高压压气机特性方程：

W_{gcor_CH}＝g₁(n_Hcor，π_CH，α_{V_CH})

η_CH＝g₂(n_Hcor，π_CH，α_{V_CH})

其中，W_{acor_CH}为换算流量特性，η_cH为效率特性，

为高压压气机换算转速，

为高压压气机进气总 温，

为高压压气机设计点进气总温，π_CH为高压压气机压比， α_{V_CH}为高压压气机可调导叶角度，g₁表示压气机流量特性函数， g₂表示压气机效率特性函数；

高压涡轮特性方程：

其中，W_{acor_TH}为高压涡轮的换算流量，λ_TH为高压涡轮的 温降比，

为高压涡轮换算转速，

为高 压涡轮进口总温，

为设计点高压涡轮进口总温，低压涡轮特性 与高压涡轮特性一致，π_TH表示高压涡轮落压比，n_H表示高压转速。

优选的，步骤S500中，所述前馈校正网络采用批处理极限学习 网络模型或在线处理极限学习网络模型，当所述前馈校正网络采用批 处理极限学习网络模型时，其构建方法包括如下步骤：

S1：构建多层神经网络模；所述多层神经网络模型包括输入层、 隐层和输出层，其中，输入层的神经元节点数目为M，隐层的神经元 节点数目为N，输出层的神经元节点数目为L，输入层的第i组输入 值记为

输入层与隐层的权值记为

输入层与隐层的偏置记为b_j，隐层激励函数记为g(·)， 输出层与输出层的权值记为

输出层的第i组输出记为

下标j取值为j＝1，2，...，N；

S2：对所述多层神经网络模型的输入层与隐层的权值ω_j及偏置 b_j随机初始化；

S3：将所述主燃油流量W_f和第一燃油修正量ΔW_f1作为训练数据 集，对所述多层神经网络模型进行训练，获得输出矩阵H；

S4：将第一燃油修正量ΔW_f1及其历史数据写成M行T列的矩阵形 式

求取输出层权重β＝H+ΔW_f1，其中，H⁺为输出矩 阵H的广义逆，则所述输出层权重β与随机初始化后的输入层与隐层 的权值ω_j及偏置b_j构成了前馈校正网络。

优选的，步骤S3中，将所述主燃油流量W_f和第一燃油修正量Δ W_f1作为训练数据集，对所述多层神经网络模型进行训练的具体过程 为：

将主燃油流量W_f和第一燃油修正量ΔW_f1构成的训练数据集按照 时间顺序分为T组，每组包括M个数据点，作为训练的输入和输出数 据，即令训练输入

训练输出

其中，i＝1，2，...，T，W_f，i为将主燃油流量W_f按照时间顺序存入M个数据点构成的向量，ΔW_f1，i为将第一燃油修 正量ΔW_f1按照时间顺序存入M个数据点构成的向量，

表示实数，则 多层神经网络模型的输出矩阵可以表示为

其中，

表示权值ω_j的转置，g(.) 表示激活函数。

优选的，步骤S4中，所述输出层权重β也可表达为：

β＝(H^TH+I/C)^-1H^TΔW_f1

其中，H^T为输出矩阵H的转置，I表示单位矩阵，C为正则化 因子。

优选的，当所述前馈校正网络采用在线处理极限学习网络模型 时，其构建方法包括如下步骤：

S11：构建多层神经网络模型，所述多层神经网络模型包括输入 层，隐层和输出层，其中，输入层的神经元节点数目为M，隐层的神 经元节点数目为N，输出层的神经元节点数目为L，输入层的第i组 输入值记为

输入层与隐 层的权值记为

输入层与隐层的偏置记为b_j，隐层激励 函数记为g(·)，输出层与隐层的权值记为

输出层的第i 组输出记为

下标j表示 隐层节点索引，下标k表示训练批次的索引；

S12：随机初始化输入层与隐层的权值ω_j和输入层与隐层的偏 置b_j；

S13：将所述主燃油流量W_f和第一燃油修正量ΔW_f1及所述主燃油 流量W_f和第一燃油修正量ΔW_f1的长度为T的历史数据作为训练数据 集，对所述多层神经网络模型进行初始训练，获得初始输出矩阵H₀；

S14：将第一燃油修正量ΔW_f1及其历史数据写成1行T列的向量 形式

根据初始输出矩阵H₀，计算初始隐层的输出权 重

其中，

为初始输出矩阵H₀的广义逆；

S15：将所述主燃油流量W_f和第一燃油修正量ΔW_f1的第k批次长 度为T的在线数据作为训练数据集，对多层神经网络模型进行在线 训练，获得第k批次的输出矩阵H_k；

S16：将第一燃油修正量ΔW_f1的第k批次长度为T的在线数据写 成1行T列的向量形式

根据第k批次的输出矩阵H_k， 通过递推法计算第k批次隐层的输出权重β_k，则所述隐层的输出权 重β_k与所述初始化后的权值ω_j和偏置b_j构成了第k批次的在线前馈 校正网络。

优选的，步骤S13中，对所述多层神经网络模型进行初始训练的 过程为：

将所述主燃油流量W_f和第一燃油修正量ΔW_f1及所述主燃油流量 W_f和第一燃油修正量ΔW_f1的长度为T的历史数据构成的训练数据集 按照时间顺序分为T组，每组1个数据点，作为初始训练的输入和输 出数据，即令初始训练输入x_i0＝W_f，i，初始训练输出 y_i0＝ΔW_f1，i，其中，i＝1，2，...，T，W_f，i为主燃油流量W_f在第i 时刻的历史数据，ΔW_f1，i为第一燃油修正量ΔW_f1在第i时刻的历史数 据，则多层神经网络模型初始输出矩阵可以表示为

其中，

表示权值ω_j的转置，g(.) 表示激活函数，此时多层神经网络的输入层神经元节点数目M＝1，输 出层神经元节点数目L＝1。

优选的，步骤S14中，所述隐层的输出权重β₀也可表示为：

β₀＝(H₀ ^TH₀+I/C)^-1H₀ ^TΔW_f1

其中，

为初始输出矩阵H₀的转置，I表示单位矩阵，C为正 则化因子。

优选的，步骤S15中，对多层神经网络模型进行在线训练的具体 过程为：

令第k批次训练输入x_ik＝W_f，ik，第k批次训练输出 y_ik＝ΔW_f1，ik，其中，i＝kT+1，kT+2，...，kT+T，W_f，ik为主燃油流量W_f第k批次第i时刻的历史数据，ΔW_f1，i为第一燃油 修正量ΔW_f1第k批次第i时刻的历史数据，则第k批次的输出矩阵可 以表示为

其中，

表示权值ω_j的 转置。

优选的，步骤S16中，所述隐层的输出权重β_k表示为：

其中，

P_k为第k批次中间变量，P₀为变量P_k的递推初始值。

与现有技术相比，本公开带来的有益效果为：能够在燃气涡轮 发动机状态发生突变的情况下大幅度降低状态参数偏差补偿的滞后 性，从而提高模型对实际燃气涡轮发动机物理对象的实时刻画能 力。

附图说明

图1是本公开一个实施例提供的一种基于网络模型燃气涡轮发 动机燃油流量校正方法流程图；

图2是本公开一个实施例提供的批处理极限学习网络模型示意 图；

图3(a)至图3(b)是本公开一个实施例提供的在线处理极限 学习网络模型示意图；

图4(a)至图4(c)是本公开一个实施例提供的基于网络模型 的燃油测量前馈校正方法效果图。

具体实施方式

下面将参照附图1至附图4(c)详细地描述本公开的具体实施例。 虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种 形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些 实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完 整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称 特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词 来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区 分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在 通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放 式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本 发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并 非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界 定者为准。

为便于对本公开实施例的理解，下面将结合附图以具体实施例为 例做进一步的解释说明，且各个附图并不构成对本公开实施例的限 定。

一个实施例中，如图1所示，本公开提供一种基于网络模型的燃 气涡轮发动机燃油流量的校正方法，包括如下步骤：

S100：构建燃气涡轮发动机的动态物理模型，所述动态物理模型 输出第一风扇转速信号N_1m；

S200：通过相应传感器测量燃气涡轮发动机的主燃油流量W_f和 第二风扇转速信号N_1a；

S300：计算所述第一风扇转速信号N_1m与所述第二风扇转速信号 N_1a的偏差ΔN₁，即ΔN₁＝N_1a-N_1m；

S400：根据所述主燃油流量W_f和偏差ΔN₁求取第一燃油修正量Δ W_f1，即ΔW_f1＝kΔN₁/W_f，其中，k为修正系数；

S500：将所述主燃油流量W_f输入前馈校正网络，输出第二燃油 修正量ΔW_f2，将所述第二燃油修正量ΔW_f2与主燃油流量W_f叠加，获 得第一主燃油修正量W_fr1，即W_fr1＝ΔW_f2+W_f；

S600：将所述主燃油流量W_f与第一燃油修正量ΔW_f1输入燃气涡 轮发动机动态物理模型的数据缓冲器中，判断数据缓存器的数据量长 度是否大于预设值，若小于预设值，转到步骤S700；若大于或等于 预设值，网络训练开关闭合，利用数据缓存器中的主燃油流量W_f和 第一燃油修正量ΔW_f1的值对前馈校正网络进行重新训练，训练完成后 转到步骤S700；

S700：将所述第一主燃油修正量W_fr1与所述第一燃油修正量ΔW_f1叠加获得第二主燃油修正量W_fr2，并将所述第二主燃油修正量W_fr2输 入所述燃气涡轮发动机的动态物理模型，以及再次通过所述动态物理 模型输出第一风扇转速N_1m；

S800：判断步骤S700所得的所述第一风扇转速信号N_1m与所述 第二风扇转速信号N_1a的偏差ΔN₁与所述第二风扇转速信号N_1a的比 值是否小于阈值ε，如是，即ΔN₁/N_1a＜ε，则校正完成；否则重 复步骤S300至步骤S700，直到步骤S700所得的所述第一风扇转速 信号N_1m与所述第二风扇转速信号的偏差ΔN₁与所述第二风扇转速信 号N_1a的比值是否小于阈值ε，即ΔN₁/N_1a＜ε时，校正完成。

该步骤中，阈值ε根据实际需要人为设定，本实施例优选ε 取值为5％。

本实施例通过利用燃气涡轮发动机动态物理模型以及恰当的自 调整方法对燃气涡轮发动机进行燃油修正具有创新性，在发动机的 所有测量参数中，不同参数的测量不确定性有较大的差异，且各参 数之间需满足一定的物理约束关系。本实施例通过燃气涡轮发动机 动态物理模型，建立各参数之间的物理约束关系，并利用高置信测 量参数对低置信的燃油流量进行修正，具体通过网络模型进行燃气 涡轮发动机燃油流量测量校正，从而能够在燃气涡轮发动机状态发 生突变的情况下大幅度降低状态参数偏差补偿的滞后性，提高模型对 实际燃气涡轮发动机物理对象的刻画能力。

另一个实施例中，步骤S100中，所述燃气涡轮发动机的动态物 理模型包括：

高压轴的功率平衡方程：

其中，π为圆周率，I_H为高压转子转动惯量，n_H为高压转速， L_TH为高压涡轮功率，L_CH为高压压气机功率，L_Add为起动过程中， 起动机作用于发动机的附加功率；

低压轴功率平衡方程：

其中，I_L为低压转子转动惯量，n_L为低压转速，L_TL为低压涡 轮功率，L_CL为低压压气机/风扇功率；

高压涡轮流量平衡方程：

W_g41xcor＝W_g41cor

其中，W_g41xcor为根据高压涡轮流量特性曲线计算出来的高压涡 轮进口换算流量，W_g41cor为由高压涡轮导向器流入高压涡轮的实际 换算流量；

低压涡轮流量平衡方程：

W_g45xcor＝W_g45cor

其中，W_g45xcor为根据低压涡轮流量特性曲线计算出来的低压涡 轮进口换算流量，W_g45cor为由低压涡轮导向器流入低压涡轮的实际 换算流量；

内外涵出口静压平衡方程：

p_s6＝p_s16

其中，p_s6为低压涡轮内涵出口燃气静压，p_s16为外涵出口空气 静压；

喷口喉道总压平衡方程：

p_tC8＝p_t8

其中，p_tC8为流量连续计算的喷口总压，p_t8喷口喉道燃气背 压；

风扇特性方程：

W_{acor_Fan}＝f₁(n_Lcor，π_Fan，α_{V_Fan})

η_Fan＝f₂(n_Lcor，π_Fan，α_{V_Fan})

其中，W_{acor_Fan}为换算流量特性，η_Fan为效率特性，

为风扇换算转速，T₁ ^*为风扇进口总温，

为风扇 进口总温设计点值，π_Fan为风扇压比，α_{V_Fan}为风扇可调导叶角度， f₁为风扇流量特性函数，f₂为风扇效率特性函数；

高压压气机特性方程：

W_{acor_CH}＝g₁(n_Hcor，π_CH，α_{V_CH})

η_CH＝g₂(n_Hcor，π_CH，α_{V_CH})

其中，W_{acor_CH}为换算流量特性，η_CH为效率特性，

为高压压气机换算转速，

为高压压气机进气 总温，

为高压压气机设计点进气总温，π_CH为高压压气机压比， α_{V_CH}为高压压气机可调导叶角度，g₁表示压气机流量特性函数，g₂表示压气机效率特性函数；

高压涡轮特性方程：

其中，W_{acor_TH}为高压涡轮的换算流量，λ_TH为高压涡轮的温 降比，

为高压涡轮换算转速，

为高压涡 轮进口总温，

为设计点高压涡轮进口总温，低压涡轮特性与高 压涡轮特性一致，π_TH表示高压涡轮落压比，n_H表示高压转速。

另一个实施例中，所述前馈校正网络采用批处理极限学习网络模 型，如图2所示，其构建方法包括如下步骤：

S1：构建多层神经网络模型，所述多层神经网络模型包括输入 层、隐层和输出层；其中，输入层的神经元节点数目为M，隐层的神 经元节点数目为N，输出层的神经元节点数目为L，输入层的第i组 输入值记为

输入层与隐层的权 值记为

输入层与隐层的偏置记为b_j，隐层激励函数记 为g(·)，输出层与输出层的权值记为

输出层的第i组输 出记为

上述下标取值为 j＝1，2，...，N；

S2：对所述输入层与隐层的权值ω_j及偏置b_j随机初始化；

该步骤中，对所述输入层与隐层的权值ω_j及偏置b_j随机初始化 是通过给他们赋值-1到1内的随机数完成的。

S3：将所述主燃油流量W_f和第一燃油修正量ΔW_f1作为训练数据 集，对所述多层神经网络模型进行训练，获得输出矩阵H；

该步骤中，将训练数据集按照时间顺序分为T组，每组包括M个 数据点，作为训练的输入和输出数据，即令训练输入

训练输出

其中， i＝1，2，...，T，W_f，i为将主燃油流量W_f按照时间顺序存入M个数据点 构成的向量，ΔW_f1，i为将第一燃油修正量ΔW_f1按照时间顺序存入M 个数据点构成的向量，

表示实数；则输出矩阵可以表示为

其中，

表示权值ω_j的转置， g(.)表示激活函数。

S4：将第一燃油修正量ΔW_f1及其历史数据写成M行T列的矩阵形 式

求取输出层权重β＝H⁺ΔW_f1，其中，H⁺为输出矩 阵H的广义逆，则所述输出层权重β与随机初始化后的输入层与隐层 的权值ω_j及偏置b_j构成了前馈校正网络。

该步骤中，通过最小二乘法，输出层权重β也可表达为 β＝(H^TH+I/C)^-1H^TΔW_f1，其中，H^T为输出矩阵H的转置，I表 示单位矩阵，C为正则化因子。

需要说明的是，本实施例利用前馈网络可以根据第一风扇转速信 号和第二风扇转速信号的误差对燃油流量进行预判，因此可以提前给 出发动机燃油偏差补偿的估计量，能够降低反馈校正带来的补偿滞后 性。

另一个实施例中，所述前馈校正网络采用在线处理极限学习网 络模型，如图3(a)至图3(b)所示，其构建方法包括如下步骤：

S11：构建多层神经网络模型，所述多层神经网络模型包括输入 层，隐层和输出层，其中，输入层的神经元节点数目为M，隐层的神 经元节点数目为N，输出层的神经元节点数目为L，输入层的第i组 输入值记为

输入层与隐层的权值 记为

输入层与隐层的偏置记为b_j，隐层激励函数记为 g(·)，输出层与隐层的权值记为

输出层的第i组输出记 为

下标j表示隐层节点索引，下 标k表示训练批次的索引；

S12：随机初始化输入层与隐层的权值ω_j和输入层与隐层的偏置 b_j；

该步骤中，对所述输入层与隐层的权值ω_j及偏置b_j随机初始化 是通过给他们赋值-1到1内的随机数完成的。

S13：将所述主燃油流量W_f和第一燃油修正量ΔW_f1及所述主燃油 流量W_f和第一燃油修正量ΔW_f1的长度为T的历史数据作为训练数据 集，对所述多层神经网络模型进行初始训练，获得初始输出矩阵H₀；

该步骤中，将训练数据集按照时间顺序分为T组，每组1个数据 点，作为初始训练的输入和输出数据，即令初始训练输入 x_i0＝W_f，i，初始训练输出y_i0＝ΔW_f1，i，其中，i＝1，2，...，T，W_f，i为主燃油流量W_f第i时刻的历史数据，ΔW_f1，i为第一燃油修正量ΔW_f1第i时刻的历史数据，则初始输出矩阵可以表示为：

其中，

表示权值ω_j的转置，g(.)表示激活函数，此时多层神 经网络的输入层神经元节点数目M＝1，输出层神经元节点数目L＝1；

S14：将第一燃油修正量ΔW_f1及其历史数据写成写成1行T列的 向量形式

根据初始输出矩阵H₀，计算隐层的输出权重

其中，

为初始输出矩阵H₀的广义逆，通过最小 二乘法，权重β₀也可表达为β₀＝(H₀ ^TH₀+I/C)^-1H₀ ^TΔW_f1，其 中，

为输出矩阵H₀的转置，I表示单位矩阵，C为正则化因子；

S15：将所述主燃油流量W_f和第一燃油修正量ΔW_f1的第k批次长 度为T在线数据作为训练数据集，对多层神经网络模型进行在线训 练，获得第k批次的输出矩阵H_k；

该步骤中，模型在线训练具体过程为：令第k批次训练输入 x_ik＝W_f，ik，第k批次训练输出y_ik＝ΔW_f1，ik，其中， i＝kT+1，kT+2，...，kT+T，W_f，ik为主燃油流量W_f第k批次第i 时刻的历史数据，ΔW_f1，i为第一燃油修正量ΔW_f1第k批次第i时刻 的历史数据，则第k批次的输出矩阵可以表示为：

其中，

表示权值ω_j的转置，g(.)表示激活函数；

S16：将第一燃油修正量ΔW_f1第k批次长度为T的在线数据写成1 行T列的向量形式

根据第k批次的输出矩阵H_k， 通过递推法计算隐层的输出权重，即

其中，

P_k为第k批次中间变量，P₀为变量P_k的递推初始值。

则所述隐层的输出权重β_k与所述初始化后的权值ω_j和偏置b_j构成了第k批次的在线前馈校正网络。

尽管以上结合附图对本公开的实施方案进行了描述，但本公开并 不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅 是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在 本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况 下，还可以做出很多种的形式，这些均属于本公开保护之列。

Claims (10)

1.一种基于网络模型的燃气涡轮发动机燃油流量校正方法，包括如下步骤：

S100：构建燃气涡轮发动机的动态物理模型，所述动态物理模型输出第一风扇转速信号N_1m；

S200：通过相应传感器测量燃气涡轮发动机的主燃油流量W_f和第二风扇转速信号N_1a；

S300：计算所述第一风扇转速信号N_1m与所述第二风扇转速信号N_1a的偏差ΔN₁，即ΔN₁＝N_1a-N_1m；

S400：根据所述主燃油流量W_f和偏差ΔN₁计算第一燃油修正量ΔW_f1，即ΔW_f1＝kΔN₁/W_f，其中，k为修正系数；

S500：将所述主燃油流量W_f输入前馈校正网络，输出第二燃油修正量ΔW_f2，将所述第二燃油修正量ΔW_f2与主燃油流量W_f叠加，获得第一主燃油修正量W_fr1，即W_fr1＝ΔW_f2+W_f；

S600：将所述主燃油流量W_f与第一燃油修正量ΔW_f1输入燃气涡轮发动机动态物理模型的数据缓冲器中，判断数据缓存器的数据量长度是否大于预设值，若小于预设值，转到步骤S700；若大于或等于预设值，网络训练开关闭合，利用数据缓存器中的主燃油流量W_f和第一燃油修正量ΔW_f1的值对前馈校正网络进行重新训练，训练完成后转到步骤S700；

S700：将所述第一主燃油修正量W_fr1与所述第一燃油修正量ΔW_f1叠加获得第二主燃油修正量W_fr2，并将所述第二主燃油修正量W_fr2输入所述燃气涡轮发动机的动态物理模型，以及再次通过所述动态物理模型输出第一风扇转速信号N_1m；

S800：判断步骤S700所得的所述第一风扇转速信号N_1m与所述第二风扇转速信号N_1a的偏差ΔN₁与所述第二风扇转速信号N_1a的比值是否小于阈值ε，如是，即ΔN₁/N_1a＜ε，则校正完成；否则重复步骤S300至步骤S700，直到步骤S700所得的所述第一风扇转速信号N_1m与所述第二风扇转速信号的偏差ΔN₁与所述第二风扇转速信号N_1a的比值是否小于阈值ε，即ΔN₁/N_1a＜ε时，校正完成。

2.根据权利要求1所述的方法，其中，优选的，步骤S100中，所述燃气涡轮发动机的动态物理模型包括：

高压轴的功率平衡方程：

其中，π为圆周率，I_H为高压转子转动惯量，n_H为高压转速，L_TH为高压涡轮功率，L_CH为高压压气机功率，L_Add为起动过程中，起动机作用于发动机的附加功率；

低压轴功率平衡方程：

其中，I_L为低压转子转动惯量，n_L为低压转速，L_TL为低压涡轮功率，L_CL为低压压气机/风扇功率；

高压涡轮流量平衡方程：

W_g41xcor＝W_g41cor

其中，W_g41xcor为根据高压涡轮流量特性曲线计算出来的高压涡轮进口换算流量，W_g41cor为由高压涡轮导向器流入高压涡轮的实际换算流量；

低压涡轮流量平衡方程：

W_g45xcor＝W_g45cor

其中，W_g45xcor为根据低压涡轮流量特性曲线计算出来的低压涡轮进口换算流量，W_g45cor为由低压涡轮导向器流入低压涡轮的实际换算流量；

内外涵出口静压平衡方程：

p_s6＝p_s16

其中，p_s6为低压涡轮内涵出口燃气静压，p_s16为外涵出口空气静压；

喷口喉道总压平衡方程：

p_tC8＝p_t8

其中，p_tC8为流量连续计算的喷口总压，p_t8喷口喉道燃气背压；

风扇特性方程：

W_{acor_Fan}＝f₁(n_Lcor，π_Fan，α_{V_Fan})

η_Fan＝f₂(n_Lcor，π_Fan，α_{V_Fan})

其中，W_{acor_Fan}为换算流量特性，η_Fan为效率特性，

为风扇换算转速，T₁ ^*为风扇进口总温，

为风扇进口总温设计点值，π_Fan为风扇压比，α_{V_Fan}为风扇可调导叶角度，f₁为风扇流量特性函数，f₂为风扇效率特性函数；

高压压气机特性方程：

W_{acor_CH}＝g₁(n_Hcor，π_CH，α_{V_CH})

η_CH＝g₂(n_Hcor，π_CH，α_{V_CH})

其中，W_{acor_CH}为换算流量特性，η_CH为效率特性，

为高压压气机换算转速，

为高压压气机进气总温，

为高压压气机设计点进气总温，π_CH为高压压气机压比，α_{V_CH}为高压压气机可调导叶角度，g₁表示压气机流量特性函数，g₂表示压气机效率特性函数；

高压涡轮特性方程：

其中，W_{acor_TH}为高压涡轮的换算流量，λ_TH为高压涡轮的温降比，

为高压涡轮换算转速，

为高压涡轮进口总温，

为设计点高压涡轮进口总温，低压涡轮特性与高压涡轮特性一致，π_TH表示高压涡轮落压比，n_H表示高压转速。

3.根据权利要求1所述的方法，其中，步骤S500中，所述前馈校正网络采用批处理极限学习网络模型或在线处理极限学习网络模型，当所述前馈校正网络采用批处理极限学习网络模型时，其构建方法包括如下步骤：

S1：构建多层神经网络模；所述多层神经网络模型包括输入层、隐层和输出层，其中，输入层的神经元节点数目为M，隐层的神经元节点数目为N，输出层的神经元节点数目为L，输入层的第i组输入值记为

输入层与隐层的权值记为

输入层与隐层的偏置记为b_j，隐层激励函数记为g(·)，输出层与输出层的权值记为

输出层的第i组输出记为

下标j取值为j＝1，2，...，N；

S2：对所述多层神经网络模型的输入层与隐层的权值ω_j及偏置b_j随机初始化；

S3：将所述主燃油流量W_f和第一燃油修正量ΔW_f1作为训练数据集，对所述多层神经网络模型进行训练，获得输出矩阵H；

S4：将第一燃油修正量ΔW_f1及其历史数据写成M行T列的矩阵形式

求取输出层权重β＝H⁺ΔW_f1，其中，H⁺为输出矩阵H的广义逆，则所述输出层权重β与随机初始化后的输入层与隐层的权值ω_j及偏置b_j构成了前馈校正网络。

4.根据权利要求3所述的方法，其中，步骤S3中，将所述主燃油流量W_f和第一燃油修正量ΔW_f1作为训练数据集，对所述多层神经网络模型进行训练的具体过程为：

将主燃油流量W_f和第一燃油修正量ΔW_f1构成的训练数据集按照时间顺序分为T组，每组包括M个数据点，作为训练的输入和输出数据，即令训练输入

训练输出

其中，i＝1，2，...，T，W_f，i为将主燃油流量W_f按照时间顺序存入M个数据点构成的向量，ΔW_f1，i为将第一燃油修正量ΔW_f1按照时间顺序存入M个数据点构成的向量，

表示实数，则多层神经网络模型的输出矩阵可以表示为

其中，

表示权值ω_j的转置，g(.)表示激活函数。

5.根据权利要求3所述的方法，其中，步骤S4中，所述输出层权重β也可表示为：

β＝(H^TH+I/C)^-1H^TΔW_f1

其中，H^T为输出矩阵H的转置，I表示单位矩阵，C为正则化因子。

6.根据权利要求1所述的方法，其中，当所述前馈校正网络采用在线处理极限学习网络模型时，其构建方法包括如下步骤：

S11：构建多层神经网络模型，所述多层神经网络模型包括输入层，隐层和输出层，其中，输入层的神经元节点数目为M，隐层的神经元节点数目为N，输出层的神经元节点数目为L，输入层的第i组输入值记为

输入层与隐层的权值记为

输入层与隐层的偏置记为b_j，隐层激励函数记为g(·)，输出层与隐层的权值记为

输出层的第i组输出记为

下标j表示隐层节点索引，下标k表示训练批次的索引；

S12：随机初始化输入层与隐层的权值ω_j和输入层与隐层的偏置b_j；

S13：将所述主燃油流量W_f和第一燃油修正量ΔW_f1及所述主燃油流量W_f和第一燃油修正量ΔW_f1的长度为T的历史数据作为训练数据集，对所述多层神经网络模型进行初始训练，获得初始输出矩阵H₀；

S14：将第一燃油修正量ΔW_f1及其历史数据写成1行T列的向量形式

根据初始输出矩阵H₀，计算初始隐层的输出权重

其中，

为初始输出矩阵H₀的广义逆；

S15：将所述主燃油流量W_f和第一燃油修正量ΔW_f1的第k批次长度为T的在线数据作为训练数据集，对多层神经网络模型进行在线训练，获得第k批次的输出矩阵H_k；

S16：将第一燃油修正量ΔW_f1的第k批次长度为T的在线数据写成1行T列的向量形式

根据第k批次的输出矩阵H_k，通过递推法计算第k批次隐层的输出权重β_k，则所述隐层的输出权重β_k与所述初始化后的权值ω_j和偏置b_j构成了第k批次的在线前馈校正网络。

7.根据权利要求6所述的方法，其中，步骤S13中，对所述多层神经网络模型进行初始训练的过程为：

将所述主燃油流量W_f和第一燃油修正量ΔW_f1及所述主燃油流量W_f和第一燃油修正量ΔW_f1的长度为T的历史数据构成的训练数据集按照时间顺序分为T组，每组1个数据点，作为初始训练的输入和输出数据，即令初始训练输入x_i0＝W_f，i，初始训练输出y_i0＝ΔW_f1，i，其中，i＝1，2，...，T，W_f，i为主燃油流量W_f在第i时刻的历史数据，ΔW_f1，i为第一燃油修正量ΔW_f1在第i时刻的历史数据，则多层神经网络模型的初始输出矩阵可以表示为：

其中，

表示权值ω_j的转置，g(.)表示激活函数，此时多层神经网络的输入层神经元节点数目M＝1，输出层神经元节点数目L＝1。

8.根据权利要求6所述的方法，其中，步骤S14中，所述隐层的输出权重β₀也可表示为：

β₀＝(H₀ ^TH₀+I/C)^-1H₀ ^TΔW_f1

其中，

为初始输出矩阵H₀的转置，I表示单位矩阵，C为正则化因子。

9.根据权利要求6所述的方法，其中，步骤S15中，对多层神经网络模型进行在线训练的具体过程为：

令第k批次训练输入x_ik＝W_f，ik，第k批次训练输出y_ik＝ΔW_f1，ik，其中，i＝kT+1，kT+2，...，kT+T，W_f，ik为主燃油流量W_f第k批次第i时刻的历史数据，ΔW_f1，i为第一燃油修正量ΔW_f1第k批次第i时刻的历史数据，则第k批次的输出矩阵可以表示为：

其中，

表示权值ω_j的转置，g(.)表示激活函数。

10.根据权利要求6所述的方法，其中，步骤S16中，所述第k批次隐层的输出权重β_k表示为：

其中，

P_k为第k批次中间变量，P₀为变量P_k的递推初始值。

Images