CN111860791A - 基于相似变换的航空发动机推力估计方法及装置 - Google Patents

Abstract

本发明公开了一种基于相似变换的航空发动机推力估计方法。对以下参数的训练数据依次进行相似变换、归一化处理：航空发动机推力、进气道出口总压、进气道出口总温、主燃油流、加力燃油流量、尾喷口面积、低压转子转速、高压转子转速、压气机出口总压、低压涡轮出口总温，然后分别以航空发动机推力训练数据和其余参数的训练数据为输出、输入对神经网络进行训练；对其余参数的测试数据依次进行相似变换、归一化处理后输入训练好的神经网络，并对神经网络的输出依次进行反归一化、反相似变换处理，最终得到推力估计值。本发明还公开了一种基于相似变换的航空发动机推力估计装置。本发明可实现全飞行包线内稳态和动态工作过程中推力的准确估计。

Description

基于相似变换的航空发动机推力估计方法及装置

技术领域

本发明属于航空宇航推进理论与工程中的系统控制与仿真领域，具体涉及一 种航空发动机推力估计方法及装置。

背景技术

航空发动机控制系统的主要任务是调节发动机工作状态，为飞行器提供所需 推力。鉴于飞行中的推力不易测量，传统的控制方式中，以转速、压比等和推力 密切相关的量实现对推力的间接控制。采用直接推力控制可以缩小传统发动机控 制预留的安全裕度，提升发动机性能，而准确的推力估计是实现直接推力控制的 关键。

目前主要存在两种推力估计方法：一种是基于模型和跟踪滤波器的方法；一 种是基于数据驱动的推力估计方法。基于模型和跟踪滤波器的推力估计方法在发 动机部件级模型的基础上开展，受到模型精度和实时性的影响，在应用上受到制 约。随着人工智能技术的兴起和发展，基于数据驱动的推力估计方法由于良好的 实时性和可靠的精度，得到了广泛的关注。

神经网络具有较高的全局逼近能力、非线性映射能力、自组织和自学习能力， 成为推力估计方法的首要选择，因此以神经网络为代表的航空发动机智能推力估 计方法得到了广泛的关注。目前神经网络估计推力技术取得了很多成果，但鉴于 飞行包线大、飞行状态多变，推力估计多基于全飞行包线的稳态数据进行静态推 力估计器训练。发动机工作在稳态时，推力估计平均误差很小，但是应用于动态 工作过程时，很多工作点的推力估计误差仍然超出了允许的范围。而进行发动机 全包线各种状态下的动态数据采集是难以完成的任务，这也导致现有基于数据驱 动的推力估计方法难以实现全飞行包线内稳态和动态工作过程中推力的准确估 计。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于相似变 换的航空发动机推力估计方法，可实现全飞行包线内稳态和动态工作过程中航空 发动机推力的准确估计。

本发明具体采用以下技术方案解决上述技术问题：

一种基于相似变换的航空发动机推力估计方法，在训练阶段，对以下参数的 训练数据依次进行相似变换、归一化处理：航空发动机推力F、进气道出口总压 P₂、进气道出口总温T₂、主燃油流量W_fb、加力燃油流量W_fa、尾喷口面积A₈、 低压转子转速n_L、高压转子转速n_H、压气机出口总压P₃、低压涡轮出口总温T₆， 然后以处理后的航空发动机推力F训练数据作为输出，以其余参数的训练数据 为输入对神经网络进行训练；在估计阶段，对所述其余参数的测试数据依次进行 相似变换、归一化处理后输入训练好的神经网络，并对神经网络的输出依次进行 反归一化、反相似变换处理，最终得到航空发动机的推力估计值；所述相似变换 具体依据以下公式：

其中，下标“X”表示相似变换后数据。

优选地，所述神经网络为输入延迟动态神经网络。

进一步优选地，所述输入延迟动态神经网络为具有一个输入层、5个隐含层 和一个输出层的输入延迟7层前向动态BP神经网络。

更进一步优选地，所述输入延迟7层前向动态BP神经网络的第一个隐含层 以tansig作为激活函数，其余四个隐含层和输出层均以logsig作为激活函数。

优选地，使用Levenberg Marquardt(L-M)算法进行所述神经网络的训练。

基于同一发明构思还可以得到以下技术方案：

一种基于相似变换的航空发动机推力估计装置，该装置的输入为进气道出口 总压P₂、进气道出口总温T₂、主燃油流量W_fb、加力燃油流量W_fa、尾喷口面积 A₈、低压转子转速n_L、高压转子转速n_H、压气机出口总压P₃、低压涡轮出口总 温T₆，该装置的输出为航空发动机推力F；该装置从输入至输出依次包括：相似 变换模块、归一化模块、神经网络、反归一化模块、反相似变换模块；所述神经 网络通过以下方法预先训练得到：对训练数据依次进行相似变换、归一化处理， 然后以处理后的航空发动机推力F训练数据作为输出，以其余参数的训练数据 为输入对神经网络进行训练；所述相似变换具体依据以下公式：

其中，下标“X”表示相似变换后数据。

优选地，所述神经网络为输入延迟动态神经网络。

进一步优选地，所述输入延迟动态神经网络为具有一个输入层、5个隐含层 和一个输出层的输入延迟7层前向动态BP神经网络。

更进一步优选地，所述输入延迟7层前向动态BP神经网络的第一个隐含层 以tansig作为激活函数，其余四个隐含层和输出层均以logsig作为激活函数。

优选地，使用Levenberg Marquardt(L-M)算法进行所述神经网络的训练。

相比现有技术，本发明技术方案及其进一步改进技术方案具有以下有益效果：

(1)所构建的推力估计装置适用范围广：通过相似变换进行数据处理，更好的 提取了数据特征，满足全飞行包线内的各种稳态和动态工作过程对推力估计的需 求；

(2)所构建的推力估计装置精度高：采用输入延迟动态神经网络，对于时间序 列具有良好的拟合效果，提高了动态推力估计的精度；

(3)所构建的推力估计装置实时性好：推力估计器采用离线训练在线使用的方法，训练完成后，网络的计算量小，相比基于模型的推力估计方法，具有更高的 实时性。

附图说明

图1为实施例中发动机的飞行包线范围；

图2为实施例中本发明基于相似变换的航空发动机推力估计装置的结构示 意图；

图3为实施例中的数据采集工作点和工作状态；

图4为采用相似变换的推力估计效果；

图5为采用相似变换的推力估计的测试误差；

图6为未进行相似变换的推力估计测试误差。

具体实施方式

本发明的目的在于针对推力估计器输入、输出数据及估计器结构开展研究工 作，解决大飞行包线下，发动机动态推力估计精度不足的缺陷，提高推力估计的 精度。本发明的基本解决思路是采取飞行包线内典型工作点动态数据采集，通过 相似变换使其数据在包线内具有通用性，并基于前向动态神经网络进行推力估计 器训练，以实现包线内稳态和动态工作过程中推力的准确估计。

本发明所提出的基于相似变换的航空发动机推力估计方法，在训练阶段，对 以下参数的训练数据依次进行相似变换、归一化处理：航空发动机推力F、进气 道出口总压P₂、进气道出口总温T₂、主燃油流量W_fb、加力燃油流量W_fa、尾喷 口面积A₈、低压转子转速n_L、高压转子转速n_H、压气机出口总压P₃、低压涡轮 出口总温T₆，然后以处理后的航空发动机推力F训练数据作为输出，以其余参 数的训练数据为输入对神经网络进行训练；在估计阶段，对所述其余参数的测试 数据依次进行相似变换、归一化处理后输入训练好的神经网络，并对神经网络的 输出依次进行反归一化、反相似变换处理，最终得到航空发动机的推力估计值； 所述相似变换具体依据以下公式：

其中，下标“X”表示相似变换后数据。

为便于公众理解,下面通过一个具体实施例并结合附图对本发明的技术方案 进行详细说明：

本实施例以某型涡扇发动机推力估计为例，并在涡扇发动机部件级数值仿真 平台上开展验证。该仿真平台经过大量的测试，能够较为准确地反映发动机的动 静态特性。本实施例中航空发动机推力估计器的建立过程具体如下：

(1)首先基于机理分析选择了9个发动机可测输出参数作为推力估计器输入：

根据发动机原理可知，发动机工作状态由飞行条件和发动机输入确定，因此 选择反映飞行条件的进气道出口总压(P₂)、进气道出口总温(T₂)，以及作为发 动机输入的主燃油流量(W_fb)、加力燃油流量(W_fa)、尾喷口面积(A₈)作为推 力估计器输入。同时发动机的转速、压力、温度均和推力密切相关，为提高推力 估计精度，将低压转子转速(n_L)、高压转子转速(n_H)、压气机出口总压(P₃)、 低压涡轮出口总温(T₆)均作为推力估计器输入，因此本发明所建立推力估计器输 入的可测参数为9个。

(2)在飞行包线内选择典型工作点和工作状态，进行推力估计器训练和测试的 动态数据采集：

本实施例中发动机的飞行包线如图1所示，其最大飞行高度为15km，最大 飞行马赫数为1.5。为了训练数据能够最大限度的覆盖飞行包线范围和发动机工 作状态，实施过程中，按图3采集推力估计器训练和测试数据，其中PLA代表 油门杆角度，变化范围为30度到100度。故本实施例根据高度、马赫数、油门 杆变化，共采集发动机16780s的仿真数据，采样步长为0.01s，共采集了1678000 组数据。

(3)基于相似原理将采集到的推力估计输入、输出数据进行相似变换：

在几何相似、运动相似及动力相似三个条件下，满足相似准则的发动机在地 面和空中工作具有相似的工作状态。可以从已知的发动机相似参数推导出发动机 各个点的相似参数，该方法适用于发动机的全飞行包线，所述相似变换后的输入、 输出为：

其中，下标“X”表示相似变换后数据。

(4)将相似变换后的数据进行归一化处理：

由于输入数据之间的数量级差别很大，为了避免不同量级引起数据淹没，造 成推力估计不准确，将输入和输出变量D_i根据下式归一化到0～1之间。

其中D_max为各变量的最大值，D_min为各变量的最小值，

为归一化后的变量。

(5)确定所使用神经网络的类型和具体结构并进行训练：

由于发动机的工作过程是一个动态过程，传统的静态神经网络在推力估计中， 只能保证稳态精度，而在动态过程中具有较大的误差，为此本发明采用动态神经 网络进行推力估计。

典型的动态神经网络为非线性自回归(NARX)神经网络，网络利用了延时层获得输入和输出量的历史数据，可以更好的描述时变系统的动态特性，因此特别适合用于航 空发动机这样的非线性动态系统的输出预测。

典型的NARX模型输入输出关系如下:

y(t)＝f[y(t-1),y(t-2),…,y(t-n_a),x(t-1),…,x(t-n_b)] (8)

其中，y(t)为NARX模型输出，x(t)为NARX模型输入，n_a和n_b分别为NARX模 型输出和输入的阶次。

在本发明中由于网络输出推力不可测量，为避免累积误差，不采用输出延迟， 因此n_a＝0，而发动机通常可以简化为2阶系统，优选地n_b＝2。网络结构为如图2 所示的输入延迟动态神经网络。

优选地，网络具有一个输入层，5个隐含层和一个输出层。

如图2所示，本实施例的动态神经网络采用2阶输入延时，当前时刻k、k-1 时刻和k-2时刻的发动机输出均作为推力估计器的输入，则输入神经元个数为27 个，优选地，从输入到输出各层的神经元个数依次为：27-10-10-15-20-1-1。

本实施例中的第一个隐含层采用tansig作为激活函数，其余四个隐含层均采 用logsig作为激活函数，输出层也将logsig作为激活函数。

logsig函数和tansig函数具体公式为：

最终可以得到如图2所示的本发明推力估计器，从输入至输入依次包括：相 似变换模块、归一化模块、神经网络、反归一化模块、反相似变换模块；其数学 模型的表达式为：

其中

为估计的推力，T_DNN为推力估计器模型，输入维数为9，输出维数为1。

本实施例中采用L-M算法进行推力估计器训练，其实现过程如下：

为便于描述，以三层前向神经网络为例，简述L-M算法的实现过程。设网络 输入为x(t)，隐含层的输出为h_i、输出为h_o，输出层的输入为o_i、输出为o_o，L、 M分别为输入层、隐含层神经元数量。

对于隐含层，其第j个神经元输入为

其中w_kj为输入层到隐含层的连接权，b为偏置。

隐含层第j个神经元输出为

h_oj＝f(h_ij) (13)

其中f()为隐含层激活函数。

对于输出层，第m个神经元输入为：

其中w_jm为隐含层到输出层的连接权，b为偏置。

输出层第m个神经元输出为：

o_om＝g(o_im) (15)

其中g()为输出层激活函数。

在L-M方法中，随机生成初始权值和偏置，通过迭代进行权值和偏置更新， 其调整量Δw的计算公式为：

Δw＝[J^T(w)J(w)+μI]^-1J^T(w)e(w) (16)

其中，I为单位矩阵，μ为学习速率，J(w)为Jacobian矩阵，e(w)为数据的训 练误差向量。

对于n个需要调整的权值w_i，i＝1,2,…n,在N组训练数据下的Jacobian矩阵 为

其中，e_i(w)为第i组数据的训练误差。

可见在L-M算法中，权值调整过程中包含了雅可比矩阵的计算和逆矩阵的计 算，如式(16)所示，并通过迭代计算修正权值，直至满足收敛条件或达到最大允 许迭代次数。对于多层神经网络，权值调整过程中Jacobian矩阵中偏导数的计算 通过链式法则进行推导。

为验证本发明对推力进行估计的有效性，在图3所示工作状态采集到的数据 中，由于数据量太大，为避免训练时间太长，以其中1/6作为训练数据，所有数 据作为测试数据，开展仿真验证，得到神经网络输出估计推力和实际推力归一化 的对比如图4所示。由图4可见，推力估计值很好的跟踪了推力实际值，推力估 计取得了良好的效果。

为了准确反映推力估计效果，对神经网络输出的估计推力进行反归一化和反 相似变换处理。反归一化后的推力估计值为：

其中，

为动态神经网络输出的推力估计值，

为反归一化后的推力估计值,F_max为推力的最大值，F_min为推力的最小值。

反相似变换后推力估计物理值为：

为了清晰显示推力估计效果，记推力估计误差为：

得到推力估计误差曲线如图5所示。

为了便于对比，采用未进行相似变换的数据进行同样结构的推力估计器训练 和测试，结果如图5所示，并将其均方差、标准差、最大估计误差和平均估计误 差对比结果列于表1，表1中数据均通过误差的绝对值进行计算。

表1推力估计结果对比

由图5、图6可见，由于采用了多层动态神经网络结构，相似变换及未进行 相似变换的推力估计器均取得了较好的估计效果。从表1可以看出，经过相似变 换后，推力估计精度得到了很大提高，均方误差为未进行相似变换推力估计结构 的0.289％，标准差为未进行相似变换的5.4％，最大误差为未进行相似变换的 34.9％，平均误差为未进行相似变换的37.9％，验证了本发明所提出的基于相似 变换的航空发动机智能推力估计方法能够高精度完成动态和稳态工作过程的推 力估计，具有良好的应用前景。

Claims (10)

1.一种基于相似变换的航空发动机推力估计方法，其特征在于，在训练阶段，对以下参数的训练数据依次进行相似变换、归一化处理：航空发动机推力F、进气道出口总压P₂、进气道出口总温T₂、主燃油流量W_fb、加力燃油流量W_fa、尾喷口面积A₈、低压转子转速n_L、高压转子转速n_H、压气机出口总压P₃、低压涡轮出口总温T₆，然后以处理后的航空发动机推力F训练数据作为输出，以其余参数的训练数据为输入对神经网络进行训练；在估计阶段，对所述其余参数的测试数据依次进行相似变换、归一化处理后输入训练好的神经网络，并对神经网络的输出依次进行反归一化、反相似变换处理，最终得到航空发动机的推力估计值；所述相似变换具体依据以下公式：

x＝a,b，

其中，下标“X”表示相似变换后数据。

2.如权利要求1所述基于相似变换的航空发动机推力估计方法，其特征在于，所述神经网络为输入延迟动态神经网络。

3.如权利要求2所述基于相似变换的航空发动机推力估计方法，其特征在于，所述输入延迟动态神经网络为具有一个输入层、5个隐含层和一个输出层的输入延迟7层前向动态BP神经网络。

4.如权利要求3所述基于相似变换的航空发动机推力估计方法，其特征在于，所述输入延迟7层前向动态BP神经网络的第一个隐含层以tansig作为激活函数，其余四个隐含层和输出层均以logsig作为激活函数。

5.如权利要求1～4任一项所述基于相似变换的航空发动机推力估计方法，其特征在于，使用Levenberg Marquardt算法进行所述神经网络的训练。

6.一种基于相似变换的航空发动机推力估计装置，其特征在于，该装置的输入为进气道出口总压P₂、进气道出口总温T₂、主燃油流量W_fb、加力燃油流量W_fa、尾喷口面积A₈、低压转子转速n_L、高压转子转速n_H、压气机出口总压P₃、低压涡轮出口总温T₆，该装置的输出为航空发动机推力F；该装置从输入至输出依次包括：相似变换模块、归一化模块、神经网络、反归一化模块、反相似变换模块；所述神经网络通过以下方法预先训练得到：对训练数据依次进行相似变换、归一化处理，然后以处理后的航空发动机推力F训练数据作为输出，以其余参数的训练数据为输入对神经网络进行训练；所述相似变换具体依据以下公式：

x＝a,b，

其中，下标“X”表示相似变换后数据。

7.如权利要求6所述基于相似变换的航空发动机推力估计装置，其特征在于，所述神经网络为输入延迟动态神经网络。

8.如权利要求7所述基于相似变换的航空发动机推力估计装置，其特征在于，所述输入延迟动态神经网络为具有一个输入层、5个隐含层和一个输出层的输入延迟7层前向动态BP神经网络。

9.如权利要求7所述基于相似变换的航空发动机推力估计装置，其特征在于，所述输入延迟7层前向动态BP神经网络的第一个隐含层以tansig作为激活函数，其余四个隐含层和输出层均以logsig作为激活函数。

10.如权利要求6～9任一项所述基于相似变换的航空发动机推力估计装置，其特征在于，使用Levenberg Marquardt算法进行所述神经网络的训练。

Images