CN111967202A - 一种基于人工智能的航空发动机极速性能数字孪生方法 - Google Patents
一种基于人工智能的航空发动机极速性能数字孪生方法 Download PDFInfo
- Publication number
- CN111967202A CN111967202A CN202010791911.6A CN202010791911A CN111967202A CN 111967202 A CN111967202 A CN 111967202A CN 202010791911 A CN202010791911 A CN 202010791911A CN 111967202 A CN111967202 A CN 111967202A
- Authority
- CN
- China
- Prior art keywords
- engine
- neural network
- aero
- pressure
- aircraft engine
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明提出了一种基于人工智能的航空发动机极速性能数字孪生方法,采用两套结构相似的深度神经网络,借助依照航空发动机原理及气动热力过程建立的航空发动机数值仿真性能模型,有效解决了数据驱动模型单纯依靠数据而忽略实际物理过程所导致的精度不高和所需数据量庞大两个痛点。基于人工智能深度学习方法,构建了航空发动机全新性能数字孪生模型,采用人工智能、最大熵原理加速策略等关键技术极大的提高了数字孪生的训练速度和精度。
Description
技术领域
本发明属于航空发动机数字模型领域,尤其涉及一种基于人工智能的航空发动机极速性能数字孪生方法。
背景技术
航空发动机工作原理复杂,控制参数众多,结构化数据和非结构化数据交叉融合,参数采集的频率高、体量大、结构多样、时效性强、如何实时精准发现航空发动机参数中隐含的发动机变化模式,对现有技术提出了巨大挑战。
数字孪生是集成多物理量、多空间尺度的物理世界数字仿真,其运用有效物理模型、传感器数据更新和运行历史镜像出对应孪生对象的生存状态,即在在数字空间建立与物理世界对应的动态镜像模型。航空发动机性能数字孪生即运用实时航空发动机采集参数镜像出对应的发动机动态性能模型,其必须具备紧密跟踪、极速响应的特点以满足航空发动机处于瞬息万变的飞行工作环境的特殊需求。
航空发动机是极其复杂的热力机械系统,其结构/气动/热力/信息/控制的复杂性对数字孪生技术的数据学习的“深度”提出更高的要求;目前流行的大数据挖掘算法和广泛应用的图像/目标处理、视频/语音辨识等智能算法并不完全适用于航空发动机工程。同时航空发动机又完全不同于地面热力机械系统,其处于瞬息万变的飞行工作环境,必须运用新的算法对数据进行分析研判和信息融合,同时又必须具备实时、迅速的特点;如数据利用不具备实时迅速的特点,发动机的数字化/信息化/智能化就缺少了高速通道,效能会大打折扣。就好像汽车没有高速公路、性能优越的高速火车没有高速铁路,综合效能就无法全面展现。因此,航空发动机极速性能数字孪生技术对数据算法提出了更高的要求,现有算法无法满足其紧密跟踪、极速响应的要求。
发明内容
本发明针对航空发动机极速性能数字孪生技术提出的“深度”和“速度”两方面需求,提出了一种基于人工智能的航空发动机极速性能数字孪生方法,能够高效地利用有限的航空发动机测试参数数据,快速地建立航空发动机性能数字孪生模型。
本发明的技术方案为:
一种基于人工智能的航空发动机极速性能数字孪生方法,包括以下步骤:
步骤1:选取发动机参数,构造训练数据:
将航空发动机飞行参数、控制规律变量及状态参数作为训练点自变量向量的分量,将传感器测量的航空发动机气动热力学参数作为训练点因变量向量的分量;
步骤2:建立航空发动机性能实时跟踪模型:
构建第一套多层神经网络作为航空发动机性能实时跟踪模型,该多层神经网络仅包含输入层和隐藏层,不存在输出层;该多层神经网络的隐藏层的层数和节点数由航空发动机部件的数量、重要程度及运行次序确定,表示航空发动机各部件的性能修正量;并且基于部件的耦合关系对各节点进行权值连接并初始化;
步骤3:训练航空发动机性能实时跟踪模型:
首先进行多层神经网络的前向传递,将训练点自变量向量作为航空发动机性能实时跟踪模型网络输入,计算网络隐藏层节点数值;之后,将多层神经网络的输入层、隐藏层节点基于其物理意义代入航空发动机数值仿真性能模型中,以获得航空发动机气动热力学参数计算值;
步骤4:基于分子动力学(kinetic theory)将航空发动机气动热力学参数的计算值和传感器测量得到的测量值转换成相应的微观分布函数,采用最大熵原理算法加速训练神经网络的权值;不断重复步骤3、4直至满足收敛条件,最终得到第一套多层神经网络模型;
步骤5:建立航空发动机机载极速性能数字孪生模型:
基于已训练完成的第一套多层神经网络,通过在原有训练权值上乘以新的权值系数,添加多个输出节点并连接第一套多层神经网络的最后一层隐藏层节点,将航空发动机气动热力学参数计算值作为第二套多层神经网络的输出层,构造第二套多层神经网络模型,再次初始化权值;
步骤6:训练航空发动机机载极速性能数字孪生模型:
将训练点自变量向量作为第二套网络输入,前向传递计算输出层节点数值。基于分子动力学(kinetic theory)将航空发动机气动热力学参数的测量值和第二套神经网络的输出值转换成相应的微观分布函数,采用最大熵原理算法加速训练神经网络的权值,训练满足收敛条件后得到第二套多层神经网络模型,即为基于人工智能的航空发动机极速性能数字孪生。
进一步的,步骤1中航空发动机飞行参数、控制规律变量及状态参数为:
航空发动机飞行参数包括航空发动机飞行马赫数、飞行高度;
航空发动机控制规律变量包括可调尾喷管面积;
航空发动机状态参数包括燃油流量、转速。
进一步的,步骤1中传感器测量的航空发动机气动热力学参数包括:发动机进口压力、压气机出口压力和/或涡轮出口温度。
进一步的,步骤2和步骤5中的初始化权值采用Maxwell分布。
进一步的,步骤2中,第一套多层神经网络的隐藏层层数和次序依照高压部件,低压部件,燃烧部件,混合室及外涵道,进排气部件进行分类和排序,同一类别部件的参数因子所构成的节点属于同一隐藏层;其中高压部件节点层包括高压压气机增压比、高压压气机效率、高压涡轮落压比、高压涡轮效率4个节点;低压部件节点层包括低压压气机增压比、低压压气机效率、低压涡轮落压比、低压涡轮效率4个节点;燃烧部件节点层包括燃烧室压力损失系数、燃烧效率、加力燃烧室压力损失系数、加力燃烧效率4个节点;混合室及外涵道节点层包括混合室压力损失系数、外涵道压力损失系数2个节点;进排气部件节点层包括进气道压力损失系数、喷管压力损失系数2个节点。
进一步的,步骤2中,使用Leak-Relu激活函数进行网络节点的非线性化。
进一步的,步骤3中,航空发动机数值仿真性能模型采用部件级建模方法,并采用Newton-Raphson迭代算法求解航空发动机共同工作条件方程。
进一步的,步骤4和步骤6中采用最大熵原理算法加速训练包括:
将Boltzmann方程H定理转化为数学选择路径:
将传统深度学习网络中的交叉熵反馈变为以H定理为基础的熵反馈,即改变传统算法中的交叉熵反馈函数;
将梯度转化为熵增耗散:
将传统深度学习网络中的交叉熵梯度算法,变为非线性熵增耗散函数;即改变依靠熵梯度调整学习网络的传统做法,变为依靠非线性熵增耗散调整学习网络,以加速学习速度;
按照预设的学习率对模型进行训练,并在训练到预设的次数时,对学习率进行依次衰减。
有益效果
本发明提出了一种基于人工智能的航空发动机极速性能数字孪生方法,采用两套结构相似的深度神经网络,借助依照航空发动机原理及气动热力过程建立的航空发动机数值仿真性能模型,有效解决了数据驱动模型单纯依靠数据而忽略实际物理过程所导致的精度不高和所需数据量庞大两个痛点。基于人工智能深度学习方法,构建了航空发动机全新性能数字孪生模型,采用人工智能、最大熵原理加速策略等关键技术极大的提高了数字孪生的训练速度和精度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一种基于人工智能的航空发动机极速性能数字孪生技术的流程图;
图2为本发明所提供的实施例中,带加力双轴混排涡扇航空发动机第一套网络建立示意图;
图3为本发明所提供的实施例中,带加力双轴混排涡扇航空发动机第二套网络建立示意图;
图4为本发明所提供的实施例中,考虑附件系统的带加力双轴混排涡扇航空发动机第一套网络建立示意图;
图5为本发明所提供的实施例中,考虑附件系统的带加力双轴混排涡扇航空发动机第二套网络建立示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明公开一种基于人工智能的航空发动机极速性能数字孪生技术,包括如下步骤:依据航空发动机传感器测量参数制定训练样本数据;基于航空发动机部件的耦合关系构建第一套多层神经网络模型;借助航空发动机数值仿真性能模型的输出结果,采用最大熵原理算法加速训练第一套多层神经网络模型得到航空发动机性能实时跟踪模型;通过拓展第一套多层神经网络模型的网络结构,获得第二套多层神经网络模型;采用最大熵原理算法加速训练第二套多层神经网络模型得到航空发动机机载极速性能数字孪生模型。下面通过实施例对这一过程进行详细描述。
实施例1:
如图2、3所示,针对带加力双轴混排涡扇发动机极速性能数字孪生的网络建立示意图,具体实现的步骤为:
步骤1:将航空发动机飞行参数、控制规律变量及状态参数作为训练点自变量向量的分量,将传感器测量的航空发动机气动热力学参数作为训练点因变量向量的分量;其中航空发动机飞行参数、控制规律变量及状态参数为:航空发动机飞行参数包括航空发动机飞行马赫数、飞行高度;航空发动机控制规律变量包括可调尾喷管面积;航空发动机状态参数包括燃油流量、转速;传感器测量的航空发动机气动热力学参数包括:发动机进口压力、压气机出口压力和/或涡轮出口温度。
本实施例中,选取进行数据处理后的传感器测量的航空发动机涡轮出口温度构成训练样本的因变量y,传感器数据对应的航空发动机飞行马赫数、飞行高度、可调尾喷管面积、燃油流量、转速构成训练样本自变量x。最终选取N条数据(x,y),得到样本总数为N,单个样本维度为(5,1)的训练样本。
步骤2:依照“影响大的部件靠前,影响小的部件靠后”的原则,带加力双轴混排涡扇发动机极速性能数字孪生的第一套多层神经网络的隐藏层为5层:第一层为高压部件节点层,包括了高压压气机增压比、高压压气机效率、高压涡轮落压比、高压涡轮效率4个节点;第二层为低压部件节点层,包括了低压压气机增压比、低压压气机效率、低压涡轮落压比、低压涡轮效率4个节点;第三层为燃烧部件节点层,包括了燃烧室压力损失系数、燃烧效率、加力燃烧室压力损失系数、加力燃烧效率4个节点;第四层由混合室和外涵道构成,包括了混合室压力损失系数、外涵道压力损失系数2个节点;第五层为进/排气部件,包括了进气道压力损失系数、喷管压力损失系数2个节点。上述各个节点使用Leak-Relu激活函数进行网络节点的非线性化。网络的输入层包括5个节点,与训练样本的自变量维度保持一致。基于部件的耦合关系对上述节点进行连接并使用Maxwell分布初始化连接权值。
步骤3:将训练样本自变量作为输入代入第一套多层神经网络进行前向计算,得到网络隐藏层各节点数值;将第一套多层神经网络输出层和隐藏层的各个节点数值按照其物理意义代入航空发动机数值仿真性能模型中获得航空发动机涡轮出口温度计算值。本实施例中,航空发动机数值仿真性能模型采用部件级建模方法,并采用Newton-Raphson迭代算法求解航空发动机共同工作条件方程。
步骤4:基于分子动力学(kinetic theory)将航空发动机涡轮出口温度计算值和传感器测量值转换成相应的微观分布函数并代入交叉熵反馈函数中作为神经网络的损失函数,将传统神经网络训练过程中的梯度下降转化为熵增耗散;之后按照预设的学习率对模型进行训练,即调整网络中的连接权值,并在训练到预设的次数时,对学习率进行依次衰减。重复N次步骤3、4得到图2所示的第一套多层神经网络模型。
步骤5:基于已训练完成的第一套多层神经网络,通过在原有训练权值上乘上新的权值系数,添加一个输出节点并连接第一套多层神经网络的最后一层隐藏层节点,即输出航空发动机涡轮出口温度计算值作为第二套多层神经网络的输出层,构造第二套多层神经网络模型。其中初始化权值向量时,采用Maxwell分布进行权值向量初始化。
步骤6:基于分子动力学(kinetic theory)将神经网络输出层节点值和传感器测量值转换成相应的微观分布函数并代入交叉熵反馈函数中作为神经网络的损失函数,将传统神经网络训练过程中的梯度下降转化为熵增耗散。之后按照预设的学习率对模型进行训练,即调整网络中的连接权值,并在训练到预设的次数时,对学习率进行依次衰减。重复N次步骤5、6得到图3所示的第二套多层神经网络模型,即基于人工智能的航空发动机极速性能数字孪生。
实施例2:
如图4、5所示,针对考虑附件系统的带加力双轴混排涡扇发动机极速性能数字孪生的网络建立示意图,具体实现的步骤为:
步骤1:选取进行数据处理后的传感器测量的航空发动机涡轮出口温度构成训练样本的因变量y,传感器数据对应的航空发动机飞行马赫数、飞行高度、可调尾喷管面积、燃油流量、转速构成训练样本自变量x。最终选取N条数据(x,y),得到样本总数为N,单个样本维度为(5,1)的训练样本。
步骤2:依照“影响大的部件靠前,影响小的部件靠后”的原则,考虑附件系统的带加力双轴混排涡扇发动机极速性能数字孪生的第一套多层神经网络的隐藏层为5层:第一层为高压部件节点层,包括了高压压气机增压比、高压压气机效率、高压涡轮落压比、高压涡轮效率4个节点;第二层为低压部件节点层,包括了低压压气机增压比、低压压气机效率、低压涡轮落压比、低压涡轮效率4个节点;第三层为燃烧部件节点层,包括了燃烧室压力损失系数、燃烧效率、加力燃烧室压力损失系数、加力燃烧效率4个节点;第四层由混合室和外涵道构成,包括了混合室压力损失系数、外涵道压力损失系数2个节点;第五层为进/排气部件,包括了进气道压力损失系数、喷管压力损失系数2个节点。上述各个节点使用Leak-Relu激活函数进行网络节点的非线性化。网络的输入层包括5个节点,与训练样本的自变量维度保持一致。基于部件的耦合关系对上述节点进行连接并使用Maxwell分布初始化连接权值。
步骤3:将训练样本自变量作为输入代入第一套多层神经网络进行前向计算,得到网络隐藏层各节点数值;将第一套多层神经网络输出层和隐藏层的各个节点数值按照其物理意义代入航空发动机数值仿真性能模型中获得航空发动机涡轮出口温度计算值。本实施例中,航空发动机数值仿真性能模型采用部件级建模方法,并采用Newton-Raphson迭代算法求解航空发动机共同工作条件方程。
步骤4:首先,基于分子动力学(kinetic theory)将航空发动机涡轮出口温度计算值和传感器测量值转换成相应的微观分布函数并代入交叉熵反馈函数中作为神经网络的损失函数,将传统神经网络训练过程中的梯度下降转化为熵增耗散。之后按照预设的学习率对模型进行训练,即调整网络中的连接权值,并在训练到预设的次数时,对学习率进行依次衰减。重复N次步骤3、4。
步骤5:此实施例考虑空气系统和滑油系统两个附件系统。固定步骤4训练得到的网络权值,添加额外的隐藏层节点表示空气系统和滑油系统的性能变化因子。空气系统节点和滑油系统节点不属于步骤2中的网络层次,按图4所示补充节点间的连接关系并使用Maxwell分布初始化权值向量。按步骤3、4再次进行训练,得到如图4所示的第一套多层神经网络模型。
步骤6:基于已训练完成的第一套多层神经网络,通过在原有训练权值上乘上新的权值系数,添加一个输出节点并连接第一套多层神经网络的最后一层隐藏层节点,即输出航空发动机涡轮出口温度计算值作为第二套多层神经网络的输出层,构造第二套多层神经网络模型。其中初始化权值向量时,采用Maxwell分布进行权值向量初始化。
步骤7:首先,基于分子动力学(kinetic theory)将神经网络输出层节点值和传感器测量值转换成相应的微观分布函数并代入交叉熵反馈函数中作为神经网络的损失函数,将传统神经网络训练过程中的梯度下降转化为熵增耗散。之后按照预设的学习率对模型进行训练,即调整网络中的连接权值,并在训练到预设的次数时,对学习率进行依次衰减。重复N次步骤6、7得到图5所示的第二套多层神经网络模型,即基于人工智能的航空发动机极速性能数字孪生。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:包括以下步骤:
步骤1:选取发动机参数,构造训练数据:
将航空发动机飞行参数、控制规律变量及状态参数作为训练点自变量向量的分量,将传感器测量的航空发动机气动热力学参数作为训练点因变量向量的分量;
步骤2:建立航空发动机性能实时跟踪模型:
构建第一套多层神经网络作为航空发动机性能实时跟踪模型,该多层神经网络仅包含输入层和隐藏层,不存在输出层;该多层神经网络的隐藏层的层数和节点数由航空发动机部件的数量、重要程度及运行次序确定,表示航空发动机各部件的性能修正量;并且基于部件的耦合关系对各节点进行权值连接并初始化;
步骤3:训练航空发动机性能实时跟踪模型:
首先进行多层神经网络的前向传递,将训练点自变量向量作为航空发动机性能实时跟踪模型网络输入,计算网络隐藏层节点数值;之后,将多层神经网络的输入层、隐藏层节点基于其物理意义代入航空发动机数值仿真性能模型中,以获得航空发动机气动热力学参数计算值;
步骤4:将航空发动机气动热力学参数的计算值和传感器测量得到的测量值转换成相应的微观分布函数,采用最大熵原理算法加速训练神经网络的权值;不断重复步骤3、4直至满足收敛条件,最终得到第一套多层神经网络模型;
步骤5:建立航空发动机机载极速性能数字孪生模型:
基于已训练完成的第一套多层神经网络,通过在原有训练权值上乘以新的权值系数,添加多个输出节点并连接第一套多层神经网络的最后一层隐藏层节点,将航空发动机气动热力学参数计算值作为第二套多层神经网络的输出层,构造第二套多层神经网络模型,再次初始化权值;
步骤6:训练航空发动机机载极速性能数字孪生模型:
将训练点自变量向量作为第二套网络输入,前向传递计算输出层节点数值;将航空发动机气动热力学参数的测量值和第二套神经网络的输出值转换成相应的微观分布函数,采用最大熵原理算法加速训练神经网络的权值,训练满足收敛条件后得到第二套多层神经网络模型,即为基于人工智能的航空发动机极速性能数字孪生。
2.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤1中航空发动机飞行参数、控制规律变量及状态参数为:
航空发动机飞行参数包括航空发动机飞行马赫数、飞行高度;
航空发动机控制规律变量包括可调尾喷管面积;
航空发动机状态参数包括燃油流量、转速。
3.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤1中传感器测量的航空发动机气动热力学参数包括:发动机进口压力、压气机出口压力和/或涡轮出口温度。
4.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤2和步骤5中的初始化权值采用Maxwell分布。
5.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤2中,第一套多层神经网络的隐藏层层数和次序依照高压部件,低压部件,燃烧部件,混合室及外涵道,进排气部件进行分类和排序,同一类别部件的参数因子所构成的节点属于同一隐藏层;其中高压部件节点层包括高压压气机增压比、高压压气机效率、高压涡轮落压比、高压涡轮效率4个节点;低压部件节点层包括低压压气机增压比、低压压气机效率、低压涡轮落压比、低压涡轮效率4个节点;燃烧部件节点层包括燃烧室压力损失系数、燃烧效率、加力燃烧室压力损失系数、加力燃烧效率4个节点;混合室及外涵道节点层包括混合室压力损失系数、外涵道压力损失系数2个节点;进排气部件节点层包括进气道压力损失系数、喷管压力损失系数2个节点。
6.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤2中,使用Leak-Relu激活函数进行网络节点的非线性化。
7.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤3中,航空发动机数值仿真性能模型采用部件级建模方法,并采用Newton-Raphson迭代算法求解航空发动机共同工作条件方程。
8.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法,其特征在于:步骤4和步骤6中采用最大熵原理算法加速训练包括:将Boltzmann方程H定理转化为数学选择路径,将梯度转化为熵增耗散,按照预设的学习率对模型进行训练,并在训练到预设的次数时,对学习率进行依次衰减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010791911.6A CN111967202B (zh) | 2020-08-08 | 2020-08-08 | 一种基于人工智能的航空发动机极速性能数字孪生方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010791911.6A CN111967202B (zh) | 2020-08-08 | 2020-08-08 | 一种基于人工智能的航空发动机极速性能数字孪生方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967202A true CN111967202A (zh) | 2020-11-20 |
CN111967202B CN111967202B (zh) | 2022-10-25 |
Family
ID=73365862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010791911.6A Active CN111967202B (zh) | 2020-08-08 | 2020-08-08 | 一种基于人工智能的航空发动机极速性能数字孪生方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967202B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011085A (zh) * | 2021-02-26 | 2021-06-22 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及系统 |
CN115184563A (zh) * | 2022-09-08 | 2022-10-14 | 北京中环高科环境治理有限公司 | 一种基于数字孪生的化工车间现场数据采集方法 |
CN116738872A (zh) * | 2023-05-09 | 2023-09-12 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
CN109987252A (zh) * | 2019-04-09 | 2019-07-09 | 哈尔滨理工大学 | 一种飞机发动机故障智能检测装置及检测方法 |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
FR3088463A1 (fr) * | 2018-11-09 | 2020-05-15 | Adagos | Procede de construction de reseau de neurones pour la simulation de systemes reels |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111475889A (zh) * | 2020-03-30 | 2020-07-31 | 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 |
-
2020
- 2020-08-08 CN CN202010791911.6A patent/CN111967202B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
FR3088463A1 (fr) * | 2018-11-09 | 2020-05-15 | Adagos | Procede de construction de reseau de neurones pour la simulation de systemes reels |
CN109987252A (zh) * | 2019-04-09 | 2019-07-09 | 哈尔滨理工大学 | 一种飞机发动机故障智能检测装置及检测方法 |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111475889A (zh) * | 2020-03-30 | 2020-07-31 | 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 |
Non-Patent Citations (4)
Title |
---|
MEVLUT UZUN ET AL: "Design of a Hybrid Digital-Twin Flight Performance Model Through Machine Learning", 《IEEE》 * |
庄存波 等: "产品数字孪生体的内涵、体系结构及其发展趋势", 《计算机集成制造系统》 * |
王岭: "基于数字孪生的航空发动机低压涡轮单元体对接技术研究", 《计算机测量与控制》 * |
艾剑良等: "一种基于自适应神经网络的航空发动机故障诊断方法", 《中国科学:技术科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011085A (zh) * | 2021-02-26 | 2021-06-22 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及系统 |
CN113011085B (zh) * | 2021-02-26 | 2021-10-26 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及系统 |
CN115184563A (zh) * | 2022-09-08 | 2022-10-14 | 北京中环高科环境治理有限公司 | 一种基于数字孪生的化工车间现场数据采集方法 |
CN115184563B (zh) * | 2022-09-08 | 2022-12-02 | 北京中环高科环境治理有限公司 | 一种基于数字孪生的化工车间现场数据采集方法 |
CN116738872A (zh) * | 2023-05-09 | 2023-09-12 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
CN116738872B (zh) * | 2023-05-09 | 2024-01-23 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111967202B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967202B (zh) | 一种基于人工智能的航空发动机极速性能数字孪生方法 | |
WO2019144337A1 (zh) | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 | |
CN105956281B (zh) | 固体火箭发动机装药设计方法 | |
CN110502840B (zh) | 航空发动机气路参数在线预测方法 | |
Hearn et al. | Optimization of turbine engine cycle analysis with analytic derivatives | |
CN109031951B (zh) | 基于精确偏导数的航空发动机状态变量模型在线建立方法 | |
CN104392039A (zh) | 一种过渡态发动机仿真建模方法 | |
CN111680357B (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 | |
CN112613119A (zh) | 一种多几何参数可调的进/排/发一体化航空推进系统建模方法 | |
Turan | Energy and entropy analyses of an experimental turbojet engine for target drone application | |
CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
CN112257256B (zh) | 一种基于稳态数据的发动机简化动态模型设计方法 | |
Zaag et al. | Cessna Citation X engine model identification using neural networks and extended great deluge algorithms | |
Yazar et al. | Simulation-based steady-state aero-thermal model for small-scale turboprop engine | |
CN111079920A (zh) | 一种涡轮集气腔出口流量不均匀系数的预测方法 | |
Yarlagadda | Performance analysis of J85 turbojet engine matching thrust with reduced inlet pressure to the compressor | |
Wang et al. | Research of variable cycle engine modeling technologies | |
Eastbourn et al. | Modeling and simulation of a dynamic turbofan engine using Simulink | |
CN113987686A (zh) | 一种航空发动机数字工程模型的构建方法 | |
Cao et al. | DNN-based surrogate modeling-based feasible performance reliability design methodology for aircraft engine | |
Chaudron et al. | Running large-scale and hybrid real-time aircraft simulations in an HLA framework | |
Lutambo et al. | Turbofan engine modelling and control design using linear quadratic regulator (LQR) | |
Sereda et al. | Method of Compact Ground Launching Devices Shape Formation for Unmanned Aerial Vehicles | |
Zhang et al. | Optimization of cycle parameters of variable cycle engine based on response surface model | |
Ricketts | Modelling of a gas turbine: A precursor to adaptive control |
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 |