CN113343390A - 基于神经网络非线性模型的发动机线性化建模方法 - Google Patents
基于神经网络非线性模型的发动机线性化建模方法 Download PDFInfo
- Publication number
- CN113343390A CN113343390A CN202110740687.2A CN202110740687A CN113343390A CN 113343390 A CN113343390 A CN 113343390A CN 202110740687 A CN202110740687 A CN 202110740687A CN 113343390 A CN113343390 A CN 113343390A
- Authority
- CN
- China
- Prior art keywords
- engine
- neural network
- model
- state space
- linear state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 239000000446 fuel Substances 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本公开提供了一种基于神经网络非线性模型的发动机线性化建模方法、装置、电子设备和计算机可读存储介质,其发动机线性化建模方法包括:采集发动机数据集;利用网络架构搜索方法,得到对应于发动机数据集的神经网络架构及超参数,并进行神经网络模型训练,得到发动机非线性神经网络模型;采用数值扰动方法,对发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型;根据调度参数将发动机的运行过程分为N段,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型;基于调度参数和N个子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
Description
技术领域
本公开涉及发动机建模领域,尤其涉及一种基于神经网络非线性模型的发动机线性化建模方法、装置、电子设备和计算机可读存储介质。
背景技术
控制系统是发动机正常运行,实现各种功能的基础,发动机的模型是控制器设计的基础,模型越精确,越有利于设计出最优的控制律,且控制器中的控制算法大都基于线性系统理论。因此,在发动机控制系统研发过程中,首先需要建立被控对象的线性模型。
系统线性模型的建立大都基于非线性模型。建模的本质是得到系统输入输出之间的映射关系。在控制理论发展的早期,被控对象模型是通过分析对象的组成结构,结合相关物理与数学知识,建立起系统输入与输出的解析关系式,称为机理建模,也叫“白盒”建模。在发动机领域,典型的机理建模方法有部件法和容积法,机理建模方法具有很强的物理意义,但随着发动机结构愈加复杂,对控制精度的要求越来越高,传统机理建模方法在精度、效率和自适应方面存在较大的局限性。20世纪以来,随着测控技术、计算机技术和人工智能技术的快速发展,人们开始考虑采用机器学习的方式建立发动机模型,通过神经网络来学习对象模型输入输出之间的映射关系,提高了模型精度。不过,在训练神经网络之前,需要预先确定神经网络结构和训练参数,这个过程往往通过人工“调参”的方式实现,耗费了大量的时间与精力。直至2016年网络架构搜索(NAS)算法的首次成功应用,解决了神经网络“调参”依赖人工、耗时耗力的问题,而计算机计算性能的高速发展以及一系列网络架构搜索加速算法的产生又在一定程度上解决了算法计算资源消耗巨大的问题。然而,网络架构搜索算法在发动机建模领域的应用效果尚未得知,发动机模型建模的效率问题未得到根本性解决。
在模型线性化方面,控制理论发展的早期,基于解析关系式的偏导数法是一种常用的线性化方法,随着被控对象变得越来越复杂,机理建模法并不能得到明确的解析关系式,偏导数法应用受限。为解决这个问题,数值扰动法应运而生,但在对机理模型进行数值扰动时,需要考虑模型中可能存在的延时等特殊模块,导致数值扰动法应用于机理模型时产生不便。此外,发动机的线性化模型只是某个稳态点邻域的模型,设计出的控制器也只适用于该稳态点,为了扩大控制器的适用范围,在自动控制领域,通常要建立被控系统的线性变参数模型,目前,在发动机建模领域尚未应用线性变参数建模技术。
发明内容
(一)要解决的技术问题
本公开提供了一种基于神经网络非线性模型的发动机线性化建模方法、装置、电子设备和计算机可读存储介质,以解决以上所提出的技术问题。
(二)技术方案
根据本公开的一个方面,提供了一种基于神经网络非线性模型的发动机线性化建模方法,包括:
采集发动机数据集,其中,所述发动机数据集包括发动机现场运行数据和/或仿真数据;
利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数;
在所述对应于所述发动机数据集的神经网络架构及所述超参数的基础上进行神经网络模型训练,得到发动机非线性神经网络模型;
采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型;
根据调度参数将发动机的运行过程分为N段,其中,所述调度参数配置为所述发动机稳态点邻域内的线性状态空间模型的输入或状态量;其中,N>1:
采用数值扰动方法,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型;
基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
在本公开的一些实施例中,所述利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数包括:
定义初始搜索空间;
缩小搜索范围,在所述初始搜索空间中确定最佳搜索空间;
基于强化学习方法或进化方法进行搜索,在所述最佳搜索空间中确定候选神经网络架构;
对所述候选神经网络架构进行训练,得到训练数据和输出数据;其中,通过权重共享和模型表现预测相结合的方式加快训练速率;
通过评价函数分别评价各个所述候选神经网络架构的精度;其中,所述评价函数基于所述训练数据和所述输出数据的多个范数综合建立;
根据各个所述候选神经网络架构的精度,在所述候选神经网络架构中确定对应于所述发动机数据集的神经网络架构及超参数。
在本公开的一些实施例中,所述采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型包括:
对所述发动机的神经网络非线性模型在稳态点邻域分别进行正向和负向的小阶跃激励,得到一系列的输出小扰动数据;
根据发动机参量和所述小扰动数据,得到线性状态空间的系数矩阵,建立所述稳态点邻域内的发动机线性状态空间模型。
在本公开的一些实施例中,所述基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的整个运行过程对应的线性状态空间模型包括:
将N个所述子线性状态空间模型作为多胞顶点;
对所述系数矩阵元素进行内插或拟合,构造发动机的全运行过程对应的线性状态空间模型。
在本公开的一些实施例中,所述发动机参量为根据发动机特性选取状态参量、输入参量和输出参量中的一种或多种。
在本公开的一些实施例中,所述初始搜索空间包括神经网络隐含层神经元个数、激励函数、学习方法和学习率中的一种或多种。
在本公开的一些实施例中,所述发动机数据集随机分为训练子集、验证子集和测试子集,且所述训练子集、所述验证子集和所述测试子集分别占所述发动机数据集的70%、15%、15%。
根据本公开的一个方面,还提供了一种基于神经网络非线性模型的发动机线性化建模装置,包括:
采集模块,用于采集发动机数据集,其中,所述发动机数据集包括发动机现场运行数据和/或仿真数据;
第一处理模块,用于利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数;
训练模块,用于在所述对应于所述发动机数据集的神经网络架构及所述超参数的基础上进行神经网络模型训练,得到发动机非线性神经网络模型;
第二处理模块,用于采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型;
第三处理模块,用于根据调度参数将发动机的运行过程分为N段,其中,所述调度参数配置为所述发动机稳态点邻域内的线性状态空间模型的输入或状态量;
第四处理模块,用于采用数值扰动方法,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型;
第五处理模块,用于基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
根据本公开的一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令;
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
根据本公开的一个方面,还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现上述的方法。
(三)有益效果
从上述技术方案可以看出,本公开基于神经网络非线性模型的发动机线性化建模方法、装置、电子设备和计算机可读存储介质至少具有以下有益效果其中之一或其中一部分:
(1)本公开中网络架构搜索方法中权重共享和模型预测相结合的方式大大加快算法性能评估部分的速度。
(2)本公开直接通过发动机神经网络非线性模型得到控制用线性化模型,该过程大大缩短了建模周期,避免了线性化方法在机理模型上应用时,由于特殊模块的作用,导致扰动数据不准确的问题,扩大了神经网络建模的应用范围。
(3)本公开将网络架构搜索方法应用于发动机神经网络建模过程,避免了人工调整神经网络的结构、训练方法、初始权重等,提高建模效率的同时,也提高了模型精度。
(4)本公开将线性变参数建模技术应用到发动机领域,实现了技术应用的创新,为发动机较大工况运行范围内的控制器设计或复杂环境内控制器设计奠定了基础。
附图说明
图1为本公开实施例基于神经网络非线性模型的发动机线性化建模方法的示意图。
图2示意性示出了图1中操作S102的流程图。
图3示意性示出了图1中操作S104的流程图。
图4示意性示出了图1中操作S107的流程图。
图5为本公开实施例中燃料流量输入变化图。
图6为本公开实施例中线性变参数模型仿真结果图。
图7为本公开实施例中线性变参数模型的相对误差图。
图8示意性示出了根据本公开实施例的基于神经网络非线性模型的发动机线性化建模装置的框图。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开提供了一种基于神经网络非线性模型的发动机线性化建模方法包括:采集发动机数据集;利用网络架构搜索方法,得到对应于发动机数据集的神经网络架构及超参数,并进行神经网络模型训练,得到发动机非线性神经网络模型;采用数值扰动方法,对发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型;根据调度参数将发动机的运行过程分为N段,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型;基于调度参数和N个子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
图1为本公开实施例基于神经网络非线性模型的发动机线性化建模方法的示意图。
如图1所示,该方法包括操作S101~S107。
在操作S101,采集发动机数据集,其中,所述发动机数据集包括发动机现场运行数据和/或仿真数据。针对采集到的发动机数据集进行数据清洗和结构化后,再进行发动机数据集的划分。一般的,发动机数据集可以随机分为训练子集、验证子集和测试子集,且所述训练子集、所述验证子集和所述测试子集分别占所述发动机数据集的70%、15%、15%。
在操作S102,利用网络架构搜索方法定义搜索空间,得到对应于所述发动机数据集的最优神经网络架构及超参数。
在操作S103,采用训练子集在所述对应于所述发动机数据集的神经网络架构及所述超参数的基础上进行神经网络模型训练,得到发动机非线性神经网络模型。
在操作S104,采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型。目前基于神经网络非线性模型来得到线性模型,都是由机理模型这种白盒模型得到的,而本申请中直接通过发动机神经网络非线性模型得到控制用线性化模型,该过程大大缩短了建模周期,避免了线性化方法在机理模型上应用时,由于特殊模块的作用,导致扰动数据不准确的问题,扩大了神经网络建模的应用范围。
在操作S105,根据调度参数将发动机的运行过程分为N段,其中,所述调度参数配置为所述发动机稳态点邻域内的线性状态空间模型的输入或状态量。
在操作S106,采用数值扰动方法,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型。
在操作S107,基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
本公开将网络架构搜索方法应用于发动机神经网络建模过程,避免了人工调整神经网络的结构、训练方法、初始权重等,提高建模效率的同时,也提高了模型精度。本公开还将线性变参数建模技术应用到发动机领域,实现了技术应用的创新,为发动机较大工况运行范围内的控制器设计或复杂环境内控制器设计奠定了基础。
下面参考图2~图9,结合具体实施例对图1所示的方法做进一步说明。
图2示意性示出了图1中操作S102的流程图。
如图2所示,操作S102中针对网络架构搜索结果评估这一步耗时大,效率低,所以采用权重共享和模型表现相结合的方式来提高效率。该操作S102的子操作包括子操作S201~S306。
子操作S201,定义初始搜索空间。
其中,所述初始搜索空间包括神经网络隐含层神经元个数、激励函数、学习方法和学习率。
子操作S202,缩小搜索范围,在所述初始搜索空间中确定最佳搜索空间。
子操作S203,基于强化学习方法或进化方法进行搜索,在所述最佳搜索空间中确定候选神经网络架构。
子操作S204,对所述候选神经网络架构进行训练,得到训练数据和输出数据。
子操作S205,通过评价函数分别评价各个所述候选神经网络架构的精度;其中,所述评价函数基于所述训练数据和所述输出数据的多个范数建立,可从多个维度来评价搜索到的结果,从而使对搜索结果的评价更全面。关于范数具体可以为二范、无穷范等不同的范数。
子操作S206,各个所述候选神经网络架构的精度满足误差需求,在所述候选神经网络架构中确定对应于所述发动机数据集的最优神经网络架构及超参数。候选神经网络架构的精度不满足误差需求,返回子操作S203重新确定候选神经网络架构。
图3示意性示出了图1中操作S104的流程图。
如图3所示,该操作S104的子操作包括子操作S301~S302。
子操作S301,对所述发动机数据集的神经网络架构在稳态点区域分别进行正向和负向的小阶跃激励,得到一系列的输出小扰动数据。
一般的,5%的阶跃至-5%的阶跃中的任意阶跃都可以属于小阶跃。例如5%的阶跃、-5%的阶跃、4%的阶跃、-4%的阶跃、3%的阶跃、-3%的阶跃、2%的阶跃、-2%的阶跃、1%的阶跃、-1%的阶跃。
例如发动机的燃油量为一输入量,在一稳态输入(如10kg/s)的基础上,做正几%或负几%的一个阶跃,这个小阶跃没有明确的定义具体百分之几,但他们对模型稳态附近动态特性模拟的精度,最后形成整个变增益模型的复杂度都有影响,需要做实验和取舍。
在这个阶跃输入下,得到的模型的输出即模型的小阶跃响应,小阶跃输入和对应的响应数据统一被称为小扰动数据。
子操作S302,根据发动机参量和所述小扰动数据,通过最小二乘、卡尔曼滤波逆用等方式建立所述稳态点区域内的发动机非线性神经网络模型。
图4示意性示出了图1中操作S107的流程图。
如图4所示,该操作S107的子操作包括子操作S401~S402。
子操作S401,将N个所述子线性状态空间模型作为多胞顶点;
子操作S402,对所述系数矩阵元素进行内插或拟合,构造发动机的全运行过程对应的线性状态空间模型。
在一个具体实施例中,选取的建模对象为某F级发动机,净出力为300MW。获取该发动机的现场运行数据,以燃机升负荷运行阶段数据为例建立发动机的神经网络模型。
发动机数据集涵盖的负荷功率范围为130MW~300MW,该发动机数据集属于时间序列数据集,时间间隔1秒,共28000组数据。根据发动机运行原理,确定输入参量为环境温度、环境压力、燃料流量和压气机进口导叶开度(IGV),输出参量为透平出口温度、转速、输出功率和压气机压比。
首先对发动机数据集进行结构化与清洗,找出与上述输入参量和输出参量对应的数据,并进行消噪处理。将得到的发动机数据集随机分为训练子集、验证子集和测试子集,分别占发动机数据集的70%、15%、15%。
采用基于遗传算法的网络架构搜索方式,对神经网络隐含层神经元个数、训练方法、激活函数、初始权重等进行优化,最终确定的模型结构为NARX神经网络,隐含层为1层,隐含层神经元为10个,训练方法采用Levenberg-Marquardt方法,激活函数为tansigmoid。利用发动机数据集的训练子集进行训练、利用发动机数据集的验证子集进行验证以及利用发动机数据集的测试子集进行测试。
由控制系统需求和发动机运行原理,确定线性状态空间模型的输入参量为燃料流量,状态参量与输出参量即为神经网络模型的输出参数,线性状态空间模型可表示为如下形式:
其中,T4为透平出口温度K;n为发动机转速rpm;P为发动机输出功率MW;πc为压气机压比;Wf为输入燃气流量kg/s;I4×4为4阶单位矩阵。
选取输入燃料流量Wf=10kg/s时的工作状态为稳态工作点,对燃料流量分别做2%、3%、4%、5%直至22%的阶跃扰动,输入至发动机非线性神经网络模型中,得到一系列相应阶跃输入下的输出数据。采用最小二乘拟合法计算在各阶跃下的状态空间矩阵,得到21组子线性状态空间模型。
选取燃料流量为调度参数,通过三次样条插值,得到线性模型矩阵关于燃料流量的函数A(Wf(t))、B(Wf(t)),如此得到了发动机在输入燃料流量为10kg/s-12kg/s内的LPV模型。
对LPV模型、发动机非线性神经网络模型分别输入如图5所示的燃料流量进行仿真,仿真结果如图6中(a)~(d)所示,LPV模型的相对误差如图7所示。
结果显示,所建立的发动机LPV模型由于建模误差且下一仿真步的输入数据是上一步的仿真输出,而存在累积误差,不过这种误差可以通过控制器减小甚至消除。
图8示意性示出了根据本公开实施例的基于神经网络非线性模型的发动机线性化建模装置的框图。
如图8所示,一种基于神经网络非线性模型的发动机线性化建模装置包括:采集模块801、第一处理模块802、训练模块803、第二处理模块804、第三处理模块805、第四处理模块806、第五处理模块807。
采集模块801用于采集发动机数据集,其中,所述发动机数据集包括发动机现场运行数据和/或仿真数据。
第一处理模块802用于利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数。
训练模块803用于在所述对应于所述发动机数据集的神经网络架构及所述超参数的基础上进行神经网络模型训练,得到发动机非线性神经网络模型。
第二处理模块804用于采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型。
第三处理模块805用于根据调度参数将发动机的运行过程分为N段,其中,所述调度参数配置为所述发动机稳态点邻域内的线性状态空间模型的输入或状态量。
第四处理模块806用于采用数值扰动方法,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型。
第五处理模块807用于基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,采集模块801、第一处理模块802、训练模块803、第二处理模块804、第三处理模块805、第四处理模块806、第五处理模块807中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,采集模块801、第一处理模块802、训练模块803、第二处理模块804、第三处理模块805、第四处理模块806、第五处理模块807中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,采集模块801、第一处理模块802、训练模块803、第二处理模块804、第三处理模块805、第四处理模块806、第五处理模块807中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中基于神经网络非线性模型的发动机线性化建模装置部分与本公开的实施例中基于神经网络非线性模型的发动机线性化建模方法部分是相对应的,基于神经网络非线性模型的发动机线性化建模装置部分的描述具体参考基于神经网络非线性模型的发动机线性化建模方法部分,在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图9示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,根据本公开实施例的计算机系统900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有系统900操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种基于神经网络非线性模型的发动机线性化建模方法,包括:
采集发动机数据集,其中,所述发动机数据集包括发动机现场运行数据和/或仿真数据;
利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数;
在所述对应于所述发动机数据集的神经网络架构及所述超参数的基础上进行神经网络模型训练,得到发动机非线性神经网络模型;
采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型;
根据调度参数将发动机的运行过程分为N段,其中,所述调度参数配置为所述发动机稳态点邻域内的线性状态空间模型的输入或状态量;其中,N>1;
采用数值扰动方法,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型;
基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
2.根据权利要求1所述的发动机线性化建模方法,其中,所述利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数包括:
定义初始搜索空间;
缩小搜索范围,在所述初始搜索空间中确定最佳搜索空间;
基于强化学习方法或进化方法进行搜索,在所述最佳搜索空间中确定候选神经网络架构;
对所述候选神经网络架构进行训练,得到训练数据和输出数据;其中,通过权重共享和模型表现预测相结合的方式加快训练速率;
通过评价函数分别评价各个所述候选神经网络架构的精度;其中,所述评价函数基于所述训练数据和所述输出数据的多个范数综合建立;
根据各个所述候选神经网络架构的精度,在所述候选神经网络架构中确定对应于所述发动机数据集的神经网络架构及超参数。
3.根据权利要求1所述的发动机线性化建模方法,其中,所述采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型包括:
对所述发动机的神经网络非线性模型在稳态点邻域分别进行正向和负向的小阶跃激励,得到一系列的输出小扰动数据;
根据发动机参量和所述小扰动数据,得到线性状态空间的系数矩阵,建立所述稳态点邻域内的发动机线性状态空间模型。
4.根据权利要求1所述的发动机线性化建模方法,其中,所述基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的整个运行过程对应的线性状态空间模型包括:
将N个所述子线性状态空间模型作为多胞顶点;
对所述系数矩阵元素进行内插或拟合,构造发动机的全运行过程对应的线性状态空间模型。
5.根据权利要求3所述的发动机线性化建模方法,其中,所述发动机参量为根据发动机特性选取状态参量、输入参量和输出参量中的一种或多种。
6.根据权利要求2所述的发动机线性化建模方法,其中,所述初始搜索空间包括神经网络隐含层神经元个数、激励函数、学习方法和学习率中的一种或多种。
7.根据权利要求1所述的发动机线性化建模方法,其中,所述发动机数据集随机分为训练子集、验证子集和测试子集,且所述训练子集、所述验证子集和所述测试子集分别占所述发动机数据集的70%、15%、15%。
8.一种基于神经网络非线性模型的发动机线性化建模装置,包括:
采集模块,用于采集发动机数据集,其中,所述发动机数据集包括发动机现场运行数据和/或仿真数据;
第一处理模块,用于利用网络架构搜索方法,得到对应于所述发动机数据集的神经网络架构及超参数;
训练模块,用于在所述对应于所述发动机数据集的神经网络架构及所述超参数的基础上进行神经网络模型训练,得到发动机非线性神经网络模型;
第二处理模块,用于采用数值扰动方法,对所述发动机非线性神经网络模型进行线性化处理,建立发动机稳态点邻域内的线性状态空间模型;
第三处理模块,用于根据调度参数将发动机的运行过程分为N段,其中,所述调度参数配置为所述发动机稳态点邻域内的线性状态空间模型的输入或状态量;
第四处理模块,用于采用数值扰动方法,对每一段运行过程分别进行线性化处理,得到N个子线性状态空间模型;
第五处理模块,用于基于调度参数和N个所述子线性状态空间模型,构造线性变参数模型的系数矩阵,得到发动机的全运行过程对应的线性状态空间模型。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令;
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至9中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740687.2A CN113343390B (zh) | 2021-06-30 | 2021-06-30 | 基于神经网络非线性模型的发动机线性化建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740687.2A CN113343390B (zh) | 2021-06-30 | 2021-06-30 | 基于神经网络非线性模型的发动机线性化建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343390A true CN113343390A (zh) | 2021-09-03 |
CN113343390B CN113343390B (zh) | 2024-02-20 |
Family
ID=77481970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740687.2A Active CN113343390B (zh) | 2021-06-30 | 2021-06-30 | 基于神经网络非线性模型的发动机线性化建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343390B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761803A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院工程热物理研究所 | 燃气轮机的补偿模型的训练方法及使用 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5781700A (en) * | 1996-02-05 | 1998-07-14 | Ford Global Technologies, Inc. | Trained Neural network air/fuel control system |
US20110264353A1 (en) * | 2010-04-22 | 2011-10-27 | Atkinson Christopher M | Model-based optimized engine control |
CN106874569A (zh) * | 2017-01-19 | 2017-06-20 | 中国科学院工程热物理研究所 | 一种变几何分轴式燃气轮机实时仿真建模方法 |
CN107991877A (zh) * | 2017-12-20 | 2018-05-04 | 东南大学 | 一种基于循环神经网络的动态模型辨识方法及系统 |
US20200026962A1 (en) * | 2018-07-17 | 2020-01-23 | International Business Machines Corporation | Modeling post-lithography stochastic critical dimension variation with multi-task neural networks |
US20200074287A1 (en) * | 2018-08-31 | 2020-03-05 | Texas Instruments Incorporated | Fault detectable and tolerant neural network |
US20210056378A1 (en) * | 2019-08-23 | 2021-02-25 | Google Llc | Resource constrained neural network architecture search |
US20210150106A1 (en) * | 2019-11-05 | 2021-05-20 | Michael R. Limotta, III | Machine learning system and method for propulsion simulation |
-
2021
- 2021-06-30 CN CN202110740687.2A patent/CN113343390B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5781700A (en) * | 1996-02-05 | 1998-07-14 | Ford Global Technologies, Inc. | Trained Neural network air/fuel control system |
US20110264353A1 (en) * | 2010-04-22 | 2011-10-27 | Atkinson Christopher M | Model-based optimized engine control |
CN106874569A (zh) * | 2017-01-19 | 2017-06-20 | 中国科学院工程热物理研究所 | 一种变几何分轴式燃气轮机实时仿真建模方法 |
CN107991877A (zh) * | 2017-12-20 | 2018-05-04 | 东南大学 | 一种基于循环神经网络的动态模型辨识方法及系统 |
US20200026962A1 (en) * | 2018-07-17 | 2020-01-23 | International Business Machines Corporation | Modeling post-lithography stochastic critical dimension variation with multi-task neural networks |
US20200074287A1 (en) * | 2018-08-31 | 2020-03-05 | Texas Instruments Incorporated | Fault detectable and tolerant neural network |
US20210056378A1 (en) * | 2019-08-23 | 2021-02-25 | Google Llc | Resource constrained neural network architecture search |
US20210150106A1 (en) * | 2019-11-05 | 2021-05-20 | Michael R. Limotta, III | Machine learning system and method for propulsion simulation |
Non-Patent Citations (2)
Title |
---|
YONGHONG TAN ET AL.: "Neural-networks-based nonlinear dynamic modeling for automotive engines", 《NEUROCOMPUTING》, pages 129 - 142 * |
白杰 等: "基于实验数据的航空发动机稳态模型建模", 《机械设计与制造》, pages 62 - 66 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761803A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院工程热物理研究所 | 燃气轮机的补偿模型的训练方法及使用 |
Also Published As
Publication number | Publication date |
---|---|
CN113343390B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep neural network for unsteady aerodynamic and aeroelastic modeling across multiple Mach numbers | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
US7593804B2 (en) | Fixed-point virtual sensor control system and method | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
Derakhshan et al. | Investigation of an efficient shape optimization procedure for centrifugal pump impeller using eagle strategy algorithm and ANN (case study: slurry flow) | |
Schneider et al. | Learning stochastic closures using ensemble Kalman inversion | |
CN113554153A (zh) | 氮氧化物排放量预测方法、装置、计算机设备及介质 | |
CN112182954B (zh) | 一种基于lstm的流体仿真数据预测模型 | |
CN115983137A (zh) | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 | |
CN113343390B (zh) | 基于神经网络非线性模型的发动机线性化建模方法 | |
CN114548539B (zh) | 循环水系统压缩机透平能耗预测方法、装置、设备及介质 | |
Peng et al. | Fourier neural operator for real-time simulation of 3D dynamic urban microclimate | |
EP4009239A1 (en) | Method and apparatus with neural architecture search based on hardware performance | |
CN113283039A (zh) | 一种发动机排气系统优化方法、装置、介质及电子设备 | |
CN108549757B (zh) | 一种模型自选择的往复式混输泵排出流率预测方法 | |
Yao et al. | Prediction of aerodynamic forces at the tip of the compressor blades based on multi-scale 1DCNN combined with CBAM | |
CN115270932A (zh) | 整车排放参数优化方法、系统、电子设备和存储介质 | |
CN114154697A (zh) | 房屋维修资源的预测方法、装置、计算机设备和存储介质 | |
Galindo et al. | Comprehensive Method for Obtaining Multi-Fidelity Surrogate Models for Design Space Approximation: Application to Multi-Dimensional Simulations of Condensation Due to Mixing Streams | |
Lu et al. | NOX Emission Prediction of Diesel Engine Based on GWO-LSTM | |
Haghi et al. | Data-driven surrogate model for wind turbine damage equivalent load | |
CN114330819B (zh) | 一种风电机组自由入流风速预测方法 | |
CN117852411B (zh) | 基于神经网络的模化设计压气机气动性能预测方法及系统 | |
JP2019148243A (ja) | 内燃機関の制御装置 | |
Li et al. | Use a sequential gradient-enhanced-Kriging optimal experimental design method to build high-precision approximate model for complex simulation problem |
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 |