CN113720609A - 基于人工神经网络的可调总压畸变发生器调节指导方法 - Google Patents
基于人工神经网络的可调总压畸变发生器调节指导方法 Download PDFInfo
- Publication number
- CN113720609A CN113720609A CN202110766592.8A CN202110766592A CN113720609A CN 113720609 A CN113720609 A CN 113720609A CN 202110766592 A CN202110766592 A CN 202110766592A CN 113720609 A CN113720609 A CN 113720609A
- Authority
- CN
- China
- Prior art keywords
- total pressure
- neural network
- artificial neural
- adjustable
- distortion generator
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/02—Wind tunnels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于人工神经网络的可调总压畸变发生器调节指导方法,首先建立人工神经网络,通过实验采集不同状态下可调总压畸变发生器所产生的下游流场总压分布状态作为训练样本,对人工神经网络进行训练预测模型;然后根据预设的下游测点目标总压恢复系数计算下游流场的目标总压分布情况并穷举出可调总压畸变发生器所有可能的状态,并结合当前来流马赫数利用预测模型对每一种状态进行预测,得到和下游流场的目标总压分布情况最接近的解;最后根据最优解对应的状态指导可调总压畸变发生器调节。本发明解决了目前可调式畸变发生器使用中需根据经验反复调整才能获得目标总压畸变的问题,节约实验时间,降低了实验成本。
Description
技术领域
本发明涉及航空发动机领域,尤其涉及一种基于人工神经网络的可调总压畸变发生器调节指导方法。
背景技术
在飞机实际飞行的过程中,发动机的进气畸变通常是无法避免的,航空发动机几乎无一例外的在非均匀进气条件下工作,因此为研究进气畸变对发动机性能的影响,通过实验装置模拟真实工况下的进气畸变形式及强度,在航空发动机研发过程中必不可少。当前成熟的畸变发生器如畸变网、插板扰流畸变发生器等,其使用的常规方法是:首先根据经验加工出进气总压畸变发生器并安装在发动机进口上游某截面处,以期其在所设计的发动机进口界面产生实验工况下的进气压力畸变,在实装后通过探针等方式测量发动机进口截面的压力畸变,测算当前进气畸变与实验工况之间的差距后,取下畸变发生器再次加工,并重复上述步骤,经过多次迭代最终得到能够较为准确模拟发动机进口流场总压畸变情况的畸变发生器。近期学界提出了一种全新的总压畸变发生装置,其基本结构形式为:其采用垂直流线型夹板互相平行地间隔安装,各处夹板间采用间隔通道,通道内均匀分布了大小相等的合页,合页由推杆,气缸等控制组件实现远程控制,可自由调节其是否开合以及开合角度;气流流过合页之后就会产生流动损失,造成局部的总压下降,从而形成了所谓的流场压力畸变,作为畸变元件,合页的开合角度决定了其对下游气流影响的范围及强度。使用时,通过远程控制各个合页的开合角度,即可在下游产生合适的畸变流场。这种可调式的畸变发生器克服了此前畸变发生器需多次加工及实验,缺乏可变项的缺点,因此是一种非常值得推荐的畸变发生器类型。但鉴于此型畸变发生器使用过程中变化的多样性,现阶段使用中采用的重复实验方式,需要工作人员需根据自身经验调节各个合页开合角度,同时在下游目标截面安装测量元件监测其产生的流场畸变,通过对监测得到的下游流场畸变与目标下游流场畸变进行对比,工作人员再根据自身经验调整合页开合角度,如此多次迭代最终得到畸变发生器理想的合页开合角度,此方法过于繁琐且耗时耗力,如采用传统理论方法对畸变发生器下游流场进行预测,则数据维数过多,且相互之间存在量级较大的影响,现阶段难以实。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种基于人工神经网络的可调总压畸变发生器调节指导方法。
本发明为解决上述技术问题采用以下技术方案:
基于人工神经网络的可调总压畸变发生器调节指导方法,包括以下步骤:
步骤1),根据可调式畸变发生器特性以及预设的下游流场总压分布状况测量方法进行风洞实验,获得不同可调式畸变发生器的状态及不同来流马赫数下对应的下游总压分布数据,将其作为人工神经网络的训练样本,所述可调式畸变发生器的状态即可调式畸变发生器中各个合页的开合角度;
步骤2),建立人工神经网络,采用训练样本对其进行训练,得到能够根据可调式畸变发生器各个合页的开合角度、来流马赫数计算出下游流场的总压分布情况的预测模型;
步骤3),根据预设的下游测点目标总压恢复系数计算出下游流场的目标总压分布情况;
步骤4),根据预设的下游测点目标总压恢复系数对可调式畸变发生器的各个合页的开合角度进行甄别,筛选出其中完全打开和完全关闭的合页,并将剩余的合页作为调节集合;
步骤5),按照预设的角度调节步长阈值、采用穷举法对调节集合中各个合页的开合角度进行穷举,结合可调式畸变发生器中完全打开和完全关闭的合页,排列组合出可调式畸变发生器所有可能的状态,并将其作为状态集合;
步骤6),针对所述状态集合中的每一个状态,结合当前来流马赫数,将其输入至所述人工神经网络预测模型,得到各个状态对应的下游流场的总压分布情况;
步骤7),将下游流场的目标总压分布情况分别和各个状态对应的下游流场的总压分布情况进行比较,筛选出对应下游流场的总压分布情况和下游流场的目标总压分布情况差异最小的状态,并按照该状态对可调式畸变发生器进行调整。
作为本发明基于人工神经网络的可调总压畸变发生器调节指导方法进一步的优化方案,步骤2)中采用训练样本对人工神经网络进行训练之前,需要将训练样本的数值按照min-max 标准化即其中x*为归一化后数据,x为原始数据,min为样本数据最小值, max为样本数据最大值,归一化后数据映射至[0,1]之间。
作为本发明基于人工神经网络的可调总压畸变发生器调节指导方法进一步的优化方案,步骤2)中所述人工神经网络结构为3层,包含输入层、隐藏层、输出层;
输入层神经元数量为P=M+1,M为调节集合中合页的数量;
输出层神经元数量为T,T为下游总压测点数量;
隐藏层节点数经验公式为Q=sqrt(P+T)+a,a是1至10中的随机整数;
隐藏层神经元激励函数采用双曲正切S形函数,输出层激励函数采用线形函数,采用梯度下降训练方法,人工神经网络的学习率设置为自适应法,训练目标最小误差设置为0.001。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.通过人工神经网络对畸变发生器产生的总压畸变进行预测,可快速获得大量不同畸变发生器形态下下游流场总压分状态,方便研发人员对畸变发生器性能进行研究,在后续工作中进一步优化此型畸变发生器;
2.畸变发生器指导程序省去了传统进气畸变实验前需花费大量的经费时间设计修改畸变发生器获得目标总压分布状态的过程,在设计发动机进气畸变实验时即可获得畸变发生器调节状态,大幅提升实验效率,节约成本;
3.以实验结果为样本构建的人工神经网络预测模型相较于传统数值计算手段更为准确。
附图说明
图1为本发明基于人工神经网络的可调总压畸变发生器调节指导方法的流程图;
图2为本发明使用的人工神经网络的具体结构;
图3(a)、图3(b)、图3(c)、图3(d)分别合页位置中心对称示意图、合页位置水平对称示意图、合页位置垂直对称示意图、测点位置对称示意图;
图4为指导程序中生成测试集的穷举算法流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明可以以许多不同的形式实现,而不应当认为限于这里所述的实施例。相反,提供这些实施例以便使本公开透彻且完整,并且将向本领域技术人员充分表达本发明的范围。在附图中,为了清楚起见放大了组件。
本发明旨在通过人工神经网络构建一种实现可以通过畸变发生器调节状态预测其下游流场总压分布的模型,并结合该模型快速计算的特点与穷举算法,构建高效的指导程序,在获得下游目标总压分布状态时,提供可行的畸变发生器调节方案,指导畸变发生器的合理使用。即利用本发明可以根据所需的目标畸变流场,快速预测出可行的调节方案,指导这类可调式畸变发生器各合页的合理调节,使其快速地形成所需的畸变流场,充分发挥这类畸变发生器的优势。
参照图1,本发明公开了一种基于人工神经网络的可调总压畸变发生器调节指导方法,包括以下步骤:
步骤1),根据可调式畸变发生器特性以及预设的下游流场总压分布状况测量方法进行风洞实验,获得不同可调式畸变发生器的状态及不同来流马赫数下对应的下游总压分布数据,将其作为人工神经网络的训练样本,所述可调式畸变发生器的状态即可调式畸变发生器中各个合页的开合角度;
步骤2),建立人工神经网络,采用训练样本对其进行训练,得到能够根据可调式畸变发生器各个合页的开合角度、来流马赫数计算出下游流场的总压分布情况的预测模型;
采用训练样本对人工神经网络进行训练之前,需要将训练样本的数值按照min-max标准化即其中x*为归一化后数据,x为原始数据,min为样本数据最小值,max 为样本数据最大值,归一化后数据映射至[0,1]之间;
人工神经网络结构为3层,包含输入层、隐藏层、输出层;
输入层神经元数量为P=M+1,M为调节集合中合页的数量;
输出层神经元数量为T,T为下游总压测点数量;
隐藏层节点数经验公式为Q=sqrt(P+T)+a,a是1至10中的随机整数;
隐藏层神经元激励函数采用双曲正切S形函数,输出层激励函数采用线形函数,采用梯度下降训练方法,人工神经网络的学习率设置为自适应法,训练目标最小误差设置为0.001;
步骤3),根据预设的下游测点目标总压恢复系数计算出下游流场的目标总压分布情况;
步骤4),根据预设的下游测点目标总压恢复系数对可调式畸变发生器的各个合页的开合角度进行甄别,筛选出其中完全打开和完全关闭的合页,并将剩余的合页作为调节集合;
步骤5),按照预设的角度调节步长阈值、采用穷举法对调节集合中各个合页的开合角度进行穷举,结合可调式畸变发生器中完全打开和完全关闭的合页,排列组合出可调式畸变发生器所有可能的状态,并将其作为状态集合;
步骤6),针对所述状态集合中的每一个状态,结合当前来流马赫数,将其输入至所述人工神经网络预测模型,得到各个状态对应的下游流场的总压分布情况;
步骤7),将下游流场的目标总压分布情况分别和各个状态对应的下游流场的总压分布情况进行比较,筛选出对应下游流场的总压分布情况和下游流场的目标总压分布情况差异最小的状态,并按照该状态对可调式畸变发生器进行调整。
根据下游流场中T个测点的总压恢复系数σi确定完全开启(角度为β)的合页数量A及其位置、以及完全关闭(角度为α)的合页数量B及其位置,则需要穷举数量为C=M-A-B的合页及其位置,M为可调式畸变发生器的总合页数量。设置需要穷举的C个合页的角度从α到β每隔i度变化一次,该i度即预设的角度调节步长阈值,合页变化种类K共有种可能,结合当前来流马赫数依次代入人工神经网络预测模型,得到K组记录着T处测点总压恢复系数的结果及其对应的合页开合情况,将这K个总压分布状态与目标总压分布状态一一进行对比,通过多样本检验,得到与目最接近的总压恢复系数分布状态,输出此状态下M个合页的开合角度。
畸变发生器对下游流场总压分布影响的风洞实验具体步骤如下:
实验平台为亚音速吸气式风洞实验台,气流由喇叭口自大气吸入,来流总压为大气压,气流经过稳定段降低扰动后流经畸变发生器模型,再依次经过测量段,扩张段,电动阀门后最终进入压气机进口。在畸变发生器上游1.5倍管径处布置静压测点,测量来流马赫数,在下游1倍管径处设置总压分布测量截面,通过测量截面上41处测点的总压值以确定截面总压分布情况。41处测点包含一处截面圆心测点,其余40处测点沿周向均匀分为8组,每组沿径向按照等环面中心布置。实验中通过电动开关阀门控制风洞流量,从而控制来流马赫数。
实验数据处理中,如图3(a)、图3(b)、图3(c)、图3(d)所示,图3(a)每处空格代表一处合页位置,图3(d)每处原点代表一处总压测点,由图可知合页布置与总压测点布置的空间位置均具有水平对称性,竖直对称性与中心对称性,因此对于三种不同位置的合页以相同角度开合时,对应的三组人工神经网络样本仅需一次实验,并对对应位置的实验数据进行互换即可得到。
如图2所示,人工神经网络的具体结构如下:
Xi(i=1……n)为经过预处理即数据归一化的输入层神经元,本发明使用的人工神经网络共有109个输入层神经元,分别代表108处合页开合角度和1个来流马赫数。
Yi(i=1……s)为经过数据归一化的输出层神经元,本发明使用的人工神经网络共有41个输出层神经元,分别代表畸变发生器下游一倍管径处截面41个测点的总压恢复系数值。
P代表隐藏层节点数目,本发明使用的人工神经网络中P=22。
隐藏层输出模型为Oj=f(∑Wij×Xi-θj)
输出层输出模型为Yk=f(∑Tjk×Oj-θk)
其中f表示激励函数,θ表示阈值。本发明中隐藏层神经元激励函数采用sigmoid,输出层激励函数采用线形函数。
人工神经网络的自学习函数为ΔWij(n+1)=η×φi×Oj+α×wij(n),其中η为学习因子,φ表示节点的计算误差,O表示节点的输出值,α表示动量因子。
根据预设的下游测点的目标总压恢复系数程序随即绘制出目标总压恢复系数云图。根据目标总压恢复系数云图排除可调总压畸变发生器中完全打开和完全关闭的合页,对剩余的合页按照预设的角度调节步长阈值进行穷举,得到可调式畸变发生器所有可能的状态作为测试集。
将测试集中每一个状态结合当前来流马赫数输入至已完成的人工神经网络预测模型中进行预测,生成结果数据集。
如图4所示,本发明中测试集采用穷举算法得到,本发明中合页完全闭合角度为0°,完全开启角度为120°,对需要指导开合角度的C个合页分别从0°至120°每隔5°进行调节,共得到25^C种不同方案,由人工神经网络分别进行预测并得到相同数量的结果。
对得到的结果,为保证其可靠性,采用两种方法并行检验,优先检验每个值与目标值误差小于1%,如不符合则踢出结果数据集,在剩余结果中取与目标值方差最小的结果为最优解。
溯源得到最优解对应的各个合页开合角度并输出,即完成对畸变发生器合页调节的指导。
技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于人工神经网络的可调总压畸变发生器调节指导方法,其特征在于,包括以下步骤:
步骤1),根据可调式畸变发生器特性以及预设的下游流场总压分布状况测量方法进行风洞实验,获得不同可调式畸变发生器的状态及不同来流马赫数下对应的下游总压分布数据,将其作为人工神经网络的训练样本,所述可调式畸变发生器的状态即可调式畸变发生器中各个合页的开合角度;
步骤2),建立人工神经网络,采用训练样本对其进行训练,得到能够根据可调式畸变发生器各个合页的开合角度、来流马赫数计算出下游流场的总压分布情况的预测模型;
步骤3),根据预设的下游测点目标总压恢复系数计算出下游流场的目标总压分布情况;
步骤4),根据预设的下游测点目标总压恢复系数对可调式畸变发生器的各个合页的开合角度进行甄别,筛选出其中完全打开和完全关闭的合页,并将剩余的合页作为调节集合;
步骤5),按照预设的角度调节步长阈值、采用穷举法对调节集合中各个合页的开合角度进行穷举,结合可调式畸变发生器中完全打开和完全关闭的合页,排列组合出可调式畸变发生器所有可能的状态,并将其作为状态集合;
步骤6),针对所述状态集合中的每一个状态,结合当前来流马赫数,将其输入至所述人工神经网络预测模型,得到各个状态对应的下游流场的总压分布情况;
步骤7),将下游流场的目标总压分布情况分别和各个状态对应的下游流场的总压分布情况进行比较,筛选出对应下游流场的总压分布情况和下游流场的目标总压分布情况差异最小的状态,并按照该状态对可调式畸变发生器进行调整。
3.根据权利要求1所述的基于人工神经网络的可调总压畸变发生器调节指导方法,其特征在于,步骤2)中所述人工神经网络结构为3层,包含输入层、隐藏层、输出层;
输入层神经元数量为P=M+1,M为调节集合中合页的数量;
输出层神经元数量为T,T为下游总压测点数量;
隐藏层节点数经验公式为Q=sqrt(P+T)+a,a是1至10中的随机整数;
隐藏层神经元激励函数采用双曲正切S形函数,输出层激励函数采用线形函数,采用梯度下降训练方法,人工神经网络的学习率设置为自适应法,训练目标最小误差设置为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766592.8A CN113720609B (zh) | 2021-07-07 | 2021-07-07 | 基于人工神经网络的可调总压畸变发生器调节指导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766592.8A CN113720609B (zh) | 2021-07-07 | 2021-07-07 | 基于人工神经网络的可调总压畸变发生器调节指导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113720609A true CN113720609A (zh) | 2021-11-30 |
CN113720609B CN113720609B (zh) | 2022-08-05 |
Family
ID=78673063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766592.8A Active CN113720609B (zh) | 2021-07-07 | 2021-07-07 | 基于人工神经网络的可调总压畸变发生器调节指导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113720609B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486164A (zh) * | 2022-04-18 | 2022-05-13 | 中国空气动力研究与发展中心空天技术研究所 | 一种基于神经网络的三孔探针梯度流场测试标定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3759091A (en) * | 1971-07-02 | 1973-09-18 | Gen Electric | Engine inlet distortion testing apparatus |
US5448881A (en) * | 1993-06-09 | 1995-09-12 | United Technologies Corporation | Gas turbine engine control based on inlet pressure distortion |
CN109446593A (zh) * | 2018-10-10 | 2019-03-08 | 南京航空航天大学 | 基于人工神经网络的多级轴流压气机一维设计方法 |
CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
CN112560355A (zh) * | 2021-02-22 | 2021-03-26 | 常州微亿智造科技有限公司 | 基于卷积神经网络的风洞的马赫数的预测方法和装置 |
CN112943668A (zh) * | 2021-02-24 | 2021-06-11 | 南京航空航天大学 | 航空轴流压气机复杂进气畸变下动态失速过程预测方法 |
CN113029581A (zh) * | 2021-02-08 | 2021-06-25 | 南京航空航天大学 | 一种合页式可调畸变发生器模型实验台 |
-
2021
- 2021-07-07 CN CN202110766592.8A patent/CN113720609B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3759091A (en) * | 1971-07-02 | 1973-09-18 | Gen Electric | Engine inlet distortion testing apparatus |
US5448881A (en) * | 1993-06-09 | 1995-09-12 | United Technologies Corporation | Gas turbine engine control based on inlet pressure distortion |
CN109446593A (zh) * | 2018-10-10 | 2019-03-08 | 南京航空航天大学 | 基于人工神经网络的多级轴流压气机一维设计方法 |
CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
CN113029581A (zh) * | 2021-02-08 | 2021-06-25 | 南京航空航天大学 | 一种合页式可调畸变发生器模型实验台 |
CN112560355A (zh) * | 2021-02-22 | 2021-03-26 | 常州微亿智造科技有限公司 | 基于卷积神经网络的风洞的马赫数的预测方法和装置 |
CN112943668A (zh) * | 2021-02-24 | 2021-06-11 | 南京航空航天大学 | 航空轴流压气机复杂进气畸变下动态失速过程预测方法 |
Non-Patent Citations (4)
Title |
---|
SHI FENGLEI等: "Research on Airborne Real Time Processing and Prediction of Engine Total Pressure Distortion", 《2020 5TH INTERNATIONAL CONFERENCE ON MECHANICAL, CONTROL AND COMPUTER ENGINEERING (ICMCCE)》 * |
李艳艳: "基于RBF神经网络发动机进气总压畸变指数预报", 《泰山学院学报》 * |
王俊琦等: "基于神经网络的航空发动机进口总压畸变重构研究", 《燃气涡轮试验与研究》 * |
钟亚飞等: "航空发动机进气总压畸变地面试验测试技术进展", 《航空发动机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486164A (zh) * | 2022-04-18 | 2022-05-13 | 中国空气动力研究与发展中心空天技术研究所 | 一种基于神经网络的三孔探针梯度流场测试标定方法 |
CN114486164B (zh) * | 2022-04-18 | 2022-06-17 | 中国空气动力研究与发展中心空天技术研究所 | 一种基于神经网络的三孔探针梯度流场测试标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113720609B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN113609596A (zh) | 一种基于神经网络的飞行器气动特性预测方法 | |
CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
CN113720609B (zh) | 基于人工神经网络的可调总压畸变发生器调节指导方法 | |
CN111956259B (zh) | 基于深度神经网络架构的肺音识别方法、装置和设备 | |
CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN113094860A (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
Wang et al. | Deep-learning modeling and control optimization framework for intelligent thermal power plants: A practice on superheated steam temperature | |
Li et al. | Remaining useful life prediction of aero-engine based on PCA-LSTM | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN113408200A (zh) | 航空装备振动环境分析和预测方法 | |
CN113657020B (zh) | 一种用于气动数据处理的深度集群神经网络模型构建方法 | |
CN113158564B (zh) | 基于数据驱动的航空发动机状态变量模型建立方法 | |
CN110309586B (zh) | 基于ma-dbn的gis分解气体含量预测方法 | |
CN114372494A (zh) | 一种基于注意力机制的航空涡桨发动机气路故障诊断方法 | |
CN112183745A (zh) | 基于粒子群算法和dbn的高压电缆局部放电模式识别方法 | |
CN113722833A (zh) | 基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法 | |
CN111898327A (zh) | 一种气动弹性系统颤振信号异常数据扩展方法 | |
Zhou et al. | A gas path fault diagnostic model for gas turbine based on deep belief network with prior information | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
Chen et al. | Research on adaptive diagnosis algorithm for fuel injection failure system of construction machinery diesel engine |
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 |