CN114096924A - 用于确定双流涡轮发动机的压力比的预测模型的方法 - Google Patents
用于确定双流涡轮发动机的压力比的预测模型的方法 Download PDFInfo
- Publication number
- CN114096924A CN114096924A CN202080050852.5A CN202080050852A CN114096924A CN 114096924 A CN114096924 A CN 114096924A CN 202080050852 A CN202080050852 A CN 202080050852A CN 114096924 A CN114096924 A CN 114096924A
- Authority
- CN
- China
- Prior art keywords
- pressure
- turbine
- ratio
- test
- pcn12r
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005259 measurement Methods 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
- F02C9/26—Control of fuel supply
- F02C9/28—Regulating systems responsive to plant or ambient parameters, e.g. temperature, pressure, rotor speed
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
- F02C9/16—Control of working fluid flow
- F02C9/18—Control of working fluid flow by bleeding, bypassing or acting on variable working fluid interconnections between turbines or compressors or their stages
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
- F02C9/48—Control of fuel supply conjointly with another control of the plant
Abstract
本发明涉及一种用于确定预定义类型的双流涡轮机(100)的压力比Pl/P2的预测模型的方法,该双流涡轮机(100)包括由芯室(110)分开的一次流(VP)和二次流(VS),压力P1对应于芯室内的气压,压力P2对应于二次流中的气压。此外,该述方法包括:‑在与预定义类型一样地工作的测试涡轮机上,在相应的测量时间采集测量集的步骤(E10),每一测量集包括测量P1、测量P2、马赫数的测量M以及表示低压转速的测量PCN12R,‑借助处理设备获得测量集的步骤(E20),‑通过处理设备并从所获得的测量集中根据M数和速度PCN12R(其被视为解释变量)进行Pl/P2比率的预测模型的监督学习(E30)的步骤。
Description
背景技术
本发明属于涡轮机的一般领域,即燃气涡轮发动机,更具体地属于旨在用于推进飞行器的旁路涡轮机。它涉及一种用于确定旁路涡轮机的压力比的预测模型的方法。本发明还涉及一种用于确定压力比的表的方法,该表用于指令用于控制配备旁路涡轮机的低压涡轮的叶片组的阀。
旁路涡轮机出现于20世纪60年代,并且此后得到了很大发展,尤其是在亚音速范围内。它们特别具有降低其工作所需燃油消耗的优势。它们也具有较少噪声。
图1示意性地示出现有技术中已知的旨在用于配备飞行器的旁路涡轮机100的示例性实施例。图1更具体地对应于涡轮机100的纵剖面图。
术语“纵向”在此是指沿所述涡轮机100内气流的流动轴的方向。同时,对于本说明书的其余部分,术语“径向”指垂直于气流的纵向流动轴的方向。
常规上且如图1所示,旁路涡轮机100包括带罩风扇101,也称为风扇,后者通常沿着所述发动机内气流的流动方向放置在发动机的上游。借助所述风扇101吸入的空气的质量被分为一次流FP和二次流FS,这两个气流是同心的。一次流FP在一次空气路径VP中离开风扇,其在进入燃烧室104之前通常由第一压缩机102(所谓的低压或增压压缩机)压缩,然后在第二压缩机103(所谓的高压压缩机)中压缩,最后依次馈送到高压涡轮105和低压涡轮106。同时,二次流FS在通过OGV(出口导叶)型导叶109后被带罩风扇级101压缩,然后在未被加热的情况下直接排放到大气中,以提供涡轮机100的大部分推力。
将进气质量分成两个流FP、FS是在风扇下游在路径间室110(也称为“核心室”)级处完成的,该室包围一次流FP并通过其外部分(即不与一次流FP接触的部分)沿二次流路径VS来引导二次流FS。
此外并且如图1所示,低压涡轮106包括径向延伸的多个叶片107,并被容纳在壳体108内。以已知方式,从提高比耗(即产生1牛顿推力达1小时所需的燃料量)的角度来看,控制低压涡轮106的一组叶片,即控制这些叶片107的相应尖端与壳体108之间的距离,是一个关键的关注点。在与高发动机额定功率和高马赫数(爬升和所谓的“巡航”阶段)相对应的飞行阶段期间,能够精细地控制这些叶片组尤其重要。这是因为,在这些阶段期间,涡轮机100暴露在高机械和热应力下,从而导致能够改变叶片间隙的某组部件膨胀,这可能导致比耗恶化。
为了控制低压涡轮106与其周围壳体108之间的叶片组,已知使用LPTACC(低压涡轮主动间隙控制)类型的控制阀,如文献FR 3059042中详细描述的。
图2示意性地表示LTPACC型控制阀200及其主动控制的环境架构。控制阀200使得可从分接头210开始连续地控制来自二次空气路径VS的空气的流速,并将其引导朝向面向低压涡轮106的叶片107布置的壳体108。例如,借助形成闸门的开口,以铲勺的方式在OGV109的下游实现这种分接头。分接头210与输送管道220连通,输送管道220将气流输送至控制阀200。然后,排气管240将该空气从控制阀200输送至壳体108。
还如图2所示,也被称为FADEC(全权数字发动机控制)的计算单元400特别接收发动机额定值以及与工作中的飞行器相关(因此与工作中的涡轮机100密切相关)的马赫数作为输入。基于这些输入数据,计算单元400确定控制阀200的流速的命令。该流速命令通常转换成发送至致动器300的位置命令,致动器300通过二次空气路径VS中的分接头210驱动阀200。为控制阀200和计算单元400之间的反馈链路做好准备。
因此,控制的目的之一是定义阀的最优空气流速,从而尽可能限制叶片107尖端处的间隙成为可能,以优化低压涡轮106的能效,尤其是在爬升和巡航阶段(例如巡航7点周围,高度基本等于13716米,或基本等于45kft,此处“kft”指以英尺为单位测得的高度)。还应注意,对控制阀200的命令使得确保壳体108的热阻成为可能。具体而言,重要的是确保壳体的温度保持在推荐范围内,例如当控制阀正确地工作时温度低于690℃,或者在控制阀发生故障时温度低于750℃。
如上所述,对控制阀200的指令由计算单元400在飞行中基于发动机额定值以及涡轮机100的马赫数执行。
更确切而言,该发动机额定值(在本说明的其余部分此后将用缩写词“PCN12R”表示)相当于所谓的“低压”额定值,即低压涡轮106的转速额定值。更确切而言,PCN12R值基本上得自低压涡轮106的转速(或等效地,风扇101的转速)作为给定标称额定值百分比的表达式。所述标称额定值是在涡轮喷气机开发的项目前阶段以其本身已知的方式设定的。因此,将理解,PCN12R值等效于通过与所述标称额定值进行比较而获得的无量纲量。应注意,在适用的情况下,可通过将环境温度纳入考虑的系数来对该量进行调节。
因此,基于飞行期间获得的PCN12R和马赫数的值,计算单元400基本上通过压力比P1/P2的中间计算来确定P1压力。P1压力对应于路径间室110内的气压,该P1压力是指令控制阀200所必需的。同时,P2压力对应于二次空气路径VS(例如在OGV 109和位于高压压缩机103的上游部分的级处的径向平面之间)中的气压。
为了根据飞行期间获得的PCN12R和马赫数的值来确定比率P1/P2,常规上在计算单元400中实现至少一个表。该表对应于二维网格,包括分别与涡轮机100的马赫数M以及PCN12R值相关联的节点。网格的每一节点与通过应用预测模型获得的比率P1/P2的值相关联。这是作为被视为解释变量的马赫数和PCN12R额定值的函数的比率P1/P2的预测模型,并且是基于一个或多个测试活动期间采集的P1、P2、M和PCN12R数据来确定的。换言之,这一预测模型可以用函数F表示,使得P1/P2=F(M,PCN12R)。
由此填充的表格在控制单元400中实现。由于软件开发的限制以及计算单元400的存储容量,该表具有给定的大小。例如,它包含六个马赫值(例如0、0.3、0.6、0.75、0.8、1)以及十个PCN12R值(例如,以10%为增量从20%到100%,以及105%)作为输入,以便包含六十个比值P1/P2。
一旦在控制单元400中实现了该表,单元400就对该表中包含的比率P1/P2进行插值,以估计该表中不包含的P1/P2值(由于其大小有限)。因此,该表用作计算单元400的支持以估计涡轮机100的任何工作点处的比率P1/P2。此外,一旦计算单元400通过插值确定了比率P1/P2,这可以容易地使P1的值逐渐升高,P1是指令控制阀200所必需的,P2压力具体地是一个参数,其预测受到控制。
尽管这种方法使得可能估计压力值P1以用于指令控制阀,但目前仍存在很大不足。
这是因为用于构建P1/P2比率表的预测模型证明是非常不准确的。这种不准确度从根本上源于该预测模型的构建方式,即在测试活动期间采集的所述数据最初被分类成各段马赫值M。然后对其每一段执行若干插值(多项式、线性),以便每一马赫段获得一个预测模型。已经观察到,这些模型中的一些模型存在问题,因为它们针对一对相同的M和PCN12R值生成多个比率P1/P2。换言之,为了填充与给定的M和PCN12R值对相对应的表的节点,可能需要在针对该节点生成的多个P1/P2比率之间进行选择。这种选择是不准确度的来源,因为当P1/P2值可能更相关时却被排除。
由这样的预测模型所生成的不准确度通过旨在在计算单元400中实现的表中传播。还将理解,该不准确度随后传播到由计算单元400通过表中的插值确定的值,然后最终传播到控制阀200的指令。这导致阀的空气流速可能不适合控制叶片组。
发明内容
本发明的目的在于通过提供一种解决方案来弥补现有技术的全部或部分缺陷,尤其是上述缺陷,该解决方案使得能够获得比现有技术的解决方案更精确的旁路涡轮机的压力比P1/P2的预测模型,以便能够非常有效地限制借助此类预测模型确定的表中所包含的值的不准确度。
为此并且根据第一方面,本发明涉及一种用于确定用于先前定义类型的旁路涡轮机的压力比P1/P2的预测模型的方法,所述旁路涡轮机包括由路径间室分开的一次空气路径和二次空气路径,P1压力对应于所述路径间室内的气压,P2压力对应于所述二次空气路径中的气压。此外,所述方法由包括采集装置以及处理设备的处理系统实现,并且所述方法包括:
由所述采集装置并且在在工作中的与先前定义的类型相对应的测试涡轮机上,在相应测量时间采集测量集的步骤,每一测量集包括P1测量、P2测量、所述测试涡轮机的马赫数的测量M以及表示所述测试涡轮机的低压额定值的PCN12R测量,
由所述处理设备获得所述测量集的步骤,
由所述处理设备并基于所获得的所述测量集,对作为被视为解释变量的M数和PCN12R额定值的函数的比率P1/P2的预测模型进行监督学习的步骤。
实现监督学习以确定比率P1/P2的预测模型的事实有利地使得可以避免对由马赫数M分段所采集的测量集进行任何细分,如在现有技术中所做的细分。换言之,通过经由监督学习来进行,克服了必须使用分别与马赫数M诸分段相关的诸预测模型来预测压力比P1/P2的偏见。
此外,发明人发现,监督学习的实现具有显著的效果,大大提高了所获得预测模型的准确度。这种准确度的提高从根本上源于这样一个事实:不再需要如上文参考现有技术详述的对同一对解释值(M,PCN12R)任意选择比率P1/P2。
在特定实现模式中,用于确定预测模型的方法还可包括以下特征中的一者或多者,这些特征是单独地或以其技术上可能的任何组合来采取的。
在特定的实现模式中,监督学习的步骤包括使用支持向量实现机器算法。
正如发明者所发现的那样,这种监督学习的算法使得预测模型获得非常精确的结果成为可能。有利的是,这种算法还提供了考虑其他解释变量的可能性,诸如单独考虑M数和PCN12R额定。尽管由于在飞行器的计算单元(FADEC)中实现的表的大小有限,这一点尚未得到利用,但仍将理解,该约束的未来变化将使得进一步提高归因于本发明的预测模型的准确度成为可能。
在特定的实现模式中,支持向量机算法使用高斯核。
这种高斯核的使用特别使得限制有监督学习步骤的计算成本成为可能,并且为此基于本领域技术人员已知的所谓“核技巧”技术。
在特定的实现模式中,所述方法包括,在获取步骤和监督学习步骤之间,过滤所获得的测量集的步骤,以便删除每个包括位于与所述测量相关联的先前定义的区间之外的至少一个测量的集合。
执行这一过滤的事实有利地使得可以免除包含离群测量的测量集成为可能。因此,在监督学习步骤期间使用的集合被过滤,并且所获得的预测模型的准确度被进一步提高。
在特定实现模式中,所述方法包括验证所习得的预测模型的步骤,使得如果所述模型未被验证,则至少迭代监督学习步骤。
这样的验证使得可能提高用于确定预测模型的方法的稳健性。因此,这是检查该预测模型具有与预期行为一致的行为的问题,以因变于M和PCN12R变量来预测比率P1/P2。
在特定的实现模式中,验证步骤包括“k-重”类型的交叉验证。
根据第二方面,本发明涉及一种用于确定压力比P1/P2的至少一个表的方法,所述表旨在用于指令用于控制配备旁路涡轮机的低压涡轮的叶片组的阀,所述涡轮机包括由路径间室分开的一次空气路径和二次空气路径,P1压力对应于所述路径间室内的气压,P2压力对应于所述二次空气路径中的气压。此外,所述方法包括:
获得根据本发明先前针对所述涡轮机确定的压力比P1/P2的预测模型的步骤,
生成预定大小的至少一个空二维网格的步骤,其中的一个维度对应于所述涡轮机的马赫数M值,且另一维度对应于表示所述涡轮机的低压额定值的PCN12R值,
填充网格的步骤,所述网格的每一节点与通过将所述预测模型应用于与所述节点相关联的M和PCN12R值而确定的压力比P1/P2相关联,由此填充的网格形成压力比P1/P2的表。
使用根据本发明确定的预测模型的事实在此特别有利,因为该表直接受益于模型的计算准确度。换言之,此处确定的表包含比通过现有技术的分段模型获得的那些模型准确得多的比率P1/P2,并且无论作为输入提供给网格的M和PCN12R值如何,都是这种情况。
此外,所述表旨在由飞行器的计算单元使用,以通过双线性插值来确定表中初始未包含的P1/P2压力比。因此,将理解,根据本发明确定的表的准确度增益传播到由计算单元确定的值。
在特定实现模式中,用于确定至少一个表的方法还可包括以下特征中的一者或多者,这些特征是单独地或以其技术上可能的任何组合来采取的。
在特定实现模式中,在生成至少一个网格的步骤期间随机生成大小各自相同的多个空二维网格,以获得分别对应于在填充步骤期间填充的所述网格的、压力比P1/P2的多个表(所谓的“模型表”),所述方法还包括:
生成对(所谓的“测试对”)的步骤,每一测试对由马赫数M值以及PCN12R值形成,
通过所述模型表中包含的压力比P1/P2之间的双线性插值,确定每一模型表和每一测试对的P1/P2压力比(所谓的“测试比”)的步骤,
通过将所述预测模型应用于每一测试对,确定压力比P1/P2(所谓的“预测比”)的步骤,
对于每一模型表,因变于与所述模型表相关联的预测比和所述测试比之间的差值来估计至少一个插值误差的步骤,每一差值是针对预测比率和与同一个测试对相关联的测试比来评估的,
在适用的情况下,从所述模型表中确定至少一个表(所谓的“最优表”)的步骤,最优表的插值误差作为绝对值小于预定义阈值。
因此,在适用的情况下,用于确定至少一个最优表的这种实现尤其有利,因为它提供了获得可能发生的彼此不同的最优表的可能性(这是由于随机生成的网格)。这产生了获得具有用于飞行阶段的精细网格的最佳表的可能性,在飞行阶段期间,准确地评估P1压力(高马赫数M和/或高PCN12R额定值)至关重要,以便计算单元400准确地指令控制阀。
在特定实施模式中,针对每一模型表估计两个插值误差:
对于所关联的测试对具有在91%和95%之间的PCN12R值以及在0.79和0.89之间的马赫数M值的测试比,第一插值误差对应于预测比和测试比之间的差值的最大值(作为绝对值),与所述第一插值误差相关联的阈值等于0.5%;
对于所关联的测试对具有小于91%的PCN12R值以及小于0.79的马赫数M值的测试比,第二插值误差对应于预测比和测试比之间的差值的最大值(作为绝对值),与所述第二插值误差相关联的阈值等于1.5%.
在特定的实现模式中,所生成的测试对的数量比随机生成的二维网格的数量大十倍。
根据第三方面,本发明涉及一种包括程序代码指令集的计算机程序,当这些指令集由处理器执行时配置所述处理器以实现:
根据本发明的用于确定预测模型的方法的获取和监督学习的步骤,和/或
根据本发明的用于确定至少一个表的方法。
根据第四方面,本发明涉及一种计算机可读的记录介质,根据本发明的计算机程序记录在该记录介质上。
根据第五方面,本发明涉及一种用于确定用于先前定义类型的旁路涡轮机的压力比P1/P2的预测模型的处理设备,所述旁路涡轮机包括由路径间室分开的一次空气路径和二次空气路径,P1压力对应于所述路径间室内的气压,P2压力对应于所述二次空气路径中的气压。此外,所述设备包括:
获取模块,其被配置成获取先前在工作中的与预定义类型相对应的测试涡轮机上在相应测量时间采集的测量集,每一测量集包括P1测量、P2测量、所述测试涡轮机的马赫数的测量M以及表示所述测试涡轮机的低压额定值的PCN12R测量,
监督学习模块,其被配置成以受监督的方式基于所获得的所述测量集,对作为被视为解释变量的M数和PCN12R额定值的函数的比率P1/P2的预测模型进行学习。
根据第六方面,本发明涉及一种用于确定用于先前定义类型的旁路涡轮机的压力比P1/P2的预测模型的处理系统,所述旁路涡轮机包括由路径间室分开的一次空气路径和二次空气路径,P1压力对应于所述路径间室内的气压,P2压力对应于所述二次空气路径中的气压。此外,所述系统包括:
采集装置,其被配置成在工作中的与先前定义的类型相对应的测试涡轮机上,在相应测量时间采集测量集,每一测量集包括P1测量、P2测量、所述测试涡轮机的马赫数的测量M以及表示所述测试涡轮机的低压额定值的PCN12R测量,
根据本发明的用于确定预测模型的处理设备。
根据第七方面,本发明涉及一种用于确定压力比P1/P2的至少一个表的处理设备,所述表旨在用于指令用于控制配备旁路涡轮机的低压涡轮的叶片组的控制阀,所述涡轮机包括由路径间室分开的一次空气路径和二次空气路径,P1压力对应于所述路径间室内的气压,P2压力对应于所述二次空气路径中的气压。此外,所述处理设备包括:
获取模块,其被配置成获得根据本发明先前针对所述涡轮机确定的压力比P1/P2的预测模型,
生成模块,其被配置成生成预定大小的至少一个空二维网格,其一个维度对应于所述涡轮机的马赫数M值,且另一维度对应于表示所述涡轮机的低压额定值的PCN12R值,
填充模块,其被配置成填充网格,所述网格的每一节点与通过将所述预测模型应用于与所述节点相关联的马赫数M和PCN12R值而确定的压力比P1/P2相关联,由此填充的网格形成压力比P1/P2的表。
根据第八方面,本发明涉及一种用于指令用于控制配备旁路涡轮机的低压涡轮的叶片组的阀的方法,所述方法由包括根据本发明确定的表的计算单元来实现。
根据第九方面,本发明涉及一种用于指令用于控制配备旁路涡轮机的低压涡轮的叶片组的阀的计算单元,所述计算单元包括根据本发明确定的表。
根据第十方面,本发明涉及一种飞行器,包括:
旁路涡轮机,
阀,用于控制配备所述涡轮机的低压涡轮的叶片组,
根据本发明的计算单元。
附图说明
参考解说本发明示例性实施例而没有任何限制的附图,本发明的其他特征和优点将从下面给出的描述中显现出来。在附图中:
[图1]图1示意性地示出现有技术中已知的旨在用于配备飞行器的旁路涡轮机的示例性实施例。
[图2]图2示意性地示出现有技术中已知的LTPACC型控制阀及其主动控制的环境架构;
[图3]图3示意性地表示根据本发明的处理系统的示例性实施例,该处理系统被配置成确定先前定义类型的旁路涡轮机的压力比P1/P2的预测模型。
[图4]图4示出根据本发明的用于确定预测模型的方法的实现模式的流程图;
[图5]图5示意性地示出图4的方法的优选实现模式;
[图6]图6示出根据本发明的用于确定压力比P1/P2的至少一个表的方法的实现模式的流程图;
[图7]图7示意性地示出压力比P1/P2的表;
[图8]图8示意性地示出图6的方法的优选实现模式。
具体实施方式
本发明在对配备旁路涡轮机的LPTACC型阀的进行指令的领域具有一席之地。
图3示意性地表示根据本发明的处理系统1的示例性实施例,该处理系统1被配置成确定先前定义类型的旁路涡轮机的压力比P1/P2的预测模型。
术语“先前定义类型的旁路涡轮机”在此指的是根据给定的技术规范书(例如发动机制造商设计的技术规范书)开发的旁路涡轮机,用于配备飞行器的批量生产。
对于本说明书的其余部分,认为本发明所参考的涡轮机允许根据现有技术的一般配置。作为示例而非限制,上文参考图1描述了这种一般配置,图1的编号在此重复。至少,在此简要回顾一下,旁路涡轮机100包括由路径间室110分开的一次空气路径VP和二次空气路径VS,P1压力对应于所述路径间室110内的气压。注意,P1压力在路径间室110的所有点处是相同的。
同时,P2压力对应于二次空气路径VS中的气压。
此外,本描述的其余部分更具体地涉及能够运送乘客的民用飞机类型的飞行器。然而,只要该飞行器的推进由至少一个旁路涡轮机100实现,则本发明中能够考虑的飞行器的类型不受限制。
处理系统1包括获取装置2,其被配置成在与先前定义的类型相对应的测试涡轮机100上获取测量集。
术语“测试涡轮机”在此优选地指装载在测试台上并符合拟批量生产的类型的涡轮机100。然而,任何情况都不排除考虑旁路涡轮机100的其他测试配置,诸如举例而言用于本发明的测试目的的配备飞行器的涡轮机。
应注意,在测试涡轮机上获取测量集的事实使得有可能形成一组数据,然后该组数据被用于确定所述预测模型,如下详细描述的。
所述测量集是在相应的测量时间采集的,每一测量集包括P1测量、P2测量、测试涡轮机100的马赫数的测量M和表示测试涡轮机100的低压额定值的PCN12R测量。因此,将理解,每一测量集对应于类型四元组(P1,P2,M,PCN12R)。
常规上,获取装置2包括专用于测量每个量P1、P2、M、PCN12R的至少一个传感器。此类传感器集成在发动机中,且本身是已知类型。例如,为了获得P2压力测量,配备有装载在不同径向位置处的梳子的传感器被定位在OGV109的下游的二次空气路径VS中。为了获得P1压力测量,可以在路径间室110中无差别地定位各传感器。例如,通过Pitot管和磁性转速表分别获得马赫数和PCN12R额定值的测量值。
一般而言,本领域技术人员知道如何执行对所述测量集的采集,且因此将知道如何为所考虑的每一个量选择适当的传感器,例如从专业制造商提供的产品目录中选择。本领域技术人员还将知道如何定位这些传感器。
处理系统1还包括处理设备3,该处理设备3被特别配置成获取已采集的测量集。为此目的,处理设备3包括获取模块(附图中未示出),该获取模块例如配备有用于在这些集合已经由采集装置2传送之后接收所述集合的通信装置,在这种情况下采集装置2自身配备有适于传输的通信装置。这些通信装置以本身已知的方式依赖于能够在采集装置2和所述设备3之间交换数据的通信接口。该通信接口的性质不受限制,其可以是有线或无线的,以便允许根据本领域技术人员已知的任何协议(以太网、WiFi、蓝牙、3G、4G、5G等)交换数据。
也不排除处理设备3通过其获取模块在测量集被采集并存储在处理设备3外部的存储装置(例如专用数据库)中之后获取测量集。
一般而言,对处理设备3获得测量集的方式没有限制。
处理设备3还被配置成,对于所考虑的涡轮机100的类型并基于获得的测量集,通过实现用于确定所述预测模型的方法的诸步骤的一部分来执行旨在确定所述预测模型的处理。
为此,处理设备3例如包括一个或多个处理器和在其中存储数据和计算机程序的存储器存储装置(磁硬盘、电子存储器、光盘等),计算机程序是要被执行以实现用于确定预测模型的方法的诸步骤的一部分的程序代码指令集的形式。
作为替换或补充,处理设备3还包括能够实现用于确定预测模型的方法的诸步骤的一部分的FPGA、PLD类型等的一个或多个可编程逻辑电路和/或专用集成电路(ASIC)和/或一组分立电子组件等。
换言之,处理设备3包括以软件(特定计算机程序)和/或硬件(FPGA、PLD、ASIC等)来配置的一组装置,以实现用于确定预测模型的方法的诸步骤的一部分。
应注意,在该示例性实施例中,处理设备3位于远离测试涡轮机100的位置。然而,不排除考虑配备所述测试涡轮机100的处理装置3。
图4示出根据本发明的用于确定预测模型的方法的实现模式的流程图。
如图4所示,用于确定预测模型的方法首先包括在测试涡轮机100上采集测量集的步骤E10。
例如,在预定时间段内执行所述采集步骤E10,分别与测量集相关联的测量时间通过预定增量彼此分开,以便采集足够量的测量集,通常是数千测量集,例如2000个测量集。尽管如此,本发明仍然适用于任何数量的测量集,并且当然可以理解,在该方法期间确定的预测模型的准确度与所采集的测量集的数量相关。
所述预定时间段例如对应于测试涡轮机100的使用会话的总持续时间。
根据另一示例,在测试涡轮机100的一个或多个特定工作阶段期间触发对测量的采集,因此预定时间段被调整以对应于这些特定阶段的相应持续时间。
一旦采集了所述测量集,所述方法包括由处理设备3经由该处理设备的获取模块获得所述测量集的步骤E20。
一旦处理设备3获得了测量集,所述方法包括由所述设备3并基于所述测量集对作为被视为解释变量的M数和PCN12R额定值的函数的比率P1/P2的预测模型进行监督学习的步骤E30。
因此,所确定的预测模型对应于函数F,使得P1/P2=F(M,PCN12R)。否则,确定F等同于执行变量P1/P2的回归,其被解释为解释变量M和PCN12R的函数。根据本发明,该函数F通过监督学习获得。
实现监督学习以确定比率P1/P2的预测模型的事实有利地使得可以避免对由马赫数M段所采集的测量集进行任何细分,如在现有技术中所做的细分。此外,这种实现使得可以大大提高所获得的预测模型的准确度成为可能。
应当注意,可以使用本领域技术人员已知的任何统计测试来实现对根据本发明的预测模型和通过在现有技术中获得的马赫数分段的预测模型之间的准确度之差的评估。例如,该统计测试可以是使用自由软件R执行的确切Fisher测试,以便将根据本发明的预测模型的残余方差与现有技术的预测模型进行比较。
在优选实施模式中,监督学习步骤E30包括实现支持向量机算法。此类算法仍然以“SVM”(支持向量机)的名称为人所知,并且使得对解释变量应用线性回归方法成为可能,其变化在理论上是非线性的,这是解释变量P1/P2的情况。
例如,支持向量机算法使用高斯核。使用这样的核尤其使得限制监督学习步骤的计算成本成为可能,并且为此目的依赖于“核技巧”。本领域技术人员已知这种处理方式,在此将不进行更详细地论述。
然而,应当注意,高斯核的选择仅构成本发明实现的一个变型。可以设想其他核,诸如举例而言多项式核。
与现有技术的预测模型相比,使用支持向量机算法的事实,尤其是当后者使用高斯核时,使得获得预测模型的极好的准确度结果成为可能。
然而,应当注意,对监督学习步骤E30的实现没有附加任何限制。因此,可以设想其他算法,诸如举例而言决策树森林(随机森林分类器)的算法。
此外并且以本领域技术人员完全清楚的方式,将理解,通过监督学习获得的预测模型的准确度尤其取决于所考虑的测量集的数量。由于监督学习方法本身消除了现有技术的不利偏差(每一马赫数M分段有一个预测模型),因此该数量本身没有限制。
图5示意性地示出图4的方法的优选实现模式。
如图5所示,用于确定预测模型的方法包括在监督学习步骤E30之前,过滤所获得的测量集的步骤E25,以便删除每一个包括位于与所述测量相关联的先前定义的区间之外的至少一个测量的集合。
根据该优选模式,过滤步骤E25由处理设备3实现,并且有利地使得免除包含离群测量的测量集成为可能。因此,在监督学习步骤E30中使用的集合被过滤,并且所获得的预测模型的准确度被进一步提高。
通过纯粹的限制性示例,即使在测试涡轮机100在旨在复制巡航阶段的条件下工作时,离群测量也可对应于零马赫速度M。在此示例中,因此不选择包括这样的测量M的集合。
此外,应注意,在严格意义上根据所述区间进行过滤之前,过滤步骤E25可包括根据获取所述集合的特定阶段来对测量集进行排序。这样,可以根据所考虑的特定阶段来区分过滤期间使用的区间。这造成对测量集的更相关的过滤。
此外,如图5所示,在该优选实施模式中,该方法还包括验证所习得的预测模型的步骤E35,以便如果所述模型未被验证,则至少监督学习步骤E30被迭代。
以此方式进行使得可以提高用于确定预测模型的方法的稳健性。因此,这是验证该预测模型具有符合预期行为的行为的问题,以因变于变量M和PCN12R来预测比率P1/P2。
应注意,如果预测模型未被验证,则例如基于事先已经采集的测量集来实施监督学习步骤E30,优选地通过修改因所选学习方法的执行而异的某些参数。
或者,如果预测模型未被验证,则再次执行该确定方法的所有步骤。换言之,执行新的测试活动,以获得从中学习预测模型的新测量集。
优选地,验证步骤E35包括“k-重”类型的交叉验证。这种交叉验证首先包括将所采集的测量集划分成k个样本。然后在k-1个样本(因此k-1个测量集)上训练所习得的预测模型,最后在剩余的第k个样本上进行验证。因此,可以获得一个分数,即所谓的“性能分数”,例如表示所习得的预测模型的二次误差。改变第k个验证样本来重复此过程,以便最终获得k个性能分数。计算这些k个性能分数的平均值提供了在监督学习步骤E30期间获得的预测模型的有效性的指标。
选择“k-重”类型的交叉验证仅构成本发明实现的一个变型。可以设想本领域技术人员已知的任何验证方法,诸如举例而言“留出(holdout)方法”类型的交叉验证方法,或者LOOCV(留一(Leave-One-out)交叉验证)类型的交叉验证方法。
虽然已经参考图5将过滤E25和验证E35步骤描述为在同一个实现模式内执行,但是应当注意,对于本发明可以设想仅执行这两个步骤E25、E35中的一者。
到目前为止,已经在旁路涡轮机100的比率P1/P2的预测模型的确定的上下文中描述了本发明。当已经确定了这样的预测模型时,根据本发明的另一方面,设备3可以使用该预测模型来执行处理,以通过实现用于确定所述至少一个表的方法,来确定旨在飞行器的计算单元中实现的压力比P1/P2的至少一个表。
如前所述,所述至少一个表旨在指令用于控制配备旁路涡轮机100的低压涡轮106的叶片组的阀,更具体而言是LPTACC类型的阀。应当注意,用于确定至少一个表的所述方法在此由已经执行预测模型的确定的处理设备3实现。然而,不排除这两种方法由分开的处理设备实现。在这种情况下,用于确定至少一个表的处理设备允许与用于确定预测模型的处理设备3相同的软件和/或硬件配置。
对于本说明书的其余部分,认为本发明所参考的控制阀允许根据现有技术的一般配置。作为示例而非限制,上文参考图2描述了这种一般配置,其编号在此重复。至少,这里简要回顾一下,所述阀200能够控制配备旁路涡轮机100的低压涡轮106的叶片组。此外,包括配备有控制阀200的所述涡轮机100的飞行器还包括被配置用于指令所述控制阀200的计算单元400。
图6示出根据本发明的用于确定压力比P1/P2的至少一个表的方法的实现模式的流程图。
如图6所示,用于确定至少一个表的方法首先包括获得先前为所述涡轮机100确定的预测模型的步骤F10。接着,所述方法包括用于生成预定大小的至少一个空二维网格的步骤F20,其一个维度对应于涡轮机100的马赫数M的值,且另一维度对应于PCN12R值。常规上,由网格的马赫数M值和PCN12R值形成的每一对(M,PCN12R)可与该网格的节点相关联。该节点对应于网格上的虚拟位置,位于与其关联的M和PCN12R值的交点处。
应当注意,网格具有预定大小的事实源于对软件开发和计算单元400的存储容量的约束。例如,它包括六个马赫M值以及十个PCN12R值作为输入,以便包括分别与可以根据作为输入提供给网格的值来考虑的六十对相关联的六十个节点。
然而,不排除考虑网格的其他大小以及其他马赫M和PCN12R值作为输入。然而,必须考虑到如下事实:此类网格被用来确定旨在飞行器的计算单元400中实现的表。因此,它必须优选地包括代表飞行器将要经历的所有飞行阶段(更具体而言,对应于高发动机额定值和高马赫数的飞行阶段(爬升和巡航阶段))的马赫数M值和PCN12R值来作为输入。
一旦网格被生成,所述方法包括填充网格的步骤F30,网格的每一节点与压力比P1/P2相关联,压力比P1/P2是通过将所述预测模型应用于与所述节点相关联的M和PCN12R值而确定的。
由此填充的网格对应于本发明的意义内的表,即旨在实现在旁路涡轮机100的计算单元400中的压力比P1/P2的表。
使用根据本发明确定的预测模型的事实在此特别有利,因为该表直接受益于模型的计算准确度。此外,该准确度也传播到由配备有该表的计算单元400通过双线性插值所确定的值。
图7示意地示出旨在对控制阀200进行指令的压力比P1/P2的表的示例。
如图7所示,所述表包括六个马赫M值作为输入(垂直维度),分别是:0、0.3、0.6、0.75、0.8、1。它还包括十个PCN12R值作为输入(水平维度),即增量为10%的介于20%和100%之间的九个值以及一个等于105%的值。因此,所述网格包含六十个节点,分别与作为输入提供的对(M,PCN12R)相关联,以及与将预测模型应用于这些对所对应的值P1/P2相关联。这些值P1/P2显示在表中。例如,与对(M,PCN12R)=(0.8,60)相关联的节点也与值P1/P2=0.7479相关联。
图8示意性地示出图6的方法的优选实施模式,其中生成了多个表以能够标识能准确地描述涡轮机100在临界条件(高马赫数M和/或高PCN12R额定值)下的操作的表。
根据此优选实施模式且如图8所示,在步骤F20期间生成各自大小相同的多个空二维网格。这些网格的生成是随机的。换言之,对于所考虑的网格大小,输入对(M,PCN12R)是随机绘制的。
因此,在步骤F30期间,获得多个表,即所谓的“模型表”,每一模型表都是通过将预测模型应用于所生成的网格中的一者来确定的。
一旦确定了所述模型表,该方法包括生成对(称为“测试对”)的步骤(F40),每一测试对由马赫数M值以及PCN12R值形成。
例如,所述测试对的生成是随机的。或者,所述生成是分别对于M和PCN12R值以给定增量来确定性地完成的,或甚至更具体而言,针对M和PCN12R的所述值以预定的相应区间来完成的。
在生成测试对之后,该方法包括针对每一模型表和每一测试对,通过所述模型表中包含的压力比P1/P2之间的双线性插值,确定压力比P1/P2(所谓的“测试比”)的步骤F50。这样,对于所述模型表中的一者,每一测试对对应一个P1/P2压力比。
所述方法还包括通过将所述预测模型应用于每一测试对,确定压力比P1/P2(所谓的“预测比”)的步骤F60。
因此,现在有了分别与模型表相关的预测比和测试比。由于每一测试对对应一个测试比(在模型表中)和一个预测比,因此可以将这些比率相互比较。
为此,所述方法包括对于每一模型表,因变于与所述模型表相关联的预测比和所述测试比之间的差值来估计至少一个插值误差的步骤F70,每一差值是针对预测比和与同一个测试对相关联的测试报告来评估的。
步骤F70的目标因此是比较每一模型表的测试比与预测比,以能够随后判断模型表的相关性,更具体而言是在特定飞行阶段(特别是高马赫数M和/或高PCN12R额定值)期间涡轮机100的操作。将理解,如果预测比完全借助于预测模型来确定,则它们在理论上比借助于双线性插值针对每一模型表获得的值更准确。
例如,对每一模型表估计两个插值误差:
对于所关联的测试对具有在91%和95%之间的PCN12R值以及在0.79和0.89之间的马赫数M值的测试比,第一插值误差对应于预测比和测试比之间的差值的最大值(作为绝对值);
对于所关联的测试对具有小于91%之间的PCN12R值以及小于0.79的马赫数M值的测试比,第二插值误差对应于预测比和测试比之间的差值的最大值(作为绝对值)。
因此,将理解,在该示例性实现中,模型表的第一插值误差使得量化通过双线性插值获得的用于高马赫数M以及高PCN12R额定值的比率P1/P2的准确度成为可能。同时,第二插值误差使得量化模型表其余包络中通过双线性插值获得的比率P1/P2的准确度成为可能。
对于每一模型表可以预见的插值误差数量没有限制。因此,本发明使得可以考虑马赫数M的任何值区间和/或PCN12R额定值的任何值区间,从而获得表的不同区域的内插误差。本领域技术人员将知道如何根据认为感兴趣的飞行阶段来定义这些区间的边界。
最后,所述方法包括在适用的情况下,从所述模型表中确定至少一个表(所谓的“最优表”)的步骤(F80),最优表的插值误差作为绝对值小于预定义阈值。
术语“在适用的情况下确定”指的是,如果与插值误差相关联的阈值太低,则存在没有模型表被视为最优的风险的事实。
例如,通过重复上述示例,与所述第一插值误差相关联的阈值(PCN12R值在91%和95%之间,马赫数M在0.79和0.89之间)等于0.5%。同时,与所述第二插值误差相关联的阈值(PCN12R值小于91%,马赫数M小于0.79)等于1.5%。
这种阈值的选择仅构成本发明实现的一种变型。可以设想其他阈值,例如如果希望获得更多最优表(例如,如果无法确定最优表),则阈值分别大于0.5%和1.5%。相反,可以降低这些阈值以应用更严格的最优性标准,并从而限制能够获得的最优表的数量。
因此,参考图8所描述的方法的实现是尤其有利的,因为它提供了获得用于如下飞行阶段的具有精细网格的最佳表格的可能性:在这些飞行阶段期间,准确地评估压力P1(高马赫数M和/或高PCN12R额定值)是至关重要的,以使计算单元400准确地指令控制阀200。
此外,将理解,所生成的网格的数量和测试对的数量越多,就越有可能获得在被认为感兴趣的包络(马赫数M,PCN12R额定值)中具有精细网格的最优表。
当所生成的测试对的数量大于随机生成的网格的数量时,这一点得到进一步加强。
作为示例而非限制,所生成的测试对的数量比随机生成的二维网格的数量大十倍。例如,测试对的数量等于10^6,而网格的数量等于10^5。
然而,根据本文未详述的其他示例,不排除使用不同数量的测试对和网格。
Claims (10)
1.一种用于确定用于先前定义类型的旁路涡轮机(100)的压力比P1/P2的预测模型的方法,所述旁路涡轮机(100)包括由路径间室(110)分开的一次空气路径(VP)和二次空气路径(VS),P1压力对应于所述路径间室(110)内的气压,P2压力对应于所述二次空气路径(VS)中的气压,
所述方法由包括采集装置(2)以及处理设备(3)的处理系统(1)实现,并且所述方法包括:
由所述采集装置(2)并且在工作中的与先前定义的类型相对应的测试涡轮机上,在相应测量时间采集测量集的步骤(E10),每一测量集包括P1测量、P2测量、所述测试涡轮机的马赫数的测量M以及表示所述测试涡轮机的低压额定值的PCN12R测量,
由所述处理设备(3)获得所述测量集的步骤(E20),
由所述处理设备(3)并基于所获得的所述测量集,对作为被视为解释变量的M数和PCN12R额定值的函数的比率P1/P2的预测模型进行监督学习的步骤(E30)。
2.一种用于确定压力比P1/P2的至少一个表的方法,所述表旨在用于指令用于控制配备旁路涡轮机(100)的低压涡轮(106)的叶片组的阀(200),所述涡轮机(100)包括由路径间室(110)分开的一次空气路径(VP)和二次空气路径(VS),P1压力对应于所述路径间室(110)内的气压,P2压力对应于所述二次空气路径(VS)中的气压,所述方法包括:
获得先前如权利要求1所述为所述涡轮机(100)确定的压力比P1/P2的预测模型的步骤(F10),
生成预定大小的至少一个空二维网格的步骤(F20),其一个维度对应于所述涡轮机(100)的马赫数M值,且另一维度对应于表示所述涡轮机(100)的低压额定值的PCN12R值,
填充网格的步骤(F30),所述网格的每一节点与通过将所述预测模型应用于与所述节点相关联的M和PCN12R值而确定的压力比P1/P2相关联,由此填充的网格形成压力比P1/P2的表。
3.根据权利要求2所述的方法,其特征在于,在生成至少一个网格的步骤(F20)期间随机生成各自大小相同的多个空二维网格,以获得分别对应于在填充步骤(F30)期间填充的所述网格的、压力比P1/P2的多个表,所谓的“模型表”,所述方法还包括:
生成对(所谓的“测试对”)的步骤(F40),每一测试对由马赫数M值以及PCN12R值形成,
通过所述模型表中包含的P1/P2压力比之间的双线性插值,确定每一模型表和每一测试对的P1/P2压力比(所谓的“测试比”)的步骤(F50),
通过将所述预测模型应用于每一测试对,确定P1/P2压力比(所谓的“预测比”)的步骤(F60),
对于每一模型表,因变于与所述模型表相关联的预测比和所述测试比之间的差值来估计至少一个插值误差的步骤(F70),每一差值是针对预测比率和与同一个测试对相关联的测试比来评估的,
在适用的情况下,从所述模型表中确定至少一个表(所谓的“最优表”)的步骤(F80),最优表的插值误差作为绝对值小于预定义阈值。
4.根据权利要求3所述的方法,其特征在于,针对每一模型表估计两个插值误差:
对于所关联的测试对具有在91%和95%之间的PCN12R值以及在0.79和0.89之间的马赫数M值的测试比,第一插值误差对应于预测比和测试比之间的差值的最大值(作为绝对值),与所述第一插值误差相关联的阈值等于0.5%;
对于所关联的测试对具有小于91%的PCN12R值以及小于0.79的马赫数M值的测试比,第二插值误差对应于预测比和测试比之间的差值的最大值(作为绝对值),与所述第二插值误差相关联的阈值等于1.5%。
5.一种包括程序代码指令集的计算机程序,当这些指令集由处理器执行时配置所述处理器以实现:
根据权利要求1所述的用于确定预测模型的方法的获取和监督学习的步骤,和/或
根据权利要求2至4中的任一项所述的用于确定至少一个表的方法。
6.一种计算机可读的记录介质,其上记录有根据权利要求5所述的计算机程序。
7.一种用于确定压力比P1/P2的至少一个表的处理设备(3),所述表旨在用于指令用于控制配备旁路涡轮机(100)的低压涡轮(103)的叶片组的阀(200),所述涡轮机(100)包括由路径间室(110)分开的一次空气路径(VP)和二次空气路径(VS),P1压力对应于所述路径间室(110)内的气压,P2压力对应于所述二次空气路径(VS)中的气压,所述设备包括:
获得模块,其被配置成获得先前如权利要求1所述为所述涡轮机(100)确定的压力比P1/P2的预测模型,
生成模块,其被配置成生成预定大小的至少一个空二维网格,其一个维度对应于所述涡轮机(100)的马赫数M值,且另一维度对应于表示所述涡轮机(100)的低压额定值的PCN12R值,
填充模块,其被配置成填充网格,所述网格的每一节点与通过将所述预测模型应用于与所述节点相关联的马赫数M和PCN12R值而确定的压力比P1/P2相关联,由此填充的网格形成压力比P1/P2的表。
8.一种用于指令用于控制配备旁路涡轮机(100)的低压涡轮(106)的叶片组的阀(200)的方法,所述方法由计算单元(400)实现,所述计算单元(400)包括根据权利要求2至4中的任一项所述地确定的表。
9.一种用于指令用于控制配备旁路涡轮机(100)的低压涡轮(106)的叶片组的阀(200)的计算单元(400),所述计算单元(400)包括根据权利要求2至4中的任一项所述的表。
10.一种飞行器,包括:
旁路涡轮机(100),
阀(200),用于控制配备所述涡轮机(100)的低压涡轮(106)的叶片组,
根据权利要求9所述的计算单元(400)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1906149A FR3097063B1 (fr) | 2019-06-10 | 2019-06-10 | Procédé de détermination d’un modèle prédictif d’un rapport de pressions pour une turbomachine double flux |
FRFR1906149 | 2019-06-10 | ||
PCT/FR2020/050746 WO2020249878A1 (fr) | 2019-06-10 | 2020-05-05 | Procede de determination d'un modele predictif d'un rapport de pressions pour une turbomachine double flux |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114096924A true CN114096924A (zh) | 2022-02-25 |
Family
ID=68072704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080050852.5A Pending CN114096924A (zh) | 2019-06-10 | 2020-05-05 | 用于确定双流涡轮发动机的压力比的预测模型的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220236701A1 (zh) |
EP (1) | EP3980851B1 (zh) |
CN (1) | CN114096924A (zh) |
CA (1) | CA3140586A1 (zh) |
FR (1) | FR3097063B1 (zh) |
WO (1) | WO2020249878A1 (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1298512A2 (en) * | 2001-09-26 | 2003-04-02 | Coltec Industries Inc. | Adaptive aero-thermodynamic engine model |
CA2472276A1 (fr) * | 2003-08-06 | 2005-02-06 | Airbus France | Procede et dispositif pour l'alimentation des turboreacteurs d'un aeronef en vol automatique |
FR2921114A1 (fr) * | 2007-09-13 | 2009-03-20 | Peugeot Citroen Automobiles Sa | Methode de determination d'une pression en entree d'une turbine de turbocompresseur equipant un moteur thermique |
US20100023369A1 (en) * | 2008-07-24 | 2010-01-28 | Scavengetech I, LLC | Turbocharger fleet management system |
US20110016876A1 (en) * | 2009-07-21 | 2011-01-27 | Alstom Technology Ltd | Method for the control of gas turbine engines |
EP2570616A2 (en) * | 2011-09-15 | 2013-03-20 | General Electric Company | System and method for simulating a gas turbine compressor |
US20140090392A1 (en) * | 2012-09-28 | 2014-04-03 | United Technologies Corporation | Model based fuel-air ratio control |
DE102015119363A1 (de) * | 2014-11-20 | 2016-05-25 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Verfahren zur modellbasierten steuerung von agr, frischluftmassenströmung und ladedruck mit mehreren variablen für verkleinerte aufgeladene motoren |
US20160258361A1 (en) * | 2015-03-03 | 2016-09-08 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN105939028A (zh) * | 2015-03-03 | 2016-09-14 | 通用电气公司 | 用于增强发电厂发电单元的控制的方法和系统 |
CN106536896A (zh) * | 2014-07-02 | 2017-03-22 | 赛峰飞机发动机公司 | 检测涡轮轴发动机中的阀的故障的方法 |
FR3059042A1 (fr) * | 2016-11-22 | 2018-05-25 | Safran Aircraft Engines | Procede de commande d'une vanne de turbomachine |
CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
CN108801641A (zh) * | 2018-04-20 | 2018-11-13 | 上海船舶运输科学研究所 | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 |
-
2019
- 2019-06-10 FR FR1906149A patent/FR3097063B1/fr active Active
-
2020
- 2020-05-05 CA CA3140586A patent/CA3140586A1/fr active Pending
- 2020-05-05 US US17/617,674 patent/US20220236701A1/en active Pending
- 2020-05-05 EP EP20731930.2A patent/EP3980851B1/fr active Active
- 2020-05-05 CN CN202080050852.5A patent/CN114096924A/zh active Pending
- 2020-05-05 WO PCT/FR2020/050746 patent/WO2020249878A1/fr unknown
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1298512A2 (en) * | 2001-09-26 | 2003-04-02 | Coltec Industries Inc. | Adaptive aero-thermodynamic engine model |
CA2472276A1 (fr) * | 2003-08-06 | 2005-02-06 | Airbus France | Procede et dispositif pour l'alimentation des turboreacteurs d'un aeronef en vol automatique |
FR2921114A1 (fr) * | 2007-09-13 | 2009-03-20 | Peugeot Citroen Automobiles Sa | Methode de determination d'une pression en entree d'une turbine de turbocompresseur equipant un moteur thermique |
US20100023369A1 (en) * | 2008-07-24 | 2010-01-28 | Scavengetech I, LLC | Turbocharger fleet management system |
US20110016876A1 (en) * | 2009-07-21 | 2011-01-27 | Alstom Technology Ltd | Method for the control of gas turbine engines |
EP2570616A2 (en) * | 2011-09-15 | 2013-03-20 | General Electric Company | System and method for simulating a gas turbine compressor |
US20140090392A1 (en) * | 2012-09-28 | 2014-04-03 | United Technologies Corporation | Model based fuel-air ratio control |
CN106536896A (zh) * | 2014-07-02 | 2017-03-22 | 赛峰飞机发动机公司 | 检测涡轮轴发动机中的阀的故障的方法 |
DE102015119363A1 (de) * | 2014-11-20 | 2016-05-25 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Verfahren zur modellbasierten steuerung von agr, frischluftmassenströmung und ladedruck mit mehreren variablen für verkleinerte aufgeladene motoren |
US20160258361A1 (en) * | 2015-03-03 | 2016-09-08 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN105939028A (zh) * | 2015-03-03 | 2016-09-14 | 通用电气公司 | 用于增强发电厂发电单元的控制的方法和系统 |
FR3059042A1 (fr) * | 2016-11-22 | 2018-05-25 | Safran Aircraft Engines | Procede de commande d'une vanne de turbomachine |
CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
CN108801641A (zh) * | 2018-04-20 | 2018-11-13 | 上海船舶运输科学研究所 | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
FR3097063B1 (fr) | 2021-05-28 |
WO2020249878A1 (fr) | 2020-12-17 |
EP3980851A1 (fr) | 2022-04-13 |
US20220236701A1 (en) | 2022-07-28 |
CA3140586A1 (fr) | 2020-12-17 |
EP3980851B1 (fr) | 2023-06-28 |
FR3097063A1 (fr) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2003129866A (ja) | 適応空気熱力学エンジンモデル | |
EP2239441A2 (en) | Method and Systems for Virtual Sensor Selection and Blending | |
RU2559718C2 (ru) | Система и способ настройки/калибровки семейств ступеней турбомашин | |
CN108108528B (zh) | 一种分轴式航改燃机动力涡轮一维匹配设计方法 | |
Klein et al. | A fully coupled approach for the integration of 3D-CFD component simulation in overall engine performance analysis | |
CN109992880B (zh) | 一种燃气轮机性能适配方法、设备以及系统 | |
US11739699B2 (en) | Method of controlling the geometrical configuration of a variable geometry element in a gas turbine engine compressor stage | |
EP2623733A1 (en) | Steam turbine performance testing | |
Wolters et al. | Engine performance simulation of the integrated V2527-Engine Fan | |
CN114096924A (zh) | 用于确定双流涡轮发动机的压力比的预测模型的方法 | |
Reitz et al. | Full High Pressure Compressor Investigations to Determine Aerodynamic Changes due to Deterioration | |
EP3373083A1 (en) | Power generation system control through adaptive learning | |
Li et al. | Non-linear multiple points gas turbine off-design performance adaptation using a genetic algorithm | |
Sankar et al. | Aero-thermodynamic modelling and gas path simulation for a twin spool turbo jet engine | |
Föllner et al. | An Euler-Based Throughflow Approach for an Axial Turbine at Supersonic Flow Regimes | |
CN110362065B (zh) | 一种航空发动机防喘控制系统的状态诊断方法 | |
Bazmi et al. | New Thermodynamic Model and Mathematical Analytical in T400 Turboshaft Power Assurance Test Process | |
Kim et al. | Suitability of performance adaptation methods for updating the thermodynamic cycle model of a turboprop engine | |
US11525412B2 (en) | Operation management device, power generation plant, and operation management method for power generation plant | |
Huang et al. | Fan Wake Prediction Via Machine Learning | |
CN116756866A (zh) | 基于车台试验数据的发动机动态性能实时计算方法及系统 | |
Biraud et al. | Simulation of the WR-21 Advanced Cycle Engine | |
Ramdin et al. | Systematic Approach for Modelling Modern Turbofan Engines | |
Kim et al. | Sequential Performance Adaptation for a Turboprop Engine Model at Flight Condition | |
Chung et al. | An analytical approach to gas turbine engine model linearization |
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 |