CN115688609A - 一种用于航空发动机的智能推力预测及实时预警方法 - Google Patents

一种用于航空发动机的智能推力预测及实时预警方法 Download PDF

Info

Publication number
CN115688609A
CN115688609A CN202211631498.2A CN202211631498A CN115688609A CN 115688609 A CN115688609 A CN 115688609A CN 202211631498 A CN202211631498 A CN 202211631498A CN 115688609 A CN115688609 A CN 115688609A
Authority
CN
China
Prior art keywords
thrust
engine
real
model
aero
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
Application number
CN202211631498.2A
Other languages
English (en)
Inventor
于艾洋
肖洪
唐轲
肖达盛
王栋欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202211631498.2A priority Critical patent/CN115688609A/zh
Publication of CN115688609A publication Critical patent/CN115688609A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明属于航空发动机推力预测技术领域，具体涉及一种用于航空发动机的智能推力预测及实时预警方法。具体技术方案为：对航空发动机的试验参数特征按测量部件和系统进行聚类；对所述聚类参数进行特征选取；建立部件和系统子网络；根据航空发动机实际工作匹配关系连接所述部件和系统子网络；在航空发动机数字工程模型最终输出端添加特征映射网络；利用航空发动机试验过程产生的试验数据对网络模型进行训练，得到实时推力预测模型、基准推力预测模型。将航空发动机物理架构融入智能网络设计，可实现多系统在数字空间的高效融合，实现数字模型紧密跟踪航空发动机性能并体现个体化差异，从而准确跟踪发动机推力性能。

Description

一种用于航空发动机的智能推力预测及实时预警方法
技术领域
本发明属于航空发动机推力预测技术领域，具体涉及一种用于航空发动机的智能推力预测及实时预警方法。
背景技术
航空发动机是一种复杂的动力机械，旨在为飞行器提供快速、准确和可靠的动力，其运行状况直接决定飞行器能否安全飞行。而航空发动机在实际使用过程中，由于受到多种因素影响，会导致推力性能衰退，不稳定工作边界下移，喘振裕度下降等情况，进而影响飞行安全。航空发动机故障诊断与健康管理（Prognostics and Health Management, PHM）通过先进的数字化、智能化技术手段及时、准确地检测和诊断故障，并为后勤维修提供可靠的信息支持。航空发动机状态监测和性能参数预测是PHM系统的基础，而航空发动机实时推力作为人们最关心的控制目标，对其进行预测与预警是实现健康管理的保证。
由于发动机机载推力无法直接测量，通常做法是使用转子转速以及特征截面压力、温度等可测性能参数间接反映推力。但航空发动机是一种复杂的动力机械，其各个部件的运动状态高度耦合，各测量参数的匹配关系紧密，因此可测参数与发动机推力之间为复杂的非线性关系。且航空发动机受制造公差、性能衰退等多种因素影响而导致其性能各不相同，可测参数与发动机推力间关系动态变化。此外航空发动机机载测试参数少、频率低、个别参数测试精度不够，因此如何从较为恶劣的数据条件中预测推力性能并实时预警一直是传统技术的瓶颈。
目前的推力预测方法大致可以分为两类，一类是基于模型和滤波器的推力预测方法，另一类是不依赖于数学模型的基于数据驱动的推力预测方法。基于模型和滤波器的推力预测方法大多基于部件级航空发动机气动热力学模型，但这种方法通常需要进行假设条件，并且由于数理建模及数据处理所带来的误差使得预测不够精确。随着人工智能技术的不断发展，不依赖于数学模型的基于数据驱动的方法在推力及其他参数预测上取得了良好的效果。但基于数据驱动的预测方法尚无统一的构建方式，且模型中的超参数需要根据研究人员经验手动配置，极大降低了模型构建的效率。此外，在没有物理约束的情况下仅依赖数据驱动可能会产生超出航空发动机物理极限的结果。因此，现有的传统仿真受数理方程的局限、物理模型受人为假设的局限，数据驱动受物理规则缺乏的局限，均不能有效准确的预测航空发动机推力。
常见的基于部件法的航空发动机气动热力学模型先以试验数据或仿真数据为基础，建立部件、系统或元件的部件特性图，再根据航空发动机工作机理建立整机物理模型，并通过共同工作方程迭代得到匹配的共同工作点，从而计算得出当前发动机推力等性能状态。基于模型和滤波器的方法是实现状态监测和性能参数预测的有效方法之一，1989年LuppoldRH等人将机载模型与卡尔曼滤波器结合提出了机载自适应模型STORM。但由于航空发动机的工作环境多变，基于常规卡尔曼滤波技术建立的实时模型只能在小工作包线范围内使用。因此Antoniou等研究人员提出了扩展卡尔曼滤波器方法，其通过离线获取分段线性化的发动机状态变量模型及相应的卡尔曼滤波增益，而后进行在线的分段插值。之后还有Kobayashi等研究者提出了基于非线性模型的常值增益扩展卡尔曼滤波方法，以代替线性模型。
上述基于模型和滤波器的航空发动机推力预测方法虽然能够有效计算发动机推力等气动热力学性能，但基于模型的方法通常需要进行假设条件，并且由于建模及数据处理所带来的误差使得预测不够精确。且针对气路热力模型的计算方法只能单独考虑主流路的热力关系，难以耦合空气系统、滑油系统、控制系统和附件系统。采用卡尔曼滤波器的方法也会导致模型不确定性上升，推力预测精度下降等问题。此外，基于模型的性能计算方法所依据的发动机各部件特性建立后固定不变，不能够很好的考虑不同发动机由于生产制造、运行衰退导致的性能个体化差异，从而无法用于航空发动机全寿命周期的故障诊断与健康管理系统。
随着人工智能技术的不断发展，不依赖数学物理模型的基于数据驱动的航空发动机性能预测方法取得了良好的精度。现有数据驱动方法通常使用神经网络模型，根据所需要建立的航空发动机模型结构，采集航空发动机试验或仿真数据作为模型的输入、输出和状态变量数据，从而驱动网络训练发动机性能预测模型。如Luan等通过整合过程神经元和循环神经网络，给出了监测航空发动机状态的混合模型。马敏等人采用多尺度卷积神经网络、长短期记忆网络以及BP神经网络进行数据特征提取，实现了对航空发动机滑油监测数据的分析。此外，支持向量回归机、径向基网络在航空发动机推力估计和故障检测中表现出色。遗传算法、神经网络以及极限学习机也在航空发动机性能参数预测上取得了很好的效果。
虽然基于数据驱动的航空发动机推力性能预测模型能够有效的学习发动机测量参数与推力间复杂的映射关系，但目前尚无统一的构建方式，网络模型需要手动配置超参数，这极大降低了模型构建的效率。且基于数据驱动需要采集和处理大量航空发动机参数，而发动机机载测量参数少，采样频率低，难以快速准确跟踪发动机实时工况变化。此外，基于数据驱动得到的网络模型为“黑箱”模型，而航空发动机的运行受到严格的物理规则限制，在没有物理规则约束的情况下会出现超出物理规则的问题，从而不能可靠反应发动机真实工作性能。
因此，如果能够提供一种基于数字工程模型的航空发动机推力预测及实时预警方法，将具有优越的工业应用前景。
发明内容
本发明所要解决的技术问题是克服因航空发动机飞行测量参数少、部件和系统耦合复杂、性能衰退状况复杂等因素导致的现有传统仿真受数理方程的局限、物理模型受人为假设的局限、数据驱动受物理规则缺乏的局限，从而均不能有效准确的预测航空发动机推力并提供实时预警信息的问题。本发明提出了一种基于数字工程模型的航空发动机推力预测及实时预警方法，该方法将航空发动机领域知识嵌入神经网络，形成内嵌物理约束的神经网络架构。并通过一种参数选取方式，基于上述架构形成模型从而用于航空发动机推力性能参数预测。最后通过一种发动机推力预警判定方法，给出发动机推力性能衰退值并提供实时预警信息。
为实现上述发明目的，本发明所采用的技术方案是：一种用于航空发动机的智能推力预测方法，包括以下步骤，
S01、根据航空发动机结构，对航空发动机的试验参数特征按测量部件和系统进行聚类；
S02、根据推力预测模型的目标参数，对所述聚类参数进行特征选取，过滤每个分类中冗余类参数；
S03、对选取的各个部件和系统建立各自相对应的部件和系统子网络；
S04、根据航空发动机实际工作匹配关系连接所述部件和系统子网络；
S05、在航空发动机数字工程模型最终输出端添加特征映射网络；
S06、利用航空发动机试验过程产生的试验数据对网络模型进行训练，得到航空发动机实时推力预测模型；
S07、利用航空发动机试验过程产生的试验数据对网络模型进行训练，得到航空发动机基准推力预测模型。
优选的：所述步骤S01中，所述测量部件包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、喷管；所述测量系统包括滑油系统、控制系统、空气系统、附件系统。
优选的：所述步骤S02中的目标参数为发动机推力，所述特征参数包括环境参数、控制参数和性能参数；
所述环境参数包括发动机进口总温
Figure 100002_DEST_PATH_IMAGE001
、发动机进口总压
Figure 788143DEST_PATH_IMAGE002
；
所述控制参数包括发动机低压转子转速
Figure 100002_DEST_PATH_IMAGE003
、发动机高压转子转速
Figure 646509DEST_PATH_IMAGE004
、风扇进口导叶角度
Figure 100002_DEST_PATH_IMAGE005
、高压压气机导叶角度
Figure 104035DEST_PATH_IMAGE006
、燃油流量
Figure 100002_DEST_PATH_IMAGE007
、油门杆角度
Figure 964412DEST_PATH_IMAGE008
、喷口截面直径
Figure 100002_DEST_PATH_IMAGE009
；
所述性能参数包括风扇内涵出口总温
Figure 849192DEST_PATH_IMAGE010
、风扇内涵出口总压
Figure 100002_DEST_PATH_IMAGE011
、压气机出口总压
Figure 788329DEST_PATH_IMAGE012
、排气温度
Figure 100002_DEST_PATH_IMAGE013
。
优选的：所述步骤S04中，将各个所述部件子网络按航空发动机主流流经部件的次序进行排列，形成网络层的主干结构，依次排列为进气道训练网络层、风扇训练网络层、压气机训练网络层、燃烧室训练网络层、高压涡轮训练网络层、低压涡轮训练网络层、混合室训练网络层、喷管训练网络层；
各个所述系统子网络以系统与主流部件的关联关系为参照，插入所述主干结构中；
所述部件和系统各子网络的输入包括与当前子网络对应实际物理结构的测量参数特征、与当前子网络连接的上游子网络的输出特征。
优选的：所述步骤S06中，所述网络模型训练的损失函数采用均方误差MSE：
Figure 190491DEST_PATH_IMAGE014
式（1）
式（1）中，
Figure 100002_DEST_PATH_IMAGE015
为在单次训练过程中模型接收的样本数据，
Figure 905375DEST_PATH_IMAGE016
为单次训练过程中输入样本的总数，
Figure 100002_DEST_PATH_IMAGE017
为样本数据对应的目标特征数据，
Figure 226635DEST_PATH_IMAGE018
为模型训练过程的输出数据；
和/或，所述网络模型评估的性能指标采用峰值相对误差MRD和平均相对误差ARD：
Figure 100002_DEST_PATH_IMAGE019
式（2）
Figure 794014DEST_PATH_IMAGE020
式（3）
Figure 100002_DEST_PATH_IMAGE021
式（4）
式（2）-（4）中，
Figure 701665DEST_PATH_IMAGE022
为第
Figure 100002_DEST_PATH_IMAGE023
样本点的相对误差值，
Figure 287367DEST_PATH_IMAGE024
为第
Figure 186053DEST_PATH_IMAGE023
样本点输入模型后预估的推力，
Figure 100002_DEST_PATH_IMAGE025
为第
Figure 240727DEST_PATH_IMAGE023
样本点的推力数据，
Figure 109326DEST_PATH_IMAGE016
表示样本点总数。
相应的：一种用于航空发动机的智能推力实时预警方法，包括所述的智能推力预测方法中的步骤S01- S07，还包括以下步骤，
S08、将航空发动机机载实时测量参数输入实时推力预测模型，得到发动机实时推力预测值
Figure 221639DEST_PATH_IMAGE026
；
S09、将航空发动机机载实时测量参数输入基准推力预测模型，得到发动机基准推力预测值
Figure 100002_DEST_PATH_IMAGE027
；
S10、利用航空发动机试验参数，对发动机实时推力预测值、基准推力预测值进行检验，判断是否满足精度要求；
S11、利用所述步骤S10中校验后的实时推力预测模型、基准推力预测模型，分别得到实时飞行状态下的实时推力预测值和基准推力预测值，计算实时推力预测值和基准推力预测值的偏差值
Figure 885968DEST_PATH_IMAGE028
，并与工况要求下的推力衰退警戒阈值对比，判断是否发出预警指示。
优选的：所述步骤S10中，
Figure 349310DEST_PATH_IMAGE030
； 式（5）
Figure 21600DEST_PATH_IMAGE032
； 式（6）
Figure 988419DEST_PATH_IMAGE034
； 式（7）
式中，所述F为检验数据中试验测量的航空发动机真实推力，
Figure 100002_DEST_PATH_IMAGE035
为推力预警允许的精度误差；
若式（5）-（7）均成立，则所述步骤S06得到的实时推力预测模型、步骤S07得到的基准推力预测模型满足预警要求；
若式（5）-（7）任一项不成立，则对实时推力预测模型、基准推力预测模型中的训练参数进行调整，直至式（5）-（7）均成立。
优选的：所述步骤S11中，
Figure 573115DEST_PATH_IMAGE036
式（8）
若
Figure 100002_DEST_PATH_IMAGE037
，则发出发动机实时推力不足警告；
若
Figure 851650DEST_PATH_IMAGE038
，则进行储存记录；
Figure 100002_DEST_PATH_IMAGE039
为最大允许衰退警戒阈值；
和/或，若实时推力衰退
Figure 100002_DEST_PATH_IMAGE041
小于安全裕度允许的推力衰退
Figure 45740DEST_PATH_IMAGE042
，则对航空发动机进行维护。
相应的：一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现一种用于航空发动机的智能推力预测方法，或者实现一种用于航空发动机的智能推力实时预警方法。
相应的：一种计算机可读介质，所述可读介质存储有计算机程序，所述计算机程序被处理器执行时实现一种用于航空发动机的智能推力预测方法，或者实现一种用于航空发动机的智能推力实时预警方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明采用了一种基于智能架构驱动的航空发动机数字工程技术，将航空发动机物理架构融入智能网络设计，可实现多系统在数字空间的高效融合，实现数字模型紧密跟踪航空发动机性能并体现个体化差异，从而准确跟踪发动机推力性能。与数据加物理模型驱动的航空发动机模型相比，本发明所具有精度高、速度快的优势；与数据驱动的航空发动机模型相比，本发明具有需求数据量少且不会突破物理规则限制的优势。此外本发明采用的航空发动机数字工程模型架构只是网络架构，不附加数学物理模型，能够快速适应不同发动机类型。
2、本发明将航空发动机测量参数分为环境参数、控制参数、试车试验和飞行均测量参数和试车试验测量但飞行无法测量的性能参数，其中试车试验和飞行均测量参数和试车试验测量但飞行无法测量的性能参数之间关系不受性能衰退影响，环境参数、控制参数与性能参数之间关系受性能衰退影响。因此通过选择不同特征参数分别训练受性能衰退影响的航空发动机实时推力模型和不受性能衰退影响的航空发动机基准推力模型，从而得到航空发动机实时推力与当前工况条件下的基准推力，进而对航空发动机推力衰退进行实时评估。
附图说明
图1是本发明航空发动机智能推力预测及实时预警流程框图；
图2是本发明特征分类示意图；
图3是本发明实施例一种双轴混涡扇航空发动机结构示意图；
图4是本发明部件和系统网络的特征输入结构；
图5为本发明部件和系统网络连接结构；
图6为本发明部件级航空发动机数字工程模型架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
如图1-6所示，本发明公开了一种用于航空发动机的智能推力预测方法，包括以下步骤：
S01、根据航空发动机结构，对从地面试车、高空试车和飞行试验中收集的所有航空发动机参数特征按部件和系统进行聚类。每个聚类分别代表航空发动机的部件或系统。
所述步骤S01中，各个聚类以航空发动机试车试验结构为参考，将航空发动机整机拆分成主流路各主要部件，滑油系统，空气系统和附件系统等，并以此将航空发动机地面试车、机载测量的参数按上述划分原则进行归纳。所述测量部件为主流路主要部件，包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、喷管等。所述测量系统包括滑油系统、控制系统、空气系统、附件系统等。
S02、根据建立模型的目标参数，对步骤S01中的聚类参数进行特征选取，过滤每个分类中冗余类参数。此处，建立模型为推力预测模型，具体为实时推力预测模型和基准推力预测模型。
所述步骤S02中，航空发动机测量参数主要分为环境参数，如发动机进口总温
Figure DEST_PATH_IMAGE043
、发动机进口总压
Figure 460540DEST_PATH_IMAGE002
等特征参数；控制参数，如发动机低压转子转速
Figure 747296DEST_PATH_IMAGE044
、发动机高压转子转速
Figure DEST_PATH_IMAGE045
、风扇进口导叶角度
Figure 388493DEST_PATH_IMAGE046
、高压压气机导叶角度
Figure DEST_PATH_IMAGE047
、燃油流量
Figure 137007DEST_PATH_IMAGE048
、油门杆角度
Figure DEST_PATH_IMAGE049
、喷口截面直径
Figure 921161DEST_PATH_IMAGE050
等特征参数；以及性能参数，如风扇内涵出口总温
Figure DEST_PATH_IMAGE051
、风扇内涵出口总压
Figure 96927DEST_PATH_IMAGE052
、压气机出口总压
Figure 84475DEST_PATH_IMAGE012
、排气温度
Figure DEST_PATH_IMAGE053
等特征参数。
不同航空发动机在相同环境状况中，以同一控制规律运行，其表现的性能参数受发动机性能衰退及制造等因素的影响变化。而同一发动机在相同环境状况中，采用相同控制规律，其机载可测性能参数与不可测性能参数之间的关系不受影响。因此，针对实时推力性能参数预估的参数，一方面需要保证输入特征为试车试验和实际飞行中均被测量的参数，而目标特征仅为试车试验测量参数；另一方面输入特征与目标特征隐含物理关系，且被航空发动机部件性能衰退而影响，从而使智能网络能够学习航空发动机实时性能衰退程度，进而预测受性能衰退影响的航空发动机实时推力。针对基准推力性能参数预估的参数，一方面需要保证输入特征与目标特征隐含物理关系，但不被航空发动机部件性能衰退而影响，从而能够表征基准发动机的性能表现。故目标参数为航空发动机推力。
S03、对选取的各个部件和系统建立各自相对应的部件和系统子网络。
利用步骤S02中筛选的各部件和系统输入数据，建立对应的部件和系统子网络。该网络模型采用双向的长短期记忆循环神经网络（Bidirectional long short-term neuralnetwork, Bi-LSTM），LSTM神经网络是一种RNN，用于学习隐藏在序列中的信息，其中循环结构题的迭代次数决定了单次训练输入的信息量，双向结构能够加强输入特征间的交互，消除表征同一部件的不同测量参数次序所带来的影响。
S04、根据航空发动机实际工作匹配关系连接步骤S03构建的部件和系统子网络。
所述步骤S04中，将步骤S03构建的各个所述部件子网络按航空发动机主流流经部件的次序进行排列，形成网络层的主干结构。依次排列为进气道训练网络层、风扇训练网络层、压气机训练网络层、燃烧室训练网络层、高压涡轮训练网络层、低压涡轮训练网络层、混合室训练网络层、喷管训练网络层。各个所述系统子网络以系统与主流部件的关联关系为参照，插入所述主干结构中。所述部件和系统各子网络的输入包括与当前子网络对应实际物理结构的测量参数特征、与当前子网络连接的上游子网络的输出特征。
S05、在步骤S04建立的航空发动机数字工程模型最终输出端添加特征映射网络，从而建立数字工程模型的抽象特征与航空发动机推力等性能参数之间的关系。特征映射网络可以采用全连接层。
S06、利用航空发动机地面试车、高空台、空中台过程产生的试验数据，对网络模型进行训练，得到航空发动机实时推力预测模型。所述网络模型为步骤S03- S05建立的航空发动机数字工程模型。
所述步骤S06中，利用经过特征筛选后的航空发动机环境参数、控制参数与机载/试车均可测的性能参数作为输入数据，机载不可测但试车可测的推力参数作为目标特征，训练前述步骤建立航空发动机数字工程模型，得到航空发动机实时推力预测模型。
S07、利用航空发动机地面试车、高空台、空中台过程产生的试验数据，对网络模型进行训练，得到航空发动机基准推力预测模型。
所述步骤S07中，利用经过特征筛选后的航空发动机环境参数、控制参数作为输入数据，机载不可测但试车可测的推力参数作为目标特征，训练前述步骤建立的航空发动机数字工程模型，得到航空发动机基准推力预测模型。
如图1-6所示，本发明还公开了一种用于航空发动机的智能推力实时预警方法，包括用于航空发动机的智能推力预测方法中的步骤S01- S07，在此基础上，还包括以下步骤：
S08、将航空发动机机载实时测量参数输入实时推力预测模型，得到发动机实时推力预测值
Figure 839941DEST_PATH_IMAGE026
。所述实时测量参数包括环境参数、控制参数和性能参数。
S09、将航空发动机机载实时测量参数输入基准推力预测模型，得到发动机基准推力预测值
Figure 750040DEST_PATH_IMAGE027
。所述实时测量参数包括环境参数、控制参数和性能参数。
S10、利用航空发动机试验参数，对基准推力预测值与发动机实时推力预测值进行检验，判断其是否满足精度要求。
利用航空发动机试验参数对基于基准推力预测模型、实时推力预测模型，分别得到的航空发动机基准推力值与实时推力值进行校验，判断其是否满足精度要求。对于处于试验状态的航空发动机，其性能尚未有明显衰退，因此预测得到的航空发动机基准推力值与实时推力值应基本相同，且都能准确预测试验发动机推力性能。
Figure 627866DEST_PATH_IMAGE030
； 式（5）
Figure 509235DEST_PATH_IMAGE032
； 式（6）
Figure 6075DEST_PATH_IMAGE034
； 式（7）
式中，所述F为检验数据中试验测量的航空发动机真实推力，
Figure 531866DEST_PATH_IMAGE035
为推力预警允许的精度误差。
若上述三者误差均满足精度要求，则证明上述步骤S06、步骤S07训练得到的航空发动机实时推力预测模型与航空发动机基准推力预测模型准确可靠，满足预警要求。若上述三者任一误差大于精度要求，则调整网络架构训练参数并重新训练，直至模型精度满足预警要求。
S11、利用所述步骤S10中校验后通过的实时推力预测模型、基准推力预测模型，分别得到实时飞行状态下的实时推力预测值和基准推力预测值，通过对比给出实时推力预测值和基准推力预测值的偏差值
Figure 455959DEST_PATH_IMAGE028
，并与工况要求下的推力衰退警戒阈值对比，判断是否发出实时推力不足告警。
将步骤S10得到的可靠模型部署于机载健康管理系统，机载健康管理系统为现有技术，此处不再赘述。将发动机机载实时测量参数输入实时推力预测模型、基准推力预测模型，预测得到的航空发动机实时推力与基准推力，并对比得到基于随性能衰退变化的航空发动机实时推力与不随性能衰退变化的航空发动机基准推力的相对差值。给出推力下降参考：
Figure DEST_PATH_IMAGE055
由于飞行器在不同飞行工况下，对发动机推力性能要求各不相同，因此判断航空发动机实时推力衰退是否大于工况允许的警戒阈值。若大于警戒阈值，则立刻向飞行员给出推力不足警告；若小于警戒阈值，则进行存储记录，为发动机后勤维护提供重要参考。
具体地，
Figure 683678DEST_PATH_IMAGE036
式（8）
若
Figure 92532DEST_PATH_IMAGE037
，则发出发动机实时推力不足警告。
若
Figure 597462DEST_PATH_IMAGE038
，则进行储存记录，具体地，将当前时刻发动机实时推力衰退值作为发动机系统重要参数之一存入飞行器飞行参数存储系统，从而帮助技术人员更好掌握发动机运行状态，为发动机后勤维护提供重要参考。
Figure 958037DEST_PATH_IMAGE039
为最大允许衰退警戒阈值。
Figure 938631DEST_PATH_IMAGE039
理解为根据当前工况所计算得到的当前时刻飞行器允许的最大推力衰退值，如飞行器在起飞、爬升、机动飞行过程中需求推力更高，所允许的最大推力衰退值也更小，此时该预警值用于在空中实时提醒飞行员重要告警，从而避免更加重大事故的发生。
若实时推力衰退
Figure 511695DEST_PATH_IMAGE041
小于安全裕度允许的推力衰退
Figure 277656DEST_PATH_IMAGE042
，则对航空发动机进行维护。此处，安全裕度允许的推力衰退理解为能保证航空发动机安全运行的最大推力衰退值，其值小于最大允许衰退警戒阈值
Figure 543553DEST_PATH_IMAGE039
。安全裕度允许的推力衰退
Figure 745864DEST_PATH_IMAGE042
是飞行器日常维护过程中，通过分析先前架次所存储记录的航空发动机推力衰退数据，从而判定该发动机是否满足继续可靠执行任务的警戒值。若前架次记录的推力衰退值大于该安全裕度允许的衰退值，则不能继续执行任务，需要相应维护。
一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现一种用于航空发动机的智能推力预测方法，或者实现一种用于航空发动机的智能推力实时预警方法。
一种计算机可读介质，所述可读介质存储有计算机程序，所述计算机程序被处理器执行时实现一种用于航空发动机的智能推力预测方法，或者实现一种用于航空发动机的智能推力实时预警方法。
实施例一
以基于双轴混排涡扇发动为例说明基于数字工程模型的航空发动机推力预测及实时预警方法。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。
步骤S01：常见的双轴混排涡扇发动机结构示意如图3所示，其主要部件和系统包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、喷管等部件和滑油系统、控制系统、空气系统、附件系统等。因此将从航空发动机地面试车、高空试车和飞行试验中收集到的发动机进口总温
Figure 653777DEST_PATH_IMAGE056
、发动机进口总压
Figure DEST_PATH_IMAGE057
、低压转子转速
Figure 976043DEST_PATH_IMAGE058
、高压转子转速
Figure DEST_PATH_IMAGE059
、风扇进口导叶角度
Figure 271895DEST_PATH_IMAGE060
、高压压气机导叶角度
Figure DEST_PATH_IMAGE061
、风扇出口内涵道总压
Figure 571289DEST_PATH_IMAGE062
、风扇出口外涵道总压
Figure DEST_PATH_IMAGE063
、高压压气机进口总温
Figure 830364DEST_PATH_IMAGE064
、高压压气机出口总压
Figure DEST_PATH_IMAGE065
、油门杆角度
Figure 289027DEST_PATH_IMAGE066
、燃油流量
Figure DEST_PATH_IMAGE067
、低压涡轮后气体总压
Figure 5048DEST_PATH_IMAGE068
、低压涡轮后气体总温
Figure DEST_PATH_IMAGE069
、加力燃烧室供油压力
Figure 650793DEST_PATH_IMAGE070
、排气温度
Figure DEST_PATH_IMAGE071
、喷口截面直径
Figure 979137DEST_PATH_IMAGE072
、滑油供油压力
Figure DEST_PATH_IMAGE073
、滑油供油压差
Figure 167673DEST_PATH_IMAGE074
、航空发动机推力
Figure DEST_PATH_IMAGE075
等参数，按测量部件和系统进行聚类。
例如，发动机进口总温
Figure 805328DEST_PATH_IMAGE056
、发动机进口总压
Figure 712935DEST_PATH_IMAGE057
为进气道测量参数，高压压气机导叶角度
Figure 235183DEST_PATH_IMAGE061
、高压压气机进口总温
Figure 668439DEST_PATH_IMAGE064
、高压压气机出口总压
Figure 883520DEST_PATH_IMAGE065
为压气机测量参数，油门杆角度
Figure 644802DEST_PATH_IMAGE066
、燃油流量
Figure 111687DEST_PATH_IMAGE067
为燃烧室测量参数，低压涡轮后气体总压
Figure 274815DEST_PATH_IMAGE068
、低压涡轮后气体总温
Figure 519851DEST_PATH_IMAGE069
为低压涡轮测量参数，等等。
步骤S02：根据建立模型的目标参数，对上述步骤S01的聚类参数进行特征选取，过滤每个分类中的冗余聚类参数。针对实时推力性能参数预估的参数一方面需要保证输入特征为试车试验和实际飞行中均被测量的参数，而目标特征仅为试车试验测量参数，另一方面输入特征与目标特征隐含物理关系，且被航空发动机部件性能衰退而影响。部件选取进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、喷管，系统选取滑油系统、控制系统、空气系统。
上述步骤S01得到的参数中，选取结果如下：试车试验和实际飞行中均被测量的环境参数有发动机进口总温
Figure 34009DEST_PATH_IMAGE056
、发动机进口总压
Figure 271961DEST_PATH_IMAGE057
；控制参数有发动机低压转子转速
Figure 555175DEST_PATH_IMAGE058
、发动机高压转子转速
Figure 112059DEST_PATH_IMAGE059
、风扇进口导叶角度
Figure 972567DEST_PATH_IMAGE060
、高压压气机导叶角度
Figure 640309DEST_PATH_IMAGE061
、燃油流量
Figure 653395DEST_PATH_IMAGE067
、油门杆角度
Figure 381180DEST_PATH_IMAGE066
、喷口截面直径
Figure 604351DEST_PATH_IMAGE072
；性能参数有风扇内涵出口总温
Figure 200417DEST_PATH_IMAGE076
、风扇内涵出口总压
Figure 458223DEST_PATH_IMAGE062
、压气机出口总压
Figure 465231DEST_PATH_IMAGE065
、排气温度
Figure 175698DEST_PATH_IMAGE071
等。仅有试车试验测量而实际飞行中不测量的性能参数筛选为航空发动机推力
Figure 450822DEST_PATH_IMAGE075
。
步骤S03：利用上述步骤S02中筛选的各部件和系统输入数据，建立对应的部件和系统子网络。各部件网络模型采用双向的长短期记忆循环神经网络（Bidirectional longshort-term neural network, Bi-LSTM），其中LSTM神经网络单元数由每个参数的聚类中参数的数目决定，例如发动机进口聚类有2个参数，则此数目为2。序列长度等于部件参数、系统参数数目之和，特征维度固定为1。参数输入的示意图如图4所示。
步骤S04：将上述步骤S03中构建的部件子网络参照航空发动机主流流经部件的次序进行排列，形成网络层的主干结构。动机系统对应的子网络以系统与主流部件的关联关系为参照插入至主干结构中，各部件和系统子网络的连接关系如图5所示。部件和系统的各子网络的输入由两部分组成，一部分为该子网络连接的上游子网络抽象输出特征，另一部分为与该子网络对应实际物理结构的测量参数特征。
具体地，网络层的主干结构为多个子网络层，依次排列连接顺序为进气道训练网络层、风扇训练网络层、压气机训练网络层、燃烧室训练网络层、高压涡轮训练网络层、低压涡轮训练网络层、混合室训练网络层、喷管训练网络层。
如图5所示，进气道训练网络层为主干结构的第一个网络层，喷管训练网络层为主干结构的最后一个网络层，进气道训练网络层与喷管训练网络层间的各个网络层依次出入相接。即进气道训练网络层的输入为该实际物理结构的测量参数特征，进气道训练网络层输出端与风扇训练网络层输入端连接，风扇训练网络层输出端与压气机训练网络层输入端连接，压气机训练网络层输出端与燃烧室训练网络层输入端连接，燃烧室训练网络层输出端与高压涡轮训练网络层输入端连接，高压涡轮训练网络层输出端与低压涡轮训练网络层输入端连接，低压涡轮训练网络层输出端与混合室训练网络层输入端连接，混合室训练网络层输出端与喷管训练网络层输入端连接。
进一步的，控制系统训练网络层输入为该实际物理结构的测量参数特征，控制系统训练网络层输出端与滑油系统训练网络层输入端、喷管训练网络层输入端连接，滑油系统训练网络层输出端与风扇训练网络层、压气机训练网络层、燃烧室训练网络层、高压涡轮训练网络层、低压涡轮训练网络层的输入端连接。同时，外涵训练网络层输入为该实际物理结构的测量参数特征，且其输入端还与风扇训练网络层输出端连接，外涵训练网络层输出端与混合室训练网络层输入端连接。空气系统训练网络层输入端与压气机训练网络层输出端连接，空气系统训练网络层输出端分别与高压涡轮训练网络层、低压涡轮训练网络层的输入端连接。
步骤S05：在上述步骤S04中构建的航空发动机数字工程模型的最终输出端添加特征映射网络，特征映射网络使用全连接层，从而建立数字工程模型的抽象特征与航空发动机推力等性能参数之间的关系，形成部件系统级整机数字工程模型，如图6所示。
步骤S06：利用经过特征筛选后的航空发动机环境参数发动机进口总温
Figure 422189DEST_PATH_IMAGE077
、发动机进口总压
Figure 491776DEST_PATH_IMAGE078
，控制参数发动机低压转子转速
Figure 564905DEST_PATH_IMAGE079
、发动机高压转子转速
Figure 378141DEST_PATH_IMAGE080
、风扇进口导叶角度
Figure 469593DEST_PATH_IMAGE081
、高压压气机导叶角度
Figure 710082DEST_PATH_IMAGE082
、燃油流量
Figure 395141DEST_PATH_IMAGE083
、油门杆角度
Figure 120389DEST_PATH_IMAGE084
、喷口截面直径
Figure 207294DEST_PATH_IMAGE085
，与机载/试车均可测的性能参数风扇内涵出口总温
Figure 477738DEST_PATH_IMAGE086
、风扇内涵出口总压
Figure 384515DEST_PATH_IMAGE087
、压气机出口总压
Figure DEST_PATH_IMAGE088
、排气温度
Figure 149339DEST_PATH_IMAGE089
作为输入数据，机载不可测但试车可测的推力参数航空发动机推力
Figure DEST_PATH_IMAGE090
作为目标特征，训练步骤S05建立的基于数字工程的航空发动机实时推力预测模型。将筛选得到的航空发动机特征参数分为训练集、测试集和验证集，其中80%的样本数据作为训练集用于模型训练，剩余20%的数据量作为验证集以对训练过程的模型进行性能评估。
此外为了避免神经网络模型训练过程中损失函数被大量级的输入特征主导而忽视其他参数特征的学习，对数据进行归一化处理。该模型训练的损失函数选用均方误差（（Mean Square Error, MSE）：
Figure 684226DEST_PATH_IMAGE014
式（1）
式中，
Figure 266517DEST_PATH_IMAGE015
表示在单次训练过程中模型接收的样本数据，
Figure 926169DEST_PATH_IMAGE016
是单次训练过程中输入样本的总数，
Figure 999079DEST_PATH_IMAGE017
是样本数据对应的目标特征数据，
Figure 794996DEST_PATH_IMAGE018
表示模型训练过程的输出数据。
模型评估的性能指标则采用峰值相对误差（Maximum relative deviation, MRD）和平均相对误差（Average relative deviation, ARD）进行衡量：
Figure 672823DEST_PATH_IMAGE019
式（2）
Figure 554191DEST_PATH_IMAGE020
式（3）
Figure 926398DEST_PATH_IMAGE021
式（4）
式中，
Figure 842401DEST_PATH_IMAGE022
为第
Figure 766495DEST_PATH_IMAGE023
样本点的相对误差值，
Figure 259793DEST_PATH_IMAGE024
为第
Figure 560324DEST_PATH_IMAGE023
样本点输入模型后预估的推力，
Figure 439156DEST_PATH_IMAGE025
为第
Figure 534151DEST_PATH_IMAGE023
样本点的推力数据，
Figure 390112DEST_PATH_IMAGE016
表示样本点总数。
步骤S07：利用经过特征筛选后的航空发动机环境参数发动机进口总温
Figure 353389DEST_PATH_IMAGE056
、发动机进口总压
Figure 978405DEST_PATH_IMAGE057
，控制参数发动机低压转子转速
Figure 385247DEST_PATH_IMAGE058
、发动机高压转子转速
Figure 462924DEST_PATH_IMAGE059
、风扇进口导叶角度
Figure 964313DEST_PATH_IMAGE060
、高压压气机导叶角度
Figure 709415DEST_PATH_IMAGE061
、燃油流量
Figure 146212DEST_PATH_IMAGE067
、油门杆角度
Figure 85087DEST_PATH_IMAGE066
、喷口截面直径
Figure 531112DEST_PATH_IMAGE072
，作为输入数据，机载不可测但试车可测的推力参数航空发动机推力
Figure 255354DEST_PATH_IMAGE075
作为目标特征，训练前述步骤建立的航空发动机数字工程模型得到航空发动机基准推力预测模型。该模型的模型参数设置与步骤S06完全相同。
步骤S08：利用上述步骤S06建立的基于数字工程的航空发动机推力预测模型，将发动机机载环境参数、控制参数和性能参数的实时测量参数输入预测模型，得到发动机实时推力的预测值
Figure DEST_PATH_IMAGE091
。
步骤S09：利用上述步骤S07建立的基于数字工程的航空发动机推力预测模型，将发动机机载环境参数、控制参数的实时测量参数输入预测模型，得到发动机基准推力的预测值
Figure 597474DEST_PATH_IMAGE092
。
步骤S10：利用航空发动机试验参数对基于前述模型得到的航空发动机基准推力值
Figure 259531DEST_PATH_IMAGE092
与实时推力值
Figure 509246DEST_PATH_IMAGE091
进行校验，判断其是否满足精度要求。对于处于试验状态的航空发动机，其性能尚未有明显衰退，因此预测得到的航空发动机基准推力值
Figure 87995DEST_PATH_IMAGE092
与实时推力值
Figure 866595DEST_PATH_IMAGE091
应基本相同，且都能准确预测试验发动机推力性能。即判断
Figure 406161DEST_PATH_IMAGE094
式（5）
Figure 302311DEST_PATH_IMAGE096
式（6）
Figure 610932DEST_PATH_IMAGE098
式（7）
其中F为校验数据中试验测量的航空发动机真实推力，
Figure DEST_PATH_IMAGE099
为推力预警允许的精度误差，建议取1%作为最大允许误差。
若三者误差均满足精度要求，则证明上述步骤S06、步骤S07训练的得到的航空发动机实时推力预测模型与航空发动机基准推力预测模型准确可靠，满足预警要求。若三者误差大于精度要求，则对航空发动机数字模型架构中的训练参数进行调整，直至模型精度满足预警要求。网络调整内容属于人工智能领域的常见方法，故在此不过多赘述。
步骤S11：将上述步骤S10得到的可靠模型部署于机载健康管理系统，将发动机机载实时测量参数输入模型预测得到的航空发动机实时推
Figure 419488DEST_PATH_IMAGE091
力与基准推力
Figure 321716DEST_PATH_IMAGE092
，并对比得到基于随性能衰退变化的航空发动机实时推力与不随性能衰退变化的航空发动机基准推力的相对差值，给出推力下降参考为：
Figure DEST_PATH_IMAGE101
由于飞行器在不同飞行工况下，对发动机推力性能要求各不相同，根据飞行器不同工况要求得到其最大允许衰退警戒阈值
Figure 116497DEST_PATH_IMAGE102
。若
Figure DEST_PATH_IMAGE103
则立刻向飞行员给出实时发动机推力不足告警；若
Figure 404259DEST_PATH_IMAGE104
，则进行存储记录，为发动机后勤维护提供重要参考，当本架次航空发动机实时推力衰退
Figure DEST_PATH_IMAGE105
小于安全裕度
Figure 384983DEST_PATH_IMAGE106
时，则提前对其进行必要的后勤维护，从而避免因推力衰退导致的严重事故。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种用于航空发动机的智能推力预测方法，其特征在于：包括以下步骤，
S01、根据航空发动机结构，对航空发动机的试验参数特征按测量部件和系统进行聚类；
S02、根据推力预测模型的目标参数，对所述聚类参数进行特征选取，过滤每个分类中冗余类参数；
S03、对选取的各个部件和系统建立各自相对应的部件和系统子网络；
S04、根据航空发动机实际工作匹配关系连接所述部件和系统子网络；
S05、在航空发动机数字工程模型最终输出端添加特征映射网络；
S06、利用航空发动机试验过程产生的试验数据对网络模型进行训练，得到航空发动机实时推力预测模型；
S07、利用航空发动机试验过程产生的试验数据对网络模型进行训练，得到航空发动机基准推力预测模型。
2.根据权利要求1所述的一种用于航空发动机的智能推力预测方法，其特征在于：所述步骤S01中，所述测量部件包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、喷管；所述测量系统包括滑油系统、控制系统、空气系统、附件系统。
3.根据权利要求2所述的一种用于航空发动机的智能推力预测方法，其特征在于：所述步骤S02中的目标参数为发动机推力，所述特征参数包括环境参数、控制参数和性能参数；
所述环境参数包括发动机进口总温
Figure DEST_PATH_IMAGE001
、发动机进口总压
Figure 489076DEST_PATH_IMAGE002
；
所述控制参数包括发动机低压转子转速
Figure DEST_PATH_IMAGE003
、发动机高压转子转速
Figure 926749DEST_PATH_IMAGE004
、风扇进口导叶角度
Figure DEST_PATH_IMAGE005
、高压压气机导叶角度
Figure 797753DEST_PATH_IMAGE006
、燃油流量
Figure DEST_PATH_IMAGE007
、油门杆角度
Figure 404315DEST_PATH_IMAGE008
、喷口截面直径
Figure DEST_PATH_IMAGE009
；
所述性能参数包括风扇内涵出口总温
Figure 958531DEST_PATH_IMAGE010
、风扇内涵出口总压
Figure DEST_PATH_IMAGE011
、压气机出口总压
Figure 916122DEST_PATH_IMAGE012
、排气温度
Figure DEST_PATH_IMAGE013
。
4.根据权利要求3所述的一种用于航空发动机的智能推力预测方法，其特征在于：所述步骤S04中，将各个所述部件子网络按航空发动机主流流经部件的次序进行排列，形成网络层的主干结构，依次排列为进气道训练网络层、风扇训练网络层、压气机训练网络层、燃烧室训练网络层、高压涡轮训练网络层、低压涡轮训练网络层、混合室训练网络层、喷管训练网络层；
各个所述系统子网络以系统与主流部件的关联关系为参照，插入所述主干结构中；
所述部件和系统各子网络的输入包括与当前子网络对应实际物理结构的测量参数特征、与当前子网络连接的上游子网络的输出特征。
5.根据权利要求4所述的一种用于航空发动机的智能推力预测方法，其特征在于：所述步骤S06中，所述网络模型训练的损失函数采用均方误差MSE：
Figure 856396DEST_PATH_IMAGE014
式（1）
式（1）中，
Figure DEST_PATH_IMAGE015
为在单次训练过程中模型接收的样本数据，
Figure 544561DEST_PATH_IMAGE016
为单次训练过程中输入样本的总数，
Figure DEST_PATH_IMAGE017
为样本数据对应的目标特征数据，
Figure 646510DEST_PATH_IMAGE018
为模型训练过程的输出数据；
和/或，所述网络模型评估的性能指标采用峰值相对误差MRD和平均相对误差ARD：
Figure DEST_PATH_IMAGE019
式（2）
Figure 684873DEST_PATH_IMAGE020
式（3）
Figure DEST_PATH_IMAGE021
式（4）
式（2）-（4）中，
Figure 163259DEST_PATH_IMAGE022
为第
Figure DEST_PATH_IMAGE023
样本点的相对误差值，
Figure 213254DEST_PATH_IMAGE024
为第
Figure 719060DEST_PATH_IMAGE023
样本点输入模型后预估的推力，
Figure DEST_PATH_IMAGE025
为第
Figure 900511DEST_PATH_IMAGE023
样本点的推力数据，
Figure 917009DEST_PATH_IMAGE016
表示样本点总数。
6.一种用于航空发动机的智能推力实时预警方法，其特征在于：包括如权利要求1-5任意一项所述的智能推力预测方法中的步骤S01- S07，还包括以下步骤，
S08、将航空发动机机载实时测量参数输入实时推力预测模型，得到发动机实时推力预测值
Figure 821511DEST_PATH_IMAGE026
；
S09、将航空发动机机载实时测量参数输入基准推力预测模型，得到发动机基准推力预测值
Figure DEST_PATH_IMAGE027
；
S10、利用航空发动机试验参数，对发动机实时推力预测值、基准推力预测值进行检验，判断是否满足精度要求；
S11、利用所述步骤S10中校验后的实时推力预测模型、基准推力预测模型，分别得到实时飞行状态下的实时推力预测值和基准推力预测值，计算实时推力预测值和基准推力预测值的偏差值
Figure 29376DEST_PATH_IMAGE028
，并与工况要求下的推力衰退警戒阈值对比，判断是否发出预警指示。
7.根据权利要求6所述的一种用于航空发动机的智能推力实时预警方法，其特征在于：所述步骤S10中，
Figure 245594DEST_PATH_IMAGE030
； 式（5）
Figure 659257DEST_PATH_IMAGE032
； 式（6）
Figure 418266DEST_PATH_IMAGE034
； 式（7）
式中，所述F为检验数据中试验测量的航空发动机真实推力，
Figure DEST_PATH_IMAGE035
为推力预警允许的精度误差；
若式（5）-（7）均成立，则所述步骤S06得到的实时推力预测模型、步骤S07得到的基准推力预测模型满足预警要求；
若式（5）-（7）任一项不成立，则对实时推力预测模型、基准推力预测模型中的训练参数进行调整，直至式（5）-（7）均成立。
8.根据权利要求7所述的一种用于航空发动机的智能推力实时预警方法，其特征在于：所述步骤S11中，
Figure 32918DEST_PATH_IMAGE036
式（8）
若
Figure DEST_PATH_IMAGE037
，则发出发动机实时推力不足警告；
若
Figure 408536DEST_PATH_IMAGE038
，则进行储存记录；
Figure DEST_PATH_IMAGE039
为最大允许衰退警戒阈值；
和/或，若实时推力衰退
Figure DEST_PATH_IMAGE041
小于安全裕度允许的推力衰退
Figure 802389DEST_PATH_IMAGE042
，则对航空发动机进行维护。
9.一种电子设备，其特征在于：包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述一种用于航空发动机的智能推力预测方法，或者实现如权利要求6-8任一项所述一种用于航空发动机的智能推力实时预警方法。
10.一种计算机可读介质，所述可读介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述一种用于航空发动机的智能推力预测方法，或者实现如权利要求6-8任一项所述一种用于航空发动机的智能推力实时预警方法。
CN202211631498.2A 2022-12-19 2022-12-19 一种用于航空发动机的智能推力预测及实时预警方法 Pending CN115688609A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211631498.2A CN115688609A (zh) 2022-12-19 2022-12-19 一种用于航空发动机的智能推力预测及实时预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211631498.2A CN115688609A (zh) 2022-12-19 2022-12-19 一种用于航空发动机的智能推力预测及实时预警方法

Publications (1)

Publication Number Publication Date
CN115688609A true CN115688609A (zh) 2023-02-03

Family

ID=85055241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211631498.2A Pending CN115688609A (zh) 2022-12-19 2022-12-19 一种用于航空发动机的智能推力预测及实时预警方法

Country Status (1)

Country Link
CN (1) CN115688609A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150919A (zh) * 2023-04-23 2023-05-23 中国航发四川燃气涡轮研究院 一种基于故障假设的气路故障诊断方法
CN117291094A (zh) * 2023-09-14 2023-12-26 成都飞机工业（集团）有限责任公司 基于关联参数映射的无人机动力系统参数异常检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150919A (zh) * 2023-04-23 2023-05-23 中国航发四川燃气涡轮研究院 一种基于故障假设的气路故障诊断方法
CN116150919B (zh) * 2023-04-23 2023-06-30 中国航发四川燃气涡轮研究院 一种基于故障假设的气路故障诊断方法
CN117291094A (zh) * 2023-09-14 2023-12-26 成都飞机工业（集团）有限责任公司 基于关联参数映射的无人机动力系统参数异常检测方法

Similar Documents

Publication Publication Date Title
CN115688609A (zh) 一种用于航空发动机的智能推力预测及实时预警方法
CN106503746B (zh) 一种基于性能偏移量的航空发动机故障诊断方法
JP5156210B2 (ja) ガスタービンエンジン構成要素品質のモデルベース反復推定
CN100458122C (zh) 用于评定燃气轮机损伤的方法和装置
US8793004B2 (en) Virtual sensor system and method for generating output parameters
CN116227079A (zh) 用以改善涡轮发动机的操作的设备、方法和存储介质
CN106094570B (zh) 一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法
CN103983453A (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN106055770A (zh) 一种基于滑模理论的航空发动机气路故障诊断方法
CN111474919B (zh) 基于aann网络组的航空发动机控制系统传感器故障诊断方法
CN102855349A (zh) 航空发动机气路故障诊断的快速原型设计方法及平台
CN110647052B (zh) 一种变循环发动机模式切换自适应身份证模型构建方法
JP5845705B2 (ja) ガスタービン性能推定装置
Zhou et al. Fault diagnosis based on relevance vector machine for fuel regulator of aircraft engine
CN111382500B (zh) 一种航空发动机涡轮增压系统的安全性分析验证方法
Pan et al. A model of fuel consumption estimation and abnormality detection based on airplane flight data analysis
Kumar et al. Model-based fault tolerant control
CN110362065B (zh) 一种航空发动机防喘控制系统的状态诊断方法
Ibrahem et al. An ensemble of recurrent neural networks for real time performance modelling of three-spool aero-derivative gas turbine engine
Aretakis et al. Turbofan engine health assessment from flight data
Liu et al. A novel performance prediction method for gas turbines using the prophet model
CN112733872A (zh) 基于动态半径支持向量数据描述的航空发动机故障检测方法
Li et al. Analysis of Common Fault Diagnosis Methods for Aeroengine
He et al. Research on fault diagnosis of thermodynamic system based on the network model of internet of things
Chen et al. Prediction Model of Working Hours of Cooling Turbine of Jet Engine with Back-propagation Neural Network.

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