CN115993246A - 一种发动机的数据丰富方法、装置及电子设备 - Google Patents

一种发动机的数据丰富方法、装置及电子设备 Download PDF

Info

Publication number
CN115993246A
CN115993246A CN202211479043.3A CN202211479043A CN115993246A CN 115993246 A CN115993246 A CN 115993246A CN 202211479043 A CN202211479043 A CN 202211479043A CN 115993246 A CN115993246 A CN 115993246A
Authority
CN
China
Prior art keywords
parameters
test
data
physical quantity
unknown
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
CN202211479043.3A
Other languages
English (en)
Inventor
徐全勇
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211479043.3A priority Critical patent/CN115993246A/zh
Publication of CN115993246A publication Critical patent/CN115993246A/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

  • Testing Of Engines (AREA)

Abstract

本申请实施例公开了一种发动机的数据丰富方法、装置及电子设备。本申请可以在获得目标发动机的历史试验数据之后，将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的目标试验数据，该目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数，可以在不对目标发动机的历史试验进行复现的情况下，快速获得在历史试验对应的历史工况下目标发动机未测取的数据，且该方法适用于任意型号的发动机。

Description

一种发动机的数据丰富方法、装置及电子设备
技术领域
本申请涉及机器学习领域，特别涉及一种发动机的数据丰富方法、装置及电子设备。
背景技术
在航空发动机整机试验中，为了更进一步地了解发动机的优势、缺陷等，需要对不同发动机的试验数据进行比较，但是由于不同试验中设置的试验测取数据不同，往往会导致发动机之间的试验数据难以比较。比如试验1中测取了发动机A的高压涡轮后温度，但试验2中未测取发动机B的高压涡轮后温度，那么发动机A和发动机B就无法就高低压涡轮的功率分配情况进行横向对比，再比如试验1中还测取了发动机A的压气机后总压，但试验2中只测取了发动机B的压气机后静压，两者参数本就不同，无法进行直接对标。
如果通过试验复现重新设置试验测取数据，由于以上发动机的试验数据一般为历史试验数据，试验复现繁琐耗时，且容易出错，而且由于发动机的试验比较复杂，也很难再次进行试验复现。
发明内容
本申请公开了一种发动机的数据丰富方法、装置及电子设备，以基于发动机在历史试验中的历史试验数据，通过数据丰富模型得到发动机在历史试验中未测取的试验数据。
根据本申请实施例的第一方面，提供一种发动机的数据丰富方法，所述方法包括：
获得目标发动机的历史试验数据；所述历史试验数据包括历史试验工况和历史试验参数，所述历史试验参数是在历史试验中对目标发动机在历史试验工况下的指定参数进行测取得到的；
将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的M个目标试验数据；所述M个目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数。
可选地，所述数据丰富模型是通过对多个热力循环模型进行训练得到的；所述M个目标试验数据为所述数据丰富模型中待计算的M个试验物理量的结果；
所述多个热力循环模型包括：用于确定各试验物理量对应的M个敏感参数的第一热力循环模型；所述敏感参数为用于计算各试验物理量的未知参数；
和/或，
用于修正所述敏感参数的第二热力循环模型；
和/或，
用于确定剩余未知参数的第三热力循环模型；所述剩余未知参数为用于计算各试验物理量的未知参数中除敏感参数之外的参数。
可选地，所述第一热力循环模型确定各试验物理量对应的M个敏感参数的步骤包括：
确定所述第一热力循环模型的输入参数，所述输入参数包括目标发动机的已知参数和X个未知参数；
设置所述X个未知参数的取值为典型估计值，将所述已知参数和X个未知参数输入至所述第一热力循环模型中，得到所述M个试验物理量对应的试验物理量结果；
针对每一未知参数，按照预设的扰动算法改动该未知参数，将改动后的该未知参数和未改动的其他未知参数、以及所述已知参数输入至所述第一热力循环模型，得到所述M个试验物理量针对该未知参数的改动产生的响应结果；
基于各个试验物理量在每一未知参数改动的情况下产生的响应结果，从所述未知参数中确定各个试验物理量对应的M个敏感参数；所述X大于M。
可选地，所述第二热力循环模型修正所述敏感参数的步骤包括：
获得用于修正所述敏感参数的基准数据；所述基准数据是通过对目标发动机在指定工况下进行测取得到的M个实测试验物理量样本；
将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中，以得到所述M个试验物理量对应的当前试验物理量结果；
计算所述当前试验物理量结果与所述基准数据之间的偏差；
若所述偏差大于预设偏差阈值，则基于所述偏差修正所述X个未知参数中的敏感参数，确定所述敏感参数当前的估计值为修正后的数值，返回将所述已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤；
若所述偏差不大于预设偏差阈值，则确定当前得到的敏感参数为训练好的敏感参数，停止运行所述第二热力循环模型。
可选地，所述第三热力循环模型确定剩余未知参数的步骤包括：
获得预先设置的多个训练数据；所述训练数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量训练样本，不同训练数据对应的工况不同；
利用所述第二热力循环模型最终输出的指定发动机物理量结果、以及预设的马赫数计算出目标发动机的每个截面等效流通面积；
针对每一训练数据，将所述截面等效流通面积以及训练好的敏感参数、及取值为估计值的剩余未知参数、和该训练数据对应的工况信息输入至第三热力循环模型中，得到该训练数据在对应的工况下的关键截面参数；
利用基于所述关键截面参数计算出每一训练数据在对应的工况下的试验物理量结果，根据每一训练数据对应的试验物理量结果和实测试验物理量训练样本之间的差异得到第一整体平均匹配度指标；
判断所述第一整体平均匹配度指标是否小于预设偏差限对应匹配度，若是，则将当前剩余未知参数确定为训练好的剩余未知参数；
若否，则根据预设的优化算法对所述剩余未知参数进行优化，确定所述剩余未知参数当前的估计值为优化后的数值，返回将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
可选地，所述数据丰富模型的训练过程还包括：
获得预先设置的与训练数据不同的多个验证数据；所述验证数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量验证样本，不同验证数据对应的工况不同；
针对每一验证数据，将所述已知参数、训练好的敏感参数、训练好的剩余未知参数、以及该验证数据对应的工况信息输入至第一热力循环模型中，以得到每一验证数据在对应的工况下的试验物理量结果；
根据每一验证数据对应的试验物理量结果和实测试验物理量验证样本之间的差异得到第二整体平均匹配度指标，判断所述第二整体平均匹配度指标是否大于预设偏差限则终值；
若是，则确定当前已知参数为训练好的参数，将包括当前的已知参数、所述训练好的敏感参数和训练好的剩余未知参数的第一热力循环模型确定为训练好的数据丰富模型；
若否，则根据按照预设的调整算法对所述已知参数进行调整，确定调整后的已知参数为当前的已知参数，返回将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
可选地，所述工况信息包括：发动机距离地面的高度、发动机的马赫数最小和发动机的油门杆角度中的至少一个；
所述基准数据是从已获得的多组不同工况下的实测试验物理量样本中，按照高度最小、和/或马赫数最小、和/或油门杆角度最大的原则选择出的指定工况对应的实测试验物理量样本。
可选地，所述发动机的已知信息为发动机的说明书中携带的信息。
根据本申请实施例的第二方面，提供一种发动机的数据丰富装置，所述装置包括：
获得单元，用于获得目标发动机的历史试验数据；所述历史试验数据包括历史试验工况和历史试验参数，所述历史试验参数是在历史试验中对目标发动机在历史试验工况下的指定参数进行测取得到的；
数据丰富单元，用于将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的M个目标试验数据；所述M个目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数。
根据本申请实施例的第三方面，提供一种电子设备，所述电子设备包括：存储器和处理器；
其中，所述存储器，用于存储机器可执行指令；
所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如上所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
由以上技术方案可知，本申请提供的方案可以在获得目标发动机的历史试验数据之后，将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的目标试验数据，该目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数，可以在不对目标发动机的历史试验进行复现的情况下，快速获得在历史试验对应的历史工况下目标发动机未测取的数据，且该方法适用于任意型号的发动机。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1为本申请实施例提供的一种发动机的数据丰富方法的流程图；
图2为本申请实施例提供的一种第一热力循环模型确定各试验物理量对应的M个敏感参数的流程图；
图3为本申请实施例提供的一种第二热力循环模型修正所述敏感参数的流程图；
图4为本申请实施例提供的一种第三热力循环模型确定剩余未知参数的流程图；
图5为本申请实施例提供的一种调整已知参数的流程图；
图6为本申请实施例提供的一种发动机的数据丰富装置的示意框图；
图7为本申请实施例提供的一种电子设备的示意图。
具体实施方式
为了使本领域技术人员更好地理解本申请实施例提供的技术方案，并使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例提供的方法实施例进行描述。
请参见图1，图1提供了一种发动机的数据丰富方法的方法流程图。作为一个实施例，该方法可以用于如PC、服务器等的电子设备。
如图1所示，该方法包括以下步骤：
步骤101，获得目标发动机的历史试验数据。
在本实施例中，目标发动机的历史试验数据包括历史试验工况和历史试验参数。其中，历史试验工况是指目标发动机在历史实验中被配置的条件参数，比如目标发动机在历史实验中被配置的发动机距离地面的高度、发动机的马赫数最小和发动机的油门杆角度等。
步骤102，将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的M个目标试验数据；所述M个目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数。
至此，完成对图1的描述。
通过上述实施例公开的方法，可以在获得目标发动机的历史试验数据之后，将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的目标试验数据，该目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数，可以在不对目标发动机的历史试验进行复现的情况下，快速获得在历史试验对应的历史工况下目标发动机未测取的数据，且该方法适用于任意型号的发动机。
下面对步骤102中公开的数据丰富模型的训练方法进行详述：
作为一个实施例，步骤102中的数据丰富模型可以是通过对多个热力循环模型进行训练得到的。其中，步骤102中输出的M个目标试验数据为所述数据丰富模型中待计算的M个试验物理量的结果。
具体地，本实施例中用于训练出数据丰富模型的多个热力循环模型包括：用于确定各试验物理量对应的M个敏感参数的第一热力循环模型；所述敏感参数为用于计算各试验物理量的未知参数；和/或，用于修正所述敏感参数的第二热力循环模型；和/或，用于确定剩余未知参数的第三热力循环模型；所述剩余未知参数为用于计算各试验物理量的未知参数中除敏感参数之外的参数。
在本实施例中，第一热力循环模型、第二热力循环模型、第三热力循环模型采用同一发动机性能程序，以及本实施例中的发动机性能程序可以采用任意发动机性能程序，本申请对此并不限定。
为了进一步对数据丰富模型的训练方法的具体过程进行描述，下面结合图2对上述第一热力循环模型确定各试验物理量对应的M个敏感参数的过程进行详述：
如图2所示，包括以下步骤：
步骤201，确定所述第一热力循环模型的输入参数，所述输入参数包括目标发动机的已知参数和X个未知参数。
首先，为了使第一热力循环模型运行起来，本申请实施例需要查找第一热力循环模型的输入参数，其中输入参数的一部分可以根据目标发动机的说明书查找到记载在说明书里的已知参数(比如说明书里记载的发动机的空气流量、大致压比、T4温度(即涡轮出口温度)等基本信息)，输入参数中的剩余部分则为未知参数(比如发动机中压气机、燃烧室、涡轮等各个部件的未知参数)。为了便于描述，本实施例中将X个未知参数记为{p1，p2，…px}，下文中{p1，p2，…px}都表示X个未知参数。
步骤202，设置所述X个未知参数的取值为典型估计值，将所述已知参数和X个未知参数输入至所述第一热力循环模型中，得到所述M个试验物理量对应的试验物理量结果。
作为一个实施例，步骤202中典型估计值是指上述的X个未知参数在试验中出现次数最多的值。
需要说明的是，步骤202中将所述已知参数和X个未知参数输入至所述第一热力循环模型中之后，第一热力循环模型基于输入参数输出的发动机物理量结果一般是多于本申请中需要丰富的试验物理量，所以本实施例中在获取到第一热力循环模型输出的发动机物理量结果之后，需要通过求取输出的发动机物理量与预设的试验物理量之间的交集，得到M个试验物理量对应的试验物理量结果。
比如第一热力循环模型的输入为{已知信息，{p1，p2，…px}}，最终输出的发动机物理量结果为{C1，C2，......CM，........CQ}，而预设的试验物理量为{T1，T2，......TM}，Q大于等于M，则本实施例中最终获得的试验物理量结果为{C1，C2，......CM}。
步骤203，针对每一未知参数，按照预设的扰动算法改动该未知参数，将改动后的该未知参数和未改动的其他未知参数、以及所述已知参数输入至所述第一热力循环模型，得到所述M个试验物理量针对该未知参数的改动产生的响应结果。
作为一个实施例，每一试验物理量针对该未知参数的改动产生的响应结果位：该未知参数的改动前后产生的试验物理量的差值绝对值与该未知参数的改动之前产生的试验物理量的比值。假设一个未知参数p1的改动为δ，在该未知参数改动后，本申请实施例将{已知信息，{p1+δ，p2，…px}}输入第一热力循环模型，得到的试验物理量结果为{C1’，C2’，......CM’}，则第一个试验物理量针对该未知参数p1的改动产生的响应结果1-1＝绝对值((试验物理量C1’-试验物理量C1)/试验物理量C1)％，以此类推逐个记录未知参数p1与试验物理量的响应结果。其中，本实施例中可以采用如表1的表格对得到的相应结果进行记录：
表1
未知参数p1 未知参数p2 未知参数p3 ……
试验物理量1 响应1-1 响应1-2 响应1-3 ……
试验物理量2 响应2-1 响应2-2 响应2-3 ……
…… …… …… …… ……
试验物理量M 响应M-1 响应M-2 响应M-3 ……
需要说明的是，本实施例中针对每一个未知参数的改动都是以步骤202中的输入为基准，计算试验物理量针对该未知参数的改动产生的响应结果都是以步骤202中的输出为基准。
步骤204，基于各个试验物理量在每一未知参数改动的情况下产生的响应结果，从所述未知参数中确定各个试验物理量对应的M个敏感参数。
作为一个实施例，确定任意M个未知参数为敏感参数，针对每一敏感参数将M个试验物理量针对该敏感参数产生的响应结果按照从高到底的顺序进行排序，将每一敏感参数的最高响应结果对应的试验物理量确定为与敏感参数匹配对应的试验物理量。
其中，若存在两个以上(包括两个)的敏感参数的最高的响应结果对应的试验物理量相同，则选取其中较高的最高响应结果对应的敏感参数作为该试验物理量对应的敏感参数。对于未被选取的其他敏感参数，从其他敏感参数对应的响应结果中排除最高的响应结果，确定其他敏感参数对应的剩余响应结果中最高的响应结果对应的试验物理量确定为与敏感参数匹配对应的试验物理量。如果再次存在两个以上(包括两个)的其他敏感参数对应的剩余响应结果中最高的响应结果对应的试验物理量，则重复以上从其他敏感参数对应的响应结果中排除最高的响应结果的步骤，直至找到每一敏感参数对应的试验物理量。
通过上述确定敏感参数的方法，最终可以得到如表2所示的M个试验物理量与对应的敏感参数的配对关系。
表2
配对关系 敏感参数 试验物理量
1 未知参数p1 试验物理量C3
2 未知参数p2 试验物理量C1
…… …… ……
M 未知参数pM 试验物理量CM
至此，完成图2所示的流程。通过图2所示的流程，可以通过第一热力循环模型确定各试验物理量对应的M个敏感参数。
下面结合图3对上述第二热力循环模型修正所述敏感参数的过程进行详述：
步骤301，获得用于修正所述敏感参数的基准数据。
在本实施例中，基准数据是通过对目标发动机在指定工况下进行测取得到的M个实测试验物理量样本。在一个实施例中，若上述工况信息包括：发动机距离地面的高度、发动机的马赫数最小和发动机的油门杆角度中的至少一个，则基准数据可以是从已获得的多组不同工况下的实测试验物理量样本中，按照高度最小、和/或马赫数最小、和/或油门杆角度最大的原则选择出的指定工况对应的实测试验物理量样本。在选择基准数据的原则中，高度、马赫数、油门杆角度的选择优先级依次降低，即如果存在两组数据，其中第一组数据的高度最小，马赫数并非最小，而第一组数据的高度并非最小，马赫数最小，则选取第一组数据为基准数据。
步骤302，将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中，以得到所述M个试验物理量对应的当前试验物理量结果。
在本实施例中，X个未知参数的初始估计值为上述典型设计值。
步骤303，计算所述当前试验物理量结果与所述基准数据之间的偏差。
示例性的，若当前试验物理量结果为{C1，C2，......CM}，基准数据为{T1，T2，......TM}，则当前试验物理量结果与所述基准数据之间的偏差为E＝{C1-T1，C2-T2，......，CM-TM}。
步骤304，若所述偏差大于预设偏差阈值，则基于所述偏差修正所述X个未知参数中的敏感参数，确定所述敏感参数当前的估计值为修正后的数值，返回将所述已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
作为一个实施例，如果偏差大于预设偏差阈值，则对所述M个敏感参数分别进行小范围扰动δ，得到每一敏感参数被扰动后对应的试验物理量，计算每一敏感参数被扰动后对应的试验物理量与基准数据之间的新偏差E’。基于新偏差与步骤302得到的偏差E分别与参数扰动量求偏微分，得到偏差修正矩阵，按照公式Δ参数＝偏差修正矩阵的逆矩阵*E计算得到敏感参数修正量Δ，基于敏感参数修正量Δ对上述敏感参数进行修正。其中，Δ参数可以采用公式1所示形式表示：
Figure BDA0003959648030000091
其中，δ1是对未知参数p1的参数扰动量，δM对未知参数pM的参数扰动量，E1是第一个试验物理量对未知参数的扰动的偏差，EM是第M个试验物理量对未知参数的扰动的偏差。
步骤305，若所述偏差不大于预设偏差阈值，则确定当前得到的敏感参数为训练好的敏感参数，停止运行所述第二热力循环模型。
示例性的，当偏差E趋于{0，0，…，0}时，确定当前得到的敏感参数为训练好的敏感参数，停止运行所述第二热力循环模型。
至此，完成图3所示的流程。通过图3所示的流程，可以对M个敏感参数进行修正。
下面结合图4对上述第二热力循环模型修正所述敏感参数的过程进行详述：
步骤401，获得预先设置的多个训练数据。
在本实施例中，所述训练数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量训练样本，不同训练数据对应的工况不同。
步骤402，利用所述第二热力循环模型最终输出的指定发动机物理量结果、以及预设的马赫数计算出目标发动机的每个截面等效流通面积。
基于第二热力循环模型与第一热力循环模型采用相同的发动机性能程序，本实施例中第二热力循环模型输出的发动机物理量结果实际上也包含Q个，从Q个发动机物理量结果中选择出计算截面等效流通面积时需要使用的参数，比如发动机的各截面压力P、温度T、流量W、密度ρ，比热比k，气体常数R等，作为指定发动机物理量结果。
作为一个实施例，计算出目标发动机的每个截面等效流通面积A可以使用如下公式2：
Figure BDA0003959648030000092
其中，Ma为马赫数。
步骤403，针对每一训练数据，将所述截面等效流通面积以及训练好的敏感参数、及取值为估计值的剩余未知参数、和该训练数据对应的工况信息输入至第三热力循环模型中，得到该训练数据在对应的工况下的关键截面参数。
在本实施例中，将经过图3所示流程最终中得到的敏感参数{p1，p2，…pM}的终值和步骤402中得到的各截面等效流通面积A、以及当前初始估计值为典型设计值的剩余未知参数、和该训练数据对应的工况信息作为第三热力循环模型已经确定的输入。
步骤404，利用基于所述关键截面参数计算出每一训练数据在对应的工况下的试验物理量结果，根据每一训练数据对应的试验物理量结果和实测试验物理量训练样本之间的差异得到第一整体平均匹配度指标。
具体地，基于每一训练数据对应的试验物理量结果和实测试验物理量训练样本之间的差异，通过公式(1-abs(试验物理量-实测试验物理量训练样本)/实测试验物理量训练样本)可以得到该训练数据对应的试验物理量结果和实测试验物理量训练样本之间的匹配度指标，然后针对每一训练数据得到的匹配度指标进行求和平均，即可得到第一整体平均匹配度指标。
步骤405，判断所述第一整体平均匹配度指标是否小于预设偏差限对应匹配度，若是，则将当前剩余未知参数确定为训练好的剩余未知参数。
步骤406，若否，则根据预设的优化算法对所述剩余未知参数进行优化，确定所述剩余未知参数当前的估计值为优化后的数值，返回上述步骤302。
作为一个实施例，本申请以第一整体平均匹配度指标的数值最高为图4所示流程训练优化的目标函数。采用预设优化算法对当前未标定的剩余未知参数(记为{PM+1，…px})进行不断优化，直至优化后的剩余未知参数{PM+1，…px}使第一整体平均匹配度指标小于预设偏差限对应匹配度(比如设置预设偏差限对应匹配度为Σ(1-(1％)))。其中，预设优化算法可以选择不依赖梯度的优化算法，本申请对此不做限定。
至此，完成图4所示的流程。通过图4所示的流程，可以对未知参数中(X-M)个剩余未知参数进行标定。
通过以上图2-图4所示流程，可以完成对第一热力循环模型的输入中的未知参数的标定。但是，虽然上述采用的已知参数是在发动机的说明书中记载的，但是由于发动机的制造、使用磨损等，容易使已知参数对应的数值发生改动，使得发动机的已知参数实际对应的数值并非说明书记载的数值，则已知参数也会影响发动机的试验物理量计算。为了消除已知参数对发动机的试验物理量计算带来的误差，优选的，本申请实施例提供了一种用于消除已知参数对发动机的试验物理量计算带来的误差的方法，如图5所示，包括如下步骤：
步骤501，获得预先设置的与训练数据不同的多个验证数据。
在本实施例中，所述验证数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量验证样本，不同验证数据对应的工况不同。
步骤502，针对每一验证数据，将所述已知参数、训练好的敏感参数、训练好的剩余未知参数、以及该验证数据对应的工况信息输入至第一热力循环模型中，以得到每一验证数据在对应的工况下的试验物理量结果。
步骤503，根据每一验证数据对应的试验物理量结果和实测试验物理量验证样本之间的差异得到第二整体平均匹配度指标，判断所述第二整体平均匹配度指标是否大于预设偏差限则终值。
作为一个实施例，可以基于每一验证数据对应的试验物理量结果和实测试验物理量验证样本之间的差异，通过公式(1-abs(试验物理量-实测试验物理量验证样本)/实测试验物理量验证样本)可以得到该验证数据对应的试验物理量结果和实测试验物理量验证样本之间的匹配度指标。然后针对每一验证数据得到的匹配度指标进行求和平均，即可得到第二整体平均匹配度指标。
步骤505，若是，则确定当前已知参数为训练好的参数，将包括当前的已知参数、所述训练好的敏感参数和训练好的剩余未知参数的第一热力循环模型确定为训练好的数据丰富模型。
步骤506，若否，则根据按照预设的调整算法对所述已知参数进行调整，确定调整后的已知参数为当前的已知参数，返回步骤302。
至此，完成图5所示的流程。通过图5所示的流程，可以对上述输入热力循环模型的已知参数进行调整，以提高数据丰富模型的精确度。
在通过图5所示流程验证数据丰富模型的工况精度合格后，以后以目标发动机的任意数据丰富工况需求作为输入，都可以进行数据丰富的目标试验数据的产出过程，并且得到的目标试验数据的精度与验证数据输入至数据丰富模型的精度相同。
需要说明的是，上述实施例中的基准数据、训练数据和验证数据可以通过以下方式获得：
收集目标发动机的试验数据并以试验数据点的形式进行组织。获取的试验数据包括不同高度、马赫数及油门杆角度下的发动机各截面气动热力参数(参数包括温度、压力、流量等)。然后将获取的试验数据以发动机试验数据点作为个体进行组织，其中高度、马赫数、油门杆角度构成了定义发动机试验数据点的三个条件维度。
然后将试验数据分为基准数据、训练数据、验证数据三类。由N个已知的试验数据点构成数据集，在以上数据集中按照预设的原则选取其中一个数据点作为基准数据，选取NT(比如NT的值一般取NT/N<60％)个数据点作为训练数据，选取剩下的N-NT-1个数据作为验证数据。其中基准数据的选取遵循高度最小、马赫数最小、油门杆角度最大的原则开展。
为了便于理解，下面以一个具体的实施例为例进行描述：
首先，下面先对数据丰富模型的训练过程进行举例详述：
在本实施例实施之前，首先需要获取如下表3中的10个已知的试验数据点，这10个试验数据点中的高度、马赫数、油门杆角度是不同的：
表3
Figure BDA0003959648030000111
Figure BDA0003959648030000121
基于基准数据的选取原则，将高度最小、马赫数最小、油门杆角度最大的试验数据点1确定为基准数据，然后将除试验点数据1的其他试验点数据随机划分为训练数据和验证数据。需要说明的是，当航空发动机的高度最小、马赫数最小、油门杆角度最大时，航空发动机一般位于在地面刚刚启动的飞机中。
需要说明的是，选取的试验点数据中的进气压力P2、进气温度T2、排气压力PAMB这三个参数为可以通过说明书中的数据计算出的已知参数，则可以确定本实施例中预设的试验物理量为空气流量W2、燃油流量WF、压气机后温度T3、内涵进口压力P21和外涵进口压力P13，以及预设的试验物理量的数量为5(即M为5)。
基于本实施例中待训练的数据丰富模型的输入包括发动机的已知参数(记载在发动机的说明书上的信息)和发动机的未知参数，发动机的未知参数还包括与试验物理量关联的敏感参数和不与试验物理量关联的剩余未知参数，则为了标定发动机的已知参数和发动机的未知参数，本实施例中分三部分分别对敏感参数、剩余未知参数和已知参数进行标定。
基于敏感参数是与试验物理量关联的，比容容易确定及标定，所以本实施例训练数据丰富模型时，首先通过第一热力循环模型f确定各试验物理量对应的敏感参数(其中第一热力循环模型f中的发动机性能程序可以任意已知的发动机性能程序，比如商业热力循环程序gasturb)：
步骤1-1，基于发动机的已知参数和第一热力循环模型f的输入参数，确定需要的X个未知参数。比如第一热力循环模型f的输入参数一共有30个，发动机的已知参数为空气流量、大致压比、T4温度，则还需要27个未知参数(即X＝27)。为了便于描述，以X＝27为例继续对实施例进行描述。
步骤1-2，将已知参数和X个未知参数输入第一热力循环模型f，其中X个未知参数可以采用试验中常用的典型估计值，得到第一热力循环模型f输出的Q个发动机物理量结果，从Q个发动机物理量结果中找到本实施例需要的5个试验物理量对应的试验物理量结果。
示例性的，本实施例中第一热力循环模型f的输入输出可以参见下表4：
表4
Figure BDA0003959648030000131
步骤1-3，将步骤1-1获得的试验物理量记为性能结果1，针对每一未知参数，按照预设的扰动算法改动该未知参数(比如未知参数的改动δ取该未知参数的合理变化范围的5％)，将改动后的该未知参数和未改动的其他未知参数、以及所述已知参数输入至所述第一热力循环模型，得到上述5个试验物理量针对该未知参数的改动产生的响应结果。
比如如表5对压气机效率p1改动0.007，基于改动后的p1和未改动的p2-p27，得到5个新的试验物理量结果，将5个新的试验物理量结果记为性能结果2，则每一试验物理量针对该p1的改动产生的响应结果的计算方式为：获得该试验物理量在性能结果2中的结果减去在性能结果1中的结果的差值，将该差值的绝对值与在性能结果1中的结果的比值确定为该试验物理量的响应结果。比如压气机后温度T3针对该p1的改动产生的响应结果为：((试验物理量C1’-试验物理量C1)的绝对值/试验物理量C1)％。
其中，表5如下表所示：
表5
Figure BDA0003959648030000141
基于以上响应结果的计算方式，可以得到每一试验物理量针对上述p1的改动产生的响应结果，进一步的，可以得到每一试验物理量针对不同未知参数的改动产生的响应结果。示例性的，最终得到的试验物理量针对不同未知参数的改动产生的各响应结果如下表6所示：
表6
Figure BDA0003959648030000142
步骤1-4，基于上述5个试验物理量在每一未知参数改动的情况下产生的响应结果，从所述未知参数中确定各个试验物理量对应的敏感参数。
在本实施例中，可以按照未知参数的顺序将前5个未知参数作为敏感参数，然后依据如表6中的响应结果确定敏感参数和各个试验物理量之间的对应关系。确定敏感参数和各个试验物理量之间的对应关系具体可以采用如下步骤：按照敏感参数的排列顺序依次确定敏感参数对应的试验物理量，针对每一敏感参数执行如下操作：针对每一敏感参数将5个试验物理量针对该敏感参数产生的响应结果按照从高到底的顺序进行排序，将每一敏感参数的最高响应结果对应的试验物理量确定为与敏感参数匹配对应的试验物理量。
其中，若存在两个以上(包括两个)的敏感参数的最高的响应结果对应的试验物理量相同，则选取其中较高的最高响应结果对应的敏感参数作为该试验物理量对应的敏感参数。对于未被选取的其他敏感参数，从其他敏感参数对应的响应结果中排除最高的响应结果，确定其他敏感参数对应的剩余响应结果中最高的响应结果对应的试验物理量确定为与敏感参数匹配对应的试验物理量。如果再次存在两个以上(包括两个)的其他敏感参数对应的剩余响应结果中最高的响应结果对应的试验物理量，则重复以上从其他敏感参数对应的响应结果中排除最高的响应结果的步骤，直至找到每一敏感参数对应的试验物理量。
比如，表6中未知参数p1对应的最高的响应结果为1.139134，则确定响应结果为1.139134对应的试验物理量C1对应的敏感参数为未知参数p1；未知参数p2对应的最高的响应结果为5.666667，则确定响应结果为5.666667对应的试验物理量C2对应的敏感参数为未知参数p2；未知参数p3对应的最高的响应结果为5.666667，则确定响应结果为5.666667对应的试验物理量C3对应的敏感参数为未知参数p3；未知参数p4和p5对应的最高的响应结果都与试验物理量C5对应，因此选取较高的响应结果3.28209(即未知参数p5对应的最高的响应结果)，确定响应结果为3.28209对应的试验物理量C5对应的敏感参数为未知参数p5；将未知参数p4对应的最高的响应结果排除，确定未知参数p4对应的剩余响应结果中最高的1.459808对应的试验物理量C4对应的敏感参数为未知参数p4。至此，得到敏感参数和5个试验物理量之间的配对关系，如表7所示：
表7
配对关系 敏感参数 试验物理量
1 压气机效率 压气机后温度
2 风扇内涵压比 内涵进口压力
3 风扇外涵压比 外涵进口压力
4 换算流量 空气流量
5 燃烧室出口温度 燃油流量
下面对通过第二热力循环模型对上述敏感参数进行标定的过程进行举例描述：
步骤2-1，将当前的已知参数和27个未知参数输入至所述第二热力循环模型中，以得到5个试验物理量对应的当前试验物理量结果。其中，27个未知参数的初始取值为典型设计值。
基于第二热力循环模型采用的发动机性能程序与第一热力循环模型采用的发动机性能程序相同，步骤2-1得到的当前试验物理量结果与表4中第一热力循环模型f的输出相同，得到的当前试验物理量结果为：试验物理量C1，试验物理量C2，…，试验物理量C5＝{47.335，0.52551，734.26，210.0，210.0}。如表8示出了步骤2-1中第二热力循环模型的输入输出数据：
表8
Figure BDA0003959648030000161
步骤2-2，计算基准数据中的实测试验物理量样本与当前试验物理量结果之间的偏差E。
比如，当前试验物理量结果为步骤2-1获得的当前试验物理量结果，则E＝{C1-T1，C2-T2，......，C5-T5}＝{734.26，210.0，210.0，47.335，0.52551}-{720.0，188.0，195.0，47.30，0.76，}＝{14.26，22，15，0.035，-0.23449}。其中基准数据中的实测试验物理量样本可参见表3。
步骤2-3，判断偏差E是否趋于{0，0，…，0}，若是，则确定当前得到的敏感参数即训练好的敏感参数，完成敏感参数的标定，否则，执行步骤2-4。
步骤2-4，若判断出偏差E并不趋于{0，0，…，0}，则对所述各个敏感参数分别进行小范围扰动，得到每一敏感参数被扰动后对应的试验物理量，计算每一敏感参数被扰动后对应的试验物理量与基准数据之间的新偏差E’。基于新偏差E’与步骤302得到的偏差E分别与参数扰动量求偏微分，得到偏差修正矩阵。
示例性的，如果对所述各个敏感参数分别进行小范围扰动时，各个敏感参数的扰动量和试验物理量与基准数据之间的新偏差E’如表9所示，表9记录了每一试验物理量在敏感参数被扰动的情况下的偏差：
表9
Figure BDA0003959648030000171
则根据公式1计算敏感参数修正量Δ可得：
Figure BDA0003959648030000172
步骤2-5，基于计算出的敏感参数修正量对敏感参数进行修正，基于包含修正后的敏感参数的27个未知参数和已知参数，返回步骤2-1进行迭代循环，直至步骤2-3中完成敏感参数的标定，停止运行第二热力循环模型。
本实施例在实际运行过程中，需要反复迭代多次，这里不再赘述。基于上面实施例中给出的各表中的数据，通过试验得到的敏感参数p1-p5最终标定的迭代终值为：0.8089、2.6857、2.7857、68.4490、1910.4471。
至此，完成通过第二热力循环模型对上述敏感参数进行标定。
下面对通过第三热力循环模型对上述剩余未知参数进行标定的过程进行举例描述：
基于通过第一热力循环模型f确定了敏感参数为未知参数p1-p5，则本实施例中，剩余未知参数为p6-p27。
步骤3-1，将第二热力循环模型最终输出的指定发动机物理量结果(包括发动机的各截面压力P、温度T、流量W、密度ρ，比热比k，气体常数R)、以及预设的马赫数输入公式2中，得到目标发动机的每个截面等效流通面积A。
其中，公式2为：
Figure BDA0003959648030000181
经试验，本实施例基于上表3-表9中各数据，得到的目标发动机的每个截面等效流通面积A如表10所示：
Figure BDA0003959648030000182
步骤3-2，针对表3中每一训练数据(共4个)，将所述截面等效流通面积以及训练好的敏感参数、及剩余未知参数、和该训练数据对应的工况信息输入至第三热力循环模型中，得到该训练数据在对应的工况下的关键截面参数。其中，剩余未知参数的初始取值为典型估计值。
步骤3-2，基于每一训练数据对应的试验物理量结果和实测试验物理量训练样本之间的差异，通过公式(1-abs(试验物理量-实测试验物理量训练样本)/实测试验物理量训练样本)得到该训练数据对应的试验物理量结果和实测试验物理量训练样本之间的匹配度指标，然后针对每一训练数据得到的匹配度指标进行求和平均，得到第一整体平均匹配度指标。
示例性的，如表11所示，训练数据对应的试验物理量结果为表11中加粗的数据，各组训练数据得到的匹配度指标为4.985345755、4.979603572、4.945173405、4.936047801，第一整体平均匹配度指标＝(4.985345755+4.979603572+4.945173405+4.936047801)/20＝0.99230。
表11
Figure BDA0003959648030000183
Figure BDA0003959648030000191
步骤3-3，判断所述第一整体平均匹配度指标是否小于预设偏差限对应匹配度，若是，则将当前剩余未知参数确定为训练好的剩余未知参数，否则，执行步骤3-4。
步骤3-4，若第一整体平均匹配度指标不小于预设偏差限对应匹配度，则根据预设的优化算法对所述剩余未知参数进行优化，确定所述剩余未知参数当前的估计值为优化后的数值，返回执行上述步骤2-1-步骤3-4。
基于以上实施例中的各数据，本实施例中最终优化得到的剩余未知参数{P6,…p27}的终值如表12所示：
表12剩余未知参数优化终值
Figure BDA0003959648030000192
Figure BDA0003959648030000201
至此，完成通过第三热力循环模型对剩余未知参数的标定。
下面对上述已知参数(进气压力P2、进气温度T2、排气压力PAMB)进行标定的过程进行举例描述：
步骤4-1，针对表3中每一验证数据(共5个)，将所述已知参数、训练好的敏感参数、训练好的剩余未知参数、以及该验证数据对应的工况信息输入至第一热力循环模型中，以得到每一验证数据在对应的工况下的试验物理量结果。
步骤4-2，根据每一验证数据对应的试验物理量结果和实测试验物理量验证样本之间的差异得到第二整体平均匹配度指标。
示例性的，如表13所示，验证数据对应的试验物理量结果为表13中加粗的数据，各组训练数据得到的匹配度指标为4.980107188、4.97834059、4.987903019、4.976149294、4.968851418，第二整体平均匹配度指标＝(4.980107188+4.97834059+4.987903019+4.976149294+4.968851418)/25＝24.89135151/25＝0.99565。
表13
Figure BDA0003959648030000202
Figure BDA0003959648030000211
步骤4-3，判断步骤4-4计算出的第二整体平均匹配度指标是否大于预设偏差限则终值，若是，则确定当前已知参数为训练好的参数，将包括当前的已知参数、所述训练好的敏感参数和训练好的剩余未知参数的第一热力循环模型确定为训练好的数据丰富模型，否则，执行步骤4-1。
步骤4-4，若第二整体平均匹配度指标是不大于预设偏差限则终值，则根据按照预设的调整算法对所述已知参数进行调整，确定调整后的已知参数为当前的已知参数，返回执行步骤2-1-步骤4-4。
至此，完成对已知参数的标定，得到了训练好的数据丰富模型。
在本实施例中，对于训练好的数据丰富模型，可以输入目标发送机的任意工况信息，得到该目标发动机在任意工况下的试验物理量对应的目标试验数据。
以上对本申请实施例提供的方法进行了描述。下面对本申请实施例提供的装置进行描述：
参见图6，图6为本申请实施例提供的一种发动机的数据丰富装置。作为一个实施例，该装置可以用于如PC、服务器等的电子设备。该装置包括：
获得单元601，用于获得目标发动机的历史试验数据；所述历史试验数据包括历史试验工况和历史试验参数，所述历史试验参数是在历史试验中对目标发动机在历史试验工况下的指定参数进行测取得到的。
数据丰富单元602，用于将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的M个目标试验数据；所述M个目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数。
可选地，所述数据丰富模型是通过对多个热力循环模型进行训练得到的；所述M个目标试验数据为所述数据丰富模型中待计算的M个试验物理量的结果；
所述多个热力循环模型包括：用于确定各试验物理量对应的M个敏感参数的第一热力循环模型；所述敏感参数为用于计算各试验物理量的未知参数；
和/或，
用于修正所述敏感参数的第二热力循环模型；
和/或，
用于确定剩余未知参数的第三热力循环模型；所述剩余未知参数为用于计算各试验物理量的未知参数中除敏感参数之外的参数。
可选地，所述第一热力循环模型确定各试验物理量对应的M个敏感参数的步骤包括：
确定所述第一热力循环模型的输入参数，所述输入参数包括目标发动机的已知参数和X个未知参数；
设置所述X个未知参数的取值为典型估计值，将所述已知参数和X个未知参数输入至所述第一热力循环模型中，得到所述M个试验物理量对应的试验物理量结果；
针对每一未知参数，按照预设的扰动算法改动该未知参数，将改动后的该未知参数和未改动的其他未知参数、以及所述已知参数输入至所述第一热力循环模型，得到所述M个试验物理量针对该未知参数的改动产生的响应结果；
基于各个试验物理量在每一未知参数改动的情况下产生的响应结果，从所述未知参数中确定各个试验物理量对应的M个敏感参数；所述X大于M。
可选地，所述第二热力循环模型修正所述敏感参数的步骤包括：
获得用于修正所述敏感参数的基准数据；所述基准数据是通过对目标发动机在指定工况下进行测取得到的M个实测试验物理量样本；
将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中，以得到所述M个试验物理量对应的当前试验物理量结果；
计算所述当前试验物理量结果与所述基准数据之间的偏差；
若所述偏差大于预设偏差阈值，则基于所述偏差修正所述X个未知参数中的敏感参数，确定所述敏感参数当前的估计值为修正后的数值，返回将所述已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤；
若所述偏差不大于预设偏差阈值，则确定当前得到的敏感参数为训练好的敏感参数，停止运行所述第二热力循环模型。
可选地，所述第三热力循环模型确定剩余未知参数的步骤包括：
获得预先设置的多个训练数据；所述训练数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量训练样本，不同训练数据对应的工况不同；
利用所述第二热力循环模型最终输出的指定发动机物理量结果、以及预设的马赫数计算出目标发动机的每个截面等效流通面积；
针对每一训练数据，将所述截面等效流通面积以及训练好的敏感参数、及取值为估计值的剩余未知参数、和该训练数据对应的工况信息输入至第三热力循环模型中，得到该训练数据在对应的工况下的关键截面参数；
利用基于所述关键截面参数计算出每一训练数据在对应的工况下的试验物理量结果，根据每一训练数据对应的试验物理量结果和实测试验物理量训练样本之间的差异得到第一整体平均匹配度指标；
判断所述第一整体平均匹配度指标是否小于预设偏差限对应匹配度，若是，则将当前剩余未知参数确定为训练好的剩余未知参数；
若否，则根据预设的优化算法对所述剩余未知参数进行优化，确定所述剩余未知参数当前的估计值为优化后的数值，返回将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
可选地，所述数据丰富模型的训练过程还包括：
获得预先设置的与训练数据不同的多个验证数据；所述验证数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量验证样本，不同验证数据对应的工况不同；
针对每一验证数据，将所述已知参数、训练好的敏感参数、训练好的剩余未知参数、以及该验证数据对应的工况信息输入至第一热力循环模型中，以得到每一验证数据在对应的工况下的试验物理量结果；
根据每一验证数据对应的试验物理量结果和实测试验物理量验证样本之间的差异得到第二整体平均匹配度指标，判断所述第二整体平均匹配度指标是否大于预设偏差限则终值；
若是，则确定当前已知参数为训练好的参数，将包括当前的已知参数、所述训练好的敏感参数和训练好的剩余未知参数的第一热力循环模型确定为训练好的数据丰富模型；
若否，则根据按照预设的调整算法对所述已知参数进行调整，确定调整后的已知参数为当前的已知参数，返回将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
可选地，所述工况信息包括：发动机距离地面的高度、发动机的马赫数最小和发动机的油门杆角度中的至少一个；
所述基准数据是从已获得的多组不同工况下的实测试验物理量样本中，按照高度最小、和/或马赫数最小、和/或油门杆角度最大的原则选择出的指定工况对应的实测试验物理量样本。
可选地，所述发动机的已知信息为发动机的说明书中携带的信息。
至此，完成对图6所示装置的描述。
对应地，本申请实施例还提供了一种电子设备的硬件结构图，具体如图7所示，该电子设备可以为上述实施发动机的数据丰富方法的设备。如图7所示，该硬件结构包括：处理器和存储器。
其中，所述存储器，用于存储机器可执行指令；
所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如上所示的所对应的发动机的数据丰富方法的方法实施例。
作为一个实施例，存储器可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，存储器可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，存储器可以是RAM(Radom Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种发动机的数据丰富方法，其特征在于，所述方法包括：
获得目标发动机的历史试验数据；所述历史试验数据包括历史试验工况和历史试验参数，所述历史试验参数是在历史试验中对目标发动机在历史试验工况下的指定参数进行测取得到的；
将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的M个目标试验数据；所述M个目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数。
2.根据权利要求1所述的方法，其特征在于，所述数据丰富模型是通过对多个热力循环模型进行训练得到的；所述M个目标试验数据为所述数据丰富模型中待计算的M个试验物理量的结果；
所述多个热力循环模型包括：用于确定各试验物理量对应的M个敏感参数的第一热力循环模型；所述敏感参数为用于计算各试验物理量的未知参数；
和/或，
用于修正所述敏感参数的第二热力循环模型；
和/或，
用于确定剩余未知参数的第三热力循环模型；所述剩余未知参数为用于计算各试验物理量的未知参数中除敏感参数之外的参数。
3.根据权利要求2所述的方法，其特征在于，所述第一热力循环模型确定各试验物理量对应的M个敏感参数的步骤包括：
确定所述第一热力循环模型的输入参数，所述输入参数包括目标发动机的已知参数和X个未知参数；
设置所述X个未知参数的取值为典型估计值，将所述已知参数和X个未知参数输入至所述第一热力循环模型中，得到所述M个试验物理量对应的试验物理量结果；
针对每一未知参数，按照预设的扰动算法改动该未知参数，将改动后的该未知参数和未改动的其他未知参数、以及所述已知参数输入至所述第一热力循环模型，得到所述M个试验物理量针对该未知参数的改动产生的响应结果；
基于各个试验物理量在每一未知参数改动的情况下产生的响应结果，从所述未知参数中确定各个试验物理量对应的M个敏感参数；所述X大于M。
4.根据权利要求3所述的方法，其特征在于，所述第二热力循环模型修正所述敏感参数的步骤包括：
获得用于修正所述敏感参数的基准数据；所述基准数据是通过对目标发动机在指定工况下进行测取得到的M个实测试验物理量样本；
将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中，以得到所述M个试验物理量对应的当前试验物理量结果；
计算所述当前试验物理量结果与所述基准数据之间的偏差；
若所述偏差大于预设偏差阈值，则基于所述偏差修正所述X个未知参数中的敏感参数，确定所述敏感参数当前的估计值为修正后的数值，返回将所述已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤；
若所述偏差不大于预设偏差阈值，则确定当前得到的敏感参数为训练好的敏感参数，停止运行所述第二热力循环模型。
5.根据权利要求4所述的方法，其特征在于，所述第三热力循环模型确定剩余未知参数的步骤包括：
获得预先设置的多个训练数据；所述训练数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量训练样本，不同训练数据对应的工况不同；
利用所述第二热力循环模型最终输出的指定发动机物理量结果、以及预设的马赫数计算出目标发动机的每个截面等效流通面积；
针对每一训练数据，将所述截面等效流通面积以及训练好的敏感参数、及取值为估计值的剩余未知参数、和该训练数据对应的工况信息输入至第三热力循环模型中，得到该训练数据在对应的工况下的关键截面参数；
利用基于所述关键截面参数计算出每一训练数据在对应的工况下的试验物理量结果，根据每一训练数据对应的试验物理量结果和实测试验物理量训练样本之间的差异得到第一整体平均匹配度指标；
判断所述第一整体平均匹配度指标是否小于预设偏差限对应匹配度，若是，则将当前剩余未知参数确定为训练好的剩余未知参数；
若否，则根据预设的优化算法对所述剩余未知参数进行优化，确定所述剩余未知参数当前的估计值为优化后的数值，返回将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
6.根据权利要求5所述的方法，其特征在于，所述数据丰富模型的训练过程还包括：
获得预先设置的与训练数据不同的多个验证数据；所述验证数据是通过对目标发动机在已知工况下进行测取得到的M个实测试验物理量验证样本，不同验证数据对应的工况不同；
针对每一验证数据，将所述已知参数、训练好的敏感参数、训练好的剩余未知参数、以及该验证数据对应的工况信息输入至第一热力循环模型中，以得到每一验证数据在对应的工况下的试验物理量结果；
根据每一验证数据对应的试验物理量结果和实测试验物理量验证样本之间的差异得到第二整体平均匹配度指标，判断所述第二整体平均匹配度指标是否大于预设偏差限则终值；
若是，则确定当前已知参数为训练好的参数，将包括当前的已知参数、所述训练好的敏感参数和训练好的剩余未知参数的第一热力循环模型确定为训练好的数据丰富模型；
若否，则根据按照预设的调整算法对所述已知参数进行调整，确定调整后的已知参数为当前的已知参数，返回将当前的已知参数和取值为估计值的X个未知参数输入至所述第二热力循环模型中的步骤。
7.根据权利要求4-6任一项所述的方法，其特征在于，所述工况信息包括：发动机距离地面的高度、发动机的马赫数最小和发动机的油门杆角度中的至少一个；
所述基准数据是从已获得的多组不同工况下的实测试验物理量样本中，按照高度最小、和/或马赫数最小、和/或油门杆角度最大的原则选择出的指定工况对应的实测试验物理量样本。
8.根据权利要求3-5任一项所述的方法，其特征在于，所述发动机的已知信息为发动机的说明书中携带的信息。
9.一种发动机的数据丰富装置，其特征在于，所述装置包括：
获得单元，用于获得目标发动机的历史试验数据；所述历史试验数据包括历史试验工况和历史试验参数，所述历史试验参数是在历史试验中对目标发动机在历史试验工况下的指定参数进行测取得到的；
数据丰富单元，用于将所述历史试验数据输入至预先训练好的数据丰富模型中，得到所述数据丰富模型输出的M个目标试验数据；所述M个目标试验数据中包括目标发动机在历史试验中未测取的至少一个目标参数。
10.一种电子设备，其特征在于，所述电子设备包括：存储器和处理器；
其中，所述存储器，用于存储机器可执行指令；
所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如权利要求1-8中任一项所述的方法。
CN202211479043.3A 2022-11-23 2022-11-23 一种发动机的数据丰富方法、装置及电子设备 Pending CN115993246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211479043.3A CN115993246A (zh) 2022-11-23 2022-11-23 一种发动机的数据丰富方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211479043.3A CN115993246A (zh) 2022-11-23 2022-11-23 一种发动机的数据丰富方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115993246A true CN115993246A (zh) 2023-04-21

Family

ID=85989603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211479043.3A Pending CN115993246A (zh) 2022-11-23 2022-11-23 一种发动机的数据丰富方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115993246A (zh)

Similar Documents

Publication Publication Date Title
CN108416086B (zh) 一种基于深度学习的航空发动机模型自适应修正方法
JP6686151B2 (ja) モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム
US10227944B2 (en) Method for detecting defective injection nozzles of an internal combustion engine
US20200184131A1 (en) A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
Li et al. Multiple-point adaptive performance simulation tuned to aeroengine test-bed data
KR102206324B1 (ko) 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법
US7890296B2 (en) Method of analyzing the performance of gas turbine engines
CN111337258B (zh) 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法
CN108804850B (zh) 基于空间重构的航空发动机过渡态加速过程参数预测方法
Langouët et al. Engine calibration: multi-objective constrained optimization of engine maps
CN112131670B (zh) 一种基于混合自适应差分进化的航空发动机模型迭代算法
EP2104014B1 (en) Apparatus and method for optimizing measurement points for measuring object to be controlled
Liao et al. Uncertainties in gas-path diagnosis of gas turbines: Representation and impact analysis
CN115993246A (zh) 一种发动机的数据丰富方法、装置及电子设备
CA2468559A1 (en) Rotor inlet temperature control for turbo machine
CN112906295B (zh) 固体火箭发动机燃速预示方法、装置和设备
CN114970364A (zh) 燃气轮机的部件特性确定方法、装置及电子设备
US11790126B2 (en) Method and system for internal combustion engine simulation
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
JP2023506133A (ja) エンジンのコントローラを較正するための方法及びシステム
KR102637278B1 (ko) 기술 시스템 캘리브레이션 방법
CN117153282B (zh) 燃气轮机燃烧室基准温度计算方法、装置、介质及设备
Zhang et al. Sensor System and Observer Algorithm Co-Design For Modern Internal Combustion Engine Air Management Based on H 2 Optimization
LIU et al. Study on Component Characteristic Correction Algorithm of Turbofan Engine
Castillo et al. Data-Driven Models for Gas Turbine Online Diagnosis. Machines 2021, 9, 372

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