CN116106021A - 一种用于航空发动机性能数字孪生的精度提升方法 - Google Patents

一种用于航空发动机性能数字孪生的精度提升方法 Download PDF

Info

Publication number
CN116106021A
CN116106021A CN202310057669.3A CN202310057669A CN116106021A CN 116106021 A CN116106021 A CN 116106021A CN 202310057669 A CN202310057669 A CN 202310057669A CN 116106021 A CN116106021 A CN 116106021A
Authority
CN
China
Prior art keywords
model
digital twin
loss
performance
parameters
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
CN202310057669.3A
Other languages
English (en)
Inventor
肖达盛
肖洪
唐轲
于艾洋
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 CN202310057669.3A priority Critical patent/CN116106021A/zh
Publication of CN116106021A publication Critical patent/CN116106021A/zh
Pending legal-status Critical Current

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
    • G01M15/04—Testing internal-combustion 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
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明具体涉及一种用于航空发动机性能数字孪生的精度提升方法，该方法包括建立补偿模型；设置两个输出通道，分别输出两个输出值；将两个输出值分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到基础数字孪生模型和补偿模型中，直至误差收敛；预测航空发动机性能参数，将发动机的监测数据，对应地输入到收敛完成的基础数字孪生模型中，得到目标性能参数预测值。目的在于通过该补偿模型与基础模型的耦合训练，逐步迭代消除误差，在不增加基础模型复杂度的前提下，将补偿模型的补偿效果直接耦合到基础数字孪生模型之中，在提升预测精度的同时不增加预测耗时，保障实时性。

Description

一种用于航空发动机性能数字孪生的精度提升方法
技术领域
本发明属于航空发动机故障诊断技术领域，具体涉及一种用于航空发动机性能数字孪生的精度提升方法。
背景技术
航空发动机机载可测性能参数很少，其他监测参数很多，建立精准的发动机性能实时预测模型对飞行状态评估、飞行安全保障、发动机故障诊断，具有重要意义。在每台发动机装机以前，会进行试车试验，积累大量数据，试车试验中会监测多种参数，包括环境参数：环境温度、环境压力、环境湿度等；状态参数：压气机进口导向器角度、转子转速、油门杆位置等；性能参数：推力、燃油流量、低压涡轮后燃气总温等；基于这些试车数据，可以建立发动机性能参数预测模型。目前，在这一工作上，已经出现了大量的研究，主要都是基于数据驱动的人工智能方法，建立一个单一的预测模型，找到各种监测数据和目标性能参数之间的映射关系，实现对目标性能参数的预测。然而对于单一的预测模型来说，基于泰勒展开可以发现，其预测误差总是存在，消除预测中产生的误差，使得最终的预测结果更加准确，是非常有必要的。
发明内容
本发明为了解决单一预测模型会带来的误差问题，提供了一种用于航空发动机性能数字孪生的精度提升方法，该方法提供了一个补偿模型，通过该补偿模型与基础模型的耦合训练，逐步迭代消除误差，在不增加基础模型复杂度的前提下，将补偿模型的补偿效果直接耦合到基础预测模型之中，在提升预测精度的同时不增加预测耗时，保障实时性。
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性能数字孪生的精度提升方法，包括以下步骤：
S1：建立发动机性能预测基础数字孪生模型：筛选发动机运行数据，采用时序性人工智能算法构建发动机性能预测基础数字孪生模型；
S2：建立补偿模型：补偿模型的结构、算法与发动机性能预测基础数字孪生模型一致，或补偿模型为非时序性算法；
S3：建立模型输出通道：设置两个输出通道，其中一个为发动机性能预测基础数字孪生模型的输出通道，另一个为发动机性能预测基础数字孪生模型与补偿模型的加和输出通道；
S4：训练误差反向传播：将步骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到发动机性能预测基础数字孪生模型和补偿模型中进行训练，并重复步骤S3和步骤S4，直至误差收敛；
S5：预测航空发动机性能参数：将发动机的任意工作状态监测到的数据，对应的输入到步骤S4中收敛完成的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值。
优选的，步骤S1中，筛选的发动机运行数据包括：环境参数、各部件工作状态参数、部件性能参数、整机性能参数，对筛选出的数据进行处理后，建立训练数据集。
优选的，步骤S1中，时序性人工智能算法包括长短期记忆网络、波网络和注意力机制网络，根据步骤S1中所筛选的数据，确定网络输入层节点数、输出层节点数、网络层数和网络层节点数，搭建性能预测基础数字孪生模型。
优选的，步骤S4中，损失参数为：将骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失值loss1和loss2，其中loss1为通过发动机性能预测基础数字孪生模型输出通道所计算出的损失值，loss2为通过发动机性能预测基础数字孪生模型与补偿模型加和输出的输出通道所计算出的损失值；loss2、loss1和loss2加和后的两个值构成损失参数，分别作为补偿模型和发动机性能预测基础数字孪生模型的损失参数。
优选的，损失值的计算方法采用交叉熵损失函数：
Figure BDA0004060763860000031
其中，H(Y,y)为目标参数真实值Y(xi)和模型预测值y(xi)的交叉熵损失函数值。
优选的，损失值的计算方法采用均方误差损失函数：
Figure BDA0004060763860000032
其中MSE(Y,y)为目标参数真实值Y(xi)和模型预测值y(xi)的均方误差损失函数值。
优选的，步骤S4中所述的进行训练的算法包括RMSPorp和Adam。
优选的，步骤S5中所述的发动机任意工作状态包括启动、加速、巡航、加力、减速状态；提取传感器检测数据，作为步骤S4中收敛完成的发动机性能预测基础数字孪生模型的输入。
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如上述的用于航空发动机性能数字孪生的精度提升方法。
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如上述的用于航空发动机性能数字孪生的精度提升方法。
本发明具有以下有益效果：
1、本发明方法引入了补偿模型消除单一预测模型中无法消除的一阶项误差，通过补偿模型对由于传感器测量误差和发动机性能衰退导致的模型预测误差进行补偿，再将补偿模型与基础模型进行耦合，使得在后续的运算过程中，在提高预测精度的同时，保证了运算的速度，保障预测的实时性。
2、本发明中，在将补偿模型与基础模型耦合后，可以直接将数据输入到耦合后的基础模型中即可完成性能预测，无需再将参数输入到补偿模型中，该模型可用于机载，实时预测发动机性能参数。
附图说明
图1为本发明的方法流程图；
图2为耦合训练方法的损失函数传递路径示意图；
图3为一种模型结构。
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。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在建立一个单一的预测模型时，通过泰勒展开可以发现，一个单一的预测模型，其预测误差总是存在，如下式：
Figure BDA0004060763860000041
式中，F代表目标性能参数和各个特征参数x1,x2,...,xn之间的真实映射关系，f(v1,v2,...,vn)代表单一预测模型在对应特征参数的测量值(v1,v2,...,vn)上产生的预测值，由于监测参数测量误差、发动机性能衰退，会导致后续展开的一阶项、二阶项等不为0，从而产生预测误差。
既一个单一的预测模型总会存在一阶误差、二阶误差等误差项，而且可以发现，随着阶数增加，其对应阶数的误差值在指数递减，因此，本发明中所建立的补偿模型，主要对基础预测模型的一阶误差项进行补偿，后续的误差项不再考虑，实现预测精度提升。
如图1-2所示，本发明的用于航空发动机性能数字孪生的精度提升方法，具体包括以下步骤：
S1：建立发动机性能预测基础数字孪生模型(基础模型)：筛选发动机运行数据，数据可以包括：环境参数，例如：环境温度、环境压力、环境湿度等；各部件工作状态参数，例如：风扇转速、高压转子转速、油门杆位置等；部件性能参数，例如：压气机压比、燃烧室油气比、涡轮落压比等；整机性能参数，例如：推力，耗油率等；筛选合适参数进行处理后，采用时序性人工智能算法构建发动机性能预测基础数字孪生模型；进行数据处理主要是去除数据中那些明显错误的数据，例如非数值、超限值、无穷大值等，建立训练数据集。
采用时序性人工智能算法包括长短期记忆网络、波网络和注意力机制网络，在构建发动机性能预测基础数字孪生模型时，仿造航空发动机物理结构，搭建各部件网络层，按照发动机各部件物理连接结构，连接各个部件网络层，基于所筛选的各部件特征参数维度，确定网络输入层节点数、输出层节点数、网络层数和网络层节点数。
S2：建立补偿模型：补偿模型的结构、算法与发动机性能预测基础数字孪生模型一致；补偿模型是对发动机性能预测基础数字孪生模型的一阶误差项进行拟合，对于补偿模型来说，其模型表达能力的要求可以低于发动机性能预测基础数字孪生模型，因此补偿模型的算法可以和发动机性能预测基础数字孪生模型的算法一致，或者采用更简单的非时序性算法。
补偿模型的建立，可以参考发动机性能预测基础数字孪生模型的构建，设定相应的网络层数以及各层节点数。补偿模型的结构和发动机性能预测基础数字孪生模型相匹配，两者的模型结构不能同时过于复杂或者过于简单，以免出现过拟合或者欠拟合问题。
S3：建立模型输出通道：设置两个输出通道，其中一个为发动机性能预测基础数字孪生模型的输出通道，另一个为发动机性能预测基础数字孪生模型与补偿模型的加和输出通道；通过两个输出通道输出两个不同的值，一个是发动机性能预测基础数字孪生模型的单独输出y1，另一个是发动机性能预测基础数字孪生模型和补偿模型的加和输出y2，在训练过程的每次迭代步中，两个输出值同时输出。
S4：训练误差反向传播：将步骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到发动机性能预测基础数字孪生模型和补偿模型中进行训练，并重复步骤S3和步骤S4，直至误差收敛。
将骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失值loss1和loss2，其中loss1为通过发动机性能预测基础数字孪生模型输出通道所计算出的损失值，loss2为发动机性能预测基础数字孪生模型与补偿模型加和输出通道所计算出的损失值；loss2、loss1和loss2加和后的两个值构成损失参数，分别作为补偿模型和发动机性能预测基础数字孪生模型的损失参数。
本发明中提供两种损失值的计算方法，分别为交叉熵损失函数或者均方误差损失函数。
采用交叉熵损失函数：
Figure BDA0004060763860000071
其中，H(Y,y)为目标参数真实值Y(xi)和模型预测值y(xi)的交叉熵损失函数值。
或者，采用均方误差损失函数：
Figure BDA0004060763860000072
其中MSE(Y,y)为目标参数真实值Y(xi)和模型预测值y(xi)的均方误差损失函数值。
基于步骤S1中的训练数据集，以及损失参数，结合训练算法，对发动机性能预测基础数字孪生模型和补偿模型进行训练，训练算法可采用RMSPorp(Root Mean Square prop)和Adam(Adaptive moment estimation)，训练并更新发动机性能预测基础数字孪生模型和补偿模型的所有参数，并重复上述步骤，不断迭代训练，直至误差收敛，本发明中，通过设定误差阈值，来判断是否误差收敛完成，或者设置迭代步数，当迭代到所设定的步数后，完成训练，得到最终的发动机性能预测基础数字孪生模型和补偿模型。
S5：预测航空发动机性能参数：将发动机的任意工作状态监测到的数据，对应的输入到步骤S4中收敛完成的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值。
所述的发动机任意工作状态包括启动、加速、巡航、加力、减速状态；提取传感器检测数据，对应的输入到步骤S4中收敛完成的最终的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值，这一步骤中不再需要将参数输入补偿模型，因为通过步骤六的耦合训练方式，补偿效果已经耦合到基础模型之中。也可以将该模型用于机载，实时预测发动机性能参数，只需实时将发动机监测参数输入至基础模型中，便可以实时得到发动机性能参数精确预测值。
实施例
S1：建立发动机性能预测基础数字孪生模型：选取环境参数、各部件工作状态参数、部件性能参数、整机性能参数，对数据进行筛选后作为模型输入，各参数提取耦合后进行输出，选择一种时序性人工智能算法，本发明中优选采用长短期记忆网络(LSTM)，该算法可以将训练数据集中航空发动机随时间变化的性能衰退量融入到模型中，模型的搭建，仿造航空发动机物理结构，搭建各部件网络层，如图3所示，提供了一种模型结构，也可以基于现有的其他模型结构进行搭建，此为现有技术不再赘述。
S2：建立补偿模型：补偿模型的结构和发动机性能预测基础数字孪生模型相匹配，或补偿模型为非时序性算法，两者的模型结构不能同时过于复杂或者过于简单，以免出现过拟合或者欠拟合。
S3：建立模型输出通道：在步骤S1和步骤S2的基础上，进行耦合，设置两个输出通道，一个是发动机性能预测基础数字孪生模型的单独输出y1，另一个是发动机性能预测基础数字孪生模型和补偿模型的加和输出y2。
S4：训练误差反向传播：将y1和y2分别与性能预测目标值计算，性能预测目标值为航空发动机性能参数，例如推力的实测值、耗油率的实测值、低压涡轮后燃气温度的实测值等，可根据实际的需求进行选择。y1为发动机性能预测基础数字孪生模型的输出通道所输出的值，y2为补偿模型的输出通道所输出的值；y1和预测目标真实值计算得到损失值loss1，y2和预测目标真实值计算得到损失值loss2，将loss2单独设定为补偿模型的损失值；将loss1和loss2加和后，设定为发动机性能预测基础数字孪生模型的损失值，由于补偿模型的输出只在耦合输出通道y2里体现，单独输出通道y1不包含补偿模型输出，因此通过误差计算后，只有基于y2计算的误差loss2可以作用于补偿模型的训练，因此把loss2作为补偿模型的损失值。通过损失值，同时更新步骤S1与步骤S2中的发动机性能预测基础数字孪生模型和补偿模型的参数，并不断迭代，直至误差为所设定的阈值，或者完成所设定的迭代步骤后，完成训练，得到最终的发动机性能预测基础数字孪生模型和补偿模型。
S5：预测航空发动机性能参数：选取任意工作状态(包括启动、加速、巡航、加力、减速等)，提取传感器监测数据，对应地实时输入到步骤S4中训练完成的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值。
本发明还提供了一种电子设备，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如上述的用于航空发动机性能数字孪生的精度提升方法。
本发明还提供了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如上述的用于航空发动机性能数字孪生的精度提升方法。
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性能数字孪生的精度提升方法，其特征在于，包括以下步骤：
S1：建立发动机性能预测基础数字孪生模型：筛选发动机运行数据，采用时序性人工智能算法构建发动机性能预测基础数字孪生模型；
S2：建立补偿模型：补偿模型的结构、算法与发动机性能预测基础数字孪生模型一致，或补偿模型为非时序性算法；
S3：建立模型输出通道：设置两个输出通道，其中一个为发动机性能预测基础数字孪生模型的输出通道，另一个为发动机性能预测基础数字孪生模型与补偿模型的加和输出通道；
S4：训练误差反向传播：将步骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到发动机性能预测基础数字孪生模型和补偿模型中进行训练，并重复步骤S3和步骤S4，直至误差收敛；
S5：预测航空发动机性能参数：将发动机的任意工作状态监测到的数据，对应的输入到步骤S4中收敛完成的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值。
2.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S1中，筛选的发动机运行数据包括：环境参数、各部件工作状态参数、部件性能参数、整机性能参数，对筛选出的数据进行处理后，建立训练数据集。
3.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S1中，时序性人工智能算法包括长短期记忆网络、波网络和注意力机制网络，根据步骤S1中所筛选的数据，确定网络输入层节点数、输出层节点数、网络层数和网络层节点数，搭建性能预测基础数字孪生模型。
4.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S4中，损失参数为：将骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失值loss1和loss2，其中loss1为通过发动机性能预测基础数字孪生模型输出通道所计算出的损失值，loss2为通过发动机性能预测基础数字孪生模型与补偿模型加和输出的输出通道所计算出的损失值；loss2、loss1和loss2加和后的两个值构成损失参数，分别作为补偿模型和发动机性能预测基础数字孪生模型的损失参数。
5.根据权利要求4所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：损失值的计算方法采用交叉熵损失函数：
Figure FDA0004060763830000021
其中，H(Y,y)为目标参数真实值Y(xi)和模型预测值y(xi)的交叉熵损失函数值。
6.根据权利要求4所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：损失值的计算方法采用均方误差损失函数：
Figure FDA0004060763830000022
其中MSE(Y,y)为目标参数真实值Y(xi)和模型预测值y(xi)的均方误差损失函数值。
7.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S4中所述的进行训练的算法包括RMSPorp和Adam。
8.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S5中所述的发动机任意工作状态包括启动、加速、巡航、加力、减速状态；提取传感器检测数据，作为步骤S4中收敛完成的发动机性能预测基础数字孪生模型的输入。
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1-8任一项所述的用于航空发动机性能数字孪生的精度提升方法。
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1-8任一项所述的用于航空发动机性能数字孪生的精度提升方法。
CN202310057669.3A 2023-01-16 2023-01-16 一种用于航空发动机性能数字孪生的精度提升方法 Pending CN116106021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310057669.3A CN116106021A (zh) 2023-01-16 2023-01-16 一种用于航空发动机性能数字孪生的精度提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310057669.3A CN116106021A (zh) 2023-01-16 2023-01-16 一种用于航空发动机性能数字孪生的精度提升方法

Publications (1)

Publication Number Publication Date
CN116106021A true CN116106021A (zh) 2023-05-12

Family

ID=86253758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310057669.3A Pending CN116106021A (zh) 2023-01-16 2023-01-16 一种用于航空发动机性能数字孪生的精度提升方法

Country Status (1)

Country Link
CN (1) CN116106021A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702380A (zh) * 2023-08-03 2023-09-05 南京航空航天大学 基于数字孪生的航空发动机性能退化监测和模型修正方法
CN117763976A (zh) * 2024-02-22 2024-03-26 华南师范大学 航空发动机润滑油量预测方法、装置以及计算机设备
CN117994720A (zh) * 2024-01-11 2024-05-07 哈尔滨师范大学 基于深度学习的人群密度估计方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702380A (zh) * 2023-08-03 2023-09-05 南京航空航天大学 基于数字孪生的航空发动机性能退化监测和模型修正方法
CN117994720A (zh) * 2024-01-11 2024-05-07 哈尔滨师范大学 基于深度学习的人群密度估计方法
CN117763976A (zh) * 2024-02-22 2024-03-26 华南师范大学 航空发动机润滑油量预测方法、装置以及计算机设备
CN117763976B (zh) * 2024-02-22 2024-05-14 华南师范大学 航空发动机润滑油量预测方法、装置以及计算机设备

Similar Documents

Publication Publication Date Title
CN116106021A (zh) 一种用于航空发动机性能数字孪生的精度提升方法
US11436395B2 (en) Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
WO2019144337A1 (zh) 一种基于深度学习算法的航空发动机全包线模型自适应修正方法
CN108256173B (zh) 一种航空发动机动态过程的气路故障诊断方法及系统
CN109635318B (zh) 一种航空发动机传感器智能解析余度设计方法
CN108829928B (zh) 一种涡轴发动机自适应部件级仿真模型构建方法
CN110502840B (zh) 航空发动机气路参数在线预测方法
CN113107626B (zh) 一种基于多变量lstm的联合循环发电机组负荷预测方法
WO2021088160A1 (zh) 一种基于随机配置网络的涡扇发动机健康参数估计方法
CN107357176B (zh) 一种航空发动机试车数据建模方法
CN110516394A (zh) 基于深度神经网络的航空发动机稳态模型建模方法
CN112378619B (zh) 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用
CN108205310A (zh) 一种基于elm滤波算法的航空发动机包线内气路故障识别方法
CN115081484A (zh) 基于crj-oselm算法的航空发动机传感器故障诊断方法
CN116702380A (zh) 基于数字孪生的航空发动机性能退化监测和模型修正方法
CN114995152A (zh) 一种民用航空发动机性能模型偏差修正方法
CN112801267A (zh) 动态阈值的航空发动机多重故障诊断器
CN113742860B (zh) 一种基于DBN-Bayes算法的涡轴发动机功率估计方法
CN114996863A (zh) 基于特征提取的涡扇发动机t-s模糊建模方法
CN112749789A (zh) 基于自联想型神经网络的航空发动机多重故障诊断器
CN112906855A (zh) 动态阈值的变循环发动机多重故障诊断器
Zhu et al. Application of adaptive square root cubature Kalman filter in turbofan engine gas path performance monitoring
Peng et al. Accuracy research on the modeling methods of the gas turbine components characteristics
CN116414044A (zh) 基于自适应构图的航空发动机控制方法及其系统
Zhao et al. An Aero-engine Gas Path Fault Diagnosis Method Based on OPABC-BP

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