CN116702380A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116702380A CN116702380A CN202310979136.0A CN202310979136A CN116702380A CN 116702380 A CN116702380 A CN 116702380A CN 202310979136 A CN202310979136 A CN 202310979136A CN 116702380 A CN116702380 A CN 116702380A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- aeroengine
- engine
- network
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 104
- 230000015556 catabolic process Effects 0.000 title claims abstract description 80
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 230000009471 action Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000002485 combustion reaction Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000001102 lavandula vera Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013022 venting Methods 0.000 description 1
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
- G01M15/02—Details or accessories of testing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了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,包括:构建航空发动机数字孪生模型,确定航空发动机性能指标与模型修正系数;构建航空发动机性能退化监测模型;利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境,求解航空发动机数字孪生模型的仿真性能指标,航空发动机性能退化监测模型得到预测性能指标,得到仿真误差;构建数字孪生模型修正模型,基于仿真误差,对航空发动机数字孪生模型进行修正系数调整,实现航空发动机数字孪生模型修正。本发明通过数字孪生模型和航空发动机性能退化监测模型实现航空发动机性能退化监测和模型修正,适用于多种类型的燃气涡轮发动机模型修正与性能退化监测。
Description
技术领域
本发明属于航空发动机性能退化监测和模型修正技术领域,具体涉及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。
背景技术
在航空发动机总体性能仿真及控制算法设计领域,研究者需要时刻了解当前发动机典型部件准确的性能状态,即发动机真实部件特性,来进行发动机整机性能的计算或诊断。然而,机部件性能会随着使用时数的增加而发生自然退化,结果造成额定状态下原有的部件特性偏离退化状态下部件的真实性能。如果使用额定状态下未退化前的部件特性进行发动机性能计算,会带来较大的建模误差,使得发动机模型计算结果与试验数据间出现较大的误差。因而,针对航空发动机的研究,探索部件性能退化监测和模型修正技术是一项十分重要的工作。
数字孪生技术逐渐兴起,孪生模型通过将物理对象在数字空间内高度还原,模拟对象在实际场景中的运行状态与逻辑控制。由于具备精度高、实时性强等特性,世界制造强国纷纷提出将数字孪生技术运用于本国的制造业未来发展战略,以孕育出一个高度灵活的个性化、智能化生产管理模式。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供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,可以通过数字孪生模型,实时模拟航空发动机真实的运行状况,同时通过基于数据驱动的航空发动机性能退化监测模型监测航空发动机的性能退化状况,并将性能退化情况,实时反馈给数字孪生模型,对数字孪生模型进行修正,将数字孪生技术与人工智能技术结合,可以用于多种型号发动机的自适应模型性能退化监测与修正,为航空发动机建模与控制等传统技术赋能。
为实现上述技术目的,本发明采取的技术方案为:
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,包括:
步骤S1、采集航空发动机旋转部件试车数据并构建航空发动机数字孪生模型,确定航空发动机性能指标与模型修正系数;
步骤S2、采集航空发动机耐久试验中的各性能指标实测数据并构建航空发动机性能退化监测模型;
步骤S3、利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境,求解航空发动机数字孪生模型的仿真性能指标,航空发动机性能退化监测模型得到预测性能指标,根据仿真性能指标与预测性能指标得到仿真误差;
步骤S4、构建数字孪生模型修正模型,基于仿真误差,对航空发动机数字孪生模型进行修正系数调整,实现航空发动机数字孪生模型修正。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤S1所述航空发动机旋转部件试车数据包含:轴流压气机、离心压气机、燃气涡轮和动力涡轮的转速、压比、物理流量、效率;
航空发动机性能指标包括:压气机进口处气体的物理流量、压气机的效率、压气机出口压力、燃烧室出口处的总温、燃气涡轮进口处流量、燃气涡轮进口处效率;
修正系数包括:压气机进口处气体的物理流量修正系数、压气机的效率修正系数、压气机进口处压比修正系数、燃气涡轮进口处流量修正系数、燃气涡轮进口处效率修正系数、燃气涡轮进口处压比修正系数。
上述的步骤S2包括:
S201、传感器采集航空发动机耐久试验中的发动机各项性能指标,结合状态与运行时长构建发动机性能退化时序数据集;
S202、基于S201构建的时序数据集,训练LSTM网络,得到航空发动机性能退化监测模型,以在航空发动机运行过程中同步监测发动机性能指标的退化情况。
上述的步骤S3采用牛顿-拉弗森算法求解航空发动机数字孪生模型的仿真性能指标的步骤包括:
基于发动机工作机理,建立航空发动机数字孪生模型中各部件共同工作方程组,给定方程组初猜值,并计算残差精度,当/>小于给定值,则牛顿-拉弗森算法迭代计算结束,输出当前性能指标,否则构建雅可比矩阵并对初猜值进行更新,直到/>小于给定值。
上述的步骤S3所述航空发动机性能退化监测模型根据发动机当前状态与运行时长得到实时反应发动机当前性能退化情况的预测性能指标。
上述的步骤S3所述仿真误差E表示如下:
;
其中代表在第j个发动机工作状态下,第i个被监测的发动机性能指标,该性能指标由发动机性能退化预测模型输出,/>代表数字孪生模型计算出的第j个发动机工作状态下,第i个被监测的发动机性能指标,/>代表第i个性能指标的权重,k代表监测的发动机工作状态量,m代表性能指标数量。
上述的步骤S4构建数字孪生模型修正模型,并对修正模型参数进行初始化,基于仿真误差确定发生性能退化后,进行数字孪生模型的自适应模型修正,从而实现数字孪生模型与真实发动机性能指标的自适应匹配;
所述数字孪生模型修正模型采用深度Q网络作为数字孪生模型修正的决策模型,决定当航空发动机性能退化时,数字孪生模型需要补偿的参数,同时通过与深度Q网络结构相同的记忆库网络进行深度Q网络的模型训练与参数更新。
上述的步骤S4中,当确定发动机发生性能退化后,采用修正模型试给修正系数并设置奖励函数;
根据仿真误差计算公式确定修正系数给定是否合理,若修正过后的数字孪生模型与航空发动机性能退化监测模型输出误差超出目标值,则根据奖励函数R、深度Q网络选择的动作的Q值以及均方差损失函数L,基于梯度下降理论修正数字孪生模型,进一步计算仿真误差,若仿真误差满足目标要求,则认为决策模型合理。
上述的步骤S4所述基于仿真误差,对航空发动机数字孪生模型进行修正系数调整,实现航空发动机数字孪生模型修正,具体包括:
S401、基于深度Q网络和记忆库网络,定义深度Q网络训练算法、输入输出参数,并对网络参数进行初始化;
S402、基于S401,深度Q网络通过自我学习,完成深度Q网络权重更新训练,训练完成后对数字孪生模型进行自适应修正;
S403、在深度Q网络训练完成之后,根据仿真误差以及训练得到的修正系数中所有待定系数允许变化的范围,得到最优修正系数,实现航空发动机数字孪生模型修正。
上述的S402包括:
S40201、将数字孪生模型与发动机性能退化监测模型之间的仿真误差E、燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件作为,输入神经网络,得到Q网络计算的动作集A中所有动作的Q值;
根据贪婪算法在所有当前输出中选择相应的动作/>,使得对应修正系数最有可能使数学模型的仿真误差减小,其中/>表示动作集中,能够带来最大收益地动作,在本发明中,表示能使误差最小的一组修正系数;
S40202、基于动作集A及对应的修正系数对发动机数字孪生进行修正后,进一步计算仿真误差,记为,与所述燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件组成新的状态向量/>,计算奖励函数R,具体公式如下:
;
S40203、将深度Q网络中使用的、深度Q网络输出的动作集的Q值,本次深度Q网络选择的动作/>,该动作获得的奖励/>存入记忆库网络;
并使用更新后的状态向量作为深度Q网络的输入开始新一轮的计算;
当存储N个样本后,计算出最新的状态下,深度Q网络选择的动作的Q值:
;
其中,代表终止状态,true表示深度Q网络不需要继续更新,false表示深度Q网络需要继续更新,/>代表深度Q网络中的权重,/>表示记忆库网络计算出的Q值,/>为衰减因子,s表示未修正前,数字孪生模型状态,s’表示采用深度Q网络尝试修正数字孪生模型后,数字孪生模型状态;
S40204、基于如下均方差损失函数:
;
通过神经网络梯度反向传播,更新所有深度Q网络中的权重参数。
本发明具有以下有益效果:
本发明可以通过数字孪生模型,实时模拟航空发动机真实的运行状况,实时反应当前航空发动机运行过程中各项性能指标,并依据各项性能指标,给出进一步的发动机控制参数;同时通过基于数据驱动的航空发动机性能退化监测模型监测航空发动机的性能退化状况,并将性能退化情况,实时反馈给数字孪生模型;通过航空发动机数字孪生模型修正模型,利用模型中的数据驱动的自适应决策模块,根据当前发动机运行状态和时长等参数,自适应的输出当前数字孪生模型性能退化后应当修正的指标与修正系数,实现对数字孪生模型修正,最终保证航空发动机的数字孪生模型与真实的发动机各项参数保持一致,并且能够进一步地给出准确的控制参数。适用于多种类型的燃气涡轮发动机模型修正与性能退化监测。
附图说明
图1是本发明建立的数字孪生模型的建模对象的截面定义图;
图2是本发明建立的数字孪生模型的建模对象的引、放气系统结构图;
图3是本发明提供的数字孪生模型的求解算法流程;
图4是本发明提供的数字孪生模型修正算法决策流程图;
图5是本发明提供的数字孪生模型修正决策器的参数更新迭代流程图;
图6是本发明提供的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流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明中的步骤虽然用标号进行了排列,但并不用于限定步骤的先后次序,除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础,否则步骤的相对次序是可以调整的。可以理解,本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图6所述,本发明提供了一种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,具体实施步骤如下所示:
步骤S1、采集航空发动机旋转部件试车数据并构建航空发动机数字孪生模型,确定航空发动机性能指标与模型修正系数;
进一步地,所述步骤S1采集航空发动机旋转部件试车数据,包含轴流压气机、离心压气机、燃气涡轮和动力涡轮的转速n、压比、流量W、效率/>等参数,用于构建航空发动机数字孪生模型,包括构建航空发动机部件热力学模型、数学模型以及机理模型,其中构建航空发动机数字孪生模型采用如下步骤:
(1)在构建航空发动机数字孪生模型时,通常需要对发动机各截面进行定义,本专利以涡轴发动机为例,构建数字孪生模型,涡轴发动机截面定义如图1所示,图1中截面定义如表1所示:
表1 发动机截面定义表
截面编号 | 截面定义 | 截面编号 | 截面定义 |
0 | 未扰动气流 | 4 | 燃烧室出口截面 |
122124331 | 进气道进口截面进气道出口截面压气机进口截面轴流压气机出口截面压气机出口截面燃烧室进口截面 | 414445578 | 燃气涡轮进口截面燃气涡轮出口截面动力涡轮进口截面动力涡轮出口截面尾喷管进口截面尾喷管出口截面 |
本发明采用的构建的航空发动机数字孪生模型为部件级模型,针对航空发动机各部件分别建立热力学模型,该模型包含发动机进气道部件模型、组合压气机部件模型、燃烧室气动热力学模型、燃气涡轮模型、动力涡轮模型、尾喷管模型、引放气模型以及发动机整机模型等。通过牛顿-拉弗森算法可求解航空发动机模型各部件重要参数,重要参数包括:压气机进口处气体的物理流量、压气机的效率/>、压气机出口压力/>、燃烧室出口处的总温/>、燃气涡轮进口处流量/> 、燃气涡轮进口处效率/>等。本发明建立的引放气模型结构图以及使用的牛顿-拉弗森算法流程如图2、图3所示。
(2)为发动机运行中可能发生退化的部件定义修正系数,通常,航空发动机性能退化会发生在旋转部件,如压气机和燃气涡轮等。因此,定义压气机进口处气体的物理流量修正系数C1、压气机的效率C2、压气机进口处压比修正系数C3、燃气涡轮进口处流量C4、燃气涡轮进口处效率C5、燃气涡轮进口处压比修正系数C6等参数,当航空发动机发生性能退化时,通过实时控制修正系数,实现对航空发动机数字孪生模型的修正。
步骤S2、采集航空发动机耐久试验中的各性能指标实测数据并构建航空发动机性能退化监测模型;
进一步地,所述步骤S2采集航空发动机耐久试验中的各参数指标实测数,如压气机压比、动力涡轮进口温度T45等信息,构建航空发动机性能退化监测模型如下步骤:
S201、基于航空发动机耐久试验中,传感器采集得到的发动机重要性能指标。构建发动机性能退化数据集;
S202、基于S201构建的时序数据集,训练航空发动机性能监测模型,该模型采用LSTM网络结构,在航空发动机运行过程中同步监测发动机重要性能指标的退化情况。
基于海量实验数据建立航空发动机性能退化监测模型后根据发动机当前状态与运行时长,可实时反应发动机当前性能退化情况。
步骤S3、利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境,求解航空发动机数字孪生模型的仿真性能指标,航空发动机性能退化监测模型得到预测性能指标,根据仿真性能指标与预测性能指标得到仿真误差;
采用牛顿-拉弗森算法求解航空发动机数字孪生模型的仿真性能指标的步骤包括:
基于发动机工作机理,建立航空发动机数字孪生模型中各部件共同工作方程组,给定方程组初猜值,并计算残差精度,当/>小于给定值,则牛顿-拉弗森算法迭代计算结束,输出当前性能指标,否则构建雅可比矩阵并对初猜值进行更新,直到/>小于给定值。具体为:
S301、基于发动机工作机理,建立发动机各部件共同工作方程,通常,共同工作方程由流量连续方程和功率平衡方程构成,例如,对于涡轴发动机而言,通常可以建立燃烧室出口与燃气涡轮进口气体流量平衡方程、燃气涡轮出口与动力涡轮进口气体流量平衡方程、动力涡轮出口与尾喷管出口流量平衡方程以及高压轴功率平衡方程:
;
其中,为燃气涡轮输出功率,/>为轴流压气机和离心压气机所用总功率,为附件所用功率,/>为高压轴机械效率。/>为燃烧室出口气体流量、/>为燃气涡轮进口气体流量。/>为燃气涡轮出口气体流量、/>为动力涡轮进口气体流量。/>动力涡轮出口气体流量、/>为尾喷管出口气体流量。
S302、给定平衡方程初猜值,并计算残差精度,当/>小于给定值,牛顿-拉弗森算法迭代计算结束;
S303、若残差不满足要求,则给初猜值施加微小的扰动,用于构造雅可比矩阵,雅可比矩阵的形式如下:
;
其中,表示方程组中第一个平衡方程关于第一个初猜值的一阶偏导数,表示平衡方程方程组对初猜值求一阶偏导数组成的雅可比矩阵,M表示平衡方程组数目。
S304、基于雅可比矩阵,对初猜值进行更新,更新公式如下:
;
其中,为更新后的初猜值,c为收敛速度,/>为平衡方程组。
所述航空发动机性能退化监测模型根据发动机当前状态与运行时长得到实时反应发动机当前性能退化情况的预测性能指标。
数字孪生模型与性能监测模型之间的误差E表示如下:
;
其中代表在第j个发动机工作状态下,第i个被监测的发动机性能指标,该性能指标由发动机性能退化预测模型输出,/>代表数字孪生模型计算出的第j个发动机工作状态下,第i个被监测的发动机性能指标,/>代表第i个性能指标的权重,k代表监测的发动机工作状态量,m代表性能指标数量。
步骤S4、构建数字孪生模型修正模型,基于仿真误差,对航空发动机数字孪生模型进行修正系数调整,实现航空发动机数字孪生模型修正;
进一步地,如图4和图5所示,所述步骤S4构建数字孪生模型修正模型,并对模型参数进行初始化,用于发动机在长时间运行且发生性能退化后,数字孪生模型的自适应模型修正,从而实现数字孪生模型与真实发动机性能指标的自适应匹配;
当发动机发生性能退化后,采用修正模型试给修正系数,定义为压比修正系数、流量修正系数/>、效率修正系数/>,并设置奖励函数,用于更新修正模型;根据误差计算公式/>确定修正系数给定是否合理,若修正过后的数字孪生模型与性能退化监测模型输出误差较大、则根据奖励函数R、Q网络选择的动作的Q值以及均方差损失函数L,基于梯度下降理论修正模型,若误差满足要求,则认为该决策模型合理。
具体步骤包括:
采用深度Q网络作为数字孪生模型修正的决策模型,决定当航空发动机性能遭遇退化时,数字孪生模型需要补偿的参数。同时构建与深度Q网络结构相同的记忆库网络,用于深度Q网络的模型训练与参数更新;
发动机性能退化通常发生在发动机的旋转部件,因此,基于各压缩部件在不同转速下的特性,定义修正系数如下:
;
;
;
其中、/>、/>、/>、/>、/>、/>、/>、/>为待定系数;/>代表非设计点转速,/>代表设计点转速,所述设计点表示100%转速下发动机的状态,/>,/>和依次表示当转速为e时,压比、流量和效率的修正系数。
进一步地,所述步骤S4中航空发动机数字孪生模型修正模型的训练与参数更新,其步骤包括:
S401、基于深度Q网络和记忆库网络的结构,定义深度Q网络训练算法、输入输出参数,并对网络参数进行初始化;所述深度Q网络和记忆库网络均为隐藏层大于2层的全连接层网络,且输入端包括发动机各量测状态点的飞行条件、燃油流量、喷口面积、导叶角度参数、当前模型误差以及运行时间;所述深度Q网络中各网络的输入为状态向量,记为,输出为动作集A中所有动作的价值,记为/>;所述深度Q网络训练算法中的动作集A包括所有/>、/>、/>允许变化的范围;所述度Q网络训练算法还包括输入迭代次数T,批量梯度下降样本数m,衰减因子/>;
S402、定义深度Q网络训练算法各输入、输出项及初始化后,深度Q网络可以通过自我学习,完成神经网络权重更新,并对数字孪生模型进行自适应修正,其步骤如下:
S40201、将数字孪生模型与发动机性能退化监测模型之间的仿真误差E、燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件作为,输入神经网络,得到Q网络计算的动作集A中所有动作的Q值;
根据贪婪算法在所有当前输出中选择相应的动作件特性图中的转速线位置;,使得对应修正系数最有可能使数学模型的仿真误差减小,其中/>表示动作集中,能够带来最大收益地动作,在本发明中,表示能使误差最小的一组修正系数;
S40202、基于动作集A及对应的修正系数对发动机数字孪生进行修正后,进一步计算仿真误差,记为,与所述燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件组成新的状态向量/>,计算奖励函数R,具体公式如下:
;
S40203、将深度Q网络中使用的、深度Q网络输出的动作集的Q值,本次深度Q网络选择的动作/>,该动作获得的奖励/>存入记忆库网络;
并使用更新后的状态向量作为深度Q网络的输入开始新一轮的计算;
当存储N个样本后,计算出最新的状态下,深度Q网络选择的动作的Q值:
;
其中,代表终止状态,true表示深度Q网络不需要继续更新,false表示深度Q网络需要继续更新,/>代表深度Q网络中的权重,/>表示记忆库网络计算出的Q值,/>为衰减因子,s表示未修正前,数字孪生模型状态,s’表示采用深度Q网络尝试修正数字孪生模型后,数字孪生模型状态;
S40204、基于如下均方差损失函数:
;
通过神经网络梯度反向传播,更新所有深度Q网络中的权重参数;
S403、在深度Q网络训练完成之后,根据仿真误差以及训练得到的修正系数中所有待定系数允许变化的范围,得到最优修正系数,实现航空发动机数字孪生模型修正。
至此实现了数字孪生模型、性能退化监测模型以及数字孪生模型修正模型结合对航空发动机数学模型进行性能预测与模型的自适应修正,可为航空发动机的建模、控制与寿命预测领域赋能。
综上,本发明可以通过数字孪生模型,实时模拟航空发动机真实的运行状况,实时反应当前航空发动机运行过程中各项性能指标,并依据各项性能指标,给出进一步的发动机控制参数;同时通过基于数据驱动的航空发动机性能退化监测模型监测航空发动机的性能退化状况,并将性能退化情况,实时反馈给数字孪生模型;通过航空发动机数字孪生模型修正模型,利用模型中的数据驱动的自适应决策模块,根据当前发动机运行状态和时长等参数,自适应的输出当前数字孪生模型性能退化后应当修正的指标与修正系数,实现对数字孪生模型修正,最终保证航空发动机的数字孪生模型与真实的发动机各项参数保持一致,并且能够进一步地给出准确的控制参数。适用于多种类型的燃气涡轮发动机模型修正与性能退化监测。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.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,其特征在于,包括:
步骤S1、采集航空发动机旋转部件试车数据并构建航空发动机数字孪生模型,确定航空发动机性能指标与模型修正系数;
步骤S2、采集航空发动机耐久试验中的各性能指标实测数据并构建航空发动机性能退化监测模型;
步骤S3、利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境,求解航空发动机数字孪生模型的仿真性能指标,航空发动机性能退化监测模型得到预测性能指标,根据仿真性能指标与预测性能指标得到仿真误差;
步骤S4、构建数字孪生模型修正模型,基于仿真误差,对航空发动机数字孪生模型进行修正系数调整,实现航空发动机数字孪生模型修正。
2.根据权利要求1所述的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,其特征在于,步骤S1所述航空发动机旋转部件试车数据包含:轴流压气机、离心压气机、燃气涡轮和动力涡轮的转速、压比、物理流量、效率;
航空发动机性能指标包括:压气机进口处气体的物理流量、压气机的效率、压气机出口压力、燃烧室出口处的总温、燃气涡轮进口处流量、燃气涡轮进口处效率;
修正系数包括:压气机进口处气体的物理流量修正系数、压气机的效率修正系数、压气机进口处压比修正系数、燃气涡轮进口处流量修正系数、燃气涡轮进口处效率修正系数、燃气涡轮进口处压比修正系数。
3.根据权利要求1所述的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,其特征在于,所述步骤S2包括:
S201、传感器采集航空发动机耐久试验中的发动机各项性能指标,结合状态与运行时长构建发动机性能退化时序数据集;
S202、基于S201构建的时序数据集,训练LSTM网络,得到航空发动机性能退化监测模型,以在航空发动机运行过程中同步监测发动机性能指标的退化情况。
4.根据权利要求1所述的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,其特征在于,所述步骤S3采用牛顿-拉弗森算法求解航空发动机数字孪生模型的仿真性能指标的步骤包括:
基于发动机工作机理,建立航空发动机数字孪生模型中各部件共同工作方程组,给定方程组初猜值,并计算残差精度,当/>小于给定值,则牛顿-拉弗森算法迭代计算结束,输出当前性能指标,否则构建雅可比矩阵并对初猜值进行更新,直到小于给定值。
5.根据权利要求1所述的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,其特征在于,步骤S3所述航空发动机性能退化监测模型根据发动机当前状态与运行时长得到实时反应发动机当前性能退化情况的预测性能指标。
6.根据权利要求1所述的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,其特征在于,步骤S3所述仿真误差E表示如下:
;
其中代表在第j个发动机工作状态下,第i个被监测的发动机性能指标,该性能指标由发动机性能退化预测模型输出,/>代表数字孪生模型计算出的第j个发动机工作状态下,第i个被监测的发动机性能指标,/>代表第i个性能指标的权重,k代表监测的发动机工作状态量,m代表性能指标数量。
7.根据权利要求1所述的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,其特征在于,所述步骤S4构建数字孪生模型修正模型,并对修正模型参数进行初始化,基于仿真误差确定发生性能退化后,进行数字孪生模型的自适应模型修正,从而实现数字孪生模型与真实发动机性能指标的自适应匹配;
所述数字孪生模型修正模型采用深度Q网络作为数字孪生模型修正的决策模型,决定当航空发动机性能退化时,数字孪生模型需要补偿的参数,同时通过与深度Q网络结构相同的记忆库网络进行深度Q网络的模型训练与参数更新。
8.根据权利要求7所述的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,其特征在于,所述步骤S4中,当确定发动机发生性能退化后,采用修正模型试给修正系数并设置奖励函数;
根据仿真误差计算公式确定修正系数给定是否合理,若修正过后的数字孪生模型与航空发动机性能退化监测模型输出误差超出目标值,则根据奖励函数R、深度Q网络选择的动作的Q值以及均方差损失函数L,基于梯度下降理论修正数字孪生模型,进一步计算仿真误差,若仿真误差满足目标要求,则认为决策模型合理。
9.根据权利要求8所述的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,其特征在于,所述步骤S4所述基于仿真误差,对航空发动机数字孪生模型进行修正系数调整,实现航空发动机数字孪生模型修正,具体包括:
S401、基于深度Q网络和记忆库网络,定义深度Q网络训练算法、输入输出参数,并对网络参数进行初始化;
S402、基于S401,深度Q网络通过自我学习,完成深度Q网络权重更新训练,训练完成后对数字孪生模型进行自适应修正;
S403、在深度Q网络训练完成之后,根据仿真误差以及训练得到的修正系数中所有待定系数允许变化的范围,得到最优修正系数,实现航空发动机数字孪生模型修正。
10.根据权利要求9所述的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,其特征在于,所述S402包括:
S40201、将数字孪生模型与发动机性能退化监测模型之间的仿真误差E、燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件作为,输入神经网络,得到Q网络计算的动作集A中所有动作的Q值;
根据贪婪算法在所有当前输出中选择相应的动作/>,使得对应修正系数最有可能使数学模型的仿真误差减小;
S40202、基于动作集A及对应的修正系数对发动机数字孪生进行修正后,进一步计算仿真误差,记为,与所述燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件组成新的状态向量/>,计算奖励函数R,具体公式如下:
;
S40203、将深度Q网络中使用的、深度Q网络输出的动作集的Q值,本次深度Q网络选择的动作/>,该动作获得的奖励/>存入记忆库网络;
并使用更新后的状态向量作为深度Q网络的输入开始新一轮的计算;
当存储N个样本后,计算出最新的状态下,深度Q网络选择的动作的Q值:
;
其中,代表终止状态,true表示深度Q网络不需要继续更新,false表示深度Q网络需要继续更新,/>代表深度Q网络中的权重,/>表示记忆库网络计算出的Q值,/>为衰减因子,s表示未修正前数字孪生模型状态,s’表示采用深度Q网络尝试修正数字孪生模型后的数字孪生模型状态;
S40204、基于如下均方差损失函数:
;
通过神经网络梯度反向传播,更新所有深度Q网络中的权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979136.0A CN116702380A (zh) | 2023-08-03 | 2023-08-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979136.0A CN116702380A (zh) | 2023-08-03 | 2023-08-03 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702380A true CN116702380A (zh) | 2023-09-05 |
Family
ID=87837851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979136.0A Pending CN116702380A (zh) | 2023-08-03 | 2023-08-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702380A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507475A (zh) * | 2020-11-03 | 2021-03-16 | 南京航空航天大学 | 一种基于修正牛顿法求解航空发动机部件级模型的方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN114296343A (zh) * | 2021-11-16 | 2022-04-08 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
CN115099165A (zh) * | 2022-04-13 | 2022-09-23 | 南京航空航天大学 | 一种考虑性能退化的航空发动机建模方法 |
CN116106021A (zh) * | 2023-01-16 | 2023-05-12 | 西北工业大学 | 一种用于航空发动机性能数字孪生的精度提升方法 |
-
2023
- 2023-08-03 CN CN202310979136.0A patent/CN116702380A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507475A (zh) * | 2020-11-03 | 2021-03-16 | 南京航空航天大学 | 一种基于修正牛顿法求解航空发动机部件级模型的方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN114296343A (zh) * | 2021-11-16 | 2022-04-08 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
CN115099165A (zh) * | 2022-04-13 | 2022-09-23 | 南京航空航天大学 | 一种考虑性能退化的航空发动机建模方法 |
CN116106021A (zh) * | 2023-01-16 | 2023-05-12 | 西北工业大学 | 一种用于航空发动机性能数字孪生的精度提升方法 |
Non-Patent Citations (1)
Title |
---|
CHENGHAN PU 等: "Areo-engine Model Correction Technology Based on Adaptive Neural Network", JOURNAL OF PHYSICS:CONFERENCE SERIES, pages 1 - 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117369308B (zh) * | 2023-11-20 | 2024-04-23 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
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 | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
CN107885891B (zh) | 一种航空发动机总体性能优化方法 | |
CN109162813B (zh) | 一种基于迭代学习修正的航空发动机智能转速控制方法 | |
CN109472062A (zh) | 一种变循环发动机自适应部件级仿真模型构建方法 | |
CN108733906B (zh) | 基于精确偏导数的航空发动机部件级模型构建方法 | |
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 | |
JP2003129866A (ja) | 適応空気熱力学エンジンモデル | |
CN109800449B (zh) | 一种基于神经网络的航空发动机压缩部件特性修正方法 | |
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 | |
CN111042928A (zh) | 一种基于动态神经网络的变循环发动机智能控制方法 | |
CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
CN110502840A (zh) | 航空发动机气路参数在线预测方法 | |
CN107977526B (zh) | 大涵道比民航发动机性能诊断方法及系统 | |
Shuang et al. | An adaptive compressor characteristic map method based on the Bezier curve | |
CN116106021A (zh) | 一种用于航空发动机性能数字孪生的精度提升方法 | |
CN114154234A (zh) | 一种航空发动机建模方法、系统、存储介质 | |
CN115099165A (zh) | 一种考虑性能退化的航空发动机建模方法 | |
CN112507477A (zh) | 一种航空发动机变导叶部件特性自适应修正方法 | |
CN110362065B (zh) | 一种航空发动机防喘控制系统的状态诊断方法 | |
CN114296343B (zh) | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 | |
CN111611743B (zh) | 轴流式压气机特性线自适应方法 | |
CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
CN114818205B (zh) | 一种航空发动机全生命周期叶尖间隙在线感知方法 | |
CN118094775A (zh) | 基于实测参数的航空发动机主流快速计算模型自适应修正方法 |
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 |