CN117252109B - 一种基于数据处理的航空发动机稳定性分析方法及系统 - Google Patents
一种基于数据处理的航空发动机稳定性分析方法及系统 Download PDFInfo
- Publication number
- CN117252109B CN117252109B CN202311512461.2A CN202311512461A CN117252109B CN 117252109 B CN117252109 B CN 117252109B CN 202311512461 A CN202311512461 A CN 202311512461A CN 117252109 B CN117252109 B CN 117252109B
- Authority
- CN
- China
- Prior art keywords
- vector
- airflow
- stability
- engine
- state
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 211
- 238000000034 method Methods 0.000 claims abstract description 29
- 206010034719 Personality change Diseases 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 6
- 238000013097 stability assessment Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明提供了一种基于数据处理的航空发动机稳定性分析方法及系统,涉及数据分析技术领域,该方法包括:预测航空器的运动姿态变化参数;获取航空器的环境监测参数;当气流特征向量超出旋转失速裕度或/和喘振裕度,根据气流特征向量和航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;根据压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;当发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量。本发明解决了现有技术中航空发动机稳定性分析时效性不足的技术问题。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种基于数据处理的航空发动机稳定性分析方法及系统。
背景技术
发动机的稳定运行是保证飞机安全航行的前提,但是高空中的气流复杂,在高速航行下会影响发动机进气运行的稳定性。压气机可以对进入发动机的气流进行加压和改变气流转角,以保证发动机的稳定运行,同时,飞机内的传感器可以监测发动机是否发生旋转失速或喘振,对压气机进行调整,以保证发动机的稳定运行。
但是,现有技术中的发动机稳定性监测和压气机调节都是实时进行,在出现了失稳情况后才进行适应性调节,无法根据当前的运行情况进行预测,导致发动机稳定性分析时效性不足,在高速飞行的工况中,仍存在一定风险。
发明内容
本申请提供了一种基于数据处理的航空发动机稳定性分析方法及系统,用于针对解决现有技术中航空器发动机稳定性分析和压气机调节存在时效性不足的技术问题。
鉴于上述问题,本申请提供了一种基于数据处理的航空发动机稳定性分析方法及系统。
本申请的第一个方面,提供了一种基于数据处理的航空发动机稳定性分析方法,所述方法应用于稳定性补偿边缘节点,包括:
预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成;
获取航空器的环境监测参数,其中,所述环境监测参数包括气流特征向量;
当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;
根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;
当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态;
将所述修正气流推荐向量、所述气流特征向量和所述运动姿态变化参数进行关联存储,其中,所述气流特征向量和所述运动姿态变化参数为所述修正气流推荐向量的触发条件。
本申请的第二个方面,提供了一种基于数据处理的航空发动机稳定性分析系统,所述系统包括:运动姿态获取模块,用于预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成;
环境参数获取模块,用于获取航空器的环境监测参数,其中,所述环境监测参数包括气流特征向量;
叶片状态分析模块,用于当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;
气动稳定性评估模块,用于根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;
修正气流调节模块,用于当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态;
数据存储模块,用于将所述修正气流推荐向量、所述气流特征向量和所述运动姿态变化参数进行关联存储,其中,所述气流特征向量和所述运动姿态变化参数为所述修正气流推荐向量的触发条件。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过根据发动机的控制参数,预测航空器的运动姿态变化参数,并采集当前环境内的气流特征向量,判断气流特征向量是否超出了发动机的旋转失速裕度或/和喘振裕度,若是,则获取压气机的叶片状态,并进行发动机的气动稳定性评估,当发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行迭代调节,直到获得修正气流推荐向量,对压气机进行控制调节,以消除外界气流对发动机的气动稳定性影响,并对修正气流推荐向量、气流特征向量和运动姿态变化参数进行关联存储,在后续运行中进行调用。
本申请通过预测航空器的运动姿态变化参数,进而分析外界的气流特征向量是否影响发动机稳定性且是否超出失速裕度或/和喘振裕度,进一步映射获取压气机叶片状态,分析发动机气动稳定性,能够较为准确地预测将来时刻发动机的稳定性,提升发动机气动稳定性分析的时效性,在预测可能发生失稳时进行介入,并进行修正气流向量的调节分析,保证发动机的气动稳定性,具有发动机稳定性分析和介入调节的前瞻性,达到了提升发动机稳定性分析和调整的时效性的技术效果。
附图说明
图1为本申请实施例提供的一种基于数据处理的航空发动机稳定性分析方法流程示意图;
图2为本申请实施例提供的一种基于数据处理的航空发动机稳定性分析方法中获取运动姿态变化参数的流程示意图;
图3为本申请实施例提供的一种基于数据处理的航空发动机稳定性分析方法中获取发动机气动稳定系数的流程示意图;
图4为本申请实施例提供的一种基于数据处理的航空发动机稳定性分析系统结构示意图。
附图标记说明:运动姿态获取模块71,环境参数获取模块72,叶片状态分析模块73,气动稳定性评估模块74,修正气流调节模块75,数据存储模块76。
具体实施方式
本申请通过提供了一种基于数据处理的航空发动机稳定性分析方法及系统,用于针对解决现有技术中航空器发动机稳定性分析和压气机调节存在时效性不足的技术问题。
实施例一
如图1所示,本申请提供了一种基于数据处理的航空发动机稳定性分析方法,应用于稳定性补偿边缘节点,所述方法包括:
步骤10:预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成;
本申请实施例中,稳定性补偿边缘节点为执行该基于数据处理的航空发动机稳定性分析方法,进行发动机稳定性分析的节点,示例性地,该稳定性补偿边缘节点为可为航空器上设置的计算机设备,也可为与航空器通信连接的地面塔台的计算机设备等,通过采集航空器上相关的运行数据,进行发动机稳定性分析。
示例性地,航空器为现有技术中通过内燃发动机作为动力源,进行航空飞行的飞行设备,例如民用喷气式飞机等。
本申请实施例中,根据航空器的发动机控制参数,分析预测航空器未来的运动姿态变化参数,作为进一步进行发动机稳定性分析的辅助数据。
如图2所示,本申请实施例提供的方法中的步骤10包括:
步骤11:获取航空器的第一时刻运动姿态和第一时刻发动机控制参数;
步骤12:根据所述第一时刻运动姿态和所述第一时刻发动机控制参数在飞行模拟器中进行仿真,获取第一时刻飞行状态;
步骤13:获取航空器的第二时刻发动机控制参数;
步骤14:根据所述第二时刻发动机控制参数,在所述飞行模拟器中对所述第一时刻飞行状态进行调节,获取所述运动姿态变化参数。
本申请实施例中,获取航空器的第一时刻运动姿态和第一时刻发动机控制参数,优选地,第一时刻即为执行该基于数据处理的航空发动机稳定性分析方法的时刻,即为当前时刻。
示例性地,第一时刻运动姿态包括该航空器当前时刻飞行的飞行速度、俯仰角、偏航角、滚转角等,可通过航空器上的传感监测设备获取。
示例性地,第一时刻发动机控制参数包括该航空器发动机的转速、推力、燃油控制量、进气控制量例如进气压和进气温度以及发动机温度等,可通过现有技术中布设于航空器发动机上的传感器监测获得。可选的,根据航空器上发动机的数量,可以分别采集多个发动机的第一时刻发动机控制参数,分别进行发动机气动稳定性的分析。
进一步地,根据该第一时刻运动姿态和该第一时刻发动机控制参数,在飞行模拟器中进行仿真,获取第一时刻飞行状态,该第一时刻飞行状态为在飞机模拟器内表征航空器飞行状态的数据,其包括第一时刻运动姿态和第一时刻发动机控制参数进行飞行模拟后的模拟器数据。其中,飞行模拟器可以根据该航空器的种类,采用现有技术中的飞行模拟器。
本申请实施例中,获取航空器的第二时刻发动机控制参数,该第二时刻为第一时刻后的时刻,即将来的某一时刻,第二时刻和第一时刻的时间跨度可基于本领域技术人员进行设置,例如为1s。
该第二时刻发动机控制参数为第二时刻将要进行执行的发动机控制参数,示例性地,可根据航空器依据预定航线制定的自动飞行控制计划进行获取,也可基于航空器的控制人员进行输入获取。
将该第二时刻发动机控制参数输入该飞行模拟器,进行飞行模拟,对第一时刻飞行状态进行调节,以模拟获取第二时刻下航空器的运动姿态变化参数,作为预测获得的航空器下一时刻的运动姿态。
本申请实施例中,通过航空模拟器技术,获取航空器将来时刻将要达到的运动姿态,进一步分析相对于航空器外界的气流情况,提升发动机气动稳定性分析的准确性和预先性。
步骤20:获取航空器的环境监测参数,其中,所述环境监测参数包括气流特征向量;
本申请实施例中,基于预测获得的航空器的运动姿态变化参数,即未来时刻的运动姿态,结合监测采集的航空器外界的气流参数,获取航空器的环境监测参数。
其中,航空器外界的气流参数可通过现有技术中布设于航空器外部的气流传感器进行采集获取,例如获取风速、风力、风向等参数。
进一步地,结合航空器的运动姿态变化参数,分析该气流参数相对于航空器未来的运行姿态,产生的气流的风速、风力和风向等参数。示例性地,在航空器当前的运行姿态下,采集获得相对于航空器当前的飞行速度、俯仰角、偏航角、滚转角的风速、风力和风向,进一步转换为预测的运动姿态变化参数,计算预测的飞行速度、俯仰角、偏航角、滚转角下外界的风速、风力和风向,作为气流特征向量。
示例性地,气流特征向量可为具有三个分量的向量,即为风速、风力和风向。
步骤30:当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;
本申请实施例中,判断该气流特征向量是否超出发动机的旋转失速裕度或/和喘振裕度,该旋转失速裕度和喘振裕度可以基于发动机的出厂设计数据进行获取,例如喘振裕度可以为发动机的进气口流量变化达到20%以上。
示例性地,根据该气流特征向量,结合现有技术进行发动机内压气机的进气模拟,判断在该气流特征向量下,进入压气机的气流量变化是否会达到该旋转失速裕度或/和喘振裕度,
当分析气流特征向量超出发动机的旋转失速裕度或/和喘振裕度后,这时,发动机的压气机的叶片由于气流方向等的偏差,会产生状态变化,根据该气流特征向量和航空发动机控制参数,结合航空器发动机的历史运行或实验数据,对压气机叶片状态进行压气机状态映射,获取对应的压气机叶片状态。
本申请实施例中,步骤30包括:
步骤31:基于所述气流特征向量和所述航空发动机控制参数,采集压气机叶片状态标识数据;
步骤32:遍历所述压气机叶片状态标识数据进行局部离群因子计算,生成局部离群因子;
步骤33:将所述局部离群因子大于或等于局部离群因子阈值的所述压气机叶片状态标识数据进行分离,生成密集分布数据;
步骤34:对所述密集分布数据进行聚类加权拟合,获取所述压气机叶片状态。
本申请实施例中,在气流特征向量超出旋转失速裕度或/和喘振裕度后,基于该气流特征向量和航空发动机控制参数,采集压气机叶片状态标识数据,该压气机叶片状态标识数据基于发动机的历史运行数据及试验数据进行采集。
示例性地,在历史时间内,在该航空器同型号的发动机的运行过程或实验室试验过程中,对气流特征向量、航空发动机控制参数和压气机叶片状态进行采集、记录和标识,压气机叶片状态示例性可以包括转速、偏转角度、进气量等,根据上述数据进行标记。如此,形成压气机叶片运行数据日志。
进一步地,基于当前的气流特征向量和航空发动机控制参数,进行组合,并在压气机叶片运行数据日志内进行查询,获取历史时间内发动机在该气流特征向量和航空发动机控制参数下,压气机叶片的状态标识数据,获得该压气机叶片状态标识数据,其内包括多个压气机叶片的历史状态标识数据。
遍历该压气机叶片状态标识数据进行局部离群因子计算,生成局部离群因子。示例性地,计算压气机叶片的每个历史状态标识数据与其他历史状态标识数据的局部离群因子,以进行后续处理。
可选的,根据每个历史状态标识数据内的转速、偏转角度、进气量等数据类别,构建D维数据空间,将多个历史状态标识数据输入该D维数据空间,可形成多个历史状态坐标点。
示例性地,计算每个历史状态坐标点与其最邻近的K个历史状态坐标点的距离,获得K个距离,K为大于1的整数,计算K个距离的倒数的均值,作为每个历史状态坐标点的离群距离参数,如此,可计算获得多个离群距离参数。
进一步地,计算多个离群距离参数的均值,并将每个离群距离参数与该均值的比值,作为每个历史状态坐标点的局部离群因子,该局部因子越大,则说明对应的历史状态坐标点的离群程度越小,则越可能为正常的叶片状态标识数据形成的坐标点。
划分局部离群因子大于或等于局部离群因子阈值的历史状态坐标点对应的压气机叶片状态标识数据进行分离,生成较为密集的密集分布数据,其内包括较为相似的多个叶片状态标识数据,如此,可以去除由于压气机异常而出现的压气机叶片状态标识数据,避免影响分析处理的准确性。
进一步地,对密集分布数据内的多个压气机叶片状态标识数据,按照对应的多个大于或等于局部离群因子阈值的局部离群因子进行权重分配,然后进行聚类加权拟合,即对密集分布数据内的多个压气机叶片状态标识数据进行加权计算,获得该压气机叶片状态,其内包括可以表征当前压气机叶片状态的压气机叶片状态数据,例如加权的转速、偏转角度、进气量。
示例性地,可计算多个大于或等于局部离群因子阈值的局部离群因子的和,然后计算每个局部离群因子与该和的比值,作为权值,完成权重分配。
本申请实施例通过调用压气机叶片的历史运行状态标识数据,并通过计算局部离群因子,对异常的状态标识数据进行去除,然后进行加权拟合,能够获得较为准确、更为具有代表性的当前压气机叶片的状态标识数据。
步骤40:根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;
本申请实施例中,根据预测的压气机叶片状态,对下一时刻航空器的发动机的气动稳定性进行评估,以获取下一时刻发动机的气动稳定系数。
优选地,本申请实施例通过机器学习的手段,评估航空发动机的气动稳定性。
如图3所示,本申请实施例提供的方法中的步骤40包括:
步骤41:采集压气机叶片转动状态记录数据,环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据;
步骤42:根据所述压气机叶片转动状态记录数据,所述环境气流向量记录数据、所述修正气流向量记录数据和所述发动机控制波动记录数据,训练发动机控制波动映射器;
步骤43:构建稳定系数评价函数:
;
;
其中,表征任意一组控制波动参数的稳定系数评价结果,/>表征第i维度控制参数的第j时刻的特征值,/>表征第i维度控制参数的波动基线特征值,M表征统计的第i维度控制参数的时刻总数,N表征统计的发动机控制参数维度总数;
步骤44:根据所述稳定系数评价函数,构建气动稳定系数映射器;
步骤45:合并所述发动机控制波动映射器和所述气动稳定系数映射器,内嵌于所述稳定性补偿边缘节点,接收所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取所述发动机气动稳定系数。
本申请实施例中,根据该航空器同型号的发动机历史时间内的运行监测数据以及试验数据,采集压气机叶片转动状态记录数据,环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据。其中,压气机叶片转动状态记录数据包括历史时间内发动机内压气机不同的叶片状态数据,环境气流向量记录数据包括历史时间内发动机外界不同的气流特征向量数据,修正气流向量记录数据包括对压气机内叶片进行修正调整的不同修正气流向量数据,发动机控制波动记录数据内包括在修正后发动机的控制波动数据,例如转速、推力、燃油控制量、进气控制量例如进气压和进气温度以及发动机温度等的控制波动量。可选的,修正气流向量内包括对压气机的叶片进行转速、偏转角度、进气量等进行调整的修正气流向量,例如为包括三个分量的修正气流向量。
采用该压气机叶片转动状态记录数据、环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据作为构建数据,训练一发动机控制波动映射器,该发动机控制波动映射器用于根据压气机叶片状态、环境内气流特征向量和修正气流向量,来映射分析发动机的控制波动参数。
进一步地,构建用于计算发动机气动稳定性的稳定系数评价函数,如下式:
;
;
其中,表征任意一组控制波动参数的稳定系数评价结果,/>表征第i维度控制参数的第j时刻的特征值,/>表征第i维度控制参数的波动基线特征值,M表征统计的第i维度控制参数的时刻总数,N表征统计的发动机控制参数维度总数;
根据该稳定系数评价函数,构建气动稳定系数映射器,可根据发动机的控制波动参数进行分析计算发动机的气动稳定性系数。
合并该发动机控制波动映射器和气动稳定系数映射器,即可根据发动机内压气机的叶片状态、环境内的气流特征向量和修正气流向量,来分析发动机的气动稳定性。
将该发动机控制波动映射器和气动稳定系数映射器,内嵌于上述的稳定性补偿边缘节点,在方法执行时进行调用。
通过该稳定性补偿边缘节点,接收该压气机叶片状态,以及结合前述的气流特征向量和将要对压气机叶片执行的修正气流向量,进行航空发动机的气动稳定性系数评估计算,获得下一时刻发动机的发动机气动稳定系数。
合并所述发动机控制波动映射器和所述气动稳定系数映射器,内嵌于所述稳定性补偿边缘节点,接收所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取该发动机气动稳定系数。
具体地,可将该压气机叶片状态、气流特征向量和当前的修正气流向量,输入该发动机控制波动映射器,获得发动机的控制波动参数,若修正气流向量为执行则为0,再将获得的发动机的控制波动参数输入该气动稳定系数映射器,代入该稳定系数评价函数内进行计算,获得对应的发动机气动稳定系数。
本申请实施例提供的方法中的步骤42包括:
步骤421:构建训练损失函数:
;
其中,表征任意一次训练的损失函数输出值,/>表征第i维度控制波动参数的损失权重,/>表征该次训练的第i维度控制波动参数的预测量,/>表征该次训练的第i维度控制波动参数的记录量,/>表征最近调整模型参数后的损失函数最小输出值,表征最近调整模型参数后的损失函数最大输出值;
步骤422:当所述损失函数输出值连续预设次数小于或等于损失函数输出阈值,视为所述发动机控制波动映射器训练完成。
本申请实施例中,基于该压气机叶片转动状态记录数据、环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据,训练发动机控制波动映射器,构建该发动机控制波动映射器的训练损失函数,如下式:
;
其中,表征任意一次训练的损失函数输出值,/>表征第i维度控制波动参数的损失权重,/>表征该次训练的第i维度控制波动参数的预测量,/>表征该次训练的第i维度控制波动参数的记录量,/>表征最近调整模型参数后的损失函数最小输出值,表征最近调整模型参数后的损失函数最大输出值;
示例性地,基于机器学习中的误差逆向传播神经网络,构建该发动机控制波动映射器,该发动机控制波动映射器的输入数据包括压气机叶片状态、气流特征向量和修正气流向量,输出数据包括发动机的控制波动数据。
采用该训练损失函数,根据该压气机叶片转动状态记录数据、环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据,逐组数据地对发动机控制波动映射器进行监督训练,计算损失,进行损失的逆向船舶,并更新网络参数,进行迭代训练。
在迭代训练多次后,当该训练损失函数输出值连续预设次数小于或等于损失函数输出阈值,则发动机控制波动映射器训练完成。示例性地,预设次数可为50次,损失函数输出阈值可为10%,也可基于本领域技术人员进行设置。
本申请实施例通过训练发动机控制波动映射器,并构建特定的稳定系数评价函数,可以映射分析发动机不同情况下的控制波动参数,并计算气动稳定性,能够在保证发动机稳定性分析时效性的目的下,尽量提升发动机稳定性分析的准确性,进而降低发动机运行风险。
步骤50:当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态;
本申请实施例中,判断该发动机气动稳定系数是否小于或等于稳定系数阈值,若否,则发动机稳定无需进行调整,若是,则需要根据该压气机叶片状态,对修正气流向量进行调节,以提升发动机的启动稳定系数。
其中,根据该压气机叶片状态,对压气机的修正气流向量进行迭代调节,直到生成与该气流特征向量处于平衡状态的修正气流推荐向量,该平衡状态为采用该修正气流对压气机叶片的转速、偏转角和进气量进行调整后,发动机的发动机气动稳定系数大于稳定系数阈值。
示例性地,该稳定系数阈值可基于采用发动机的历史运行数据进行计算,将发动机未出现喘振情况下的运行数据计算获得的发动机气动稳定系数的均值,作为稳定系数阈值。可选的,也可基于航空发动机工程师进行设置。
本申请实施例提供的方法中的步骤50包括:
步骤51:根据压气机额定参数,获取修正气流向量约束区间,对所述修正气流向量随机赋值,获取修正气流向量赋值结果;
步骤52:根据所述压气机叶片状态和所述修正气流向量赋值结果,对所述航空发动机进行气动稳定性评估,获取气动稳定系数更新值;
步骤53:当所述气动稳定系数更新值大于所述稳定系数阈值,所述修正气流向量赋值结果和所述气流特征向量处于平衡状态,将所述修正气流向量赋值结果设为所述修正气流推荐向量;
步骤54:当所述气动稳定系数更新值小于或等于所述稳定系数阈值,对所述修正气流向量进行迭代赋值调节。
本申请实施例中,根据该压气机额定参数,获取对压气机修正气流向量进行调节的修正气流向量约束区间,例如根据压气机的进气量、偏转角和转速的额定参数范围,设置对于修正气流向量进行调整的可调整范围,获得该修正气流向量约束区间。
在该修正气流向量约束区间内,对修正气流向量随机赋值,例如对压气机叶片的转速、偏转角度等进行随机赋值,获得修正气流向量赋值结果。
将该压气机叶片状态和修正气流向量赋值结果,结合该气流特征向量,输入上述的发动机控制波动映射器和气动稳定系数映射器,进行发动机气动稳定系数评估计算,获得对修正气流向量调整后的气动稳定系数更新值。
判断该气动稳定系数更新值是否大于上述的稳定系数阈值,若是,则修正气流向量赋值结果和气流特征向量处于平衡状态,可用于对压气机进行气流修正,将该修正气流向量赋值结果设为修正气流推荐向量。
若否,则重新对修正气流向量进行随机赋值,进行修正气流向量的迭代赋值调节,以期获得能够使更新的气动稳定系数更新值大于稳定系数阈值的修正气流向量,以保证发动机的气动稳定性。
进一步地,步骤50还包括,若修正气流向量的迭代赋值调节次数满足预设次数时,若气动稳定系数更新值仍未大于稳定系数阈值,即仍未收敛,则生成稳定预警信号,发送至该航空器的驾驶机组用户端,用于进行提醒,以进行相关的介入操作,保证发动机的稳定运行。
步骤60:将所述修正气流推荐向量、所述气流特征向量和所述运动姿态变化参数进行关联存储,其中,所述气流特征向量和所述运动姿态变化参数为所述修正气流推荐向量的触发条件。
本申请实施例中,在对压气机进行修正气流向量的生成后,可采用该修正气流推荐向量进行压气机的控制调整,并将该修正气流推荐向量、气流特征向量和运动姿态变化参数进行关联存储,例如可存储至航空器的压气机控制处理数据库内,以便后续调用,即在后续出现该气流特征向量和运动姿态变化参数时,调用该修正气流推荐向量对压气机进行控制,提升发动机稳定性保持的时效性。
其中,在存储修正气流推荐向量、气流特征向量和运动姿态变化参数时,将该气流特征向量和运动姿态变化参数存储为修正气流推荐向量的触发条件,当检测计算获取航空器外界环境达成该气流特征向量和航空器的姿态达成该运动姿态变化参数时,触发执行该修正气流向量,保证发动机的运行稳定。
综上所述,本申请实施例至少具有如下技术效果:
本申请实施例通过预测航空器的运动姿态变化参数,进而分析外界的气流特征向量是否影响发动机稳定性且是否超出失速裕度或/和喘振裕度,进一步映射获取压气机叶片状态,构建发动机控制波动映射器和构建气动稳定系数映射器,分析发动机气动稳定性,能够较为准确地预测将来时刻发动机的稳定性系数,提升发动机气动稳定性分析的时效性,在预测可能发生失稳时进行介入,并进行修正气流向量的调节分析,保证发动机的气动稳定性,具有发动机稳定性分析和介入调节的预先性和准确性,达到了提升发动机稳定性分析和调整的时效性的技术效果。
实施例二
基于与前述实施例中一种基于数据处理的航空发动机稳定性分析方法相同的发明构思,如图4所示,本申请提供了一种基于数据处理的航空发动机稳定性分析系统,应用于稳定性补偿边缘节点,其中,所述系统包括:
运动姿态获取模块71,用于预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成;
环境参数获取模块72,用于获取航空器的环境监测参数,其中,所述环境监测参数包括气流特征向量;
叶片状态分析模块73,用于当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;
气动稳定性评估模块74,用于根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;
修正气流调节模块75,用于当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态;
数据存储模块76,用于将所述修正气流推荐向量、所述气流特征向量和所述运动姿态变化参数进行关联存储,其中,所述气流特征向量和所述运动姿态变化参数为所述修正气流推荐向量的触发条件。
进一步地,所述运动姿态获取模块71用于执行以下步骤:
获取航空器的第一时刻运动姿态和第一时刻发动机控制参数;
根据所述第一时刻运动姿态和所述第一时刻发动机控制参数在飞行模拟器中进行仿真,获取第一时刻飞行状态;
获取航空器的第二时刻发动机控制参数;
根据所述第二时刻发动机控制参数,在所述飞行模拟器中对所述第一时刻飞行状态进行调节,获取所述运动姿态变化参数。
进一步地,所述叶片状态分析模块73用于执行以下步骤:
基于所述气流特征向量和所述航空发动机控制参数,采集压气机叶片状态标识数据;
遍历所述压气机叶片状态标识数据进行局部离群因子计算,生成局部离群因子;
将所述局部离群因子大于或等于局部离群因子阈值的所述压气机叶片状态标识数据进行分离,生成密集分布数据;
对所述密集分布数据进行聚类加权拟合,获取所述压气机叶片状态。
进一步地,所述气动稳定性评估模块74用于执行以下步骤:
采集压气机叶片转动状态记录数据,环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据;
根据所述压气机叶片转动状态记录数据,所述环境气流向量记录数据、所述修正气流向量记录数据和所述发动机控制波动记录数据,训练发动机控制波动映射器;
构建稳定系数评价函数:
;
;
其中,表征任意一组控制波动参数的稳定系数评价结果,/>表征第i维度控制参数的第j时刻的特征值,/>表征第i维度控制参数的波动基线特征值,M表征统计的第i维度控制参数的时刻总数,N表征统计的发动机控制参数维度总数;
根据所述稳定系数评价函数,构建气动稳定系数映射器;
合并所述发动机控制波动映射器和所述气动稳定系数映射器,内嵌于所述稳定性补偿边缘节点,接收所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取所述发动机气动稳定系数。
其中,根据所述压气机叶片转动状态记录数据,所述环境气流向量记录数据、所述修正气流向量记录数据和所述发动机控制波动记录数据,训练发动机控制波动映射器,包括:
构建训练损失函数:
;
其中,表征任意一次训练的损失函数输出值,/>表征第i维度控制波动参数的损失权重,/>表征该次训练的第i维度控制波动参数的预测量,/>表征该次训练的第i维度控制波动参数的记录量,/>表征最近调整模型参数后的损失函数最小输出值,表征最近调整模型参数后的损失函数最大输出值;
当所述损失函数输出值连续预设次数小于或等于损失函数输出阈值,视为所述发动机控制波动映射器训练完成。
进一步地,所述修正气流调节模块75用于执行以下步骤:
根据压气机额定参数,获取修正气流向量约束区间,对所述修正气流向量随机赋值,获取修正气流向量赋值结果;
根据所述压气机叶片状态和所述修正气流向量赋值结果,对所述航空发动机进行气动稳定性评估,获取气动稳定系数更新值;
当所述气动稳定系数更新值大于所述稳定系数阈值,所述修正气流向量赋值结果和所述气流特征向量处于平衡状态,将所述修正气流向量赋值结果设为所述修正气流推荐向量;
当所述气动稳定系数更新值小于或等于所述稳定系数阈值,对所述修正气流向量进行迭代赋值调节。
其中,当所述修正气流向量调节次数满足预设次数时,仍未收敛,生成稳定预警信号,发送至驾驶机组用户端。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种基于数据处理的航空发动机稳定性分析方法,其特征在于,应用于稳定性补偿边缘节点,包括:
预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成;
获取航空器的环境监测参数,其中,所述环境监测参数包括气流特征向量;
当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;
根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;
当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态;
将所述修正气流推荐向量、所述气流特征向量和所述运动姿态变化参数进行关联存储,其中,所述气流特征向量和所述运动姿态变化参数为所述修正气流推荐向量的触发条件;
其中,根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数,包括:
采集压气机叶片转动状态记录数据,环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据;
根据所述压气机叶片转动状态记录数据,所述环境气流向量记录数据、所述修正气流向量记录数据和所述发动机控制波动记录数据,训练发动机控制波动映射器;
构建稳定系数评价函数:
;
;
其中,表征任意一组控制波动参数的稳定系数评价结果,/>表征第i维度控制参数的第j时刻的特征值,/>表征第i维度控制参数的波动基线特征值,/>表征统计的第i维度控制参数的时刻总数,N表征统计的发动机控制参数维度总数;
根据所述稳定系数评价函数,构建气动稳定系数映射器;
合并所述发动机控制波动映射器和所述气动稳定系数映射器,内嵌于所述稳定性补偿边缘节点,接收所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取所述发动机气动稳定系数。
2.如权利要求1所述的方法,其特征在于,预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成,包括:
获取航空器的第一时刻运动姿态和第一时刻发动机控制参数;
根据所述第一时刻运动姿态和所述第一时刻发动机控制参数在飞行模拟器中进行仿真,获取第一时刻飞行状态;
获取航空器的第二时刻发动机控制参数;
根据所述第二时刻发动机控制参数,在所述飞行模拟器中对所述第一时刻飞行状态进行调节,获取所述运动姿态变化参数。
3.如权利要求1所述的方法,其特征在于,当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态,包括:
基于所述气流特征向量和所述航空发动机控制参数,采集压气机叶片状态标识数据;
遍历所述压气机叶片状态标识数据进行局部离群因子计算,生成局部离群因子;
将所述局部离群因子大于或等于局部离群因子阈值的所述压气机叶片状态标识数据进行分离,生成密集分布数据;
对所述密集分布数据进行聚类加权拟合,获取所述压气机叶片状态。
4.如权利要求1所述的方法,其特征在于,根据所述压气机叶片转动状态记录数据,所述环境气流向量记录数据、所述修正气流向量记录数据和所述发动机控制波动记录数据,训练发动机控制波动映射器,包括:
构建训练损失函数:
;
其中,表征任意一次训练的损失函数输出值,/>表征第i维度控制波动参数的损失权重,/>表征该次训练的第i维度控制波动参数的预测量,/>表征该次训练的第i维度控制波动参数的记录量,/>表征最近调整模型参数后的损失函数最小输出值,/>表征最近调整模型参数后的损失函数最大输出值;
当所述损失函数输出值连续预设次数小于或等于损失函数输出阈值,视为所述发动机控制波动映射器训练完成。
5.如权利要求4所述的方法,其特征在于,当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态,包括:
根据压气机额定参数,获取修正气流向量约束区间,对所述修正气流向量随机赋值,获取修正气流向量赋值结果;
根据所述压气机叶片状态和所述修正气流向量赋值结果,对所述航空发动机进行气动稳定性评估,获取气动稳定系数更新值;
当所述气动稳定系数更新值大于所述稳定系数阈值,所述修正气流向量赋值结果和所述气流特征向量处于平衡状态,将所述修正气流向量赋值结果设为所述修正气流推荐向量;
当所述气动稳定系数更新值小于或等于所述稳定系数阈值,对所述修正气流向量进行迭代赋值调节。
6.如权利要求5所述的方法,其特征在于,还包括:当所述修正气流向量调节次数满足预设次数时,仍未收敛,生成稳定预警信号,发送至驾驶机组用户端。
7.一种基于数据处理的航空发动机稳定性分析系统,其特征在于,应用于稳定性补偿边缘节点,包括:
运动姿态获取模块,用于预测航空器的运动姿态变化参数,其中,所述运动姿态变化参数通过航空发动机控制参数分析生成;
环境参数获取模块,用于获取航空器的环境监测参数,其中,所述环境监测参数包括气流特征向量;
叶片状态分析模块,用于当所述气流特征向量超出旋转失速裕度或/和喘振裕度,根据所述气流特征向量和所述航空发动机控制参数进行压气机状态映射,获取压气机叶片状态;
气动稳定性评估模块,用于根据所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取发动机气动稳定系数;
修正气流调节模块,用于当所述发动机气动稳定系数小于或等于稳定系数阈值,根据压气机叶片状态,对修正气流向量进行调节,生成修正气流推荐向量,其中,所述修正气流推荐向量和所述气流特征向量处于平衡状态;
数据存储模块,用于将所述修正气流推荐向量、所述气流特征向量和所述运动姿态变化参数进行关联存储,其中,所述气流特征向量和所述运动姿态变化参数为所述修正气流推荐向量的触发条件;
所述气动稳定性评估模块用于执行以下步骤:
采集压气机叶片转动状态记录数据,环境气流向量记录数据、修正气流向量记录数据和发动机控制波动记录数据;
根据所述压气机叶片转动状态记录数据,所述环境气流向量记录数据、所述修正气流向量记录数据和所述发动机控制波动记录数据,训练发动机控制波动映射器;
构建稳定系数评价函数:
;
;
其中,表征任意一组控制波动参数的稳定系数评价结果,/>表征第i维度控制参数的第j时刻的特征值,/>表征第i维度控制参数的波动基线特征值,/>表征统计的第i维度控制参数的时刻总数,N表征统计的发动机控制参数维度总数;
根据所述稳定系数评价函数,构建气动稳定系数映射器;
合并所述发动机控制波动映射器和所述气动稳定系数映射器,内嵌于所述稳定性补偿边缘节点,接收所述压气机叶片状态,对航空发动机进行气动稳定性评估,获取所述发动机气动稳定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311512461.2A CN117252109B (zh) | 2023-11-14 | 2023-11-14 | 一种基于数据处理的航空发动机稳定性分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311512461.2A CN117252109B (zh) | 2023-11-14 | 2023-11-14 | 一种基于数据处理的航空发动机稳定性分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252109A CN117252109A (zh) | 2023-12-19 |
CN117252109B true CN117252109B (zh) | 2024-01-26 |
Family
ID=89137177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311512461.2A Active CN117252109B (zh) | 2023-11-14 | 2023-11-14 | 一种基于数据处理的航空发动机稳定性分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252109B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109184913A (zh) * | 2018-10-08 | 2019-01-11 | 南京航空航天大学 | 基于稳定性估计与预测的航空发动机气动稳定性主动复合控制方法 |
CN113361211A (zh) * | 2021-04-15 | 2021-09-07 | 中国航发湖南动力机械研究所 | 计算涡轴发动机气动稳定性的方法及系统、设备、介质 |
-
2023
- 2023-11-14 CN CN202311512461.2A patent/CN117252109B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109184913A (zh) * | 2018-10-08 | 2019-01-11 | 南京航空航天大学 | 基于稳定性估计与预测的航空发动机气动稳定性主动复合控制方法 |
CN113361211A (zh) * | 2021-04-15 | 2021-09-07 | 中国航发湖南动力机械研究所 | 计算涡轴发动机气动稳定性的方法及系统、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117252109A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107608335B (zh) | 无人机飞行控制系统故障检测与故障分离的数据驱动方法 | |
CA2783388C (en) | A method for real-time model based structural anomaly detection | |
US7552005B2 (en) | Method for fault diagnosis of a turbine engine | |
CN103541862B (zh) | 降低风力涡轮机极端负载的桨距调节方法和系统 | |
JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
CN108733868B (zh) | 用于基于飞行数据的参数调谐和配置的方法和系统 | |
US5890101A (en) | Neural network based method for estimating helicopter low airspeed | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN106777554B (zh) | 基于状态基线的航空发动机气路单元体健康状态评价方法 | |
JP2005248946A (ja) | ガスタービンエンジンのためのモデルベース制御システム及び方法 | |
JP6072446B2 (ja) | 航空機のパフォーマンスを算出する発見的方法 | |
Li et al. | Neuroadaptive variable speed control of wind turbine with wind speed estimation | |
CN111950505A (zh) | 一种ssa-aann的风力发电机传感器状态评估方法 | |
EP1656597B1 (en) | method and flight management system for mathematically modeling the performance characteristics of an aircraft | |
WO2021059787A1 (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
AU2022358641A1 (en) | Spike echo state network model for fault prediction of aeroengine | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN117252109B (zh) | 一种基于数据处理的航空发动机稳定性分析方法及系统 | |
US20150268131A1 (en) | Method and a device for normalizing values of operating parameters of an aeroengine | |
JP7450238B2 (ja) | エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム | |
CN114964798A (zh) | 一种涡喷发动机关键参数测试系统及测试方法 | |
Zheng et al. | Application of principal component analysis-assisted neural networks for the rotor blade load prediction | |
Yu et al. | EGT baseline model of aeroengine based on kernel principal component analysis and deep belief network | |
CN113741170B (zh) | 一种基于深度神经网络的航空发动机直接推力逆控制方法 | |
EP4328594A1 (en) | Air data estimation in aircraft |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |