DE102022125918A1

DE102022125918A1 - Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes, Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes, Computerprogramm und computerlesbares Medium

Info

Publication number: DE102022125918A1
Application number: DE102022125918.8A
Authority: DE
Inventors: Lukas Werling; Till Hörger
Original assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Current assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Priority date: 2022-10-07
Filing date: 2022-10-07
Publication date: 2024-04-18

Abstract

Die Erfindung betrifft ein Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes (6) für ein Verfahren zur kontaktlosen Ermittlung von Betriebsparametern (2) eines Triebwerkes, insbesondere eines Raketentriebwerkes (4), mittels des künstlichen neuronalen Netzes (6), mit den Schrittena. Erfassen von Eingangsdaten umfassend, z. B. mittels herkömmlicher Messtechnik (8) und/oder Computersimulation erfasste, Trainings-Betriebsdaten (10) und/oder, z. B. unter Verwendung zumindest eines Teils der Trainings-Betriebsdaten (10) berechnete, theoretische Trainings-Daten (12) an einer Referenzbrennkammer (14) unter gegebenen Randbedingungen, sowie Erfassen optischer Trainings-Bilddaten (16) eines Abgasstrahls (18), insbesondere stromab, der Referenzbrennkammer (14) synchron zu dem Erfassen der Eingangsdaten in einem Datenerfassungsbetrieb,b. Aufbereitung der Eingangsdaten und der Trainings-Bilddaten (16) zu einem Eingangsdatensatz mittels einer Datenverarbeitungseinrichtung (22) undc. Training des künstlichen neuronalen Netzes (6) unter Einspeisen des Eingangsdatensatzes in das künstliche neuronale Netz (6).

Description

Die Erfindung betrifft ein Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes für ein Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes, insbesondere eines Raketentriebwerkes, mittels des künstlichen neuronalen Netzes, sowie ein Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes, insbesondere eines Raketentriebwerkes, mittels eines künstlichen neuronalen Netzes. Die Erfindung betrifft ferner ein Computerprogramm und ein computerlesbares Medium.
In der KR 20030060703 A ist ein Verfahren zur Abschätzung eines maximalen Drucks und eines Ortes, an dem der maximale Druck auftritt, in einer Brennkammer mittels eines künstlichen neuronalen Netzes angegeben.
Die CN 113456042 A beschreibt ein Verfahren zur kontaktlosen Messung des Blutdrucks mittels eines künstlichen neuronalen Netzes.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes und ein Verfahren zur kontaktlosen Ermittlung von Betriebsparametern mittels eines neuronalen Netzes bereitzustellen, sowie ein entsprechendes Computerprogramm und computerlesbares Medium, welche die Ermittlung von Betriebsparametern an einem Triebwerk wesentlich vereinfachen.
Für das Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes wird die Aufgabe mit den Merkmalen des Anspruchs 1 gelöst. Für das Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes wird die Aufgabe mit den Merkmalen des Anspruchs 14 gelöst. Für das Computerprogramm wird die Aufgabe mit den Merkmalen des Anspruchs 20 und für das computerlesbare Medium mit den Merkmalen des Anspruchs 21 gelöst.
Vorteilhafte Ausführungsvarianten sind in den abhängigen Ansprüchen angegeben.
Bei dem Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes ist vorgesehen, dass das Verfahren die Schritte umfasst:

a. Erfassen von Eingangsdaten umfassend, z. B. mittels herkömmlicher Messtechnik und/oder Computersimulation erfasste, Trainings-Betriebsdaten und/oder, z. B. unter Verwendung zumindest eines Teils der Trainings-Betriebsdaten berechnete, theoretische Trainings-Daten an einer Referenzbrennkammer unter gegebenen Randbedingungen, sowie Erfassen optischer Trainings-Bilddaten eines Abgasstrahls (mit einer Flamme), insbesondere stromab, der Referenzbrennkammer synchron zu dem Erfassen der Eingangsdaten in einem Datenerfassungsbetrieb,
b. Aufbereitung der Eingangsdaten und der Trainings-Bilddaten zu einem Eingangsdatensatz mittels einer Datenverarbeitungseinrichtung und
c. Training des künstlichen neuronalen Netzes unter Einspeisen des Eingangsdatensatzes in das künstliche neuronale Netz.

Die gegebenen Randbedingungen betreffen die Geometrie der Brennkammer des Triebwerkes sowie den eingesetzten Treibstoff und sind unveränderlich für das Verfahren zum Erstellen und/oder Einlernen gegeben. Ihre Werte entsprechen denen der gegebenen Randbedingungen bei dem Verfahren zur kontaktlosen Ermittlung von Betriebsparametern bei einer Anwendung an einer Messbrennkammer. Bei (wesentlicher) Änderung der gegebenen Randbedingungen bei der Anwendung ist das künstliche neuronale Netz neu zu erstellen und/oder einzulernen.
Die peripheren Randbedingungen betreffen insbesondere die Peripherie und/oder Einstellungen während des Datenerfassungsbetriebs.
Bei Verwendung einer Computersimulation kann diese anhand einer computergestützten 2D-Simulation oder 3D-Simulation unter Einsatz eines geeigneten Verbrennungsmodells durchgeführt werden. Möglich ist auch eine vereinfachte Simulation z. B. unter Verwendung einer CFD-Strömungssimulation und Speziesbestimmung mittels eines Gleichgewichts-Chemie-Modells (z. B. innerhalb des Programms CEA („Chemical Equilibrium with Applications“) der National Aeronautics and Space Administration (NASA)).
Die Simulationsdaten können zusätzlich oder alternativ zu experimentell erfassten Daten als Datenquelle für den Eingangsdatensatz dienen. Insbesondere bei alternativer Verwendung (ausschließlich) von Simulationsdaten hängt die Qualität der Vorhersage des eingelernten neuronalen Netzes maßgeblich von den für den Eingangsdatensatz verwendeten Simulationen ab.
Bei einer experimentellen Erfassung der optischen Trainings-Bilddaten wird insbesondere die Lumineszenz der Flamme (in einem von der Flamme ausgesandten Wellenlängenbereich) in dem Abgasstrahl aufgezeichnet (z. B. Chemilumineszenz). Möglich ist auch die (alternative oder zusätzliche) Erfassung von Schatten- und/oder Schlierenmustern. Die Bildrate kann beispielsweise zwischen 60 und 10.000 Bildern pro Sekunde betragen.
Bei einer Erfassung der optischen Trainings-Bilddaten aus einer Computersimulation werden insbesondere die Simulationsergebnisse, explizit des Abgasstrahls, möglichst realistisch gerendert.
Das Verfahren eignet sich für mit unterschiedlichen Treibstoffen betriebene Raketentriebwerke, beispielsweise Lachgas / Ethan (als grüne Bipropellant-Treibstoffkombination), Flüssigsauerstoff / Methan, Monomethylhydrazin / Stickstofftetroxid, oder auch Monopropellant-Treibstoffe wie Wasserstoffperoxid oder Hydrazin.
Durch das vorgeschlagene Verfahren kann ein künstliches neuronales Netz bereitgestellt werden, unter dessen Einsatz sich die Ermittlung von Betriebsparametern bei einem Triebwerk, insbesondere einem Raketentriebwerk, wesentlich vereinfachen lässt.
Vorzugsweise umfassen die Trainings-Betriebsdaten zumindest eine, vorzugsweise alle, der folgenden Größen: einen Brennkammerdruck, einen Oxidator- und/oder Brennstoffmassenstrom, einen Schub. Dabei umfassen die Trainings-Betriebsdaten insbesondere derartige Betriebsdaten, welche bei der geplanten Anwendung mit dem Verfahren zur kontaktlosen Ermittlung von Betriebsparametern ermittelt werden sollen. Mittels dieser Betriebsparameter kann insbesondere auf einen aktuellen Betriebszustand der Brennkammer bzw. des Triebwerks rückgeschlossen werden.
Vorzugsweise umfassen die theoretischen Trainings-Daten zumindest eine, vorzugsweise alle, der folgenden Größen: ein aus dem Oxidator- und/oder Brennstoffmassenstrom berechnetes Mischungsverhältnis, einen mittels des Schubs und des Massenstroms oder der Massenströme berechneten spezifischen Impuls I_sp, einen berechneten Wert einer charakteristischen Geschwindigkeit c*_exp, einen aus der charakteristischen Geschwindigkeit c*_exp und einer theoretischen charakteristischen Geschwindigkeit C*_theo abgeleiteten Verbrennungswirkungsgrad η_c*. Dabei umfassen die theoretischen Trainings-Daten insbesondere derartige Daten, welche bei der geplanten Anwendung mit dem Verfahren zur kontaktlosen Ermittlung von Betriebsparametern ermittelt werden sollen.
Die charakteristische Geschwindigkeit wird mittels des gemessenen Brennkammerdrucks p, einer (als gegebene Randbedingung bekannten) Düsenhalsfläche A und dem gemessenen (Gesamt-) Massenstrom m (von Brennstoff und Oxidator) ermittelt zu c*_exp= p*A/ṁ.
Der Verbrennungswirkungsgrad zur Bewertung der Effizienz des Triebwerks wird aus der charakteristischen Geschwindigkeit und einer theoretischen charakteristischen Geschwindigkeit C*_theo ermittelt zu η_c* = c*_exp/C*_theo.
Der spezifische Impuls I_sp wird mittels des Schubs F und des (Gesamt-) Massenstroms (von Brennstoff und Oxidator) ermittelt wird zu I_sp = F/ ṁ.
Zweckmäßigerweise werden die theoretischen Trainings-Daten, insbesondere die theoretische charakteristische Geschwindigkeit und damit in Zusammenhang stehende Größen, unter Verwendung eines Kalkulationsprogrammes basierend auf einem chemischen Gleichgewicht innerhalb des Abgasstrahles ermittelt. Ein derartiges Kalkulationsprogramm bildet beispielsweise das Programm CEA („Chemical Equilibrium with Applications“) der National Aeronautics and Space Administration (NASA).
Zur Bestimmung von Betriebsparametern mit möglichst hoher Genauigkeit umfassen die gegebenen Randbedingungen zumindest eine, vorzugsweise alle, der folgenden Größen: die Geometrie eines Injektors der Referenzbrennkammer, die Geometrie der Brennkammer der Referenzbrennkammer, die Geometrie einer Düse der Referenzbrennkammer (insbesondere mit dem Düsenhalsdurchmesser und dem Düsenaustritts-Durchmesser), eine Art eines verwendeten Treibstoffes oder einer verwendeten Treibstoffkombination (und damit Zusammenhang stehende Stoffgrößen bzw. Stoffdaten).
Vorzugsweise wird der Datenerfassungsbetrieb an einem Prüfstand und/oder mittels einer Computersimulation durchgeführt, wobei periphere Randbedingungen an eine Anwendung angepasst sind und/oder konstant gehalten werden, wobei die peripheren Randbedingungen insbesondere einen Umgebungsdruck, eine Beleuchtung (insbesondere des Abgasstrahls), einen Hintergrund (insbesondere des Abgasstrahls), eine Kameraposition und/oder einen Bildausschnitt (eingestellt an der Kamera zur Erfassung der Trainings-Bilddaten) umfassen oder daraus gebildet sind. Bei Durchführung der Computersimulation werden die peripheren Randbedingungen zumindest teilweise beim Rendering der Simulationsdaten eingestellt. Konstante periphere Randbedingungen können vorteilhafterweise die Genauigkeit des Verfahrens verbessern, insbesondere wenn diese konstanten peripheren Randbedingungen so auch bei der Anwendung vorliegen und/oder eingestellt werden, und/oder die Größe des Trainings-Datensatzes (umfassend Trainings-Betriebsdaten und theoretische Trainings-Daten) gering halten.
Die Störanfälligkeit des Verfahrens kann dadurch verringert werden, dass zur Anpassung der peripheren Randbedingungen an die Anwendung zumindest eine der peripheren Randbedingungen (gezielt) variiert wird. Möglich ist z. B. eine Variation des Umgebungsdrucks (je nach geplanter Anwendung z. B. zwischen Vakuum und/oder Atmosphärendruck), der Beleuchtung, des Hintergrundes, der Kameraposition und/oder des Bildausschnitts, an einem Prüfstand und/oder beim Rendering der Simulationsdaten, wobei der Algorithmus bzw. das künstliche neuronale Netz „lernt“, auch Störungen durch veränderte periphere Randbedingungen zu eliminieren. Dadurch wird das Verfahren deutlich weniger störanfällig. Dieses Vorgehen ist insbesondere vorteilhaft, wenn abzusehen ist, dass die peripheren Randbedingung auch in der Anwendung nicht konstant gehalten werden können (beispielsweise der Umgebungsdruck bei geplanter Anwendung sowohl in Erdatmosphäre als auch im Weltall), diese nicht genau bekannt sind und/oder bekanntermaßen unter anderen Bedingungen stattfindet als bei dem Erstellen und/oder Einlernen des künstlichen neuronalen Netzes.
Vorzugsweise erfolgt Schritt a. mit dem Datenerfassungsbetrieb für alle bezüglich einer geplanten Anwendung relevante Betriebspunkte, wobei insbesondere zumindest eine der folgenden Größen variiert wird/werden: der Massenstrom oder die Massenströme an Treibstoff, eine Einspritztemperatur und/oder ein Einspritzdruck des Treibstoffes oder der Treibstoffe. Gegebenenfalls werden die Betriebspunkte mehrfach, unter Variation einer oder mehrerer periphere Randbedingung/en, angefahren und/oder simuliert. Dies erhöht die Genauigkeit bei der kontaktlosen Ermittlung der Betriebsparameter in der Anwendung.
Eine Verbesserung der Genauigkeit ergibt sich auch, wenn bei Schritt a. eine Kamera zur Erfassung der Trainings-Bilddaten und/oder ein Rendering von Simulationsdaten so eingestellt wird, dass ein entstehendes Stoßmuster in dem Abgasstrahl, insbesondere umfassend Machscheiben, über die relevanten Betriebspunkte in den Trainings-Bilddaten sichtbar ist. Dabei wird/werden vorzugsweise die Beleuchtung und/oder der Hintergrund an die Gegebenheiten bei der Anwendung angepasst.
Die Bildqualität kann weiter verbessert werden, wenn in dem Datenerfassungsbetrieb unter Verwendung herkömmlicher Messtechnik zumindest zwei Kameras und/oder ein oder mehrere optische Filter verwendet werden.
Vorzugsweise werden bei Schritt b. jedem für den Eingangsdatensatz verwendeten (Stand-)Bild der Trainings-Bilddaten die zum entsprechenden Zeitpunkt erfassten Trainings-Betriebsdaten und/oder theoretischen Trainings-Daten zugeordnet und auf diese Weise die Daten korreliert. Zudem kann eine Aufbereitung der Trainings-Bilddaten erfolgen, wobei beispielsweise zur Reduktion der Datenmenge ein Bildausschnitt auf einen möglichst kleinen Bildausschnitt umfassend die relevanten Informationen, insbesondere die Flamme, verkleinert wird.
Als vorteilhaft hat sich herausgestellt, wenn bei Schritt c. das Training mittels eines Backpropagation-Verfahrens erfolgt.
In einer bevorzugten Verfahrensvariante werden bei Schritt c. die Trainings-Bilddaten zumindest hinsichtlich einer, vorzugsweise jeder, der folgenden Größen ausgewertet: einer Farbe einer Flamme in dem Abgasstrahl (liefert insbesondere Informationen hinsichtlich des Mischungsverhältnisses), einer Geometrie, insbesondere einer Breite und/oder Länge, einer Flamme in dem Abgasstrahl (liefert insbesondere Informationen hinsichtlich des (Gesamt-) Massenstroms), eines Stoßmusters in dem Abgasstrahl (liefert insbesondere Informationen hinsichtlich des Brennkammerdrucks).
Das Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes umfasst bei einer Anwendung den Schritt

d. Ermittlung der Betriebsparameter (lediglich) aus optischen Bilddaten eines Abgasstrahls (mit einer Flamme), insbesondere stromab, einer Messbrennkammer, die baugleich zu einer Referenzbrennkammer ausgebildet ist, unter gegebenen Randbedingungen und peripheren Randbedingungen.

Schritt d. an der Anwendung kann nach dem Einlernen des künstlichen neuronalen Netzes mit dem entsprechenden Verfahren umfassend die Schritte a. bis c. beliebig oft durchgeführt werden.
„Baugleich“ bedeutet insbesondere, dass die gegebenen Randbedingungen mit den gegebenen Randbedingungen der Referenzbrennkammer zumindest im Wesentlichen (beispielsweise abgesehen von Fertigungstoleranzen) übereinstimmen. Weichen die Werte der gegebenen Randbedingungen an der Messbrennkammer wesentlich von den Werten an der Referenzbrennkammer ab, muss das künstliche neuronale Netz neu erstellt und/oder eingelernt werden.
Eine Anwendung kann beispielsweise in einer Qualitätssicherung bestehen, wobei das künstliche neuronale Netz mit den Schritten a. bis c. an einer ersten Brennkammer als Referenzbrennkammer eingelernt wird. Anschließend können baugleiche Brennkammern als Messbrennkammern unter wesentlich geringerem Aufwand lediglich unter Erfassung optischer Bilddaten hinsichtlich relevanter Betriebsparameter z. B. vor Auslieferung überprüft werden.
Eine andere beispielhafte Anwendung kann beispielsweise in einer anderen Versuchsumgebung bestehen, wobei Versuche mit einer flugnahen Hardwarekonfiguration (ohne Einsatz berührender Messtechnik) durchgeführt werden können, ohne auf wichtige Betriebsparameter als Betriebsdaten zu verzichten.
Eine andere beispielhafte Anwendung kann etwa in Beurteilung des Zustandes unter Erfassung der Betriebsparameter eines Raketentriebwerkes im Weltall bestehen.
Mit dem vorgeschlagenen Verfahren zur kontaktlosen Ermittlung von Betriebsparametern des Raketentriebwerks können vorteilhafterweise mit äußerst geringem Aufwand auch in prüfstandsferner Umgebung relevante Betriebsparameter zur Beurteilung des Betriebsverhaltens eines Triebwerks, insbesondere Raketentriebwerks, ermittelt werden.
Eine gute Verfahrensgenauigkeit hinsichtlich der ermittelten Betriebsparameter wird erreicht, wenn bei Schritt d. mittels zumindest einer Kamera Bilddaten erfasst werden, die mittels des künstlichen neuronalen Netzes ausgewertet werden, wobei die peripheren Randbedingungen vorzugsweise zumindest teilweise denjenigen bei dem Verfahren zum Erstellen und/oder Einlernen des künstlichen neuronalen Netzes entsprechen. Bei Verwendung zweier Kameras und/oder eines oder mehrerer Filter beim Einlernen kann beispielsweise bei der Anwendung die gleiche Anordnung verwendet werden. Vorzugsweise erfolgt zugunsten einer einfachen Verfahrensdurchführung keine Verwendung weiterer Messsensorik zur Ermittlung der Betriebsparameter.
Vorzugsweise können als Betriebsparameter Betriebsdaten (ohne Verwendung weiterer Messsensorik) und/oder theoretische Daten (ohne aufwändige Berechnung unter Verwendung eines Kalkulationsprogrammes basierend auf einem chemischen Gleichgewicht innerhalb des Abgasstrahles) ausgegeben werden.
Zweckmäßigerweise umfassen die Betriebsdaten zumindest eine, vorzugsweise alle, der folgenden Größen: einen Brennkammerdruck, einen Oxidator- und/oder Brennstoffmassenstrom, einen Schub. Insbesondere umfassen die Betriebsdaten diejenigen Daten, die bei dem Verfahren zum Erstellen und/oder Einlernen des künstlichen neuronalen Netzes als Trainings-Betriebsdaten erfasst und trainiert wurden.
Zweckmäßigerweise umfassen die theoretischen Daten zumindest eine, vorzugsweise alle, der folgenden Größen: einen spezifischen Impuls I_sp, eine charakteristische Geschwindigkeit c*_exp, einen Verbrennungswirkungsgrad q_c*, ein Mischungsverhältnis. Insbesondere umfassen die theoretischen Daten diejenigen Daten, die bei dem Verfahren zum Erstellen und/oder Einlernen des künstlichen neuronalen Netzes als theoretische Daten erfasst und trainiert wurden.
Vorzugsweise werden bei der Auswertung der Bilddaten zumindest eine, vorzugsweise alle, der folgenden Größen ermittelt: eine Farbe einer Flamme in dem Abgasstrahl der Messbrennkammer, eine Geometrie, insbesondere eine Breite und/oder Länge, einer Flamme in dem Abgasstrahl der Messbrennkammer, ein Stoßmuster in dem Abgasstrahl der Messbrennkammer.
Nachfolgend wird die Erfindung anhand von Ausführungsbeispielen unter Bezugnahme auf die Zeichnungen näher erläutert. Es zeigen:

1 eine schematische Darstellung eines Verfahrens zur kontaktlosen Ermittlung von Betriebsparametern eines Raketentriebwerks mit einem vorgelagerten Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes,
2 das Verfahren gemäß 1 in einem Block-Ablaufschema,
3 einen beispielhaften Schritt b. während der Aufbereitung von Bilddaten unter Extraktion eines relevanten Bildbereiches und
4A, B einen beispielhaften Abgasstrahl mit einer Flamme bei zwei unterschiedlichen Betriebspunkten.

1 zeigt in einer schematischen Darstellung ein Verfahren zur kontaktlosen Ermittlung von Betriebsparametern 2 eines Raketentriebwerks 4. Die Anwendung des Verfahrens erfolgt an einer Messbrennkammer 26 in einem Schritt d. Bei dem Verfahren wird ein künstliches neuronales Netz 6 eingesetzt, welches in einem vorgelagerten Verfahren mit den Schritten a., b. und c. erstellt und/oder eingelernt wurde. Die einzelnen Verfahrensschritte werden nachfolgend erläutert.
Bei dem Verfahren zum Erstellen und/oder Einlernen des künstlichen neuronalen Netzes 6 werden in dem Schritt a. zunächst in einem Datenerfassungsbetrieb Eingangsdaten an einer Referenzbrennkammer 14 z. B. an einem Prüfstand oder mittels Computersimulation unter gegebenen Randbedingungen für ein nachgeschaltetes Training des künstlichen neuronalen Netzes 6 (vgl. Schritt c.) erfasst.
Die Eingangsdaten umfassen Trainings-Betriebsdaten 10, welche z. B. mittels herkömmlicher, bekannter Messtechnik 8 oder mittels Computersimulation erfasst werden. Im Einzelnen werden als Trainings-Betriebsdaten 10 vorzugsweise zumindest folgende Größen ermittelt: ein Brennkammerdruck, der experimentell insbesondere mittels zumindest eines Drucksensors mit physikalischer Verbindung zu dem Inneren der Referenzbrennkammer 14 gemessen wird, z. B. in Ausbildung als piezoresistiver, piezoelektrischer, kapazitiver oder induktiver Drucksensor; ein Oxidator- und ein Brennstoffmassenstrom (bzw., bei Verwendung eines Monopropellants, ein Massenstrom des Monopropellants), die experimentell insbesondere mittels eines Durchflussmessgeräts, beispielsweise basierend auf dem Coriolis-Prinzip, in Ausbildung als Messblenden, Differenzdruck-Sensoren, Turbinen oder Anemometern, gemessen werden; ein Schub der Referenzbrennkammer, der experimentell insbesondere mittels zumindest einer Kraftmessdose und/oder eines kalibrierten Schubwagens gemessen wird.
Die Eingangsdaten umfassen zudem theoretische Trainings-Daten 12, die insbesondere unter Verwendung zumindest eines Teils der Trainings-Betriebsdaten 10 berechnet werden. Im Einzelnen umfassen die theoretischen Trainings-Daten 12 vorzugsweise: einen berechneten Wert einer charakteristischen Geschwindigkeit c*_exp, der mittels des gemessenen Brennkammerdrucks p, einer (als gegebene Randbedingung bekannten) Düsenhalsfläche A und dem gemessenen (Gesamt-) Massenstrom m ermittelt wird zu c*_exp= p*A/ ṁ; einen aus der charakteristischen Geschwindigkeit und einer theoretischen charakteristischen Geschwindigkeit C*_theo abgeleiteten Verbrennungswirkungsgrad η_c* zur Bewertung der Effizienz des Raketentriebwerks 4, der ermittelt wird zu η_c* = c*_exp/C*_theo, einen mittels des Schubs F und des (Gesamt-) Massenstroms berechneten spezifischen Impuls I_sp, der ermittelt wird zu I_sp = F/ṁ, und ein Mischungsverhältnis, das z. B. global aus dem Verhältnis der gemessenen Massenströme errechnet wird.
Die theoretischen Trainings-Daten 12, insbesondere die theoretische charakteristische Geschwindigkeit C*_theo, werden unter Verwendung eines Kalkulationsprogrammes und dem chemischen Gleichgewicht innerhalb eines aus der Referenzbrennkammer 14 austretenden Abgasstrahls 18 aus den Trainings-Betriebsdaten 10 ermittelt.
Die gegebenen Randbedingungen sind unveränderlich für das Verfahren zum Erstellen und/oder Einlernen gegeben und entsprechen den gegebenen Randbedingungen bei dem Verfahren zur kontaktlosen Ermittlung von Betriebsparametern 2, d. h. bei einer Anwendung. Bei (wesentlicher) Änderung der gegebenen Randbedingungen bei der Anwendung ist das künstliche neuronale Netz 6 neu zu erstellen und/oder einzulernen.
Die gegebenen Randbedingungen umfassen insbesondere die Geometrie eines Injektors der Referenzbrennkammer 14, die Geometrie der Brennkammer (insbesondere Länge und Durchmesser) der Referenzbrennkammer 14 und die Geometrie einer Düse 34, insbesondere mit dem Düsenhalsdurchmesser und dem Düsenaustritts-Durchmesser, der Referenzbrennkammer 14, sowie die Art des verwendeten Treibstoffes oder einer verwendeten Treibstoffkombination (und damit in Zusammenhang stehenden Stoffgrößen).
An dem Prüfstand oder beim Rendering der Simulationsdaten werden weiterhin periphere Randbedingungen eingestellt, wie Beleuchtung, Hintergrund, Bildausschnitt (bzw. eine Kameraposition) und eventuell Umgebungsdruck. Die peripheren Randbedingungen werden möglichst gut an die geplante Anwendung angepasst. Bei einer geplanten Anwendung im Weltall kann beispielsweise der Hintergrund kontinuierlich schwarz und der Umgebungsdruck entsprechend Vakuum eingestellt werden. Bei einer geplanten Anwendung in Erdatmosphäre wird der Umgebungsdruck entsprechend dem Atmosphärendruck eingestellt.
Möglich ist auch, zumindest eine periphere Randbedingung gezielt zu variieren. Beispielsweise kann bei einer geplanten Anwendung sowohl unter Erdatmosphäre als auch im Weltall der Umgebungsdruck gezielt zwischen Atmosphärendruck und Vakuum variiert werden. Möglich ist z. B. auch eine Variation der Beleuchtung, des Hintergrundes und/oder des Bildausschnitts, wobei der Algorithmus bzw. das künstliche neuronale Netz „lernt“, auch Störungen durch veränderte periphere Randbedingungen zu eliminieren. Dadurch wird das Verfahren deutlich weniger störanfällig. Dieses Vorgehen bietet sich an, wenn abzusehen ist, dass die peripheren Randbedingung auch in der Anwendung nicht konstant gehalten werden können und/oder bekanntermaßen unter anderen Bedingungen stattfindet als bei dem Erstellen und/oder Einlernen des künstlichen neuronalen Netzes 6.
Als Eingangsdaten werden zudem optische Trainings-Bilddaten 16 des Abgasstrahls 18 stromab der Düse 34 der Referenzbrennkammer 14 synchron zu den Eingangsdaten erfasst. Dabei werden, bei experimenteller Erfassung, insbesondere fortlaufende (Video-)Bildsequenzen der Lumineszenz einer Flamme 20 in dem Abgasstrahl 18 beispielsweise mit einer hohen Bildrate von z. B. 60 bis 10.000 Bildern pro Sekunde aufgezeichnet.
Bei Erfassung unter Einsatz von Computersimulation werden die optischen Trainings-Bilddaten 16 durch das Rendering der Simulationsdaten generiert.
Eine Kamera 24 zur Erfassung der Trainings-Bilddaten 16 (oder das Rendering) wird so eingestellt, dass ein in dem Abgasstrahl 18 entstehendes Stoßmuster 30, insbesondere mit Machscheiben 32, bei allen während des Datenerfassungsbetriebs eingestellten, relevanten Betriebspunkten sichtbar ist.
Zur Verbesserung der Bildqualität und/oder der Anzahl an auswertbaren BildInformationen insbesondere über eine Flammenfarbe und Form der Flamme 20 können zumindest zwei Kameras 24 und/oder ein oder mehrere optische Filter verwendet werden (in 1 nicht gezeigt).
Der Datenerfassungsbetrieb wird für alle relevanten, auch bei der Anwendung des Verfahrens bzw. des Triebwerks geplante, Betriebspunkte durchgeführt. Dabei werden insbesondere der Brennstoff- und/oder Oxidatormassenstrom variiert, wodurch verschiedene Brennkammerdrücke, Schübe und Mischungsverhältnisse eingestellt werden. Zudem kann die Einspritztemperatur und/oder der Einspritzdruck variiert werden.
Während oder nach Schritt a. werden in dem Schritt b. die Eingangsdaten und die Trainings-Bilddaten 16 mittels einer Datenverarbeitungseinrichtung 22 zu einem Eingangsdatensatz aufbereitet. Dabei werden jedem Bild der Trainings-Bilddaten 16 die zum entsprechenden Zeitpunkt erfassten bzw. ermittelten Trainings-Betriebsdaten 10 und/oder theoretischen Trainings-Daten 12 zugeordnet. Der Eingangsdatensatz enthält somit die Trainings-Bilddaten 16 des Abgasstrahls 18 bzw. der Flamme 20, wobei jedem Bild der simultan gemessene Brennkammerdruck, die simultan gemessenen Massenströme, der simultan gemessene Schub, das simultan ermittelte Mischungsverhältnis und vorzugsweise die aus den simultanen Betriebsdaten ermittelten simultanen theoretischen Trainings-Daten 12 mit dem spezifischen Impuls, der charakteristischen Geschwindigkeit und dem simultanen Verbrennungswirkungsgrad zugeordnet ist.
Wie 3 zeigt, können zur Reduktion der Datenmenge die jeweiligen Bilder der Trainings-Bilddaten 16 unmittelbar nach Erfassen oder während der Aufbereitung der Trainings-Bilddaten 16 auf einen möglichst kleinen Bildausschnitt 28 umfassend die relevanten Informationen, insbesondere die Flamme 20, verkleinert werden.
Nach Aufbereitung der Daten in Schritt b. wird der Eingangsdatensatz in das künstliche neuronale Netz 6 eingespeist und das künstliche neuronale Netz 6 mit einem geeigneten Trainingsalgorithmus erstellt und/oder eingelernt. Einen geeigneten Trainingsalgorithmus stellt beispielsweise ein Backpropagation-Verfahren dar.
Die Trainings-Bilddaten 16 werden dabei insbesondere hinsichtlich charakteristischer Größen ausgewertet, die aufgrund physikalischer Effekte mit den Betriebsparametern 2 in Zusammenhang stehen. Beispielsweise wird eine Farbe der Flamme 20 ermittelt, welche sich mit dem Mischungsverhältnis ändert. Weiterhin wird vorzugsweise eine Geometrie der Flamme 20 ermittelt, insbesondere hinsichtlich einer Breite B und/oder einer Länge L (vgl. 4 A, 4 B), welche Rückschlüsse auf den Massenstrom zulässt. Zudem wird vorzugsweise das Stoßmuster 30 ausgewertet, insbesondere unter Auswertung axialer Abstände der Machscheiben 32 und/oder einer Position der ersten Machscheibe 32 stromab der Düse 34 (vgl. 1).
Aufgrund der Wechselwirkung dieser Größen miteinander ist eine einfache analytische Beschreibung oder Berechnung nicht möglich. Mittels des entsprechend erstellten und/oder ein gelernten künstlichen neuronalen Netzes 6 kann jedoch auf die entsprechenden Betriebsparameter 2 rückgeschlossen werden.
Nach Einlernen und/oder Erstellen des künstlichen neuronalen Netzes 6 kann das Verfahren zur kontaktlosen Ermittlung von Betriebsparametern des Raketentriebwerks 4 an der Anwendung mit Schritt d. beliebig oft durchgeführt werden.
Eine Anwendung kann beispielsweise in einer Qualitätssicherung bestehen, wobei das künstliche neuronale Netz 6 mit den Schritten a. bis c. an einer ersten Brennkammer als Referenzbrennkammer 14 eingelernt wird. Anschließend können baugleiche Brennkammern als Messbrennkammern 26 unter wesentlich geringerem Aufwand lediglich unter Erfassung optischer Bilddaten hinsichtlich relevanter Betriebsparameter 2 vor Auslieferung überprüft werden.
Eine andere beispielhafte Anwendung kann in einer anderen Versuchsumgebung bestehen, wobei Versuche mit einer flugnahen Hardwarekonfiguration (ohne Einsatz berührender Messtechnik) durchgeführt werden können, ohne auf wichtige Betriebsparameter als Betriebsdaten zu verzichten.
Eine andere beispielhafte Anwendung kann etwa in Beurteilung des Zustandes unter Erfassung der Betriebsparameter 2 eines Raketentriebwerkes im Weltall bestehen.
Bei dem Verfahren an der Anwendung werden in Schritt d. die Betriebsparameter 2 lediglich aus optischen Bilddaten des Abgasstrahls 18 mit der Flamme 20 stromab einer Messbrennkammer 26 unter den gegebenen Randbedingungen ermittelt. Weitere optische Techniken, beispielsweise Laser oder dergleichen, kommen vorzugsweise nicht zum Einsatz. Die Messbrennkammer 26 ist baugleich zu der Referenzbrennkammer 14 ausgebildet, sodass die gegebenen Randbedingungen zumindest im Wesentlichen identisch sind (z. B. abweichend um Fertigungstoleranzen).
Während Schritt d. werden mittels der (oder einer anderen) Kamera 24 Bilddaten erfasst und mittels des künstlichen neuronalen Netzes 6 ausgewertet. Dabei sind vorzugsweise die peripheren Randbedingungen so weit wie möglich vergleichbar mit den peripheren Randbedingungen während des Erstellens und/oder Einlernen des künstlichen neuronalen Netzes 6.
Die Auswertung erfolgt insbesondere hinsichtlich der Farbe der Flamme 20, der Geometrie mit der Breite B und/oder der Länge L der Flamme 20 und/oder dem Stoßmuster 3 des Abgasstrahls 18. Vorzugsweise entsprechen die peripheren Randbedingungen zumindest teilweise den peripheren Randbedingungen während des Erstellens und/oder Einlernen des künstlichen neuronalen Netzes 6.
Als Betriebsparameter 2 können insbesondere diejenigen Daten ausgegeben werden, die in den Schritten a. bis c. als Trainings-Betriebsdaten 10 und/oder theoretische Trainings-Daten 12 an der Referenzbrennkammer 14 zum Erstellen und/oder Einlernen des künstlichen neuronalen Netzes 6 gemessen und/oder berechnet wurden. Dies sind insbesondere der Brennkammerdruck, der Massenstrom oder die Massenströme, das Mischungsverhältnis, der Schub, der spezifische Impuls, die charakteristische Geschwindigkeit und/oder der Verbrennungswirkungsgrad bzw. die Effizienz.
Die Ermittlung der Betriebsparameter 2 mittels des entsprechend eingelernten künstlichen neuronalen Netzes 6 kann aufgrund der vergleichsweise geringen Rechenleistung nahezu in Echtzeit erfolgen.
2 zeigt eine Zusammenfassung des gesamten Verfahrens, mit dem Verfahren zum Erstellen und/oder Einlernen des künstlichen neuronalen Netzes 6 vorgelagert zu dem Verfahren zur kontaktlosen Ermittlung der Betriebsparameter 2, in einem einfachen Blockschema. Dabei ist die Definition der Randbedingungen in einem vorgelagerten Definitionsschritt 0 dargestellt. Anschließend folgen Schritt a. mit dem Datenerfassungsbetrieb, Schritt b. mit dem Aufbereiten der Eingangsdaten und der Trainings-Bilddaten 16, Schritt c. mit Training des künstlichen neuronalen Netzes 6 und Schritt d. mit der Anwendung.
3 zeigt ein beispielhaftes (Stand-)Bild aus Trainings-Bilddaten 16 oder Bilddaten während der Anwendung, wobei der ursprüngliche Bilddatensatz auf den Bildausschnitt 28 verkleinert wird. Der Bildausschnitt 28 stellt weiterhin die Flamme 20 dar, mit zumindest einer Höhe H, einer Länge L und einem Stoßmuster 30 umfassend Machscheiben 32.
4 A und 4 B zeigen beispielhaft zumindest einen Teil des Abgasstrahls 18 mit der Flamme 20 bei unterschiedlichen Betriebspunkten mit unterschiedlichen Massenströmen. Dabei ändert sich erkennbar die Geometrie der Flamme 20, mit der Höhe H (z. B. die Höhe H an dem Düsenaustritt und/oder eine maximale Flammenhöhe H_max) und der Länge L der Flamme 20.
Mit dem vorgeschlagenen Verfahren zur kontaktlosen Ermittlung von Betriebsparametern 2 des Raketentriebwerks 4 können vorteilhafterweise mit äußerst geringem Aufwand auch in prüfstandsferner Umgebung zur Beurteilung des Betriebsverhaltens eines Triebwerks, insbesondere Raketentriebwerks 4, relevante Betriebsparameter 2 ermittelt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 20030060703 A [0002]
CN 113456042 A [0003]

Claims

Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes (6) für ein Verfahren zur kontaktlosen Ermittlung von Betriebsparametern (2) eines Triebwerkes, insbesondere eines Raketentriebwerkes (4), mittels des künstlichen neuronalen Netzes (6), mit den Schritten a. Erfassen von Eingangsdaten umfassend, z. B. mittels herkömmlicher Messtechnik (8) und/oder Computersimulation erfasste, Trainings-Betriebsdaten (10) und/oder, z. B. unter Verwendung zumindest eines Teils der Trainings-Betriebsdaten (10) berechnete, theoretische Trainings-Daten (12) an einer Referenzbrennkammer (14) unter gegebenen Randbedingungen, sowie Erfassen optischer Trainings-Bilddaten (16) eines Abgasstrahls (18), insbesondere stromab, der Referenzbrennkammer (14) synchron zu dem Erfassen der Eingangsdaten in einem Datenerfassungsbetrieb, b. Aufbereitung der Eingangsdaten und der Trainings-Bilddaten (16) zu einem Eingangsdatensatz mittels einer Datenverarbeitungseinrichtung (22) und c. Training des künstlichen neuronalen Netzes (6) unter Einspeisen des Eingangsdatensatzes in das künstliche neuronale Netz (6).
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Trainings-Betriebsdaten (10) zumindest eine, vorzugsweise alle, der folgenden Größen umfassen: einen Brennkammerdruck, einen Oxidator- und/oder Brennstoffmassenstrom, einen Schub.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die theoretischen Trainings-Daten (12) zumindest eine, vorzugsweise alle, der folgenden Größen umfassen: ein aus dem Oxidator- und/oder Brennstoffmassenstrom berechnetes Mischungsverhältnis, einen mittels des Schubs und des Massenstroms oder der Massenströme berechneten spezifischen Impuls (I_sp), einen berechneten Wert einer charakteristischen Geschwindigkeit (c*_exp), einen aus der charakteristischen Geschwindigkeit (c*_exp) und einer theoretischen charakteristischen Geschwindigkeit (C*_theo) abgeleiteten Verbrennungswirkungsgrad (η_c*).
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die theoretischen Trainings-Daten (12) unter Verwendung eines Kalkulationsprogrammes basierend auf einem chemischen Gleichgewicht innerhalb des Abgasstrahles (18) ermittelt werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die gegebenen Randbedingungen zumindest eine, vorzugsweise alle, der folgenden Größen umfassen: die Geometrie eines Injektors der Referenzbrennkammer (14), die Geometrie der Brennkammer der Referenzbrennkammer (14), die Geometrie der einer Düse (34) der Referenzbrennkammer (14), die Art eines verwendeten Treibstoffes oder einer verwendeten Treibstoffkombination.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Datenerfassungsbetrieb an einem Prüfstand und/oder mittels einer Computersimulation durchgeführt wird, wobei periphere Randbedingungen an eine Anwendung angepasst sind und/oder konstant gehalten werden, wobei die peripheren Randbedingungen insbesondere einen Umgebungsdruck, eine Beleuchtung, einen Hintergrund, eine Kameraposition und/oder einen Bildausschnitt (28) umfassen oder daraus gebildet sind.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass zur Anpassung der peripheren Randbedingungen an die Anwendung zumindest eine der peripheren Randbedingungen variiert wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Schritt a. mit dem Datenerfassungsbetrieb für alle bezüglich einer geplanten Anwendung relevante Betriebspunkte durchgeführt wird, wobei insbesondere zumindest eine der folgenden Größen variiert wird/werden: der Massenstrom oder die Massenströme an Treibstoff, eine Einspritztemperatur und/oder ein Einspritzdruck des Treibstoffes oder der Treibstoffe.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass bei Schritt a. eine Kamera (24) zur Erfassung der Trainings-Bilddaten (16) und/oder ein Rendering von Simulationsdaten so eingestellt wird, dass ein entstehendes Stoßmuster (30) in dem Abgasstrahl (18), insbesondere umfassend Machscheiben (32), über die relevanten Betriebspunkte in den Trainings-Bilddaten (16) sichtbar ist.
Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass in dem Datenerfassungsbetrieb unter Verwendung herkömmlicher Messtechnik zumindest zwei Kameras (24) und/oder ein oder mehrere optische Filter verwendet werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei Schritt b. jedem für den Eingangsdatensatz verwendeten Bild der Trainings-Bilddaten (16) die zum entsprechenden Zeitpunkt erfassten Trainings-Betriebsdaten (10) und/oder theoretischen Trainings-Daten (12) zugeordnet werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei Schritt c. das Training mittels eines Backpropagation-Verfahrens erfolgt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei Schritt c. die Trainings-Bilddaten (16) zumindest hinsichtlich einer, vorzugsweise jeder, der folgenden Größen ausgewertet werden: einer Farbe einer Flamme (20) in dem Abgasstrahl (18), einer Geometrie, insbesondere einer Breite (B) und/oder Länge (L), einer Flamme (20) in dem Abgasstrahl (18), eines Stoßmusters (30) in dem Abgasstrahl.
Verfahren zur kontaktlosen Ermittlung von Betriebsparametern (2) eines Triebwerkes, insbesondere eines Raketentriebwerkes (4), mittels eines künstlichen neuronalen Netzes (6), welches erstellt und/oder eingelernt ist mit einem Verfahren nach einem der Ansprüche 1 bis 13, und welches bei einer Anwendung den Schritt umfasst d. Ermittlung der Betriebsparameter (2) aus optischen Bilddaten eines Abgasstrahls (18), insbesondere stromab, einer Messbrennkammer (26), die baugleich zu einer Referenzbrennkammer (14) ausgebildet ist, unter gegebenen Randbedingungen und peripheren Randbedingungen.
Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass bei Schritt d. mittels zumindest einer Kamera (24) Bilddaten erfasst werden, die mittels des künstlichen neuronalen Netzes (6) ausgewertet werden, wobei die peripheren Randbedingungen vorzugsweise zumindest teilweise denjenigen nach Anspruch 6 entsprechen.
Verfahren nach Anspruch 14 oder 15, dadurch gekennzeichnet, dass als Betriebsparameter (2) Betriebsdaten und/oder theoretische Daten ausgegeben werden.
Verfahren nach Anspruch 16, dadurch gekennzeichnet, dass die Betriebsdaten zumindest eine, vorzugsweise alle, der folgenden Grö-ßen umfassen: einen Brennkammerdruck, einen Oxidator- und/oder Brennstoffmassenstrom, einen Schub.
Verfahren nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass die theoretischen Daten zumindest eine, vorzugsweise alle, der folgenden Größen umfassen: einen spezifischen Impuls (I_sp), eine charakteristische Geschwindigkeit (c*_exp), einen Verbrennungswirkungsgrad (η_c*), ein Mischungsverhältnis.
Verfahren nach einem der Ansprüche 14 bis 18, dadurch gekennzeichnet, dass bei der Auswertung der Bilddaten zumindest eine, vorzugsweise alle, der folgenden Größen ermittelt werden: eine Farbe einer Flamme (20) in dem Abgasstrahl (18) der Messbrennkammer (26), eine Geometrie, insbesondere eine Breite (B) und/oder Länge (L), der Flamme (20) in dem Abgasstrahl der Messbrennkammer (26), ein Stoßmuster (30) in dem Abgasstrahl der Messbrennkammer (26).
Computerprogramm, umfassend ein künstliches neuronales Netz erstellt und/oder eingelernt mit einem Verfahren nach einem der Ansprüche 1 bis 13 und Befehle, die bewirken, dass ein Computer das Verfahren nach einem der Ansprüche 14 bis 19 anwendet und dabei Betriebsparameter (2) aus optischen Bilddaten kontaktlos ermittelt.
Computerlesbares Medium, auf dem das Computerprogramm nach Anspruch 20 gespeichert ist.