WO2019144337A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2019144337A1
WO2019144337A1 PCT/CN2018/074084 CN2018074084W WO2019144337A1 WO 2019144337 A1 WO2019144337 A1 WO 2019144337A1 CN 2018074084 W CN2018074084 W CN 2018074084W WO 2019144337 A1 WO2019144337 A1 WO 2019144337A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
aeroengine
test data
output
model
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.)
Ceased
Application number
PCT/CN2018/074084
Other languages
English (en)
French (fr)
Inventor
马艳华
杜宪
孙希明
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to PCT/CN2018/074084 priority Critical patent/WO2019144337A1/zh
Priority to US16/462,504 priority patent/US20200063665A1/en
Publication of WO2019144337A1 publication Critical patent/WO2019144337A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D28/00—Program control of engines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/004—Indicating the operating range of the engine

Definitions

  • the invention relates to an adaptive correction method for an aeronautical engine all-inclusive line model based on a deep learning algorithm, in particular, a model correction for realizing accurate approximation of model output to test data within an aeroengine full-line working range.
  • Technology belongs to the field of aeroengine modeling and simulation technology.
  • the invention relies on the background to be a nonlinear component level mathematical model of a certain type of small bypass ratio turbofan engine.
  • the currently used aero-engine component-level models are based on the nominal characteristics of aero-engines, ignoring the performance differences between different aero-engines.
  • the engine multi-parts work together, even if the model characteristics of the components are very accurate, but the interference caused by factors such as mutual influence, manufacturing and assembly errors, wear and performance degradation, etc., make the simulation calculation of the nominal nonlinear component-level model.
  • the effectiveness and accuracy of the design and simulation verification of aero-engine control systems and fault diagnosis systems are closely related to the nonlinear model of aeroengines. Therefore, it is of great engineering significance to adaptively correct the early-stage aero-engine component-level nonlinear model based on the test data.
  • the existing domestic and international aero-engine model correction techniques mainly focus on the component characteristic correction based on the steady-state operating point, that is, for a given steady-state operating point, a plurality of solving methods are used to adjust the correction parameters, and the correction process is certain
  • the degree is the optimization process of the steady state model parameters.
  • the current common method is still based on the steady-state operating point model, and the interpolation process is used to approximate the transition state process. Due to the small steady-state operating point of the feature, the interpolation error is large, resulting in a large dynamic response error of the model. Therefore, the above model correction method is difficult to solve the accuracy problem of the key output parameters of the transition state process in the all-inclusive line.
  • the number of health parameters involved in the aeroengine model is far more than the measurable parameters of the aeroengine.
  • the existing health parameter selection method mostly adopts the modified parameter perturbation method, that is, a step signal is generated for the health parameter correction factor, and the change amount of the key output parameters of the aeroengine is measured, and the health parameters to be corrected are sequentially selected according to the magnitude of the magnitude change.
  • the variation of the key output parameters is nonlinear with the change of the health parameter correction factor, the inappropriate step signal amplitude selection will affect the choice of the modified health parameters, thus reducing the accuracy of the modified model.
  • the above method does not directly consider the modeling error of the original nonlinear model and the actual working state, and also reduces the reliability of the model and the reliability of the modified parameters.
  • the present invention proposes an adaptive correction method for the aeronautical engine all-envelope model based on the deep learning algorithm. This method directly corrects the model of the aero-engine full-package line. A more reasonable multi-index decision-making algorithm based on integrated evaluation is adopted to realize the selection of health parameters, and the original engine modeling error is compensated. Make the revised model more accurate.
  • the method can be extended to other types of aviation turbine engines and marine gas turbine modeling and correction through appropriate adjustments, and is more universal.
  • the present invention provides an adaptive correction method for an aeroengine full-envelope model based on a deep learning algorithm.
  • An adaptive correction method for aeroengine all-inclusive line model based on deep learning algorithm comprising the following steps:
  • test data of the N-time performance undecided state corresponds to one flight height and k types of Mach numbers, which are coded to establish a l ⁇ k-bit binary number, each corresponding to a flight altitude and a combination of Mach numbers; if a bit in the binary number is 1, it means that the aeroengine is operating at the flight altitude and Mach number;
  • y t represents the output data in the test sample
  • y n represents the output data of the parallel compensator
  • w represents the weight in the cyclic neural network
  • the training neural network is trained using the training samples
  • B in is the midpoint normalization matrix
  • E in is the length normalization matrix
  • q n is the information entropy of the nth attribute
  • 0 ⁇ ⁇ ⁇ 1 is the balance factor
  • d + i is the weighted normalized decision matrix J in and the positive ideal point Distance
  • d - i is the weighted normalized decision matrix J in and the negative ideal point the distance
  • the parameters of the modifier based on the genetic algorithm are set as follows: the population size of the genetic algorithm is 100, the number of iterations is 20, the number of good children is 5, the variation is generated by Gaussian distribution, the probability of cross-child generation is 0.8, the fitness of genetic algorithm The sum of the aeroengine full-line running test data of the functions P 3 , T 5 , N 1 and N 2 and the error of the aero-engine nonlinear component-level model output corrected by the corrector, the number of variables is four.
  • the invention has the beneficial effects that the nonlinear component level model of the aeroengine is modified by the method provided by the invention, and the precision is higher than the previous correction method, and the accurate description of the test data by the model in the all-inclusive line range is realized.
  • the aeroengine nonlinear model can be directly used in the design and verification of control systems and fault diagnosis. Therefore, improving the accuracy of the steady-state and transition state models of the nonlinear model can indirectly improve the engine control system design and parameter debugging effects; on the one hand, it can directly improve the aero engine digital simulation platform, the hardware-in-the-loop simulation platform, and the semi-physical simulation platform.
  • the verification accuracy and reliability provide direct and beneficial effects for the actual verification of the project.
  • the method can be extended to the modeling and correction of other types of aviation turbine engines and marine gas turbines with appropriate adjustments, and the universality is more extensive.
  • FIG. 1 is a schematic structural diagram of a system for adaptively correcting an aeronautical engine all-inclusive line model based on a deep learning algorithm
  • FIG. 2 is a flow chart of an algorithm for adaptive correction of an aeronautical engine all-inclusive line model based on a deep learning algorithm
  • FIG. 3 is a flow chart of a training algorithm for generating training data and test data of a dynamic parallel compensator
  • Figure 5 is a comparison chart of the output P 3 data and the test data of the original nonlinear component level model under a certain working condition
  • Figure 6 is a comparison chart of the output of the original nonlinear component level model T 5 data and the test data under a certain working condition
  • FIG. 7 is an effect diagram of an adaptive correction P 3 of an aeroengine all-inclusive line model based on a deep learning algorithm
  • FIG. 8 is an effect diagram of an adaptive correction T 5 of an aeroengine full envelope model based on a deep learning algorithm.
  • the present invention will be further described with reference to the accompanying drawings.
  • the present invention relies on the background as a nonlinear mathematical model of a certain type of small bypass ratio turbofan engine and test data, and the system structure diagram is shown in FIG.
  • an adaptive correction method for an aeroengine all-envelope model based on a deep learning algorithm includes the following steps:
  • the steps of generating the training data and the test data of the dynamic parallel compensator are:
  • y t represents the output data in the test sample
  • y n represents the output data of the parallel compensator
  • w represents the weight in the cyclic neural network
  • the training neural network is trained using the training samples
  • the parameters of the modifier based on the genetic algorithm are set as follows: the population size of the genetic algorithm is 100, the number of iterations is 20, the number of good children is 5, the variation is generated by Gaussian distribution, the probability of cross-child generation is 0.8, and the fitness function of genetic algorithm The sum of the error of the aeroengine full-line running test data for P 3 , T 5 , N 1 and N 2 and the error of the aero-engine nonlinear component-level model output corrected by the corrector, the number of variables is four.
  • the correction result of the health parameter correction factor is:
  • the difference between the original model and the test data before correction is shown in Figure 5 and Figure 6.
  • the original nonlinear model-level model outputs P 3 data, T 5 data and test data comparison chart under a certain working condition, and the original model is modeled.
  • the average relative error of P 3 and T 5 was 20.27% and 17.30%.
  • FIG. 7 is a comparison diagram of the P 3 and test data of the aeroengine full-line model based on the deep learning algorithm proposed by the present invention, and the average relative error of the model is 1.42%.
  • FIG. 8 is a comparison diagram of the T 5 and the test data of the modified model output after the modified method of the aeronautical engine all-inclusive line model based on the depth learning algorithm proposed by the present invention is modified, and the average relative error of the model is 1.91%.
  • the steady state and transition state performance can be significantly improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Feedback Control In General (AREA)

Abstract

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，属航空发动机建模与仿真领域。采用一种基于循环神经网络的动态并行补偿器，对航空发动机性能未蜕化状态下全包线范围内原始非线性模型误差进行补偿；同时采用一种基于遗传算法的修正器，对原始非线性部件级模型中待修正健康参数修正因子进行自适应调整。其中，待修正健康参数由基于集成评价的多指标决策算法确定。修正后的非线性部件级模型输出与补偿器输出之和，与航空发动机运行试车输出数据一致，从而提高航空发动机全包线建模精度。上述方法为航空发动机控制系统及故障诊断系统设计提供了有力支持，有助于提高航空发动机硬件在回路及半物理实验验证的可靠性。

Description

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 技术领域
本发明涉及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，具体的说，是指在航空发动机全包线工作范围内，一种实现模型输出对试车数据精确逼近的模型修正技术，属于航空发动机建模与仿真技术领域。
背景技术
本发明依托背景为某型小涵道比涡扇发动机的非线性部件级数学模型。目前常用的航空发动机部件级模型都是依据航空发动机的标称特性建立，忽略了不同航空发动机之间的性能差异。此外，发动机多部件协同工作，即使部件的模型特性十分精确，但部件间的相互影响、制造与装配误差、使用磨损和性能蜕化等因素产生的干扰，使得由标称非线性部件级模型仿真计算得到的发动机性能参数与实际性能参数存在较大误差。而航空发动机控制系统及故障诊断系统的设计与仿真验证的有效性与准确性与航空发动机的非线性模型密切相关。因此，依据试车数据对早期建立的航空发动机部件级非线性模型进行自适应修正具有重要的工程意义。
现有的国内外航空发动机模型修正技术主要集中于基于稳态工作点的部件特性修正，即针对某给定稳态工作点，采用多种求解方法对修正参数进行调整，该类修正过程在一定程度上即为稳态模型参数的优化过程。而对于航空发动机的过渡态，目前通用的方法仍然基于稳态工作点模型，采用插值算法近似过渡态过程。由于特征稳态工作点较少，插值误差较大，导致模型动态响应误差较大。因此，上述模型修正方法难以解决全包线内过渡态过程的关键输出参数的精度问题。此外，航空发动机模型中涉及的健康参数个数远多于航空发动机关 键可测参数，实际工程应用中往往只选择与关键可测参数个数相当的健康参数进行自适应调整。现有的健康参数选择方法多采用修正参数扰动法，即对健康参数修正因子产生一个阶跃信号，测量航空发动机关键输出参数的变化量，依据其幅值变化大小顺序选择待修正的健康参数。然而，由于关键输出参数的变化量随健康参数修正因子的变化并非线性，不适当的阶跃信号幅值选取会对待修正健康参数选择产生影响，从而降低了修正后模型的准确性。最后，上述方法并未考虑原始非线性模型与实际工作状态的建模误差而直接对其修正，也降低了模型精度与修正参数的可靠性。
综上，为了克服现有的控制用航空发动机全包线模型修正技术的不足，即上述基于稳态模型参数修正过渡态、基于阶跃信号响应的待修正健康参数选择及未考虑原始部件级模型误差三种情况，本发明提出了一种基于深度学习算法的控制用航空发动机全包线模型自适应修正方法。此种方法直接对航空发动机全包线范围内模型直接实现修正，采用了一种更为合理的基于集成评价的多指标决策算法实现健康参数的选择，并且对原始发动机建模误差进行了补偿，使得修正后模型更为精确。同时，本方法通过适当的调整即可推广到其他类型的航空涡轮发动机以及船用燃气轮机的建模及修正中，普适性更广。
发明内容
针对现有技术中难以实现航空发动机全包线模型高精度修正的问题，本发明提供了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。
本发明的技术方案为：
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，包括以下步骤：
S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车 数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；
S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；
S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；
S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0；
S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；
S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数Q，进入S7；否则，返回S5；
S7.保存修正后的待修正健康参数修正因子。
其中，生成动态并行补偿器的训练数据和测试数据的步骤如下：
S1.设采集的M次航空发动机全包线运行试车数据中，其中N次为性能未蜕化状态的试车数据，每次试车数据中含有P个样本，其中M、N、P为自然数，且M>N；每个样本中输入变量为采样时间T s、飞行高度H、马赫数Ma和燃油流量W f，输出变量为压气机出口压力P 3、低压涡轮出口总温T 5、低压转子转速N 1和高压转子转速N 2；
S2.产生原始非线性部件级模型输出：将采集的N次性能未蜕化状态的试车数据中的输入变量t i、H i、Ma i和W fi作为输入信号，逐次输入航空发动机原始部件级模型，得到N次原始非线性部件级模型输出：压气机出口压力P 3i’、低压涡轮出口总温T 5i’、低压转子转速N 1i’和高压转子转速N 2i’，i＝1,2,…,N；
S3.产生输出数据样本：将性能未蜕化状态的试车输出数据与原始非线性部件级模型输出分别相减，得到N次输出数据样本，即ΔP 3i＝P 3i-P 3i’,ΔT 5i＝T 5i-T 5i’，ΔN 1i＝N 1i-N 1i’，ΔN 2i＝N 2i–N 2i’，i＝1,2,…,N；
S4.归一化处理：将W fi、ΔP 3i、ΔT 5i、ΔN 1i和ΔN 2i逐次分别进行归一化处理，W * fi＝W fi/[Max(W fi)-Min(W fi)]，i＝1…N，W * fi为第i次归一化燃油流量，Max(·)表示求最大值，Min(·)表示求最小值；N次输出数据样本ΔP 3i、ΔT 5i、ΔN 1i和ΔN 2i也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力P * 3i、低压涡轮出口总温T * 5i、低压转子转速N * 1i和高压转子转速N * 2i；
S5.数据编码：设N次性能未蜕化状态的试车数据对应l种飞行高度和k种马赫数，对其进行编码，即建立一个l×k位二进制数，每一位对应一种飞行高度和马赫数的组合；若二进制数中某位为1，则表示航空发动机工作于该飞行高度和马赫数下；
S6.产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在W * fi、P * 3i、T * 5i、N * 1i和N * 2i，数据长度变为P+l×k，i＝1,2,…,N；
S7.随机选取N×(P+l×k)个样本中的五分之四作为训练样本，五分之一作为测试样本。
构建基于循环神经网络算法的动态并行补偿器的步骤如下：
S1.建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个RNN循环神经层，6个线形层，5个激活层，激活函数选择为ReLu函数，更新规则采用随机梯度下降法，动量为0.9，迭代次数为20000次，设置学习率10 -3>l r>10 -5及权重衰减系数0.3>λ>10 -5，损失函数R采用如下形式：
Figure PCTCN2018074084-appb-000001
其中，y t表示测试样本中的输出数据，y n表示并行补偿器的输出数据，w表示循环神经网络中的权重，采用训练样本对该循环神经网络进行训练；
S2.采用测试样本对训练后的循环神经网络进行测试，计算损失函数；
S3.若测试样本的损失函数值大于指标ζ，0.03≥ζ>0，则返回S1，更改学习率l r及权重衰减系数λ，重新训练网络；否则，保存网络参数，完成基于循环神经网络算法的动态并行补偿器的构建。
一种基于集成评价的多指标决策算法，具体步骤如下：
航空发动机健康参数包括风扇流量因子Q f、风扇效率因子E f、压气机流量因子Q c、压气机效率因子E c、高压涡轮流量因子Q th、高压涡轮效率因子E th、低压涡轮流量因子Q tl、低压涡轮效率因子E tl、燃烧室总压恢复系数SigComb、外涵道总压恢复系数SigBypass；健康参数修正因子及其允许修正范围分别为F i及[F imin,F imax]，i＝1,…,10；
S1.在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，健康参数修正因子全部设为1，仿真计算原始非线性模型的各稳态点数据P 3s、T 5s、N 1s、N 2s；
S2.在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，依次将健康参数修正因子由F imin以0.05的步长增加至F imax，保持其余健康参数修正值为1，仿真计算扰动的原始非线性模型各稳态点数据P 3sij、T 5sij、N 1sij、N 2sij，i＝1,…,10，j＝1,…,[(F imax-F imin)/0.05]；
S3.计算稳态点误差相对偏差量DP 3sij＝|P 3sij-P 3s|/P 3s、DT 5sij＝|T 5sij-T 5s|/T 5s、DN 1sij＝|N 1sij-N 1s|/N 1s、DN 2sij＝|N 2sij–N 2s|/N 2s，i＝1,…,10，j＝1,…,[(F imax-F imin)/0.05]；
S4.构建区间数形式的决策矩阵U＝[U in]，U in＝[u lin,u uin]，其中
Figure PCTCN2018074084-appb-000002
Figure PCTCN2018074084-appb-000003
S5.计算
Figure PCTCN2018074084-appb-000004
Figure PCTCN2018074084-appb-000005
Figure PCTCN2018074084-appb-000006
其中，B in是中点归一化矩阵，E in是长度归一化矩阵，q n是第n个属性的信息熵，0<η<1是平衡因子，i＝1,…,10，n＝1,…,4；
计算熵权
Figure PCTCN2018074084-appb-000007
S6.计算熵权决策值
Figure PCTCN2018074084-appb-000008
其中，
Figure PCTCN2018074084-appb-000009
S7.构造加权规范化决策矩阵J in＝U inw n，确定正理想点
Figure PCTCN2018074084-appb-000010
和负理想点
Figure PCTCN2018074084-appb-000011
大小分别为
Figure PCTCN2018074084-appb-000012
其中，
Figure PCTCN2018074084-appb-000013
计算距离
Figure PCTCN2018074084-appb-000014
其中，d + i是加权规范化决策矩阵J in和正理想点
Figure PCTCN2018074084-appb-000015
的距离，d - i是加权规范化决策矩阵J in和负理想点
Figure PCTCN2018074084-appb-000016
的距离；
计算决策值
Figure PCTCN2018074084-appb-000017
S8.计算综合决策值F i＝α(v i+c i)，α是放大系数，取值为1，i＝1,…,10，并按其值由大到小进行排序，选择前四个参数作为待修正健康参数。
基于遗传算法的修正器的参数设置为：遗传算法的种群大小为100，迭代次数为20，优良子辈为5，变异子辈由高斯分布产生，交叉子辈概率为0.8，遗传算法的适应度函数为P 3、T 5、N 1和N 2的航空发动机全包线运行试车数据与经过修正器修正的航空发动机非线性部件级模型输出的误差之和，变量个数为4个。
本发明的有益效果为：通过本发明所提供方法对航空发动机非线性部件级模型进行修正，相比于以往的修正方法，精度更高，实现了全包线范围内模型对试验数据的精确描述。航空发动机非线性模型可直接用于控制系统和故障诊断的设计与验证。因此，提高非线性模型的稳态和过渡态模型精度，一方面可间接提高发动机控制系统设计和参数调试效果；一方面可直接提高航空发动机数字仿真平台、硬件在回路仿真平台以及半物理仿真平台的验证精度和可靠性，从而为工程实际的验证环节提供直接有益的效果。同时，本方法通过适当的调整即可推广到其他类型的航空涡轮发动机以及船用燃气轮机的建模及修正，普适性更广。
附图说明
图1为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系统结构示意图；
图2为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算法流程图；
图3为动态并行补偿器的训练数据和测试数据的生成算法流程图；
图4为基于集成评价的多指标决策算法流程图；
图5为某一工况下原始非线性部件级模型输出P 3数据与试车数据对比图；
图6为某一工况下原始非线性部件级模型输出T 5数据与试车数据对比图；
图7为基于深度学习算法的航空发动机全包线模型自适应修正P 3效果图；
图8为基于深度学习算法的航空发动机全包线模型自适应修正T 5效果图。
具体实施方式
下面结合附图对本发明作进一步说明，本发明依托背景为某型小涵道比涡扇发动机的非线性数学模型以及试车数据，系统结构图如图1所示。
如图2所示，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，包括以下步骤：
S1.根据采集的航空发动机全包线运行试车数据中的性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；
S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；
S3.采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；
S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0，本实施例设为Q＝10；
S5.对原始非线性部件级模型中待修正健康参数的修正因子进行自适应修正；
S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若该差值e不大于误差阈值ε＝0.04(0.05≥ε>0)或达到修正次数Q，进入S7；否则，返回S5；
S7.保存修正后的待修正健康参数修正因子。
如图3所示，动态并行补偿器的训练数据和测试数据的生成步骤是：
S1.设采集的M＝980次航空发动机全包线运行试车数据中，其中N＝150次为性能未蜕化状态的试车数据，每次试车数据中含有P＝1000个样本。每个样本中输入变量为采样时间T s＝0.025、飞行高度H、马赫数Ma和燃油流量W f，输出变量为压气机出口压力P 3、低压涡轮出口总温T 5、低压转子转速N 1和高压转子转速N 2；
S2.产生原始非线性部件级模型输出：将采集的N次性能未蜕化状态的试车数据中的输入变量t i、H i、Ma i和W fi作为输入信号，逐次输入航空发动机原始部件级模型，得到N次原始非线性部件级模型输出(压气机出口压力P 3i’、低压涡轮出口总温T 5i’、低压转子转速N 1i’和高压转子转速N 2i’)，i＝1,2,…,N；
S3.产生输出数据样本：将性能未蜕化状态的试车输出数据与原始模型输出分别相减，得到N次输出数据样本，即ΔP 3i＝P 3i-P 3i’,ΔT 5i＝T 5i-T 5i’，ΔN 1i＝N 1i-N 1i’，ΔN 2i＝N 2i–N 2i’，i＝1,2,…,N；
S4.归一化处理：将W fi、ΔP 3i、ΔT 5i、ΔN 1i和ΔN 2i逐次分别进行归一化处理，如W * fi＝W fi/[Max(W fi)-Min(W fi)],i＝1…N，W * fi为第i次归一化燃油流量，Max(·)表示求最大值，Min(·)表示求最小值；N次输出数据样本ΔP 3i、ΔT 5i、ΔN 1i和ΔN 2i 也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力P * 3i、低压涡轮出口总温T * 5i、低压转子转速N * 1i和高压转子转速N * 2i；
S5.数据编码：设N次性能未蜕化状态的试车数据对应l＝3种飞行高度和k＝3种马赫数，对其进行编码，即建立一个9位二进制数，每一位对应一种飞行高度和马赫数的组合；
S6.产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在W * fi、P * 3i、T * 5i、N * 1i和N * 2i，数据长度变为1009，i＝1,2,…,N；
S7.随机选取120×1009个样本作为训练样本，30×1009作为测试样本。
基于循环神经网络算法的动态并行补偿器的构建步骤是：
S1.建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个RNN(循环神经层)，6个线形层，5个激活层，激活函数选择为ReLu函数，更新规则采用随机梯度下降法，动量为0.9，迭代次数为20000次，设置学习率l r＝10 -4及权重衰减系数λ＝10 -3，损失函数R采用如下形式：
Figure PCTCN2018074084-appb-000018
其中，y t表示测试样本中的输出数据，y n表示并行补偿器的输出数据，w表示循环神经网络中的权重，采用训练样本对该循环神经网络进行训练；
S2.采用测试样本对训练后的循环神经网络进行测试，计算损失函数；
S3.若测试样本的损失函数值大于指标ζ＝0.02，则返回S1，更改学习率l r及权重衰减系数λ，重新训练网络；否则，保存网络参数，完成基于循环神经网络算法的动态并行补偿器的构建。
如图4所示，一种基于集成评价的多指标决策算法步骤是：
航空发动机健康参数包括风扇流量因子Q f、风扇效率因子E f、压气机流量 因子Q c、压气机效率因子E c、高压涡轮流量因子Q th、高压涡轮效率因子E th、低压涡轮流量因子Q tl、低压涡轮效率因子E tl、燃烧室总压恢复系数SigComb、外涵道总压恢复系数SigBypass；健康参数修正因子及其允许修正范围分别为F i及[F imin,F imax]，i＝1,…,10，所提供修正范围要求如表1所示；
表1健康因子修正系数修正范围
参数 Q f E f Q c E c Q th E th Q tl E tl SigComb SigBypass
F imin 0.7 0.75 0.7 0.7 0.75 0.7 0.7 0.7 0.8 0.7
F imax 1.05 1.1 1.05 1.1 1.1 1.1 1.1 1.1 1.1 1.1
S1.在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，健康参数修正因子全部设为1，仿真计算原始非线性模型的各稳态点数据P 3s、T 5s、N 1s、N 2s；
S2.在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，依次将健康参数修正因子由F imin以0.05的步长增加至F imax，保持其余健康参数修正值为1，仿真计算扰动的原始非线性模型各稳态点数据P 3sij、T 5sij、N 1sij、N 2sij，i＝1,…,10，j＝1,…,[(F imax-F imin)/0.05]；
S3.计算稳态点误差相对偏差量DP 3sij＝|P 3sij-P 3s|/P 3s、DT 5sij＝|T 5sij-T 5s|/T 5s、DN 1sij＝|N 1sij-N 1s|/N 1s、DN 2sij＝|N 2sij–N 2s|/N 2s，i＝1,…,10，j＝1,…,[(F imax-F imin)/0.05]；
S4.构建区间数形式的决策矩阵U＝[U in]，U in＝[u lin,u uin]，其中
Figure PCTCN2018074084-appb-000019
Figure PCTCN2018074084-appb-000020
S5.计算
Figure PCTCN2018074084-appb-000021
Figure PCTCN2018074084-appb-000022
Figure PCTCN2018074084-appb-000023
其中，平衡因子η＝0.5，i＝1,…,10，n＝1,…,4；
计算熵权
Figure PCTCN2018074084-appb-000024
S6.计算熵权决策值
Figure PCTCN2018074084-appb-000025
其中，
Figure PCTCN2018074084-appb-000026
本实施例中熵权决策值；
S7.构造加权规范化决策矩阵J in＝U inw n，确定正理想点
Figure PCTCN2018074084-appb-000027
和负理想点
Figure PCTCN2018074084-appb-000028
大小分别为
Figure PCTCN2018074084-appb-000029
其中，
Figure PCTCN2018074084-appb-000030
计算距离
Figure PCTCN2018074084-appb-000031
计算决策值
Figure PCTCN2018074084-appb-000032
S8.计算综合决策值F i＝α(v i+c i)，i＝1,…,10，并按其值由大到小进行排序，选择前四个参数作为待修正健康参数，本实施例中选择参数为E tl、Q tl、E f、 Q f。
基于遗传算法的修正器参数设置为：遗传算法的种群大小为100，迭代次数为20，优良子辈为5，变异子辈由高斯分布产生，交叉子辈概率为0.8，遗传算法的适应度函数为P 3、T 5、N 1和N 2的航空发动机全包线运行试车数据与经过修正器修正的航空发动机非线性部件级模型输出的误差之和，变量个数为4个。健康参数修正因子的修正结果为：
E tl＝0.8879628078986851；Q tl＝0.9981193434041549；
E f＝0.9557873575305739；Q f＝0.9897485939854536。
修正前的原始模型与试车数据的差异如图5和图6所示，分别为某一工况下原始非线性部件级模型输出P 3数据、T 5数据与试车数据对比图，原始模型建模的P 3和T 5的平均相对误差为20.27％，17.30％。
图7为采用了本发明提出的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进行修正后，修正模型输出的P 3与试车数据对比图，建模的平均相对误差为1.42％。
图8为采用了本发明提出的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进行修正后，修正模型输出的T 5与试车数据对比图，建模的平均相对误差为1.91％。
综上可见在使用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进行修正后，稳态和过渡态性能都能够得到明显的改善。

Claims (5)

  1. 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，其特征在于，步骤如下：
    S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；
    S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；
    S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；
    S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0；
    S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；
    S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数Q，进入S7；否则，返回S5；
    S7.保存修正后的待修正健康参数修正因子。
  2. 根据权利要求1所述的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，其特征在于，其中，生成动态并行补偿器的训练数据和测试数据的步骤如下：
    S1.1设采集的M次航空发动机全包线运行试车数据中，其中N次为性能未蜕化状态的试车数据，每次试车数据中含有P个样本，其中M、N、P为自然数，且M>N；每个样本中输入变量为采样时间T s、飞行高度H、马赫数Ma和燃油流量W f，输出变量为压气机出口压力P 3、低压涡轮出口总温T 5、低压转子转速 N 1和高压转子转速N 2；
    S1.2产生原始非线性部件级模型输出：将采集的N次性能未蜕化状态的试车数据中的输入变量t i、H i、Ma i和W fi作为输入信号，逐次输入航空发动机原始部件级模型，得到N次原始非线性部件级模型输出：压气机出口压力P 3i’、低压涡轮出口总温T 5i’、低压转子转速N 1i’和高压转子转速N 2i’，i＝1,2,…,N；
    S1.3产生输出数据样本：将性能未蜕化状态的试车输出数据与原始非线性部件级模型输出分别相减，得到N次输出数据样本，即ΔP 3i＝P 3i-P 3i’,ΔT 5i＝T 5i-T 5i’，ΔN 1i＝N 1i-N 1i’，ΔN 2i＝N 2i–N 2i’，i＝1,2,…,N；
    S1.4归一化处理：将W fi、ΔP 3i、ΔT 5i、ΔN 1i和ΔN 2i逐次分别进行归一化处理，W * fi＝W fi/[Max(W fi)-Min(W fi)]，i＝1…N，W * fi为第i次归一化燃油流量，Max(·)表示求最大值，Min(·)表示求最小值；N次输出数据样本ΔP 3i、ΔT 5i、ΔN 1i和ΔN 2i也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力P * 3i、低压涡轮出口总温T * 5i、低压转子转速N * 1i和高压转子转速N * 2i；
    S1.5数据编码：设N次性能未蜕化状态的试车数据对应l种飞行高度和k种马赫数，对其进行编码，即建立一个l×k位二进制数，每一位对应一种飞行高度和马赫数的组合；若二进制数中某位为1，则表示航空发动机工作于该飞行高度和马赫数下；
    S1.6产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在W * fi、P * 3i、T * 5i、N * 1i和N * 2i，数据长度变为P+l×k，i＝1,2,…,N；
    S1.7随机选取N×(P+l×k)个样本中的五分之四作为训练样本，五分之一作为测试样本。
  3. 根据权利要求2所述的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，其特征在于，构建基于循环神经网络算法的动态并行补偿器的步骤如下：
    S2.1建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个RNN循环神经层，6个线形层，5个激活层，激活函数选择为ReLu函数，更新规则采用随机梯度下降法，动量为0.9，迭代次数为20000次，设置学习率10 -3>l r>10 -5及权重衰减系数0.3>λ>10 -5，损失函数R采用如下形式：
    Figure PCTCN2018074084-appb-100001
    其中，y t表示测试样本中的输出数据，y n表示并行补偿器的输出数据，w表示循环神经网络中的权重，采用训练样本对该循环神经网络进行训练；
    S2.2采用测试样本对训练后的循环神经网络进行测试，计算损失函数；
    S2.3若测试样本的损失函数值大于指标ζ，0.03≥ζ>0，则返回S2.1，更改学习率l r及权重衰减系数λ，重新训练网络；否则，保存网络参数，完成基于循环神经网络算法的动态并行补偿器的构建。
  4. 根据权利要求3所述的所述的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，其特征在于，一种基于集成评价的多指标决策算法，具体步骤如下：
    航空发动机健康参数包括风扇流量因子Q f、风扇效率因子E f、压气机流量因子Q c、压气机效率因子E c、高压涡轮流量因子Q th、高压涡轮效率因子E th、低压涡轮流量因子Q tl、低压涡轮效率因子E tl、燃烧室总压恢复系数SigComb、外涵道总压恢复系数SigBypass；健康参数修正因子及其允许修正范围分别为F i及[F imin,F imax]，i＝1,…,10；
    S3.1在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线 试车数据从慢车到最大状态分别给定，健康参数修正因子全部设为1，仿真计算原始非线性模型的各稳态点数据P 3s、T 5s、N 1s、N 2s；
    S3.2在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，依次将健康参数修正因子由F imin以0.05的步长增加至F imax，保持其余健康参数修正值为1，仿真计算扰动的原始非线性模型各稳态点数据P 3sij、T 5sij、N 1sij、N 2sij，i＝1,…,10，j＝1,…,[(F imax-F imin)/0.05]；
    S3.3计算稳态点误差相对偏差量DP 3sij＝|P 3sij-P 3s|/P 3s、DT 5sij＝|T 5sij-T 5s|/T 5s、DN 1sij＝|N 1sij-N 1s|/N 1s、DN 2sij＝|N 2sij–N 2s|/N 2s，i＝1,…,10，j＝1,…,[(F imax-F imin)/0.05]；
    S3.4构建区间数形式的决策矩阵U＝[U in]，U in＝[u lin,u uin]，其中
    Figure PCTCN2018074084-appb-100002
    Figure PCTCN2018074084-appb-100003
    Figure PCTCN2018074084-appb-100004
    i＝1,…,10，n＝1,…,4；
    S3.5计算
    Figure PCTCN2018074084-appb-100005
    Figure PCTCN2018074084-appb-100006
    Figure PCTCN2018074084-appb-100007
    其中，B in是中点归一化矩阵，E in是长度归一化矩阵，q n是第n个属性的信息熵，0<η<1是平衡因子，i＝1,…,10，n＝1,…,4；
    计算熵权
    Figure PCTCN2018074084-appb-100008
    S3.6计算熵权决策值
    Figure PCTCN2018074084-appb-100009
    其中，
    Figure PCTCN2018074084-appb-100010
    i＝1,…,10，n＝1,…,4；
    S3.7构造加权规范化决策矩阵J in＝U inw n，确定正理想点
    Figure PCTCN2018074084-appb-100011
    和负理想点
    Figure PCTCN2018074084-appb-100012
    大小分别为
    Figure PCTCN2018074084-appb-100013
    其中，
    Figure PCTCN2018074084-appb-100014
    计算距离
    Figure PCTCN2018074084-appb-100015
    其中，d + i是加权规范化决策矩阵J in和正理想点
    Figure PCTCN2018074084-appb-100016
    的距离，d - i是加权规范化决策矩阵J in和负理想点
    Figure PCTCN2018074084-appb-100017
    的距离；
    计算决策值
    Figure PCTCN2018074084-appb-100018
    S3.8计算综合决策值F i＝α(v i+c i)，α是放大系数，取值为1，i＝1,…,10，并按其值由大到小进行排序，选择前四个参数作为待修正健康参数。
  5. 根据权利要求4所述的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，其特征在于，基于遗传算法的修正器的参数设置为：遗传算法的种群大小为100，迭代次数为20，优良子辈为5，变异子辈由高斯分布产生，交叉子辈概率为0.8，遗传算法的适应度函数为P 3、T 5、N 1和N 2的航空发动机全包线运行试车数据与经过修正器修正的航空发动机非线性部件级模型输出的误差之和，变量个数为4个。
PCT/CN2018/074084 2018-01-25 2018-01-25 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 Ceased WO2019144337A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2018/074084 WO2019144337A1 (zh) 2018-01-25 2018-01-25 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
US16/462,504 US20200063665A1 (en) 2018-01-25 2018-01-25 Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/074084 WO2019144337A1 (zh) 2018-01-25 2018-01-25 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

Publications (1)

Publication Number Publication Date
WO2019144337A1 true WO2019144337A1 (zh) 2019-08-01

Family

ID=67395139

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/074084 Ceased WO2019144337A1 (zh) 2018-01-25 2018-01-25 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

Country Status (2)

Country Link
US (1) US20200063665A1 (zh)
WO (1) WO2019144337A1 (zh)

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027148A (zh) * 2019-10-28 2020-04-17 西安陕鼓动力股份有限公司 损失落后角模型自动标定及工业轴流压缩机性能计算方法
CN111177894A (zh) * 2019-12-12 2020-05-19 上海卫星工程研究所 基于支持向量机模型的红外笼加热功率修正方法
CN111242266A (zh) * 2019-12-31 2020-06-05 中国电力科学研究院有限公司 一种运行数据管理系统
CN111325735A (zh) * 2020-02-25 2020-06-23 杭州测质成科技有限公司 基于深度学习的航空发动机保险状态检测方法
CN111965981A (zh) * 2020-09-07 2020-11-20 厦门大学 一种航空发动机强化学习控制方法及系统
CN112417769A (zh) * 2020-12-08 2021-02-26 江苏科技大学 一种基于数据驱动的高增压发动机气道结构优化设计方法
CN112484075A (zh) * 2020-12-01 2021-03-12 中国航发沈阳发动机研究所 一种燃烧室出口温度场修正方法
CN112580241A (zh) * 2020-12-15 2021-03-30 北京航空航天大学 一种基于结构降阶模型的非线性气动弹性动响应分析方法
CN113221483A (zh) * 2021-05-28 2021-08-06 西北工业大学 基于类别形状函数的二元自由造型进气道优化设计方法及系统
CN113239636A (zh) * 2021-06-16 2021-08-10 中国人民解放军火箭军工程大学 一种武器装备的效能评估方法、系统、设备及存储介质
CN113408200A (zh) * 2021-06-17 2021-09-17 中国航空综合技术研究所 航空装备振动环境分析和预测方法
CN113792156A (zh) * 2021-08-31 2021-12-14 国营芜湖机械厂 一种基于人工智能的飞机电磁兼容分级管理方法
CN113919245A (zh) * 2021-09-13 2022-01-11 中国航空工业集团公司沈阳飞机设计研究所 一种基于气动分布数据融合的流场重构方法及装置
CN114065438A (zh) * 2021-11-24 2022-02-18 中国航发沈阳发动机研究所 一种基于修正系数库的间冷燃机稳态修模及性能换算方法
CN114169221A (zh) * 2021-11-08 2022-03-11 陕西千山航空电子有限责任公司 一种基于大数据的热仿真模型校核及评估方法
WO2022068213A1 (zh) * 2020-09-30 2022-04-07 南京航空航天大学 基于ec-rbelm算法的发动机整机性能衰减预测方法
US20220121787A1 (en) * 2020-05-07 2022-04-21 Nanjing University Of Aeronautics And Astronautics Method for component-level non-iterative construction of airborne real-time model of variable-cycle engine
CN114398731A (zh) * 2022-01-07 2022-04-26 南京航空航天大学 一种航空发动机模型修正方法
CN114417512A (zh) * 2021-11-16 2022-04-29 中国航发沈阳发动机研究所 一种涡扇发动机飞行使用包线确定方法
CN114519299A (zh) * 2022-01-14 2022-05-20 南京航空航天大学 一种一体化支板火焰稳定器双层壁结构的多目标优化方法
CN114692309A (zh) * 2022-04-08 2022-07-01 中国航发沈阳发动机研究所 一种航空涡扇发动机低压涡轮转子轴向力实时计算方法
CN114791702A (zh) * 2022-05-11 2022-07-26 南京航空航天大学 基于线性变参数模型的航空发动机滑模控制方法
CN114839873A (zh) * 2022-04-18 2022-08-02 南京航空航天大学 一种基于模糊增益调度的变循环发动机全包线鲁棒控制方法
CN115114868A (zh) * 2022-07-13 2022-09-27 哈尔滨工业大学 基于深度学习与损失权重分析的涡轮损失模型构建方法
CN115292842A (zh) * 2022-08-09 2022-11-04 中国航发沈阳发动机研究所 一种航空发动机结构静强度设计与可靠性双重评价方法
CN115526051A (zh) * 2022-09-30 2022-12-27 南京兰博高新技术有限责任公司 基于记忆数据的航空发动机燃气热力学属性查找插值方法
CN115903738A (zh) * 2022-11-14 2023-04-04 西安交通大学 航空发动机主燃油控制系统诊断方法和装置
CN116090096A (zh) * 2022-12-29 2023-05-09 西北工业大学 一种用于航空发动机飞行包线的智能预测方法
CN116522765A (zh) * 2023-04-12 2023-08-01 西北工业大学 一种基于知识驱动神经网络的航空发动机性能计算方法
CN116579267A (zh) * 2023-07-07 2023-08-11 西北工业大学 一种用于涡轮试验部件不稳定工作边界的数字化试验方法
CN116821653A (zh) * 2023-05-29 2023-09-29 西北工业大学 一种基于机理模型的故障特征强化学习提取方法
CN117910145A (zh) * 2024-03-15 2024-04-19 上海华模科技有限公司 气动系数的确定方法、确定装置及存储介质
CN119336746A (zh) * 2024-12-23 2025-01-21 龙兴(杭州)航空电子有限公司 用于飞行数据的完整性检验及修正方法、系统及存储介质
CN119646469A (zh) * 2024-12-12 2025-03-18 北京航空航天大学 一种基于结果融合的数实融合测试评价方法
CN120541446A (zh) * 2025-07-29 2025-08-26 长春职业技术学院 一种基于集中参数的航空燃油齿轮泵性能预测方法
CN120909258A (zh) * 2025-10-13 2025-11-07 芜湖德纳美半导体有限公司 车规设备的良品生产实时监测系统
CN121097770A (zh) * 2025-11-10 2025-12-09 湖南工商大学 一种基于因果推理与强化学习的多变量系统控制方法
CN121638687A (zh) * 2026-02-04 2026-03-10 福建师范大学 一种融合遥感与监测数据的河湖健康智能诊断评估系统及方法

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523184B (zh) * 2020-04-21 2022-01-04 南京航空航天大学 一种航空发动机控制系统的鲁棒性分析方法及存储介质
CN111639467B (zh) * 2020-06-08 2024-04-16 长安大学 一种基于长短期记忆网络的航空发动机寿命预测方法
CN111812149B (zh) * 2020-07-20 2021-10-15 南京工业大学 一种基于机器学习的绝热加速量热方法
WO2022035948A1 (en) * 2020-08-12 2022-02-17 Cognizant Technology Solutions U.S. Corporation System and method for generating parametric activation functions
CN112033463B (zh) * 2020-09-02 2022-09-06 哈尔滨工程大学 一种核动力设备状态评估与预测一体化方法和系统
CN112052628B (zh) * 2020-09-06 2022-09-16 上海电力大学 一种基于知识+数据的燃气轮机气路故障预测诊断方法
CN112560300B (zh) * 2020-11-26 2024-11-29 东南大学 一种基于lstm的转子系统支承刚度与阻尼的识别方法
CN112560343B (zh) * 2020-12-15 2024-04-02 南京航空航天大学 基于深度神经网络与打靶算法的J2摄动Lambert问题求解方法
CN112613119B (zh) * 2020-12-17 2024-04-12 大连理工大学 一种多几何参数可调的进/排/发一体化航空推进系统建模方法
CN112613734B (zh) * 2020-12-22 2024-02-09 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 一种电能状态评估指标选取方法
CN112801267A (zh) * 2020-12-30 2021-05-14 西北工业大学 动态阈值的航空发动机多重故障诊断器
CN112634265B (zh) * 2021-01-04 2023-04-07 西北大学 基于dnn的胰腺全自动分割模型的构建、分割方法及系统
CN112926254B (zh) * 2021-01-21 2023-03-17 西北工业大学 基于改进遗传算法的变循环发动机最大推力控制优化方法
CN112948161B (zh) * 2021-03-09 2022-06-03 四川大学 一种基于深度学习的航空报文纠错修正方法及系统
CN113358157A (zh) * 2021-06-10 2021-09-07 国网甘肃省电力公司兰州供电公司 基于rst-pnn-ga的电力设备温升检测预警方法
CN113673056B (zh) * 2021-08-17 2024-03-12 安徽江淮汽车集团股份有限公司 一种发动机冷试参数限值确定方法
CN113761659B (zh) * 2021-09-09 2024-04-30 北京航空航天大学 类固液动力航天运载器嵌套式多属性评估决策方法及装置
CN113792382B (zh) * 2021-09-10 2024-06-18 中国航空工业集团公司西安飞行自动控制研究所 一种基于机器学习的多任务模式近地告警方法
CN114077775B (zh) * 2021-10-29 2024-09-13 南京航空航天大学 一种面向航空发动机的动态压力智能测量方法
CN114112416B (zh) * 2021-11-24 2023-05-05 中国航发沈阳发动机研究所 一种涡扇发动机台架性能参数修正基准确定方法
CN115018115B (zh) * 2022-04-15 2025-06-13 西北工业大学 一种航空物流仓储安全管理用的自适应监控方法及系统
CN115203831A (zh) * 2022-04-18 2022-10-18 南京航空航天大学 面向涡扇发动机压气机出口动态总压探针的智能补偿方法
CN114611333B (zh) * 2022-05-10 2022-08-09 中国航发上海商用航空发动机制造有限责任公司 压气机效率评估方法及系统
CN114638555B (zh) * 2022-05-18 2022-09-16 国网江西综合能源服务有限公司 基于多层正则化极限学习机的用电行为检测方法及系统
CN114995152B (zh) * 2022-06-17 2024-12-06 中国民航大学 一种民用航空发动机性能模型偏差修正方法
CN115291509B (zh) * 2022-06-24 2024-06-18 东南大学溧阳研究院 基于混合深度学习模型的燃气轮机动态参数在线辨识方法
CN114813635B (zh) * 2022-06-28 2022-10-04 华谱智能科技(天津)有限公司 煤炉燃烧参数的优化方法及电子设备
CN115081484B (zh) * 2022-07-04 2024-09-24 南京航空航天大学 基于crj-oselm算法的航空发动机传感器故障诊断方法
CN115204368B (zh) * 2022-07-14 2025-10-03 绍兴羊羽智能芯片有限公司 一种基于智能芯片技术的飞机发动机故障诊断方法
CN115270297A (zh) * 2022-07-21 2022-11-01 南京航空航天大学 一种飞行任务剖面聚类分析方法
CN115828507A (zh) * 2022-10-25 2023-03-21 南京航空航天大学 一种航空发动机基线模型建立方法
CN115587499B (zh) * 2022-11-08 2023-11-28 中国航发沈阳发动机研究所 一种航空发动机典型瞬态历程编制方法
CN115933378A (zh) * 2022-11-14 2023-04-07 南京航空航天大学 一种飞机电动环控系统的智能控制方法
CN116104663A (zh) * 2023-01-16 2023-05-12 西安航天动力研究所 一种火箭发动机故障诊断方法、装置及介质
CN116796425B (zh) * 2023-01-17 2024-07-05 南京林业大学 一种基于sfa-gmm-bid的航空发动机动态健康监测方法
CN115875138B (zh) * 2023-02-06 2023-05-16 中国航发沈阳发动机研究所 一种航空燃气涡轮发动机分域分时控制方法及装置
CN116127850B (zh) * 2023-02-28 2026-04-10 南京航空航天大学 基于nsga-ⅱ的并联燃烧航空发动机优化设计方法
CN116305637B (zh) * 2023-03-06 2025-04-11 中国航发湖南动力机械研究所 基于发动机特性的飞机需求换算方法、装置、设备及介质
CN116300457A (zh) * 2023-03-20 2023-06-23 北京航空航天大学 一种基于多参考模型的航空发动机全包线模型参考自适应控制方法
CN116432556B (zh) * 2023-04-21 2025-07-25 中国航空工业集团公司沈阳空气动力研究所 一种机翼表面压力重构方法、电子设备及存储介质
CN116561532B (zh) * 2023-05-31 2025-12-12 西北工业大学 一种航空发动机数字孪生模型的权重自适应训练方法
CN118261035B (zh) * 2023-06-28 2025-10-03 南京理工大学 基于Elman递归神经网络的有控弹箭气动参数辨识方法
CN116612837B (zh) * 2023-07-20 2023-10-20 北京建筑大学 基于野马算法优化bp网络的生物炭制备的优化方法
CN117010179B (zh) * 2023-07-21 2024-01-23 南京航空航天大学 基于深度学习的无监督深度适应参数修正方法
CN116861270B (zh) * 2023-09-04 2023-11-28 中南大学 无人机系统级健康评估方法和系统
CN117875094B (zh) * 2024-03-13 2024-06-21 西安航天动力研究所 一种发动机仿真模型的精度评估方法、装置以及电子设备
CN117952037B (zh) * 2024-03-22 2024-05-28 中国空气动力研究与发展中心超高速空气动力研究所 一种基于深度学习的高速飞行器气动力工程估算修正方法
CN118378500B (zh) * 2024-06-25 2024-08-20 北京航空航天大学 火箭发动机管路接头可靠性评估方法、装置及电子设备
CN119337772A (zh) * 2024-10-21 2025-01-21 复旦大学 一种航空发动机大范围部件性能自适应修正方法及装置
CN119514385A (zh) * 2024-12-05 2025-02-25 北京航空航天大学 一种空天装备数实融合测试小样本数据分析方法
CN119987218B (zh) * 2025-04-16 2025-07-18 中国航发湖南动力机械研究所 航空发动机机载自适应模型输入参数自主容错修正方法、装置、电子设备及存储介质
CN120974763A (zh) * 2025-09-02 2025-11-18 天津鸿图航空科技集团有限公司 民用飞机的柱塞泵建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834785A (zh) * 2015-05-15 2015-08-12 南京航空航天大学 基于单纯形样条函数的航空发动机稳态模型的建模方法
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN107045575A (zh) * 2017-04-14 2017-08-15 南京航空航天大学 基于自调整维纳模型的航空发动机性能模型建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834785A (zh) * 2015-05-15 2015-08-12 南京航空航天大学 基于单纯形样条函数的航空发动机稳态模型的建模方法
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN107045575A (zh) * 2017-04-14 2017-08-15 南京航空航天大学 基于自调整维纳模型的航空发动机性能模型建模方法

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027148A (zh) * 2019-10-28 2020-04-17 西安陕鼓动力股份有限公司 损失落后角模型自动标定及工业轴流压缩机性能计算方法
CN111027148B (zh) * 2019-10-28 2023-07-04 西安陕鼓动力股份有限公司 损失落后角模型自动标定及工业轴流压缩机性能计算方法
CN111177894B (zh) * 2019-12-12 2023-06-13 上海卫星工程研究所 基于支持向量机模型的红外笼加热功率修正方法
CN111177894A (zh) * 2019-12-12 2020-05-19 上海卫星工程研究所 基于支持向量机模型的红外笼加热功率修正方法
CN111242266A (zh) * 2019-12-31 2020-06-05 中国电力科学研究院有限公司 一种运行数据管理系统
CN111325735A (zh) * 2020-02-25 2020-06-23 杭州测质成科技有限公司 基于深度学习的航空发动机保险状态检测方法
US20220121787A1 (en) * 2020-05-07 2022-04-21 Nanjing University Of Aeronautics And Astronautics Method for component-level non-iterative construction of airborne real-time model of variable-cycle engine
CN111965981A (zh) * 2020-09-07 2020-11-20 厦门大学 一种航空发动机强化学习控制方法及系统
CN111965981B (zh) * 2020-09-07 2022-02-22 厦门大学 一种航空发动机强化学习控制方法及系统
WO2022068213A1 (zh) * 2020-09-30 2022-04-07 南京航空航天大学 基于ec-rbelm算法的发动机整机性能衰减预测方法
CN112484075A (zh) * 2020-12-01 2021-03-12 中国航发沈阳发动机研究所 一种燃烧室出口温度场修正方法
CN112484075B (zh) * 2020-12-01 2023-04-21 中国航发沈阳发动机研究所 一种燃烧室出口温度场修正方法
CN112417769A (zh) * 2020-12-08 2021-02-26 江苏科技大学 一种基于数据驱动的高增压发动机气道结构优化设计方法
CN112417769B (zh) * 2020-12-08 2024-03-19 江苏科技大学 一种基于数据驱动的高增压发动机气道结构优化设计方法
CN112580241A (zh) * 2020-12-15 2021-03-30 北京航空航天大学 一种基于结构降阶模型的非线性气动弹性动响应分析方法
CN112580241B (zh) * 2020-12-15 2022-06-21 北京航空航天大学 一种基于结构降阶模型的非线性气动弹性动响应分析方法
CN113221483B (zh) * 2021-05-28 2023-04-18 西北工业大学 基于类别形状函数的二元自由造型进气道优化设计方法及系统
CN113221483A (zh) * 2021-05-28 2021-08-06 西北工业大学 基于类别形状函数的二元自由造型进气道优化设计方法及系统
CN113239636A (zh) * 2021-06-16 2021-08-10 中国人民解放军火箭军工程大学 一种武器装备的效能评估方法、系统、设备及存储介质
CN113408200A (zh) * 2021-06-17 2021-09-17 中国航空综合技术研究所 航空装备振动环境分析和预测方法
CN113408200B (zh) * 2021-06-17 2022-11-01 中国航空综合技术研究所 航空装备振动环境分析和预测方法
CN113792156A (zh) * 2021-08-31 2021-12-14 国营芜湖机械厂 一种基于人工智能的飞机电磁兼容分级管理方法
CN113919245A (zh) * 2021-09-13 2022-01-11 中国航空工业集团公司沈阳飞机设计研究所 一种基于气动分布数据融合的流场重构方法及装置
CN114169221A (zh) * 2021-11-08 2022-03-11 陕西千山航空电子有限责任公司 一种基于大数据的热仿真模型校核及评估方法
CN114417512A (zh) * 2021-11-16 2022-04-29 中国航发沈阳发动机研究所 一种涡扇发动机飞行使用包线确定方法
CN114065438A (zh) * 2021-11-24 2022-02-18 中国航发沈阳发动机研究所 一种基于修正系数库的间冷燃机稳态修模及性能换算方法
CN114398731A (zh) * 2022-01-07 2022-04-26 南京航空航天大学 一种航空发动机模型修正方法
CN114519299A (zh) * 2022-01-14 2022-05-20 南京航空航天大学 一种一体化支板火焰稳定器双层壁结构的多目标优化方法
CN114692309A (zh) * 2022-04-08 2022-07-01 中国航发沈阳发动机研究所 一种航空涡扇发动机低压涡轮转子轴向力实时计算方法
CN114692309B (zh) * 2022-04-08 2024-03-19 中国航发沈阳发动机研究所 一种航空涡扇发动机低压涡轮转子轴向力实时计算方法
CN114839873A (zh) * 2022-04-18 2022-08-02 南京航空航天大学 一种基于模糊增益调度的变循环发动机全包线鲁棒控制方法
CN114791702A (zh) * 2022-05-11 2022-07-26 南京航空航天大学 基于线性变参数模型的航空发动机滑模控制方法
CN115114868A (zh) * 2022-07-13 2022-09-27 哈尔滨工业大学 基于深度学习与损失权重分析的涡轮损失模型构建方法
CN115292842B (zh) * 2022-08-09 2025-08-22 中国航发沈阳发动机研究所 一种航空发动机结构静强度设计与可靠性双重评价方法
CN115292842A (zh) * 2022-08-09 2022-11-04 中国航发沈阳发动机研究所 一种航空发动机结构静强度设计与可靠性双重评价方法
CN115526051A (zh) * 2022-09-30 2022-12-27 南京兰博高新技术有限责任公司 基于记忆数据的航空发动机燃气热力学属性查找插值方法
CN115903738A (zh) * 2022-11-14 2023-04-04 西安交通大学 航空发动机主燃油控制系统诊断方法和装置
CN115903738B (zh) * 2022-11-14 2024-10-25 西安交通大学 航空发动机主燃油控制系统诊断方法和装置
CN116090096A (zh) * 2022-12-29 2023-05-09 西北工业大学 一种用于航空发动机飞行包线的智能预测方法
CN116522765A (zh) * 2023-04-12 2023-08-01 西北工业大学 一种基于知识驱动神经网络的航空发动机性能计算方法
CN116821653A (zh) * 2023-05-29 2023-09-29 西北工业大学 一种基于机理模型的故障特征强化学习提取方法
CN116579267A (zh) * 2023-07-07 2023-08-11 西北工业大学 一种用于涡轮试验部件不稳定工作边界的数字化试验方法
CN117910145A (zh) * 2024-03-15 2024-04-19 上海华模科技有限公司 气动系数的确定方法、确定装置及存储介质
CN119646469A (zh) * 2024-12-12 2025-03-18 北京航空航天大学 一种基于结果融合的数实融合测试评价方法
CN119336746B (zh) * 2024-12-23 2025-04-01 龙兴(杭州)航空电子有限公司 用于飞行数据的完整性检验及修正方法、系统及存储介质
CN119336746A (zh) * 2024-12-23 2025-01-21 龙兴(杭州)航空电子有限公司 用于飞行数据的完整性检验及修正方法、系统及存储介质
CN120541446A (zh) * 2025-07-29 2025-08-26 长春职业技术学院 一种基于集中参数的航空燃油齿轮泵性能预测方法
CN120909258A (zh) * 2025-10-13 2025-11-07 芜湖德纳美半导体有限公司 车规设备的良品生产实时监测系统
CN121097770A (zh) * 2025-11-10 2025-12-09 湖南工商大学 一种基于因果推理与强化学习的多变量系统控制方法
CN121638687A (zh) * 2026-02-04 2026-03-10 福建师范大学 一种融合遥感与监测数据的河湖健康智能诊断评估系统及方法

Also Published As

Publication number Publication date
US20200063665A1 (en) 2020-02-27

Similar Documents

Publication Publication Date Title
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
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
CN110502840B (zh) 航空发动机气路参数在线预测方法
CN110579962B (zh) 基于神经网络的涡扇发动机推力预测方法及控制器
US20220309122A1 (en) Iterative algorithm for aero-engine model based on hybrid adaptive differential evolution
CN108647428B (zh) 一种涡扇发动机自适应部件级仿真模型构建方法
CN108829928B (zh) 一种涡轴发动机自适应部件级仿真模型构建方法
CN111679574B (zh) 一种基于大规模全局优化技术的变循环发动机过渡态优化方法
CN106055770B (zh) 一种基于滑模理论的航空发动机气路故障诊断方法
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
CN114154234B (zh) 一种航空发动机建模方法、系统、存储介质
CN104102769B (zh) 基于人工智能的涡轴发动机实时部件级模型建立方法
CN112131670B (zh) 一种基于混合自适应差分进化的航空发动机模型迭代算法
Chen et al. Aero‐engine real‐time models and their applications
CN111679576B (zh) 一种基于改进确定性策略梯度算法的变循环发动机控制器设计方法
CN111079290A (zh) 一种基于改进多元宇宙算法的发动机模型修正方法
CN109634107B (zh) 一种发动机动态控制规律优化方法
Tsoutsanis et al. Non-linear model calibration for off-design performance prediction of gas turbines with experimental data
CN116151020A (zh) 一种基于改进扩展卡尔曼滤波的航空发动机健康估计方法
CN109800449A (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
CN112560340A (zh) 航空发动机喘振裕度估计方法及控制方法
CN114995152B (zh) 一种民用航空发动机性能模型偏差修正方法
CN110647052A (zh) 一种变循环发动机模式切换自适应身份证模型构建方法
CN116822296A (zh) 基于长短期记忆神经网络的涡轮过渡态叶尖间隙预估方法
CN115903484A (zh) 基于合作博弈的航空发动机多变量鲁棒控制器优化方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18902927

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18902927

Country of ref document: EP

Kind code of ref document: A1