CN108416086A - 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 PDFInfo
- Publication number
- CN108416086A CN108416086A CN201810071168.XA CN201810071168A CN108416086A CN 108416086 A CN108416086 A CN 108416086A CN 201810071168 A CN201810071168 A CN 201810071168A CN 108416086 A CN108416086 A CN 108416086A
- Authority
- CN
- China
- Prior art keywords
- aero
- engine
- data
- model
- test data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开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,属航空发动机建模与仿真领域。本发明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。本发明为航空发动机控制***及故障诊断***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
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***及故障诊断***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Ts、飞行高度H、马赫数Ma和燃油流量Wf,输出变量为压气机出口压力P3、低压涡轮出口总温T5、低压转子转速N1和高压转子转速N2;
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ti、Hi、Mai和Wfi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P3i’、低压涡轮出口总温T5i’、低压转子转速N1i’和高压转子转速N2i’,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ΔP3i=P3i-P3i’,ΔT5i=T5i-T5i’,ΔN1i=N1i-N1i’,ΔN2i=N2i–N2i’,i=1,2,…,N;
S4.归一化处理:将Wfi、ΔP3i、ΔT5i、ΔN1i和ΔN2i逐次分别进行归一化处理,W* fi=Wfi/[Max(Wfi)-Min(Wfi)],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ΔP3i、ΔT5i、ΔN1i和ΔN2i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>lr>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:
其中,yt表示测试样本中的输出数据,yn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lr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Qf、风扇效率因子Ef、压气机流量因子Qc、压气机效率因子Ec、高压涡轮流量因子Qth、高压涡轮效率因子Eth、低压涡轮流量因子Qtl、低压涡轮效率因子Etl、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Fi及[Fimin,Fimax],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P3s、T5s、N1s、N2s;
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Fimin以0.05的步长增加至Fimax,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P3sij、T5sij、N1sij、N2sij,i=1,…,10,j=1,…,[(Fimax-Fimin)/0.05];
S3.计算稳态点误差相对偏差量DP3sij=|P3sij-P3s|/P3s、DT5sij=|T5sij-T5s|/T5s、DN1sij=|N1sij-N1s|/N1s、DN2sij=|N2sij–N2s|/N2s,i=1,…,10,j=1,…,[(Fimax-Fimin)/0.05];
S4.构建区间数形式的决策矩阵U=[Uin],Uin=[ulin,uuin],其中
i=1,…,10,n=1,…,4;
S5.计算
其中,Bin是中点归一化矩阵,Ein是长度归一化矩阵,qn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
S6.计算熵权决策值
S7.构造加权规范化决策矩阵Jin=Uinwn,确定正理想点和负理想点大小分别为
其中,
计算距离
其中,d+ i是加权规范化决策矩阵Jin和正理想点的距离,是加权规范化决策矩阵Jin和负理想点的距离;
计算决策值
S8.计算综合决策值Fi=α(vi+ci),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P3、T5、N1和N2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***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***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***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P3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T5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P3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T5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,***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Ts=0.025、飞行高度H、马赫数Ma和燃油流量Wf,输出变量为压气机出口压力P3、低压涡轮出口总温T5、低压转子转速N1和高压转子转速N2;
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ti、Hi、Mai和Wfi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P3i’、低压涡轮出口总温T5i’、低压转子转速N1i’和高压转子转速N2i’),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ΔP3i=P3i-P3i’,ΔT5i=T5i-T5i’,ΔN1i=N1i-N1i’,ΔN2i=N2i–N2i’,i=1,2,…,N;
S4.归一化处理:将Wfi、ΔP3i、ΔT5i、ΔN1i和ΔN2i逐次分别进行归一化处理,如W* fi=Wfi/[Max(Wfi)-Min(Wfi)],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ΔP3i、ΔT5i、ΔN1i和ΔN2i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lr=10-4及权重衰减系数λ=10-3,损失函数R采用如下形式:
其中,yt表示测试样本中的输出数据,yn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lr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Qf、风扇效率因子Ef、压气机流量因子Qc、压气机效率因子Ec、高压涡轮流量因子Qth、高压涡轮效率因子Eth、低压涡轮流量因子Qtl、低压涡轮效率因子Etl、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Fi及[Fimin,Fimax],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 | Qf | Ef | Qc | Ec | Qth | Eth | Qtl | Etl | SigComb | SigBypass |
Fimin | 0.7 | 0.75 | 0.7 | 0.7 | 0.75 | 0.7 | 0.7 | 0.7 | 0.8 | 0.7 |
Fimax | 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P3s、T5s、N1s、N2s;
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Fimin以0.05的步长增加至Fimax,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P3sij、T5sij、N1sij、N2sij,i=1,…,10,j=1,…,[(Fimax-Fimin)/0.05];
S3.计算稳态点误差相对偏差量DP3sij=|P3sij-P3s|/P3s、DT5sij=|T5sij-T5s|/T5s、DN1sij=|N1sij-N1s|/N1s、DN2sij=|N2sij–N2s|/N2s,i=1,…,10,j=1,…,[(Fimax-Fimin)/0.05];
S4.构建区间数形式的决策矩阵U=[Uin],Uin=[ulin,uuin],其中
i=1,…,10,n=1,…,4;
S5.计算
其中,平衡因子η=0.5,i=1,…,10,n=1,…,4;
计算熵权
S6.计算熵权决策值
其中,i=1,…,10,n=1,…,4,本实施例中熵权决策值;
S7.构造加权规范化决策矩阵Jin=Uinwn,确定正理想点和负理想点大小分别为
其中,
计算距离
计算决策值
S8.计算综合决策值Fi=α(vi+ci),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Etl、Qtl、Ef、Qf。
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P3、T5、N1和N2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:
Etl=0.8879628078986851;Qtl=0.9981193434041549;
Ef=0.9557873575305739;Qf=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P3数据、T5数据与试车数据对比图,原始模型建模的P3和T5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***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***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Ts、飞行高度H、马赫数Ma和燃油流量Wf,输出变量为压气机出口压力P3、低压涡轮出口总温T5、低压转子转速N1和高压转子转速N2;
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ti、Hi、Mai和Wfi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P3i’、低压涡轮出口总温T5i’、低压转子转速N1i’和高压转子转速N2i’,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ΔP3i=P3i-P3i’,ΔT5i=T5i-T5i’,ΔN1i=N1i-N1i’,ΔN2i=N2i–N2i’,i=1,2,…,N;
S1.4归一化处理:将Wfi、ΔP3i、ΔT5i、ΔN1i和ΔN2i逐次分别进行归一化处理,W* fi=Wfi/[Max(Wfi)-Min(Wfi)],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ΔP3i、ΔT5i、ΔN1i和ΔN2i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>lr>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:
其中,yt表示测试样本中的输出数据,yn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lr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Qf、风扇效率因子Ef、压气机流量因子Qc、压气机效率因子Ec、高压涡轮流量因子Qth、高压涡轮效率因子Eth、低压涡轮流量因子Qtl、低压涡轮效率因子Etl、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Fi及[Fimin,Fimax],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P3s、T5s、N1s、N2s;
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Fimin以0.05的步长增加至Fimax,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P3sij、T5sij、N1sij、N2sij,i=1,…,10,j=1,…,[(Fimax-Fimin)/0.05];
S3.3计算稳态点误差相对偏差量DP3sij=|P3sij-P3s|/P3s、DT5sij=|T5sij-T5s|/T5s、DN1sij=|N1sij-N1s|/N1s、DN2sij=|N2sij–N2s|/N2s,i=1,…,10,j=1,…,[(Fimax-Fimin)/0.05];
S3.4构建区间数形式的决策矩阵U=[Uin],Uin=[ulin,uuin],其中 i=1,…,10,n=1,…,4;
S3.5计算
其中,Bin是中点归一化矩阵,Ein是长度归一化矩阵,qn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
S3.6计算熵权决策值
其中,i=1,…,10,n=1,…,4;
S3.7构造加权规范化决策矩阵Jin=Uinwn,确定正理想点和负理想点大小分别为
其中,
计算距离
其中,d+ i是加权规范化决策矩阵Jin和正理想点的距离,d- i是加权规范化决策矩阵Jin和负理想点的距离;
计算决策值
S3.8计算综合决策值Fi=α(vi+ci),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P3、T5、N1和N2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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810071168.XA CN108416086B (zh) | 2018-01-25 | 2018-01-25 | 一种基于深度学习的航空发动机模型自适应修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810071168.XA CN108416086B (zh) | 2018-01-25 | 2018-01-25 | 一种基于深度学习的航空发动机模型自适应修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416086A true CN108416086A (zh) | 2018-08-17 |
CN108416086B CN108416086B (zh) | 2021-07-16 |
Family
ID=63126478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810071168.XA Active CN108416086B (zh) | 2018-01-25 | 2018-01-25 | 一种基于深度学习的航空发动机模型自适应修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416086B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109162813A (zh) * | 2018-10-09 | 2019-01-08 | 南京航空航天大学 | 一种基于迭代学习修正的航空发动机智能转速控制方法 |
CN109441644A (zh) * | 2018-12-11 | 2019-03-08 | 大连理工大学 | 一种基于自抗扰理论的涡扇发动机稳态过渡态多变量控制方法 |
CN109800449A (zh) * | 2018-12-10 | 2019-05-24 | 南京航空航天大学 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
CN109887202A (zh) * | 2019-02-22 | 2019-06-14 | 北京航天泰坦科技股份有限公司 | 内置增强模块的税控盘 |
CN110513199A (zh) * | 2019-07-23 | 2019-11-29 | 南京航空航天大学 | 一种航空发动机推力衰退缓解的神经网络控制方法 |
CN111042928A (zh) * | 2019-12-30 | 2020-04-21 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111624886A (zh) * | 2020-06-05 | 2020-09-04 | 沈阳航空航天大学 | 一种基于sarsa的变循环航空发动机推力控制方法 |
CN111856933A (zh) * | 2020-07-06 | 2020-10-30 | 大连理工大学 | 一种考虑不确定性的航空发动机自适应控制器设计方法 |
CN111917410A (zh) * | 2020-07-10 | 2020-11-10 | 天津七所精密机电技术有限公司 | 一种基于高精度计时的时间敏感参数修正装订数据的方法 |
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*** |
CN111967202A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机极速性能数字孪生方法 |
CN112131670A (zh) * | 2020-09-28 | 2020-12-25 | 大连理工大学 | 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 |
CN112576536A (zh) * | 2020-12-07 | 2021-03-30 | 中国航发沈阳发动机研究所 | 一种压气机特性修正方法 |
CN112834226A (zh) * | 2021-01-07 | 2021-05-25 | 中国人民解放***箭军工程大学 | 一种航空发动机气路在线监测传感器优化配置方法 |
CN112948161A (zh) * | 2021-03-09 | 2021-06-11 | 四川大学 | 一种基于深度学习的航空报文纠错修正方法及*** |
CN112949166A (zh) * | 2021-01-28 | 2021-06-11 | 中国航发沈阳发动机研究所 | 一种燃气轮机稳态模型系数确定方法 |
CN113779786A (zh) * | 2021-08-30 | 2021-12-10 | 厦门大学 | 基于Modelica的液压挖掘机能量传递精准模型构建方法 |
CN114046815A (zh) * | 2021-11-09 | 2022-02-15 | 上海精赋达传感技术有限公司 | 基于深度学习的编码器自校正方法及装置 |
WO2022061871A1 (zh) * | 2020-09-28 | 2022-03-31 | 大连理工大学 | 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 |
CN114296343A (zh) * | 2021-11-16 | 2022-04-08 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
CN114659793A (zh) * | 2022-02-11 | 2022-06-24 | 厦门大学 | 一种发动机露天试车实验的风速风向包线确定方法 |
CN115059549A (zh) * | 2022-06-16 | 2022-09-16 | 中国航发沈阳发动机研究所 | 一种防止大马赫数误操作油门杆的控制方法及*** |
CN117010179A (zh) * | 2023-07-21 | 2023-11-07 | 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 |
US11823057B2 (en) | 2019-12-30 | 2023-11-21 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
CN117094231A (zh) * | 2023-10-17 | 2023-11-21 | 潍柴动力股份有限公司 | 天然气发动机硬件参数确定方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6999884B2 (en) * | 2003-01-10 | 2006-02-14 | Oxford Biosignals Limited | Bearing anomaly detection and location |
US20080103738A1 (en) * | 2006-10-27 | 2008-05-01 | Chandrashekar Karthikeyan | Modeling and simulating wireless mac protocols |
CN101593228A (zh) * | 2009-06-18 | 2009-12-02 | 奇瑞汽车股份有限公司 | 发动机耦合分析方法 |
CN103076059A (zh) * | 2013-01-29 | 2013-05-01 | 广东交通职业技术学院 | 车辆等速路试标准状态燃料消耗量校正方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN106569977A (zh) * | 2016-09-26 | 2017-04-19 | 南京航空航天大学 | 涡轴发动机起动过程建模方法 |
CN107100744A (zh) * | 2017-05-31 | 2017-08-29 | 大连理工大学 | 一种航空发动机燃油计量***改进策略及其控制器设计方法 |
CN107193212A (zh) * | 2017-06-26 | 2017-09-22 | 南京航空航天大学 | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 |
-
2018
- 2018-01-25 CN CN201810071168.XA patent/CN108416086B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6999884B2 (en) * | 2003-01-10 | 2006-02-14 | Oxford Biosignals Limited | Bearing anomaly detection and location |
US20080103738A1 (en) * | 2006-10-27 | 2008-05-01 | Chandrashekar Karthikeyan | Modeling and simulating wireless mac protocols |
CN101593228A (zh) * | 2009-06-18 | 2009-12-02 | 奇瑞汽车股份有限公司 | 发动机耦合分析方法 |
CN103076059A (zh) * | 2013-01-29 | 2013-05-01 | 广东交通职业技术学院 | 车辆等速路试标准状态燃料消耗量校正方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN106569977A (zh) * | 2016-09-26 | 2017-04-19 | 南京航空航天大学 | 涡轴发动机起动过程建模方法 |
CN107100744A (zh) * | 2017-05-31 | 2017-08-29 | 大连理工大学 | 一种航空发动机燃油计量***改进策略及其控制器设计方法 |
CN107193212A (zh) * | 2017-06-26 | 2017-09-22 | 南京航空航天大学 | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 |
Non-Patent Citations (8)
Title |
---|
XIAN DU等: "《A Scheduling Scheme of Linear Model Predictive Controllers for Turbofan Engines》", 《IEEE ACCESS》 * |
XIAN DU等: "《An adaptive model predictive controller for turbofan engines》", 《AMERICAN JOURNAL OF ENGINEERING RESEARCH》 * |
ZESHAN KURD等: "Using Safety Critical Artificial Neural Networks in Gas Turbine Aero-Engine Control", 《LECTURE NOTES IN COMPUTER SCIENCE》 * |
于海田等: "航空发动机健康综合评估研究", 《机械科学与技术》 * |
李玉峰: "熵权系数与TOPSIS集成评价区间数决策", 《华北理工大学学报(自然科学版)》 * |
殷锴等: "基于BP神经网络的航空发动机故障检测技术研究", 《航空发动机》 * |
潘鹏飞: "高精度航空发动机机载自适应实时模型研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
陈煜: "基于非线性模型的涡喷发动机气路故障诊断研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109162813A (zh) * | 2018-10-09 | 2019-01-08 | 南京航空航天大学 | 一种基于迭代学习修正的航空发动机智能转速控制方法 |
CN109800449A (zh) * | 2018-12-10 | 2019-05-24 | 南京航空航天大学 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
CN109800449B (zh) * | 2018-12-10 | 2020-12-11 | 南京航空航天大学 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
CN109441644A (zh) * | 2018-12-11 | 2019-03-08 | 大连理工大学 | 一种基于自抗扰理论的涡扇发动机稳态过渡态多变量控制方法 |
CN109441644B (zh) * | 2018-12-11 | 2021-01-05 | 大连理工大学 | 一种基于自抗扰理论的涡扇发动机稳态过渡态多变量控制方法 |
CN109887202A (zh) * | 2019-02-22 | 2019-06-14 | 北京航天泰坦科技股份有限公司 | 内置增强模块的税控盘 |
CN109887202B (zh) * | 2019-02-22 | 2021-04-06 | 北京航天泰坦科技股份有限公司 | 内置增强模块的税控盘 |
CN110513199A (zh) * | 2019-07-23 | 2019-11-29 | 南京航空航天大学 | 一种航空发动机推力衰退缓解的神经网络控制方法 |
US11823057B2 (en) | 2019-12-30 | 2023-11-21 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
CN111042928B (zh) * | 2019-12-30 | 2020-12-11 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
CN111042928A (zh) * | 2019-12-30 | 2020-04-21 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
WO2021134887A1 (zh) * | 2019-12-30 | 2021-07-08 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111175054B (zh) * | 2020-01-08 | 2021-12-03 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111624886A (zh) * | 2020-06-05 | 2020-09-04 | 沈阳航空航天大学 | 一种基于sarsa的变循环航空发动机推力控制方法 |
CN111624886B (zh) * | 2020-06-05 | 2022-04-08 | 沈阳航空航天大学 | 一种基于sarsa的变循环航空发动机推力控制方法 |
CN111856933A (zh) * | 2020-07-06 | 2020-10-30 | 大连理工大学 | 一种考虑不确定性的航空发动机自适应控制器设计方法 |
CN111917410A (zh) * | 2020-07-10 | 2020-11-10 | 天津七所精密机电技术有限公司 | 一种基于高精度计时的时间敏感参数修正装订数据的方法 |
CN111967202A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机极速性能数字孪生方法 |
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*** |
WO2022061871A1 (zh) * | 2020-09-28 | 2022-03-31 | 大连理工大学 | 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 |
CN112131670A (zh) * | 2020-09-28 | 2020-12-25 | 大连理工大学 | 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 |
CN112576536B (zh) * | 2020-12-07 | 2022-05-06 | 中国航发沈阳发动机研究所 | 一种压气机特性修正方法 |
CN112576536A (zh) * | 2020-12-07 | 2021-03-30 | 中国航发沈阳发动机研究所 | 一种压气机特性修正方法 |
CN112834226B (zh) * | 2021-01-07 | 2022-08-05 | 中国人民解放***箭军工程大学 | 一种航空发动机气路在线监测传感器优化配置方法 |
CN112834226A (zh) * | 2021-01-07 | 2021-05-25 | 中国人民解放***箭军工程大学 | 一种航空发动机气路在线监测传感器优化配置方法 |
CN112949166A (zh) * | 2021-01-28 | 2021-06-11 | 中国航发沈阳发动机研究所 | 一种燃气轮机稳态模型系数确定方法 |
CN112949166B (zh) * | 2021-01-28 | 2023-12-19 | 中国航发沈阳发动机研究所 | 一种燃气轮机稳态模型系数确定方法 |
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*** |
CN112948161A (zh) * | 2021-03-09 | 2021-06-11 | 四川大学 | 一种基于深度学习的航空报文纠错修正方法及*** |
CN113779786A (zh) * | 2021-08-30 | 2021-12-10 | 厦门大学 | 基于Modelica的液压挖掘机能量传递精准模型构建方法 |
CN113779786B (zh) * | 2021-08-30 | 2024-04-05 | 厦门大学 | 基于Modelica的液压挖掘机能量传递精准模型构建方法 |
CN114046815B (zh) * | 2021-11-09 | 2024-02-09 | 上海精赋达传感技术有限公司 | 基于深度学习的编码器自校正方法及装置 |
CN114046815A (zh) * | 2021-11-09 | 2022-02-15 | 上海精赋达传感技术有限公司 | 基于深度学习的编码器自校正方法及装置 |
CN114296343A (zh) * | 2021-11-16 | 2022-04-08 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
CN114296343B (zh) * | 2021-11-16 | 2023-10-27 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
CN114659793B (zh) * | 2022-02-11 | 2022-11-25 | 厦门大学 | 一种发动机露天试车实验的风速风向包线确定方法 |
CN114659793A (zh) * | 2022-02-11 | 2022-06-24 | 厦门大学 | 一种发动机露天试车实验的风速风向包线确定方法 |
CN115059549B (zh) * | 2022-06-16 | 2024-01-02 | 中国航发沈阳发动机研究所 | 一种防止大马赫数误操作油门杆的控制方法及*** |
CN115059549A (zh) * | 2022-06-16 | 2022-09-16 | 中国航发沈阳发动机研究所 | 一种防止大马赫数误操作油门杆的控制方法及*** |
CN117010179A (zh) * | 2023-07-21 | 2023-11-07 | 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 |
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 |
CN117094231A (zh) * | 2023-10-17 | 2023-11-21 | 潍柴动力股份有限公司 | 天然气发动机硬件参数确定方法、装置、设备及存储介质 |
CN117094231B (zh) * | 2023-10-17 | 2024-01-12 | 潍柴动力股份有限公司 | 天然气发动机硬件参数确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108416086B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416086A (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 | |
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 | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
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 | |
CN102129259B (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制***和方法 | |
CN107193212A (zh) | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 | |
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 | |
CN114675535B (zh) | 一种基于强化学习的航空发动机过渡态寻优控制方法 | |
CN114391150A (zh) | 基于逆向和前向建模机器学习的生成式设计 | |
CN109800449B (zh) | 一种基于神经网络的航空发动机压缩部件特性修正方法 | |
CN110579962B (zh) | 基于神经网络的涡扇发动机推力预测方法及控制器 | |
CN107045575A (zh) | 基于自调整维纳模型的航空发动机性能模型建模方法 | |
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 | |
CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
CN115689070B (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
CN105117599A (zh) | 高铝青铜涂层性态预测模型的建立方法以及高铝青铜涂层单一性态指标的寻优方法 | |
CN107657349B (zh) | 一种水库分期发电调度规则提取方法 | |
CN105952499A (zh) | 一种基于蚁群算法获取汽轮机高压调门组流量的方法 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN114995152A (zh) | 一种民用航空发动机性能模型偏差修正方法 | |
CN114004341A (zh) | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
CN114296343B (zh) | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 | |
CN114527654A (zh) | 一种基于强化学习的涡扇发动机直接推力智能控制方法 | |
CN109754058A (zh) | 一种基于cgbp算法的深度基准面拟合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |