CN109800449A - 一种基于神经网络的航空发动机压缩部件特性修正方法 - Google Patents
一种基于神经网络的航空发动机压缩部件特性修正方法 Download PDFInfo
- Publication number
- CN109800449A CN109800449A CN201811503152.8A CN201811503152A CN109800449A CN 109800449 A CN109800449 A CN 109800449A CN 201811503152 A CN201811503152 A CN 201811503152A CN 109800449 A CN109800449 A CN 109800449A
- Authority
- CN
- China
- Prior art keywords
- neural network
- compression member
- deviation
- output data
- 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
Landscapes
- Testing Of Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于神经网络的航空发动机压缩部件特性修正方法,包括步骤:步骤1)建立神经网络输出及部件级模型输出参数的数学模型,利用设计点仿真数据与试验测量数据,采用小扰动法计算偏差,将模型偏差传递到各个压缩部件神经网络输出数据;步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练,通过网络权值更新,对部件特性进行修正。本发明解决了以往部件特性不准确导致发动机模型精度不高的问题,保证了模型的稳定性和泛化能力,并且能利用较小的计算量提升部件特性的准确性,有效解决了压缩部件特性修正不准确或者难以修正的问题,适用于任何型号燃气涡轮发动机模型。
Description
技术领域
本发明涉及的一种基于神经网络的航空发动机压缩部件特性修正方法,属于航空发动机模型修正技术领域。
背景技术
在航空发动机总体性能及控制领域,研究者需要时刻了解当前发动机各典型部件准确的性能状态,即发动机部件特性,来进行发动机整机性能的计算或诊断。在发动机新机出厂时,发动机制造商会根据新机出厂前通过部件特性试验或理论计算得到的部件特性建立发动机基准性能计算模型。然而,由于一些原因,如长期服役导致叶片脏污或磨蚀,发动机部件性能将会随着使用时数的增加而发生自然退化,结果造成原有的部件特性偏离部件的真实性能。这时,如果再使用额定状态下未退化前的部件特性进行发动机性能计算,无疑会带来较大的建模误差,使得发动机模型计算结果与试验数据间出现较大的误差。综上所述,对航空发动机研究者来说,探索部件特性修正技术是一项十分重要的工作。
自20世纪80年代开始,人工智能领域的研究逐渐兴起。作为人工智能领域的一个代表性分支,人工神经网络相关理论与技术得到了快速的发展。人们基于生物学中神经网络相关的研究,在对人脑结构和外界刺激响应机制进行理解与抽象后,以网络拓扑知识为理论基础,提出了人工神经网络这一模拟人脑神经***对复杂信息进行处理的数学模型。它是一个由许多节点相互连接形成的复杂网络,表现为高度的非线性,能够对任意非线性函数关系进行逼近。此外,还具有如下众多优点。
(1)非线性映射能力
人工神经网络能够实现对任意一个从输入到输出映射的逼近,从理论上讲,一个三层的神经网络就能够以任意精度对非线性连续函数进行逼近。这使得其十分适用于内部机制复杂的实际问题的求解,如过程控制、***辨识、故障诊断等领域。
(2)强大的自学习与自适应能力
人工神经网络通过在线训练和强化学习,能够自动找出输入信号与输出信号之间的内在映射关系,并自适应地将学习内容记忆在神经网络的权值中,具有强大的自学习和自适应的能力。
(3)泛化能力
神经网络的泛化能力是指神经网络在学习完成以后其对测试样本或工作样本做出正确反应的能力,即一个具有良好泛化能力的神经网络能对训练集以外的其他数据做出正确的分类和识别。神经网络学习训练完成后,就具有一定的泛化能力,可以将学习成果应用于新的问题。
(4)容错能力
人工神经网络在一些神经元遭受破坏后,不会对全局的训练结果产生很大的影响,也就是说用神经网络模型实现的***即便在遭受局部节点失效时仍然可以正常工作。
由于人工神经网络具有上述能力,能把信息的加工和存储结合在一起,所以在各学科领域得到了广泛的应用。
航空发动机部件特性具有强非线性的特点,而神经网络具有良好的非线性映射能力,在此基础上,本发明提出了一种基于人工神经网络的航空发动机压缩部件特性修正方法,实现对发动机压缩部件特性的学习和记忆,以及通过调整神经网络权值参数实现对部件特性的修正。
发明内容
针对上述问题,本发明提供了一种基于神经网络的航空发动机压缩部件特性修正方法,可根据梯度下降法将建模误差进行反向传递,进而训练神经网络,最终达到修正压缩部件特性线的目的。利用神经网络高效灵活的特点,有效解决部件特性难以修正的问题,提高了发动机部件级模型的仿真精度。
技术方案:
一种基于神经网络的航空发动机压缩部件特性修正方法,包括步骤:
步骤1)建立神经网络输出及部件级模型输出参数的数学模型,利用设计点仿真数据与试验测量数据,采用小扰动法计算偏差,将模型偏差传递到各个压缩部件神经网络输出数据;
步骤1.1)利用部件级模型迭代算法及小扰动法,得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵;具体步骤如下:
步骤1.1.1),利用牛顿迭代法求解航空发动机共同工作方程,迭代计算得到神经网络输出数据x0及部件级模型输出数据y0;
步骤1.1.2),对所述神经网络输出数据x0进行小扰动,并且对发动机部件级模型输出数据y0进行迭代计算,得到新的神经网络输出数据xk及部件模型输出数据yk;
步骤1.1.3),根据步骤1.1.2)所得到的数据组解方程组,得到部件级模型输出数据yk到神经网络输出数据xk的偏导系数矩阵:
y=Jx
式中,向量y为部件级模型输出数据,向量x为神经网络输出数据,矩阵J为偏导系数矩阵,n为部件级模型输出数据的个数;
步骤1.2)计算不同压缩部件对部件级模型输出数据偏差的影响因子k:
Δy=y-y′
k=f1(N,Δy)
式中,向量y′为根据发动机台架试验所得到的传感器测量真实数据,向量Δy为部件级模型仿真输出数据与试验数据的偏差,代号N代表所对应的压缩部件,f1(N,Δy)为计算不同压缩部件对部件模型输出参数偏差的影响因子的函数;
步骤1.3)计算出发动机模型计算结果及发动机台架试验数据的偏差,依照步骤1.2)计算出的影响因子分配给各个压缩部件所要修正的偏差,然后分别代入到步骤1.1)中求得的偏导系数矩阵,计算出神经网络输出数据偏差:
ΔyN=kΔy
ΔxN=J-1ΔyN
式中,向量ΔyN为分配给对应压缩部件所要修正的偏差,向量ΔxN为对应部件计算所得的神经网络输出数据偏差;
步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练,通过网络权值更新,对部件特性进行修正。
所述步骤2)具体步骤如下:
步骤2.1)根据当前发动机换算转速,提取当前换算转速下部件特性的等转速线,根据提取数据给定训练集:
xN=ΔxN+x
x=(x1,x2,…,xn)
D={(m1,x1),(m2,x2),…,(mn,xn)}
式中,x为神经网络训练前输出的等转速线输出数据,xN为神经网络训练数据,向量mi(i=1,2,…,n)为神经网络输入数据;
步骤2.2)神经网络网络在样本(mi,xi)上的均方误差E为:
以负梯度法对神经网络的参数进行调整;
步骤2.3)对发动机部件级模型进行迭代计算,重复之前步骤直到输出参数偏差Δy小于给定值。
将满足偏差范围要求的神经网络输入、输出数据组进行记录,用于多点修正方法。
有益效果:本发明设计的用神经网络修正航空发动机压缩部件特性的方法,解决了以往部件特性不准确导致发动机模型精度不高的问题。所提出的神经网络修正部件特性的方法相比传统插值方法在提高精度的同时,保证了模型的稳定性和泛化能力。并且能利用较小的计算量提升部件特性的准确性,有效解决了压缩部件特性修正不准确或者难以修正的问题,适用于任何型号燃气涡轮发动机模型。
附图说明
图1为基于神经网络的部件特性修正流程图。
图2为神经网络算法流程图。
图3为涡扇发动机气路工作截面标识图。
图4为基于神经网络的航空发动机部件特性修正示意图。
图5为特性曲线等换算转速线修正选取策略。
图6为修正前后压缩部件特性图。
图7为修正过程偏差值随修正次数变化。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
图1为基于神经网络的部件特性修正流程图。如图1所示,本发明的基于神经网络的航空发动机压缩部件特性修正方法,具体包括以下步骤:
步骤1)建立航空发动机部件级数学模型,根据梯度推导出误差传递方程,将模型误差传递到各个压缩部件神经网络输出数据;
步骤1)中利用设计点仿真数据与试验测量数据,采用小扰动法计算偏差的具体步骤如下:
步骤1.1)利用部件级模型迭代算法及小扰动法,得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵;
具体步骤如下:
步骤1.1.1),利用牛顿迭代法求解航空发动机共同工作方程,迭代计算得到神经网络输出数据x0及部件级模型输出数据y0;
步骤1.1.2),围绕神经网络输出数据分别进行小扰动,并且对发动机部件级模型进行迭代计算,得到新的神经网络输出数据xk及部件模型输出数据yk;
步骤1.1.3),根据步骤1.1.2)所得到的数据组解方程组,得到部件级模型输出数据yk到神经网络输出数据xk的偏导系数矩阵:
y=Jx
式中,向量y为部件级模型输出数据,向量x为神经网络输出数据,矩阵J为偏导系数矩阵,n为部件级模型输出数据的个数;
步骤1.2)计算不同压缩部件对部件级模型输出参数偏差的影响因子k:
Δy=y-y′
k=f1(N,Δy)
式中,向量y′为根据发动机台架试验所得到的传感器测量真实数据,向量Δy为部件级模型仿真输出数据与试验数据的偏差,代号N代表所对应的压缩部件,f1(N,Δy)为计算不同压缩部件对部件模型输出参数偏差的影响因子的函数,即根据统计方法推导的经验公式;
步骤1.3)计算出发动机模型计算结果及发动机台架试验数据的偏差,依照步骤1.2计算出的影响因子分配给各个压缩部件所要修正的偏差,然后分别代入到步骤1.1中求得的偏导系数矩阵,计算出神经网络输出数据偏差:
ΔyN=kΔy
ΔxN=J-1ΔyN
式中,向量ΔyN为分配给对应压缩部件所要修正的偏差,向量ΔxN为对应部件计算所得的神经网络输出数据偏差;
步骤2)根据各个压缩部件的神经网络输出偏差对相应的神经网络进行训练,通过网络权值更新,进而实现对部件特性的修正,减小发动机模型的仿真计算偏差。
具体步骤如下:
步骤2.1)根据当前发动机换算转速,提取当前换算转速下部件特性的等转速线,根据提取数据给定训练集:
xN=ΔxN+x
x=(x1,x2,…,xn)
D={(m1,x1),(m2,x2),…,(mn,xn)}
式中,向量mi(i=1,2,…,n)为神经网络输入数据,即神经网络初始特性曲线数据;xi为输入数据为mi时神经网络训练前输出的等转速线输出数据;xN为神经网络训练数据;
步骤2.2)神经网络网络在样本(mi,xi)上的均方误差E为:
均方误差E用于衡量神经网络的输出和实验数据的误差大小,通过负梯度法对神经网络的参数进行训练,改变神经网络的输出,以降低均方误差;
步骤2.3)对发动机部件级模型进行迭代计算,重复之前步骤直到输出参数偏差Δy小于给定值,给定值满足工程或者仿真需要即可。
步骤3)将满足偏差范围要求的神经网络输入、输出数据组进行记录,用于多点修正方法。
为了验证本发明所设计的基于神经网络的航空发动机压缩部件特性修正方法的有效性,在MATLAB/Simulink环境下进行了设计点部件特性修正的数字仿真。
首先通过将部件特性输出乘以一个修正系数以改变特性曲线,达到修改模型的目的。仿真结果如表1、表2和表3所示。表中,C-Wc为流量修正系数,C-PR为压比修正系数,C-Eff为效率修正系数,PR为部件增压比,Eff为部件效率,W为部件换算流量,NL为低压轴物理转速,NH为高压轴物理转速,F为内涵喷管推力,参数0为修正前参数,参数1为修正后参数。根据所得的模型偏差数据,可以计算得出神经网络输出到模型输出数据的偏导系数矩阵。
表1.(a)改变流量修正系数C-Wc后PR、Eff和W相对误差
表1.(b)改变流量修正系数C-Wc后NL、NH和F相对误差
表2.(a)改变压比修正系数C-PR后PR、Eff和W相对误差
表2.(b)改变压比修正系数C-PR后NL、NH和F相对误差
表3.(a)改变效率修正系数C-Eff后PR、Eff和W相对误差
表3.(b)改变效率修正系数C-Eff后NL、NH和F相对误差
在发动机设计点附近选择一组低压轴转速、高压轴转速及内涵喷管推力的数据作为修模基准数据。通过上一步所得的偏导系数矩阵以及迭代所得的模型计算偏差,可以得到神经网络输出偏差,进一步对神经网络进行训练,直到模型输出偏差达到给定偏差范围。表4(a)(b)(c)分别列举了三个设计点附近神经网络每一步修正后模型的仿真偏差。
表4.(a)设计点附近神经网络修正
表4.(b)设计点附近神经网络修正
表4(c).设计点附近神经网络修正
由表4(a),表4(b)和表4(c)可以看出,本发明所提出的应用神经网络对特性曲线进行修正的方法可以显著减小发动机部件级模型仿真误差,经修正后模型仿真误差在1%以内。三个测试点所设参数不同初始偏差不同,使得计算循环次数有所不同,但三个测试样例都在五步以内将偏差缩小到了1%以内。算例(a)和算例(c)中模型修正程序仅运行一次就已达到偏差允许范围。
本发明提出的基于神经网络修正航空发动机压缩部件特性的方法,解决了以往部件特性不准确导致发动机模型精度不高的问题。所提出的神经网络修正部件特性的方法相比传统插值方法在提高精度的同时,保证了模型的稳定性和泛化能力,并且能利用较小的计算量较大地提升部件特性的精度,有效解决了压缩部件部件特性修正不准确或者难以修正的问题,适用于多种类型的燃气涡轮发动机模型修正。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。
Claims (3)
1.一种基于神经网络的航空发动机压缩部件特性修正方法,其特征在于:包括步骤:
步骤1)建立神经网络输出及部件级模型输出参数的数学模型,利用设计点仿真数据与试验测量数据,采用小扰动法计算偏差,将模型偏差传递到各个压缩部件神经网络输出数据;
步骤1.1)利用部件级模型迭代算法及小扰动法,得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵;具体步骤如下:
步骤1.1.1),利用牛顿迭代法求解航空发动机共同工作方程,迭代计算得到神经网络输出数据x0及部件级模型输出数据y0;
步骤1.1.2),对所述神经网络输出数据x0进行小扰动,并且对发动机部件级模型输出数据y0进行迭代计算,得到新的神经网络输出数据xk及部件模型输出数据yk;
步骤1.1.3),根据步骤1.1.2)所得到的数据组解方程组,得到部件级模型输出数据yk到神经网络输出数据xk的偏导系数矩阵:
y=Jx
式中,向量y为部件级模型输出数据,向量x为神经网络输出数据,矩阵J为偏导系数矩阵,n为部件级模型输出数据的个数;
步骤1.2)计算不同压缩部件对部件级模型输出数据偏差的影响因子k:
Δy=y-y′
k=f1(N,Δy)
式中,向量y′为根据发动机台架试验所得到的传感器测量真实数据,向量Δy为部件级模型仿真输出数据与试验数据的偏差,代号N代表所对应的压缩部件,f1(N,Δy)为计算不同压缩部件对部件模型输出参数偏差的影响因子的函数;
步骤1.3)计算出发动机模型计算结果及发动机台架试验数据的偏差,依照步骤1.2)计算出的影响因子分配给各个压缩部件所要修正的偏差,然后分别代入到步骤1.1)中求得的偏导系数矩阵,计算出神经网络输出数据偏差:
ΔyN=kΔy
ΔxN=J-1ΔyN
式中,向量ΔyN为分配给对应压缩部件所要修正的偏差,向量ΔxN为对应部件计算所得的神经网络输出数据偏差;
步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练,通过网络权值更新,对部件特性进行修正。
2.根据权利要求1所述的基于神经网络的航空发动机压缩部件特性修正方法,其特征在于:所述步骤2)具体步骤如下:
步骤2.1)根据当前发动机换算转速,提取当前换算转速下部件特性的等转速线,根据提取数据给定训练集:
xN=ΔxN+x
x=(x1,x2,…,xn)
D={(m1,x1),(m2,x2),…,(mn,xn)}
式中,x为神经网络训练前输出的等转速线输出数据,xN为神经网络训练数据,向量mi(i=1,2,…,n)为神经网络输入数据;
步骤2.2)神经网络网络在样本(mi,xi)上的均方误差E为:
以负梯度法对神经网络的参数进行调整;
步骤2.3)对发动机部件级模型进行迭代计算,重复之前步骤直到输出参数偏差Δy小于给定值。
3.根据权利要求1所述的基于神经网络的航空发动机压缩部件特性修正方法,其特征在于:将满足偏差范围要求的神经网络输入、输出数据组进行记录,用于多点修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811503152.8A CN109800449B (zh) | 2018-12-10 | 2018-12-10 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811503152.8A CN109800449B (zh) | 2018-12-10 | 2018-12-10 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800449A true CN109800449A (zh) | 2019-05-24 |
CN109800449B CN109800449B (zh) | 2020-12-11 |
Family
ID=66556518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811503152.8A Active CN109800449B (zh) | 2018-12-10 | 2018-12-10 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800449B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523276A (zh) * | 2020-03-31 | 2020-08-11 | 西安交通大学 | 基于网络模型的燃气涡轮发动机燃油流量校正方法 |
WO2021062754A1 (zh) * | 2019-09-30 | 2021-04-08 | 西门子股份公司 | 非线性模型的建模方法、装置及存储介质 |
CN112861425A (zh) * | 2021-01-13 | 2021-05-28 | 上海交通大学 | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 |
CN112926193A (zh) * | 2021-01-29 | 2021-06-08 | 中国航发沈阳发动机研究所 | 一种航空发动机性能仿真方法 |
CN114296343A (zh) * | 2021-11-16 | 2022-04-08 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006022683A1 (de) * | 2006-05-16 | 2007-11-22 | Mtu Aero Engines Gmbh | Flugtriebwerk-Baugruppe, nämlich Verdichter oder Turbine eines Flugtriebwerks, Flugtriebwerk-Bauteil sowie Verfahren zur Herstellung oder Instandsetzung eines Flugtriebwerk-Bauteils |
CN103306822A (zh) * | 2013-05-23 | 2013-09-18 | 南京航空航天大学 | 一种基于喘振裕度估计模型的航空涡扇发动机控制方法 |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 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 |
-
2018
- 2018-12-10 CN CN201811503152.8A patent/CN109800449B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006022683A1 (de) * | 2006-05-16 | 2007-11-22 | Mtu Aero Engines Gmbh | Flugtriebwerk-Baugruppe, nämlich Verdichter oder Turbine eines Flugtriebwerks, Flugtriebwerk-Bauteil sowie Verfahren zur Herstellung oder Instandsetzung eines Flugtriebwerk-Bauteils |
CN103306822A (zh) * | 2013-05-23 | 2013-09-18 | 南京航空航天大学 | 一种基于喘振裕度估计模型的航空涡扇发动机控制方法 |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 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 |
Non-Patent Citations (1)
Title |
---|
马前容,等: "涡轴发动机高空台模拟偏差影响的性能修正方法", 《航空动力学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021062754A1 (zh) * | 2019-09-30 | 2021-04-08 | 西门子股份公司 | 非线性模型的建模方法、装置及存储介质 |
CN114424128A (zh) * | 2019-09-30 | 2022-04-29 | 西门子股份公司 | 非线性模型的建模方法、装置及存储介质 |
CN111523276A (zh) * | 2020-03-31 | 2020-08-11 | 西安交通大学 | 基于网络模型的燃气涡轮发动机燃油流量校正方法 |
CN112861425A (zh) * | 2021-01-13 | 2021-05-28 | 上海交通大学 | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 |
CN112926193A (zh) * | 2021-01-29 | 2021-06-08 | 中国航发沈阳发动机研究所 | 一种航空发动机性能仿真方法 |
CN112926193B (zh) * | 2021-01-29 | 2024-03-19 | 中国航发沈阳发动机研究所 | 一种航空发动机性能仿真方法 |
CN114296343A (zh) * | 2021-11-16 | 2022-04-08 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109800449B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN107992648B (zh) | 一种自适应rbf神经网络进行航空发动机推力估计算法 | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
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 | |
CN106874569B (zh) | 一种变几何分轴式燃气轮机实时仿真建模方法 | |
CN103489032B (zh) | 基于粒子滤波的航空发动机气路部件健康诊断方法 | |
CN110502840B (zh) | 航空发动机气路参数在线预测方法 | |
CN103399491B (zh) | 光伏发电***光伏组件机理模型参数辨识方法 | |
CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及*** | |
CN108363896A (zh) | 一种液压缸故障诊断方法 | |
CN110221537A (zh) | 控制方法、装置及航空发动机限制保护控制方法、装置 | |
CN106295908A (zh) | 一种svm风电功率预测方法 | |
CN108649562A (zh) | 一种基于苍狼算法的电力***负荷建模参数辨识方法 | |
CN107194036A (zh) | 一种大跨屋盖结构非高斯风荷载数值模拟方法 | |
CN104102836A (zh) | 一种电力***快速抗差状态估计方法 | |
CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其*** | |
CN111680823A (zh) | 一种风向信息预测方法及*** | |
CN114154234A (zh) | 一种航空发动机建模方法、***、存储介质 | |
CN110985216B (zh) | 一种含在线修正的航空发动机智能多变量控制方法 | |
Bettocchi et al. | Set up of a robust neural network for gas turbine simulation | |
CN108123434B (zh) | 一种计算pv曲线斜率以求取pv曲线运行点的方法 | |
CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
CN114996863A (zh) | 基于特征提取的涡扇发动机t-s模糊建模方法 | |
CN113569319B (zh) | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 |
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 |