CN113255955A - 一种基于cnn-rnn的航空发动机推力估计方法 - Google Patents

Abstract

本发明涉及一种基于深度CNN‑RNN的航空发动机推力估计方法。包括：采集航空发动机的可测参数以推力值作为样本集；归一化预处理；数据集划分为训练集和测试集；将训练集输入CNN‑RNN推力估计器模型中进行训练，之后将测试集输入到推力估计器模型中，得到推力预测值，判断推力估计器模型的预测精度，不断训练直到达到最大训练回合数；将航空发动机的相应可测参数输入到训练得到的推力估计器模型中，得到航空发动机的估计推力。优点：当航空发动机气路部件的可测性能参数发生改变，以及正常数据中掺杂着不同程度的测量噪声时，本发明可以高效、高精度地估计航空发动机的推力值。

Description

一种基于CNN-RNN的航空发动机推力估计方法

技术领域

本发明是一种基于CNN-RNN的航空发动机推力估计方法，属于航空发动机技术领域。

背景技术

随着人们对飞机安全性、经济性和环保性等重视程度的不断加大，对航空发动机控制***的要求也越来越高。对于涡喷或涡扇发动机，在保证安全性的前提下，发动机所能提供的推力才是人们真正关心的控制目标。由于直接测量发动机的推力非常困难，通常做法是使用转速、压力、温度等可测性能参数间接反映推力。但是这些可测参数和推力之间的关系复杂，并且随着发动机状态的不同而变化，造成发动机推力难以得到精确控制。

针对发动机推力估计，学者提出了多种不同的方法。Maggiore等基于神经网络设计了航空发动机的推力估计器。然而浅层神经网络结构简单，初始权重矩阵随机生成，容易陷入局部最优解。为此，周军等将ELM和小波理论相结合，提出一种改进的小波极限学习机(EW-ELM)算法，用于飞机发动机推力估计。Yao Yanlong等提出一种自适应遗传神经网络算法(AGNNA)，利用遗传算法优化神经网络拓扑结构和权值，再采用反向传播算法对权值进行微调。这些方法在一定程度上克服了浅层神经网络的局限性。

CNN具有稀疏交互、参数共享、空间池化等优良性能，近年来得到越来越多的研究和应用。BABU等将深度CNN应用于剩余寿命预测，采用两个卷积层和两个池化层对输入数据进行特征提取，再基于多层感知器(MLP)对提取的特征进行回归计算获得剩余寿命；REN等采用光谱矢量作为CNN的输入，提取特征向量，对轴承进行寿命预测；WANG等采用燃油流量、高压压气机压比等参数作为输入，提出一种基于CNN的航空发动机推力估计模型，并对比分析了不同超参数选择对推力估计性能的影响。

RNN(循环神经网络)及其改进模型LSTM(长短期记忆)能够保留上一时刻的信息，因而适宜于复杂动态***的建模，在自然语言处理、图像分类等领域得到广泛的应用。

发明内容

本发明提出的是一种基于CNN-RNN的航空发动机推力估计方法，其目的在于针对传统推力估计方法精度低、鲁棒性差问题，提出一种新的航空发动机推力估计模型CNN-RNN，CNN具有优良的特征提取能力和非线性映射能力，而RNN 可记忆网络历史状态信息，将二者相结合来达到提高预测精度以及鲁棒性的目的。本发明的技术解决方案：一种基于CNN-RNN的航空发动机推力估计方法，包括如下步骤：

(1)在全飞行包线内，采集航空发动机的可测参数以及航空发动机推力值作为样本集，依据相关性对采集的可测参数进行选择精简；所述可测参数包括：发动机燃油量、高压压气机进口压力、高压涡轮进口压力、高压转子转速、低压转子转速、高压涡轮出口压力、低压涡轮出口温度、尾喷管出口温度。

可测参数是航空发动机的推力外在表现，因此根据样本可测参数与航空发动机推力之间的相关性对输入参数进行精简，采用相关系数表征两个随机变量之间的相关性，相关系数的计算如公式(1)所示。

其中，

分别为随机变量X和Y的数学期望，e_X和e_Y为随机变量X和Y 的标准差，E(·)为数学期望算子。取0.95作为可测参数与推力之间相关系数的阈值，将相关系数小于0.95的可测参数视为非相关参数从推力估计器输入中去除，不参与到训练中。

(2)将各项输入参数进行归一化预处理；将数值缩放至[0，1]区间，如公式(2)所示：

其中，x_min是参数的最小值，x_max是参数的最大值，x是未归一化的参数，x*是归一化后的参数，归一化处理后，各输入参数均变为0-1之间的无量纲数。

(3)将归一化后的数据集划分为训练集和测试集；将训练集输入CNN-RNN 推力估计器模型中进行训练，之后将测试集输入到推力估计器模型中，得到推力预测值，判断推力估计器模型的预测精度，不断训练直到达到最大训练回合数；

4)将航空发动机的相应可测参数输入到训练得到的推力估计器模型中，得到航空发动机的估计推力。

所述步骤(3)分为以下具体步骤：

1)：将归一化后的输入参数数据集划分为训练集和测试集；推力估计器模型初始状态值为0，输入参数包括当前时刻的输入特征参数x_t和上一时刻的状态值h_t-1。

2)：将训练集数据输入到CNN-RNN推力估计器模型中得到预测输出；CNN-RNN 推力估计器模型采用如图2中所示的结构，将CNN与RNN相结合，用卷积结构代替RNN中的神经元结构，具体结构包括1个输入层、2个卷积层、2个池化层、2个全连接层、1个重构层和1个输出层；其中，输入层包括1*8输入特征参数和1*10上一时刻状态值；第一层为全连接层，节点数为10；第二层为卷积层，卷积核大小为1*2，通道数为6；第三层为池化层，池化视野为1*2，通道数为6；第四层为卷积层，卷积核大小为1*2，通道数为10；第五层为池化层，池化视野为1*2，通道数为10；第六层为重构层，节点数为20；第七层为全连接层，节点数为10，第七层全连接层节点同时作为网络当前状态反馈到输入层；最后一层为输出层，输出模型估计的推力值；训练结束后将测试数据集输入到估计器模型中，计算预测推力值与测试集真实推力值之间的相对误差，判断推力估计器模型的预测精度，不断训练直至达到最大训练回合数。

3)：计算推力估计值的相对误差，采用均方误差作为损失函数；推力估计器模型输出推力估计值后，计算推力估计值的相对误差，采用均方误差作为损失函数，如公式(3)所示；

其中，F_p为推力估计值，F_t为真实推力值，根据损失函数MSE对网络层参数的梯度，采用Adam算法对网络层参数进行更新；训练结束后将测试数据集输入到估计器模型中，采用公式(4)计算预测推力值与测试集目标推力之间的相对误差，判断推力估计器模型的预测精度；

4)：重复步骤2、3，直至达到最大训练回合数。

本发明的有益效果：

1)航空发动机是一个复杂的强非线性、多变量、时变***，CNN具有优良的特征提取能力和非线性映射能力，而RNN可记忆网络历史状态信息，将二者相结合可以精确推算航空涡轴发动机推力，达到提高预测精度以及鲁棒性的目的。

2)当航空发动机因为磨损、腐蚀、堵塞等原因而导致气路部件的可测性能参数发生改变，以及正常数据中掺杂着不同程度的测量噪声时，本发明仍可以高效、高精度地估计航空发动机的推力值，与传统估计方法相比具有明显优势。

附图说明

附图1为推力估计器结构原理图；

附图2为CNN-RNN推力估计器网络结构图；

附图3为CNN-RNN推力估计器训练流程图；

附图4为8参数模型和10参数模型性能对比图；

附图5为某型涡扇发动机截面示意图；

附图6为实验案例结果图；

附图7为添加噪声后实验案例结果图。

具体实施方式

下面结合附图对本发明技术方案进一步说明

在航空发动机推力估计中，直接获得推力是很困难的，因此通常是根据航空发动机的可测参数从而推算出推力的大小，鉴于此施行以下步骤：

步骤1：在全飞行包线内，采集航空发动机的可测参数以及推力值，作为数据集，航空发动机的推力与各测量参数之间具有联系，采用相关系数表征两个随机变量之间的相关性，相关系数的计算如公式(1)所示。

在公式(1)中，

分别为随机变量X和Y的数学期望，e_X和e_Y为随机变量X和Y的标准差，E(·)为数学期望算子。各项特征参数相关性的结果如表2所示，从表2可见，LPC-P与LPT-P两个参数与推力之间的相关系数小于 0.95。因此，可以考虑将这两个参数从推力估计器输入特征参数中去除。对去除掉这两个参数的推力估计模型(8参数模型)和原来的推力估计模型(10参数模型)分别进行训练和性能对比，如图4所示。从图4可见，在去掉相关性系数偏小的两个参数之后，模型的推力估计性能反而变得更好。说明这两个参数对于推力估计是无关的，甚至是干扰因素。为此，在后续过程中使用优化后的8参数推力估计模型。

步骤2：将各项输入参数进行归一化处理，将数值缩放至[0，1]区间，如公式 (2)所示：

x_min是参数的最小值，x_max是参数的最大值，x是未归一化的参数，x*是归一化后的参数。归一化处理后，各输入参数均变为0-1之间的无量纲数。

步骤3：将归一化后的数据集划分为训练集和测试集；将训练集代入推力估计器中进行计算得到预测推力值以及当前时刻的状态值，如图2所示，输入由当前时刻的输入参数x_t和上一时刻的状态值h_t-1两部分组成，推力估计器则由1个输入层、2个卷积层、2个池化层、2个全连接层、1个重构层和1个输出层组成。其中，输入层包括1*8输入特征参数和1*10上一时刻状态值。第一层为全连接层，节点数为10。第二层为卷积层，卷积核大小为1*2，通道数为6。第三层为池化层，池化视野为1*2，通道数亦为6。第四层为卷积层，卷积核大小为1*2，通道数为10。第五层为池化层，池化视野为1*2，通道数为10。第六层为重构层，其节点数为20。第七层为全连接层，节点数为10，全连接层节点同时作为网络当前状态反馈到输入层。最后一层为输出层，输出模型估计的推力值；训练结束后将测试数据集输入到估计器模型中，计算预测推力值与测试集真实推力值之间的相对误差，判断推力估计模型的预测精度，不断训练直至达到最大训练回合数。

步骤4：将航空发动机的相应可测参数输入到训练得到的估计器模型中，如图1所示得到航空发动机的估计推力。

步骤3中基于CNN-RNN推力估计器模型的训练如图3所示，包括如下步骤：

步骤1：将归一化后的数据集划分为训练集和测试集；

步骤2：将训练集数据输入到CNN-RNN推力估计器模型中得到预测输出，推力估计器初始状态值为0，如图2所示，输入由当前时刻的输入特征参数x_t和上一时刻的状态值h_t-1两部分组成，推力估计器则由1个输入层、2个卷积层、 2个池化层、2个全连接层、1个重构层和1个输出层组成。其中，输入层包括 1*8输入特征参数和1*10上一时刻状态值。第一层为全连接层，节点数为10。第二层为卷积层，卷积核大小为1*2，通道数为6。第三层为池化层，池化视野为1*2，通道数亦为6。第四层为卷积层，卷积核大小为1*2，通道数为10。第五层为池化层，池化视野为1*2，通道数为10。第六层为重构层，其节点数为 20。第七层为全连接层，节点数为10，全连接层节点同时作为网络当前状态反馈到输入层。最后一层为输出层，输出模型估计的推力值；

步骤3：计算推力估计值的相对误差，采用均方误差作为损失函数，如公式 (3)所示。

F_p为推力估计值，F_t为真实推力值。根据损失函数MSE对网络层参数的梯度，采用Adam算法对网络层参数进行更新。Adam优化算法综合考虑了对梯度的一阶矩阵估计和二阶矩阵估计，计算高效，对内存需求小，能够自动调整学习率。训练结束后将测试数据集输入到估计器模型中，如公式(4)计算预测推力值与测试集目标推力之间的相对误差，判断推力估计模型的预测精度；

F_p为模型的推力估计值，F_t为真实推力值；

步骤4：重复步骤2、3，直至达到最大训练回合数。

实施例1

本实验选择基于某型涡扇发动机部件级模型开展仿真试验，获得10万组数据，并进行归一化处理，进一步将这些数据按8∶2比例划分为训练集与测试集。传统的推力估计模型有支持向量机、神经网络等，我们选取BP、CNN和RNN 三种神经网络模型与本文提出的CNN-RNN进行性能对比分析。其中BP模型有2层隐含层，每个隐含层神经节点数均为10；CNN模型的卷积核与池化核大小设置为1*2，进行两次卷积池化，卷积池化层分别通道数为6和10，全连接层节点数为10；RNN模型隐含层数及隐含层节点数与BP神经网络相同，输入层为当前时刻的输入参数和上一时刻的状态值。4种模型的学习率均为0.001，训练回合数均为100。本实验选择相对误差

(F_p为模型的推力估计值，F_t为真实推力值)作为评估算法的性能指标。所有实验都在配置为

Core^TM、 i5-7400CPU、3.00GHz主频、8G内存、Windows10***和Python3.6版本的台式电脑上执行。

本发明用于某型涡扇发动机部件级模型做测试，如图5所示，该发动机主要部件包括进气道、风扇、高压压气机、燃烧室、高压涡轮、低压涡轮和尾喷管等。其中3表示高压压气机出口，44表示高压涡轮出口，5表示低压涡轮出口。低压气流经进气道和传送装置流入压气机，通过压气机压缩后转变为高压气流。在燃烧室内，燃油喷入并和高压气体混合燃烧形成混合气，混合气流经高压涡轮涡轮和低压涡轮，最终热气以高速从尾喷管排入大气中，从而产生推力。

建立BP、CNN、RNN以及CNN-RNN推力估计模型并进行训练和测试，得到如图6所示各推力估计模型的相对误差值。如图6所示，纵坐标为相对误差，横坐标为模型训练回合数。从图6可见，四种模型之中，BP模型收敛速度偏慢，平均相对误差精度为0.204％。CNN模型相对误差精度在0.093％左右，相对误差的方差也较小，收敛速度较快并且估计精度稳定。RNN模型精度为0.156％，训练过程中相对误差波动较大，估计精度不甚稳定。CNN-RNN模型相对误差精度在0.07％左右，估计精度是四种模型中较好的，估计精度也较稳定。多次迭代之后，CNN与CNN-RNN模型估计精度相差不大。

实际发动机运行过程中，各测量参数都会存在干扰。因此，我们进一步对四种模型进行抗干扰分析。噪声注入公式如公式(5)所示，其中D′为噪声注入后的参数，D为未注入噪声的原始参数，k为噪声幅值水平，本文取值为3％，U(a，b) 表示在区间[a，b]上的均匀分布，a、b取值分别为-1和1。

D′＝D+k·U(a，b) (5)

仿真实验结果如图7所示。从图7可见，在加入干扰后，BP网络模型精度依然是最低的，并且训练过程中精度不稳定。CNN模型在训练过程中精度起伏很大，精度也较低，说明其抗干扰能力也偏弱。RNN模型的抗干扰能力较前两种模型要好一些，这应该是得益于其输入包含了历史状态信息。四种模型之中， CNN-RNN模型在训练过程中收敛速度最快，并且相对误差起伏波动是最小，精度也是最高，具有最好的抗干扰性能。

表1：推力估计输入特征参数

表2：推力估计输入特征参数

Claims (9)

1.一种基于CNN-RNN的航空发动机推力估计方法，其特征是包括如下步骤：

(1)在全飞行包线内，采集航空发动机的可测参数以及航空发动机推力值作为数据集，依据相关性对采集的可测参数进行选择精简；

(2)将各项输入参数进行归一化预处理；

(3)将归一化后的数据集划分为训练集和测试集；将训练集输入CNN-RNN推力估计器模型中进行训练，之后将测试集输入到推力估计器模型中，得到推力预测值，判断推力估计器模型的预测精度，不断训练直到达到最大训练回合数；

4)将航空发动机的相应可测参数输入到训练得到的推力估计器模型中，得到航空发动机的估计推力。

2.根据权利要求1所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤(1)中，所述可测参数包括：发动机燃油量(W_f)、高压压气机进口压力(HPC-P)、高压压气机进口压力(LPC-P)、高压涡轮进口压力(HPT-P)、低压涡轮进口压力(LPT-P)、高压转子转速(HPS-N)、低压转子转速(LPS-N)、低压涡轮出口压力(P₄₅)、低压涡轮出口温度(T₄₅)、尾喷管出口温度(T₈)。

3.根据权利要求1所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤(1)中，可测参数是航空发动机的推力外在表现，因此根据样本可测参数与航空发动机推力之间的相关性对输入参数进行精简，采用相关系数表征两个随机变量之间的相关性，相关系数的计算如公式(1)所示。

其中，

分别为随机变量X和Y的数学期望，e_X和e_Y为随机变量X和Y的标准差，E(·)为数学期望算子。

4.根据权利要求1所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述对输入参数进行精简是指取0.95作为可测参数与推力之间相关系数的阈值，将相关系数小于0.95的可测参数视为非相关参数从推力估计器输入中去除，不参与到训练中。

5.根据权利要求1所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤(2)中，根据公式(2)将各项输入参数进行处理，将数值缩放至[0,1]区间：

其中，x_min是参数的最小值，x_max是参数的最大值，x是未归一化的参数，x*是归一化后的参数，归一化处理后，各输入参数均变为0-1之间的无量纲数。

6.根据权利要求1所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤(3)分为以下具体步骤：

1)将归一化后的数据集划分为训练集和测试集；

2)将训练集数据输入到CNN-RNN推力估计器模型中得到推力估计值；

3)计算推力估计值的相对误差，采用均方误差作为损失函数；

4)重复步骤2、3，直至达到最大训练回合数。

7.根据权利要求6所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤1)中，推力估计器模型初始状态值为0，训练集输入参数包括当前时刻的输入特征参数x_t和上一时刻的状态值h_t-1。

8.根据权利要求6所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤2)中，CNN-RNN推力估计器模型采用如图2中所示的结构，将CNN与RNN相结合，用卷积结构代替RNN中的神经元结构，具体结构包括1个输入层、2个卷积层、2个池化层、2个全连接层、1个重构层和1个输出层；其中，输入层包括1*8输入特征参数和1*10上一时刻状态值；第一层为全连接层，节点数为10；第二层为卷积层，卷积核大小为1*2，通道数为6；第三层为池化层，池化视野为1*2，通道数为6；第四层为卷积层，卷积核大小为1*2，通道数为10；第五层为池化层，池化视野为1*2，通道数为10；第六层为重构层，节点数为20；第七层为全连接层，节点数为10，第七层全连接层节点同时作为网络当前状态反馈到输入层；最后一层为输出层，输出模型估计的推力值；训练结束后将测试数据集输入到估计器模型中，计算预测推力值与测试集真实推力值之间的相对误差，判断推力估计器模型的预测精度，不断训练直至达到最大训练回合数。

9.根据权利要求6所述的一种基于CNN-RNN的航空发动机推力估计方法，其特征是所述步骤3)中，推力估计器模型输出推力估计值后，计算推力估计值的相对误差，采用均方误差作为损失函数，如公式(3)所示；

其中，F_p为推力估计值，F_t为真实推力值，根据损失函数MSE对网络层参数的梯度，采用Adam算法对网络层参数进行更新；训练结束后将测试数据集输入到估计器模型中，采用公式(4)计算预测推力值与测试集目标推力之间的相对误差，判断推力估计器模型的预测精度；

Images