CN114154234A - 一种航空发动机建模方法、***、存储介质 - Google Patents

一种航空发动机建模方法、***、存储介质 Download PDF

Info

Publication number
CN114154234A
CN114154234A CN202111298806.XA CN202111298806A CN114154234A CN 114154234 A CN114154234 A CN 114154234A CN 202111298806 A CN202111298806 A CN 202111298806A CN 114154234 A CN114154234 A CN 114154234A
Authority
CN
China
Prior art keywords
engine
model
neural network
thermodynamic
aero
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.)
Pending
Application number
CN202111298806.XA
Other languages
English (en)
Inventor
任立坤
秦海勤
谢镇波
李边疆
于晓琳
徐可君
谢静
马中原
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.)
Qingdao Campus of Naval Aviation University of PLA
Original Assignee
Qingdao Campus of Naval Aviation University of PLA
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 Qingdao Campus of Naval Aviation University of PLA filed Critical Qingdao Campus of Naval Aviation University of PLA
Priority to CN202111298806.XA priority Critical patent/CN114154234A/zh
Publication of CN114154234A publication Critical patent/CN114154234A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于航空发动机建模技术领域，公开了一种航空发动机建模方法、***、存储介质。将发动机热力学过程与飞行数据深度融合，采用神经网络结构构建航空发动机模型并对构建的航空发动机模型进行训练与验证，然后再基于试车数据或飞行数据对对基于深度神经网络的航空发动机模型再训练及验证。实验结果和分析表明，相比与传统的热力学模型，本发明的模型和算法具有更高的准确率与效率，能够加快航空发动机设计过程的迭代过程，提高航空发动机控制***的响应时间及监控过程的故障诊断能力。

Description

一种航空发动机建模方法、***、存储介质
技术领域
本发明属于航空发动机建模技术领域，尤其涉及一种基于热力学过程与深度神经网络的航空发动机建模方法、建模***、计算机可读存储介质。
背景技术
目前，高精度、高效率的航空发动机性能仿真模型是发动机设计、控制及故障诊断的基础。目前行业内广泛应用的航空发动机模型多采用部件法的思想：以发动机结构及功能为基本出发点，对发动机整体进行划分，形成若干相对独立但彼此联系的子部件，再针对每个子部件的工作性能建立相应的数学模型，各部件的输入输出关系则通过对发动机工作时所满足的气体流量、部件截面压力和输入输出功率等平衡方程进行迭代求解。然而，上述建模方法的精度高度依赖于发动机部件特性图，而发动机个体差异及部件衰退降低了部件特性图的准确度，导致机理模型精度不高。
修正方法通过对部件特性曲线进行修正，将个体差异、性能衰退等因素引入模型之中，提高建模精度。主要的修正方法有最小二乘方法及卡尔曼滤波法。
最小二乘方法对部件特性曲线进行优化使得模型输出与发动机对应参数的误差最小。卡尔曼滤波方法首先将发动机非线性模型转化为状态空间模型，然后在状态方程中引入健康因子衡量各部件特性的衰退量，最后采用卡尔曼滤波方法对观测量进行最小方差估计。
现有技术存在的问题及缺陷为：
(1)建模精度严重依赖部件特性的准确性。虽然修正方法在一定程度上能够通过试车数据的拟合降低对部件特性的依赖，但优化精度仍取决于初始特性图的给定值。而由于部件特性试验误差、制造公差、发动机装配误差、部件退化等因素影响，部件特性图与部件的实际工作特性间存在着较大差异。这就导致基于部件特性图的方法建模精度不足。
(2)上述方法均采用迭代求解平衡方程的方法计算发动机工作点。迭代过程设计多个非线性方程的求解，计算时间过长，难以满足发动机控制及监控的要求。而且现有技术发动机模型在飞行数据上计算精度与效率比较低。
解决以上问题及缺陷的难度为：
(1)传统的航空发动机热力学建模方法难以获得准确的个体发动机部件特性图，导致其建模精度难以满足要求；同时，热力学模型难以针对发动机的退化过程进行实时调整，随着发动机各部件特性的不断退化，热力学模型的建模精度也不断降低。
(2)对热力学模型的求解是通过不断迭代求取雅克比矩阵的方法实现的，迭代过程繁琐，计算时间过长，难以做到对发动机性能及控制的实时响应。
解决以上问题及缺陷的意义为：
(1)通过提高航空发动机的建模精度可以有效建立航空发动机控制参数到截面监测参数的映射，在一定的建模精度下，通过对比模型对截面监测参数的估计值与截面参数的传感器测定值可以有效评估航空发动机的工作状态与健康水平，为其使用维护工作提供有力支撑。
(2)在保证一定的建模精度和计算效率下，航空发动机模型可以作为实时机载模型为航空发动机控制***及监控***提供底层模型支撑，提供航空发动机的控制及监控水平，最大限度地发挥发动机的性能。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种基于热力学过程与深度神经网络的航空发动机建模方法、建模***、计算机可读存储介质。所述技术方案如下：
一种基于热力学过程与深度神经网络的航空发动机建模方法包括：
将发动机热力学过程与飞行数据深度融合，采用神经网络结构构建航空发动机模型并对构建的航空发动机模型进行训练与验证，然后再基于试车数据或飞行数据对对基于深度神经网络的航空发动机模型再训练及验证。
具体地，包括：热力学模型输入量的仿真模拟；
热力学模型下，仿真数据集的构建过程；
基于深度神经网络的航空发动机模型结构的构建过程；
基于深度神经网络的航空发动机模型的训练与验证；
试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证过程。
在一实施例中，所述的热力学模型输入量的仿真模拟包括：航空发动机工作点的产生：在飞行包线和发动机工作状态区间内，按照一定的分布规律随机产生一系列航空发动机工作数据点；
工作点转化为热力学模型的输入：根据热力学模型输入参数的要求，将航空发动机工作数据点转化为航空发动机热力学模型的输入量。
在一实施例中，所述的热力学模型下仿真数据集的构建包括：
气动热力学参数计算：将生成的输入量输入到选定的热力学模型中，计算各截面气动热力学参数的输出量；
仿真数据集的生成：针对每一条输入量，建立其到热力学模型截面输出量的映射，形成一条训练样本，将所有训练样本集合起来，形成仿真数据集；
仿真数据集集的分割：将构建的仿真数据集分为互不相交的两部分——仿真训练集与仿真验证集，分别用于航空发动机神经网络模型的训练与验证。
在一实施例中，所述的基于深度神经网络的航空发动机模型结构的构建包括：
部件神经网络结构的确定：以航空发动机热力学模型各部件输入为输入，输出为输出，确定神经网络层数及各层隐含节点数，构建航空发动机各部件的神经网络结构；
航空发动机神经网络模型的构建：按照航空发动机的气路流动顺序，将构建的各部件神经网络结构头尾相接，形成航空发动机的神经网络模型；
航空发动机神经网络模型输入输出的确定：确定航空发动机的神经网络模型的输入为气动热力学模型输入，输出为各截面的气动热力学参数。
在一实施例中，所述的基于深度神经网络的航空发动机模型的训练与验证包括：
确定训练过程配置参数：确定航空发动机模型训练过程的训练步长，批次训练容量及权重初始化方法；
热力学损失函数的构建：利用航空发动机神经网络模型输出的截面参数构建航空发动机各部件共同工作满足的平衡方程，将该平衡方程等式两边的差作为神经网络训练的热力学损失函数；
相似性损失函数的构建：采用某种误差度量，定义训练过程中模型输出与仿真数据集输出的相似性损失函数；
模型的训练：以一定的权重将热力学损失与相似性损失结合作为最终的神经网络训练过程的损失函数，利用仿真训练集，以训练过程配置参数，对航空发动机神经网络模型进行训练；
模型的验证：在仿真验证集上验证航空发动机神经网络模型的精度与效率。
在一实施例中，所述的试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证包括：
试车数据或飞行数据集的处理与分割：如果能够获得航空发动机的试车数据或飞行数据，以适当的处理方式对试车数据与飞行数据进行数据预处理，形成航空发动机试车数据集或飞行数据集，将上述数据集分为互不交叉的两部分，训练集与验证集；
热力学损失函数的构建：采用所述的方式定义训练的热力学损失函数；
相似性损失函数的构建：针对数据集中的特定测量截面数据，从航空发动机神经网络模型中选取对应的气动热力学参数，采用某种误差度量，定义训练过程中特定测量截面数据与对应模型输出的相似性损失函数；
模型的训练：以一定的权重将热力学损失与相似性损失结合作为最终的神经网络训练过程的损失函数，利用试车或飞行数据训练集，以训练过程配置参数，对航空发动机神经网络模型进行训练；
模型的验证：在试车或飞行数据验证集上验证航空发动机神经网络模型的精度与效率。
本发明的另一目的在于提供一种实施所述基于热力学过程与深度神经网络的航空发动机建模方法的基于热力学过程与深度神经网络的航空发动机建模***，包括：
模型输入量模块，用于热力学模型输入量的仿真模拟；
数据集构建模块，用于热力学模型下，仿真数据集的构建；
发动机模型结构构建模块，用于基于深度神经网络的航空发动机模型结构的构建；
发动机模型训练与验证模块，用于基于深度神经网络的航空发动机模型的训练与验证；
发动机模型再训练及验证模块，用于利用试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证过程。
本发明地另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于热力学过程与深度神经网络的航空发动机建模方法步骤。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)在飞行包线内，利用数值仿真方法建立了符合发动机热力学模型输入输出的仿真数据集。通过仿真数据将发动机热力学模型特性模拟出来，有利于数据驱动方法对发动机特性的快速学习。
(2)构建了基于航空发动机热力学过程的深度神经网络模型。该模型充分考虑了航空发动机工作的热力学过程，通过网络结构的搭建，摆脱了对部件特性图的依赖，提高了发动机模型的扩展性与泛化性。
(3)基于仿真数据集的神经网络预训练方法。利用构建的仿真数据集对构建的神经网络模型进行预训练，可以使得神经网络模型快速完成对发动机基础特性的学习。
(4)采用试车数据及飞行数据对神经网络模型的在训练。通过在训练过程可以使得神经网络模型可以通过较小的调整适应单台发动机的个体特性及退化水平，提高神经网络模型对其的建模精度。在训练过程在保证发动机热力学过程及热力平衡的基础下，通过调整神经网络权重提高了对截面参数的建模精度。
(5)神经网络模型将热力学模型的迭代求解过程转化为神经网络的前馈计算过程，避免了热力学模型繁琐的迭代过程，极大地提高了计算效率。
(6)本发明通过热力学模型输入量的仿真模拟；热力学模型下，仿真数据集的构建过程；基于深度神经网络的航空发动机模型结构的构建过程；基于深度神经网络的航空发动机模型的训练与验证；试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证过程。
(7)为解决目前基于部件特性图的航空发动机模型建模精度不足、效率较低的问题，本发明提出基于热力学过程与深度神经网络的航空发动机融合建模方法。在该模型中，使用传统的热力学建模方法作为框架，以确保可以计算发动机的所有截面参数，实现对发动机工作状态的建模。采用神经网络对低压压气机，高压压气机，燃烧室，高低压涡轮，外涵道，混合器和喷嘴等组件分别建模，通过大量飞行数据建立精确的部件特性映射网络。从而实现对航空发动机精确建模的目的。同时，整个建模过程采用前馈神经网络形式，将热力学平衡方程的迭代求解过程转化为神经网络的离线训练过程；去除了在线计算过程中的迭代形式，提高了计算效率。
(8)实验结果和分析表明，相比与传统的热力学模型，本发明的模型和算法具有更高的准确率与效率，能够加快航空发动机设计过程的迭代过程，提高航空发动机控制***的响应时间及监控过程的故障诊断能力。而且本发明发明可以作为航空发动机底层模型应用于其设计、控制及监控过程。
当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明公开的实施例，并与说明书一起用于解释本发明公开的原理。
图1是本发明实施例提供的基于热力学过程与深度神经网络的航空发动机建模方法流程图。
图2是本发明实施例提供的航空发动机截面编号。
图3是本发明实施例提供的步骤S31的部件神经网络结构图。
图4是本发明实施例提供的步骤S32的航空发动机神经网络整体示意图。
图5是本发明实施例提供的步骤S44的训练过程T5最大误差的变化曲线。
图6是本发明实施例提供的步骤S45的航空发动机神经网络模型对各截面参数的验证集误差图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本发明所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本发明所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，本发明实施例提供的基于热力学过程与深度神经网络的航空发动机建模方法包括：
S1：结合航空发动机实际飞行包线，利用蒙特卡洛方法产生一系列热力学模型的输入量；
S2：将S1中的输入量输入到现有的航空发动机气动热力学模型中，计算各部件截面的气动热力学参数，形成一系列与输入量对应的截面输出量；
S3：搭建基于深度神经网络的航空发动机模型；
S4：利用S2产生的输入输出量对S3搭建的基于深度神经网络的航空发动机模型进行训练；
S5：如果具备航空发动机试车数据或飞行数据，进一步利用试车数据或飞行数据对S3搭建的基于深度神经网络的航空发动机模型进行训练。
本发明还提供一种实施所述基于热力学过程与深度神经网络的航空发动机建模方法的基于热力学过程与深度神经网络的航空发动机建模***，包括：
模型输入量模块，用于热力学模型输入量的仿真模拟；
数据集构建模块，用于热力学模型下，仿真数据集的构建；
发动机模型结构构建模块，用于基于深度神经网络的航空发动机模型结构的构建；
发动机模型训练与验证模块，用于基于深度神经网络的航空发动机模型的训练与验证；
发动机模型再训练及验证模块，用于利用试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证过程。
下面结合每步的详细内容对本发明技术方案做进一步描述。
在本发明公开的一个实施方式中，上述步骤S1包括以下具体步骤：
S11：确定航空发动机飞行包线和发动机工作状态区间。以某型发动机飞行包线和发动机工作状态区间为例，如表1所示；
S12：在飞行包线和发动机工作状态区间内，随机产生一系列航空发动机飞行数据点。根据本发明公开的至少一个实施方式，在飞行包线内，按照均匀分布随机产生16384个数据点。
S13：将S12产生的数据点转化为航空发动机热力学模型的输入量。根据本发明公开的至少一个实施方式，航空发动机热力学模型的输入量为发动机入口总温、入口总压、外界大气压力、高压转子转速。利用通用的进气道总压恢复系数计算方法，将S12中的航空发动机飞行高度与马赫数转化为入口总温、总压，得到仿真输入数据集Ωin：
Ωin＝{ωi＝(T2i,P2i,Pamb2i,N2i,)|i＝1,2,…,16384}
在本发明公开的一个实施方式中，上述步骤S2包括以下具体步骤：
S21：选定一套成熟的航空发动机热力学模型。根据本发明公开的至少一个实施方式，选定Gasturb航空发动机仿真软件的双转子混合排气航空发动机热力学模型；
S22：将S1生成的输入量输入到S21选定的热力学模型中，计算各截面气动热力学参数的输出量。将S13给出的15360个航空发动机工作点输入到S21选定的热力学模型中，计算得到15360个航空发动机各截面的气动热力学参数。主要包括：截面总温、截面总压、截面静温、截面静压、截面马赫数、截面流量。截面划分如图2所示。
S23：针对每一条S1中的输入量，建立其到S22输出量的映射，形成一条训练样本，将所有训练样本集合起来，形成仿真数据集。将S22得到的各截面参数与其输入对应，形成仿真数据集Ω：
Ω＝{ωi＝(T2i,P2i,Pamb2i,N2i,sttni)|i＝1,2,…,15360}
式中，sttni表示第i条仿真输入对应的热力学模型各截面参数。
S24：将S23构建的仿真数据集分为互不相交的两部分——仿真训练集与仿真验证集，分别用于航空发动机神经网络模型的训练与验证。
根据本发明公开的至少一个实施方式，将仿真数据集Ω随机分为仿真训练集Ωtr与仿真验证集Ωval，其中，仿真训练集Ωtr中有12288条数据，仿真验证集Ωval中有3072条数据。
在本发明公开的一个实施方式中，上述步骤S3包括以下具体步骤：
S31：以航空发动机热力学模型各部件输入为输入，输出为输出，确定神经网络层数及各层隐含节点数，构建航空发动机各部件的神经网络结构。根据本发明公开的至少一个实施方式，确定的各部件神经网络结构如图3所示。其中，网络输入为部件入口总温、总压、马赫数、空气流量及其他部件相关输入参数(如低压压气机需输入低压转速、高压压气机需输入高压转速、燃烧室需输入燃油流量、喷口需输入环境压力等)；神经网络层数为4，各层的隐含节点数为xx。
S32：按照航空发动机的气路流动顺序，将S31构建的各部件神经网络结构头尾相接，形成航空发动机的神经网络模型。最终形成的航空发动机神经网络模型如图4所示。
S33：确定航空发动机的神经网络模型的输入为气动热力学模型输入，输出为各截面的气动热力学参数。由图4可知，航空发动机神经网络模型的输入为：发动机进口总温、总压、流量、环境压力、高压转速、低压转速、燃油流量；输出为：各截面总温、总压、马赫数、空气/燃气流量。
在本发明公开的一个实施方式中，上述步骤S4包括以下具体步骤：
S41：确定航空发动机模型训练过程的训练步长，批次训练容量及权重初始化方法。根据本发明公开的至少一个实施方式，训练步长为1e-3，每100代训练步长衰减为原来的10％；训练代数为500代；每批次训练容量为1024个训练样本；权重初始化采用0均值，0.01方差的高斯分布初始化方式。
S42：利用S3构建的航空发动机神经网络模型输出的截面参数构建航空发动机各部件共同工作满足的平衡方程，将该平衡方程等式两边的差作为神经网络训练的热力学损失函数。根据本发明公开的至少一个实施方式，针对双转子混排涡扇发动机的共同工作平衡方程，得到的神经网络训练的热力学损失函数有：
lossd＝lossw+lossp
lossw＝∑(Win-Wex-Wcl)
lossp＝∑(Pt-Pc-Pex)
式中，lossw为流量平衡损失：Win为网络部件单元入口流量，Wex为网络部件单元出口流量，Wcl为冷却及其他空气提取流量，发动机稳定工作时，部件出入口流量应平衡，即Win-Wex-Wcl＝0，因此可以用lossw衡量网络输出对流量平衡的逼近程度；lossp为功率平衡损失，Pt为网络计算的涡轮输出功率，Pc为网络计算的压气机需要功率，Pex为功率提取，发动机稳定工作时，同一转子上的功率平衡，即Pt-Pc-Pex＝0，因此可以用lossp衡量网络对功率平衡的逼近程度。上式中的各截面流量及高低压转子功率均可由航空发动机神经网络模型输出的各截面气动热力学参数表示，因此上式可转化为关于航空发动机神经网络模型输出的热力学损失函数。
S43：采用某种误差度量，定义训练过程中模型输出与S2产生的仿真数据集输出的相似性损失函数。根据本发明公开的至少一个实施方式，采用均方误差作为相似性损失函数：
Figure BDA0003337444050000151
其中，lossm为相似性损失，yi为训练样本中各截面参数的目标值向量，
Figure BDA0003337444050000152
为航空发动机神经网络模型各截面参数的输出估计值向量。
S44：以一定的权重将S42定义的热力学损失与S43定义的相似性损失结合作为最终的神经网络训练过程的损失函数，利用S24构建的仿真训练集，以S41给出的训练过程参数，对S32构建的航空发动机神经网络模型进行训练。根据本发明公开的至少一个实施方式，最终的损失函数为：
loss＝lossm+lossd
在S24构建的仿真训练集上，利用Adam优化方法对航空发动机神经网络模型进行训练。训练过程中，T5最大误差随训练代数的变化如图5所示，其中每代T5最大误差定义为：
Figure BDA0003337444050000161
S45：在S24构建的仿真验证集上验证航空发动机神经网络模型的精度与效率。得到的各截面参数误差如图6所示，可以看出航空发动机神经网络模型对各截面参数的逼近结果较好；神经网络模型与热力学模型的计算效率对比如表1所示，计算时间是在i5-11300H(3.10GHz 3.11GHz)CPU上得到的。可以看出神经网络模型的计算效率远远高于目前广泛采用的热力学模型。
表1各种发动机模型计算效率对比
Figure BDA0003337444050000162
在本发明公开的一个实施方式中，上述步骤S5包括以下具体步骤：
S51：如果能够获得航空发动机的试车数据或飞行数据，以适当的处理方式对试车数据与飞行数据进行数据预处理，形成航空发动机试车数据集或飞行数据集，将上述数据集分为互不交叉的两部分，训练集与验证集。根据本发明公开的至少一个实施方式，获得了该型航空发动机一年的实际飞行数据。通过5秒内高压转速变化幅度不超过1％选择了26970个稳态点，包含飞行高度、马赫数、进口总温、总压、环境压力及涡轮后温度。将上述稳态点随机分成两部分，一部分是包含2000个稳态点的飞行数据训练集，另一部分是包含6970个稳态点的飞行数据验证集。
S52：采用与S42相同的方式定义训练的热力学损失函数；
S53：针对数据集中的特定测量截面数据，从航空发动机神经网络模型中选取对应的气动热力学参数，利用S43方法定义相似性损失函数。由于该飞行数据中仅有涡轮后温度这一个截面参数，因此相似性损失函数定义为：
Figure BDA0003337444050000171
式中，lossm为相似性损失，T5i为训练样本中涡轮后温度的目标值，
Figure BDA0003337444050000174
为航空发动机神经网络模型输出的涡轮后温度估计值。
S54：采用与S44相同的方式训练航空发动机神经网络模型。在训练过程中，训练步长变为1e-5，每100代衰减为原步长的80％。
S55：采用与S45相同的方式验证模型精度与效率。在S51给出的飞行数据验证集上验证模型精度和效率与目前主流气动热力学模型的计算结果对比如表2所示。其中，模型精度采用平均绝对误差及最大绝对误差衡量，计算时间是在i5-11300H(3.10GHz 3.11GHz)CPU上得到的：
Figure BDA0003337444050000172
Figure BDA0003337444050000173
可以看出，无论是计算精度与效率，航空发动机神经网络模型都比目前主流的气动热力学模型有着较大的提高，验证了模型的有效性。
表2各种发动机模型在飞行数据上计算精度与效率对比
Figure BDA0003337444050000181
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明公开的其它实施方案。本申请旨在涵盖本发明公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明公开的一般性原理并包括本发明公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本发明公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明公开的范围应由所附的权利要求来限制。

Claims (9)

1.一种基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述基于热力学过程与深度神经网络的航空发动机建模方法包括：
将发动机热力学过程与飞行数据深度融合，采用神经网络结构构建航空发动机模型并对构建的航空发动机模型进行训练与验证，然后再基于试车数据或飞行数据对对基于深度神经网络的航空发动机模型再训练及验证。
2.根据权利要求1所述的基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述基于热力学过程与深度神经网络的航空发动机建模方法具体包括：
S1：结合航空发动机实际飞行包线，利用蒙特卡洛方法产生一系列热力学模型的输入量；
S2：将S1中的输入量输入到现有的航空发动机气动热力学模型中，计算各部件截面的气动热力学参数，形成多个与输入量对应的截面输出量；
S3：搭建基于深度神经网络的航空发动机模型；
S4：利用S2产生的输入输出量对S3搭建的基于深度神经网络的航空发动机模型进行训练；
S5：若具备航空发动机试车数据或飞行数据，进一步利用试车数据或飞行数据对S3搭建的基于深度神经网络的航空发动机模型进行训练。
3.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述步骤S1具体包括以下步骤：
S11：确定航空发动机飞行包线和发动机工作状态区间；
S12：在飞行包线和发动机工作状态区间内，随机产生多个航空发动机飞行数据点；
S13：将S12产生的数据点转化为航空发动机热力学模型的输入量；航空发动机热力学模型的输入量为发动机入口总温、入口总压、外界大气压力、高压转子转速；利用通用的进气道总压恢复系数计算方法，将S12中的航空发动机飞行高度与马赫数转化为入口总温、总压，得到仿真输入数据集Ωin：
Ωin＝{ωi＝(T2i，P2i，Pamb2i，N2i，)|i＝1，2，…，16384}。
4.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述步骤S2包括以下具体步骤：
S21：选定航空发动机热力学模型；选定Gasturb航空发动机仿真软件的双转子混合排气航空发动机热力学模型；
S22：将S1生成的输入量输入到S21选定的热力学模型中，计算各截面气动热力学参数的输出量；将得到的仿真输入数据集给出的15360个航空发动机工作点输入到S21选定的热力学模型中，计算得到15360个航空发动机各截面的气动热力学参数；包括：截面总温、截面总压、截面静温、截面静压、截面马赫数、截面流量；
S23：对每一条S1中的输入量，建立到S22输出量的映射，形成训练样本，将所有训练样本集合起来，形成仿真数据集；将S22得到的各截面参数与输入对应，形成仿真数据集Ω：
Ω＝{ωi＝(T2i，P2i，Pamb2i，N2i，sttni)|i＝1，2，…，15360}
式中，sttni表示第i条仿真输入对应的热力学模型各截面参数；
S24：将S23构建的仿真数据集分为互不相交的仿真训练集Ωtr与仿真验证集Ωval，分别用于航空发动机神经网络模型的训练与验证；
其中，仿真训练集Ωtr中有12288条数据，仿真验证集Ωval中有3072条数据。
5.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：以航空发动机热力学模型各部件输入为输入，输出为输出，确定神经网络层数及各层隐含节点数，构建航空发动机各部件的神经网络结构；其中，网络输入为部件入口总温、总压、马赫数、空气流量及其他部件相关输入参数；神经网络层数为4，各层的隐含节点数为xx；
S32：按照航空发动机的气路流动顺序，将S31构建的各部件神经网络结构头尾相接，形成航空发动机的神经网络模型；最终形成的航空发动机神经网络模型；
S33：确定航空发动机的神经网络模型的输入为气动热力学模型输入，输出为各截面的气动热力学参数；航空发动机神经网络模型的输入为：发动机进口总温、总压、流量、环境压力、高压转速、低压转速、燃油流量；输出为：各截面总温、总压、马赫数、空气/燃气流量。
6.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述步骤S4具体包括以下步骤：
S41：确定航空发动机模型训练过程的训练步长，批次训练容量及权重初始化方法；
S42：利用S3构建的航空发动机神经网络模型输出的截面参数构建航空发动机各部件共同工作满足的平衡方程，将该平衡方程等式两边的差作为神经网络训练的热力学损失函数；对双转子混排涡扇发动机的共同工作平衡方程，得到的神经网络训练的热力学损失函数有：
lossd＝lossw+lossp
lossw＝∑(Win-Wex-Wcl)
lossp＝∑(Pt-Pc-Pex)
式中，lossw为流量平衡损失：Win为网络部件单元入口流量，Wex为网络部件单元出口流量，Wcl为冷却及其他空气提取流量，发动机稳定工作时，部件出入口流量应平衡，即Win-Wex-Wcl＝0，用lossw衡量网络输出对流量平衡的逼近程度；lossp为功率平衡损失，Pt为网络计算的涡轮输出功率，Pc为网络计算的压气机需要功率，Pex为功率提取，发动机稳定工作时，同一转子上的功率平衡，即Pt-Pc-Pex＝0，用lossp衡量网络对功率平衡的逼近程度；上式中的各截面流量及高低压转子功率均由航空发动机神经网络模型输出的各截面气动热力学参数表示；
S43：采用某种误差度量，定义训练过程中模型输出与S2产生的仿真数据集输出的相似性损失函数；采用均方误差作为相似性损失函数：
Figure FDA0003337444040000051
其中，lossm为相似性损失，yi为训练样本中各截面参数的目标值向量，
Figure FDA0003337444040000052
为航空发动机神经网络模型各截面参数的输出估计值向量；
S44：以一定的权重将S42定义的热力学损失与S43定义的相似性损失结合作为最终的神经网络训练过程的损失函数，利用S24构建的仿真训练集，以S41给出的训练过程参数，对S32构建的航空发动机神经网络模型进行训练；最终的损失函数为：
loss＝lossm+lossd；
在S24构建的仿真训练集上，利用Adam优化方法对航空发动机神经网络模型进行训练；训练过程中，其中每代T5最大误差定义为：
Figure FDA0003337444040000053
S45：在S24构建的仿真验证集上验证航空发动机神经网络模型的精度与效率。
7.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述步骤S5具体包括以下步骤：
S51：对获得航空发动机的试车数据或飞行数据进行数据预处理，形成航空发动机试车数据集或飞行数据集，将上述数据集分为互不交叉的训练集与验证集；训练集包含2000个稳态点的飞行数据，验证集包含6970个稳态点的飞行数据；
S52：采用与S42相同的方式定义训练的热力学损失函数；
S53：对数据集中的特定测量截面数据，从航空发动机神经网络模型中选取对应的气动热力学参数，利用S43方法定义相似性损失函数；该飞行数据中仅有涡轮后温度截面参数，相似性损失函数定义为：
Figure FDA0003337444040000061
式中，lossm为相似性损失，T5i为训练样本中涡轮后温度的目标值，
Figure FDA0003337444040000062
为航空发动机神经网络模型输出的涡轮后温度估计值；
S54：采用与S44相同的方式训练航空发动机神经网络模型；
S55：采用与S45相同的方式验证模型精度与效率；模型精度采用平均绝对误差及最大绝对误差衡量：
Figure FDA0003337444040000063
Figure FDA0003337444040000064
8.一种实施权利要求1～7任意一项所述基于热力学过程与深度神经网络的航空发动机建模方法的基于热力学过程与深度神经网络的航空发动机建模***，其特征在于，所述基于热力学过程与深度神经网络的航空发动机建模***包括：
模型输入量模块，用于热力学模型输入量的仿真模拟；
数据集构建模块，用于热力学模型下，仿真数据集的构建；
发动机模型结构构建模块，用于基于深度神经网络的航空发动机模型结构的构建；
发动机模型训练与验证模块，用于基于深度神经网络的航空发动机模型的训练与验证；
发动机模型再训练及验证模块，用于利用试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证过程。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～7任意一项所述基于热力学过程与深度神经网络的航空发动机建模方法步骤。
CN202111298806.XA 2021-11-04 2021-11-04 一种航空发动机建模方法、***、存储介质 Pending CN114154234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111298806.XA CN114154234A (zh) 2021-11-04 2021-11-04 一种航空发动机建模方法、***、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111298806.XA CN114154234A (zh) 2021-11-04 2021-11-04 一种航空发动机建模方法、***、存储介质

Publications (1)

Publication Number Publication Date
CN114154234A true CN114154234A (zh) 2022-03-08

Family

ID=80459289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111298806.XA Pending CN114154234A (zh) 2021-11-04 2021-11-04 一种航空发动机建模方法、***、存储介质

Country Status (1)

Country Link
CN (1) CN114154234A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270606A (zh) * 2022-07-01 2022-11-01 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN116644673A (zh) * 2023-07-27 2023-08-25 北京航空航天大学 一种飞机热管理***的状态数据时序变化预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270606A (zh) * 2022-07-01 2022-11-01 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN115270606B (zh) * 2022-07-01 2024-02-13 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN116644673A (zh) * 2023-07-27 2023-08-25 北京航空航天大学 一种飞机热管理***的状态数据时序变化预测方法
CN116644673B (zh) * 2023-07-27 2023-10-20 北京航空航天大学 一种飞机热管理***的状态数据时序变化预测方法

Similar Documents

Publication Publication Date Title
CN108829928B (zh) 一种涡轴发动机自适应部件级仿真模型构建方法
CN110502840B (zh) 航空发动机气路参数在线预测方法
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
CN108647428B (zh) 一种涡扇发动机自适应部件级仿真模型构建方法
WO2020000248A1 (zh) 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
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
CN114154234A (zh) 一种航空发动机建模方法、***、存储介质
CN109031951B (zh) 基于精确偏导数的航空发动机状态变量模型在线建立方法
CN109472062A (zh) 一种变循环发动机自适应部件级仿真模型构建方法
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
CN109871653B (zh) 航空发动机数学模型部件特性修正方法
Tsoutsanis et al. Non-linear model calibration for off-design performance prediction of gas turbines with experimental data
CN116106021A (zh) 一种用于航空发动机性能数字孪生的精度提升方法
CN115099165B (zh) 一种考虑性能退化的航空发动机建模方法
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
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
Zhang et al. A digital twin approach for gas turbine performance based on deep multi-model fusion
CN110362960B (zh) 基于多胞折合平衡流形展开模型的航空发动机***辨识方法
CN114818205B (zh) 一种航空发动机全生命周期叶尖间隙在线感知方法
Peng et al. Accuracy research on the modeling methods of the gas turbine components characteristics
Zhang et al. Health Parameters Estimation of Turbofan Engine Based on Improved UKF Method
Kong et al. Study on component map identification from gas turbine performance deck data using hybrid method
Pu et al. Aero-engine model correction technology based on adaptive neural network
Han et al. A novel, reduced-order optimization method for nonlinear model correction of turboshaft engines
CN115114731A (zh) 一种基于伪雅可比矩阵的航空发动机动态建模方法

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