[發明專利]一種基于深度學習的航空發動機模型自適應修正方法

有效

• 申請號: 201810071168.X
• 申請日: 2018-01-25
• 公開（公告）號: CN108416086B
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 杜憲;程都;馬艷華;孫希明
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/15;G06F30/27;G06N3/04
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

1.一種基于深度學習的航空發動機模型自適應修正方法，其特征在于，步驟如下：

S1.根據采集的航空發動機全包線運行試車數據中性能未蛻化狀態的試車數據，生成用于建立基于循環神經網絡算法的動態并行補償器的訓練數據和測試數據；

S2.利用生成的動態并行補償器的訓練數據和測試數據，構建基于循環神經網絡算法的動態并行補償器；

S3.根據航空發動機全包線的蛻化狀態試車數據，采用一種基于集成評價的多指標決策算法，確定航空發動機原始非線性部件級模型中待修正健康參數；

所述的基于集成評價的多指標決策算法，具體步驟如下：

航空發動機健康參數包括風扇流量因子Q_f、風扇效率因子E_f、壓氣機流量因子Q_c、壓氣機效率因子E_c、高壓渦輪流量因子Q_th、高壓渦輪效率因子E_th、低壓渦輪流量因子Q_tl、低壓渦輪效率因子E_tl、燃燒室總壓恢復系數SigComb、外涵道總壓恢復系數SigBypass；健康參數修正因子及其允許修正范圍分別為F_i及[F_imin,F_imax]，i＝1,…,10；

S3.1在原始非線性部件級模型中，令H＝0,Ma＝0，燃油流量按照全包線試車數據從慢車到最大狀態分別給定，健康參數修正因子全部設為1，仿真計算原始非線性模型的各穩態點數據P_3s、T_5s、N_1s、N_2s；

S3.2在原始非線性部件級模型中，令H＝0,Ma＝0，燃油流量按照全包線試車數據從慢車到最大狀態分別給定，依次將健康參數修正因子由F_imin以0.05的步長增加至F_imax，保持其余健康參數修正值為1，仿真計算擾動的原始非線性模型各穩態點數據P_3sij、T_5sij、N_1sij、N_2sij，i＝1,…,10，j＝1,…,[(F_imax-F_imin)/0.05]；

S3.3計算穩態點誤差相對偏差量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構建區間數形式的決策矩陣U＝[U_in]，U_in＝[u_lin,u_uin]，其中

S3.5計算

其中，B_in是中點歸一化矩陣，E_in是長度歸一化矩陣，q_n是第n個屬性的信息熵，0η1是平衡因子，i＝1,…,10，n＝1,…,4；

計算熵權

S3.6計算熵權決策值

其中，

S3.7構造加權規范化決策矩陣J_in＝U_inw_n，確定正理想點和負理想點大小分別為

其中，

計算距離

其中，d⁺_i是加權規范化決策矩陣J_in和正理想點的距離，d^-_i是加權規范化決策矩陣J_in和負理想點的距離；

計算決策值

S3.8計算綜合決策值F_i＝α(v_i+c_i)，α是放大系數，取值為1，i＝1,…,10，并按其值由大到小進行排序，選擇前四個參數作為待修正健康參數；

S4.構建基于遺傳算法的修正器，并設置修正次數20≥Q0；

S5.對原始非線性部件級模型中待修正健康參數修正因子進行自適應修正；

S6.計算修正后的非線性部件級模型輸出與給定輸入信號下動態并行補償器輸出之和，再與給定工況下航空發動機全包線運行試車數據中相應輸出數據相減，若差值e不大于誤差閾值ε，0.05≥ε0或達到修正次數Q，進入S7；否則，返回S5；

S7.保存修正后的待修正健康參數修正因子。