[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

本發明公開了一種基于深度學習的航空發動機模型自適應修正方法，屬航空發動機建模與仿真領域。本發明采用一種基于循環神經網絡的動態并行補償器，對航空發動機性能未蛻化狀態下全包線范圍內原始非線性模型誤差進行補償；同時采用一種基于遺傳算法的修正器，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調整。其中，待修正健康參數由基于集成評價的多指標決策算法確定。修正后的非線性部件級模型輸出與補償器輸出之和，與航空發動機運行試車輸出數據一致，從而提高航空發動機全包線建模精度。本發明為航空發動機控制系統及故障診斷系統設計提供了有力支持，有助于提高航空發動機硬件在回路及半物理實驗驗證的可靠性。

技術領域

本發明涉及一種基于深度學習算法的航空發動機全包線模型自適應修正方法，具體的說，是指在航空發動機全包線工作范圍內，一種實現模型輸出對試車數據精確逼近的模型修正技術，屬于航空發動機建模與仿真技術領域。

背景技術

本發明依托背景為某型小涵道比渦扇發動機的非線性部件級數學模型。目前常用的航空發動機部件級模型都是依據航空發動機的標稱特性建立，忽略了不同航空發動機之間的性能差異。此外，發動機多部件協同工作，即使部件的模型特性十分精確，但部件間的相互影響、制造與裝配誤差、使用磨損和性能蛻化等因素產生的干擾，使得由標稱非線性部件級模型仿真計算得到的發動機性能參數與實際性能參數存在較大誤差。而航空發動機控制系統及故障診斷系統的設計與仿真驗證的有效性與準確性與航空發動機的非線性模型密切相關。因此，依據試車數據對早期建立的航空發動機部件級非線性模型進行自適應修正具有重要的工程意義。

現有的國內外航空發動機模型修正技術主要集中于基于穩態工作點的部件特性修正，即針對某給定穩態工作點，采用多種求解方法對修正參數進行調整，該類修正過程在一定程度上即為穩態模型參數的優化過程。而對于航空發動機的過渡態，目前通用的方法仍然基于穩態工作點模型，采用插值算法近似過渡態過程。由于特征穩態工作點較少，插值誤差較大，導致模型動態響應誤差較大。因此，上述模型修正方法難以解決全包線內過渡態過程的關鍵輸出參數的精度問題。此外，航空發動機模型中涉及的健康參數個數遠多于航空發動機關鍵可測參數，實際工程應用中往往只選擇與關鍵可測參數個數相當的健康參數進行自適應調整。現有的健康參數選擇方法多采用修正參數擾動法，即對健康參數修正因子產生一個階躍信號，測量航空發動機關鍵輸出參數的變化量，依據其幅值變化大小順序選擇待修正的健康參數。然而，由于關鍵輸出參數的變化量隨健康參數修正因子的變化并非線性，不適當的階躍信號幅值選取會對待修正健康參數選擇產生影響，從而降低了修正后模型的準確性。最后，上述方法并未考慮原始非線性模型與實際工作狀態的建模誤差而直接對其修正，也降低了模型精度與修正參數的可靠性。

綜上，為了克服現有的控制用航空發動機全包線模型修正技術的不足，即上述基于穩態模型參數修正過渡態、基于階躍信號響應的待修正健康參數選擇及未考慮原始部件級模型誤差三種情況，本發明提出了一種基于深度學習算法的控制用航空發動機全包線模型自適應修正方法。此種方法直接對航空發動機全包線范圍內模型直接實現修正，采用了一種更為合理的基于集成評價的多指標決策算法實現健康參數的選擇，并且對原始發動機建模誤差進行了補償，使得修正后模型更為精確。同時，本方法通過適當的調整即可推廣到其他類型的航空渦輪發動機以及船用燃氣輪機的建模及修正中，普適性更廣。

發明內容

針對現有技術中難以實現航空發動機全包線模型高精度修正的問題，本發明提供了一種基于深度學習算法的航空發動機全包線模型自適應修正方法。

本發明的技術方案為：

一種基于深度學習的航空發動機模型自適應修正方法，包括以下步驟：

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；