[發明專利]一種基于長短時記憶網絡的航空發動機過渡態推力估計方法

有效

• 申請號: 201810445444.4
• 申請日: 2018-05-11
• 公開（公告）號: CN108573116B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 趙永平;李智強;習鵬鵬;黃功;李兵;胡乾坤;潘穎庭;宋房全
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F16/2458
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種基于長短時記憶網絡的航空發動機過渡態推力估計方法，其特征在于，包括如下步驟：

步驟1：獲取航空發動機機載設備的各項影響發動機推力的參數，按照不同的規律調整油門桿角度從航空發動機模型中采集n次發動機所述參數的值以及發動機的實際推力，構成n個數據集，假設每個樣本的維度大小為sample_size；

步驟2：對步驟1所得n個數據集進行預處理；

步驟2.1：將步驟1所得n個數據集合并為一個數據集進行歸一化處理，然后將歸一化后的數據按照其原本所屬的數據集，拆分至其原本的數據集中；

步驟2.2：對歸一化后的n個數據集分別進行序列化處理，獲得n個序列化后的數據集；

步驟3：將n個序列化后的數據集劃分為訓練數據集和測試數據集；將訓練數據集傳遞到基于長短時記憶網絡的算法中訓練估計器模型；訓練結束后，將測試數據集傳遞到估計器模型中，判斷估計器模型的預測精度是否滿足預定精度；若滿足預定精度，則結束訓練過程，保存估計器模型參數；若不滿足預定精度，則調整估計器模型參數，重新訓練，直至滿足預定精度；

步驟4：將發動機實際全飛行包線內機載設備的所述參數輸入到估計器模型中，得到航空發動機過渡態的估計推力；

步驟3中，所述基于長短時記憶網絡的算法訓練估計器模型包括如下步驟：

1)應用隨機梯度下降優化算法訓練出第一子估計器模型，將訓練數據集的輸入傳遞到所述第一子估計器模型中得到預測輸出，記為Y_prediction，對訓練數據集的目標輸出Y_real與Y_prediction做逐元素減運算，得到目標輸出與網絡輸出的殘差：

Error＝Y_real-Y_prediction

2)對殘差進行規范化處理：

digit＝max(Error)

Error_normalized＝Error/digit

3)將訓練數據的輸入量和步驟2)得到的殘差Error組成新的訓練數據集，應用隨機梯度下降優化算法重新訓練一個結構與所述第一子估計器模型結構相同的子估計器模型，以實現對殘差Error的預測；

4)重復步驟2)和3)，直至訓練好的子估計器的數量達到設定的個數，則所有子估計器訓練結束；

5)傳遞測試數據集的輸入量至所有子估計器中，測試數據集最終的預測結果，是所有子估計器的預測結果與其對應的digit加權后的逐元素求和，該預測結果是歸一化后的推力值Y_network；

6)采用以下公式將推力反歸一化：

Thrust_network＝(F_max-F_min)*Y_network+F_min

Thrust_network代表網絡預測的實際推力，F_max是所采集的所有樣本中推力的最大值，F_min是所采集的所有樣本中推力的最小值；

7)根據以下公式計算推力估計的相對誤差和絕對誤差：

Absolute_deviation＝|Thrust_real-Thrust_network|

以及相對誤差的最大值：

max_RD＝max(relative_deviation)

其中，Thrust_real是測試數據集未歸一化的推力，Thrust_network是對應的網絡預測的未歸一化的推力；

8)判斷預測的推力與測試數據集的目標推力的相對誤差和絕對誤差是否滿足預定精度，若滿足預定精度，則結束訓練過程，保存算法參數；若不滿足預定精度，則調整算法參數，重新訓練，直至滿足預定精度。