[發明專利]一種渦輪集氣腔出口流量不均勻系數的預測方法

有效

• 申請號: 201911196815.0
• 申請日: 2019-11-29
• 公開（公告）號: CN111079920B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 王春華;張小穎;張靖周
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06N3/065
• 分類號: G06N3/065;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 吳旭

本發明公開一種渦輪集氣腔出口流量不均勻系數的預測方法，包括以下步驟：選擇預測模型的輸入參數，并確定參數的變化區間；進行變工況數值實驗，制成預測模型的訓練樣本和測試樣本；基于訓練樣本建立徑向基函數神經網絡預測模型，并利用試錯法確定神經網絡經驗系數；利用測試樣本對徑向基函數神經網絡預測模型進行測試，驗證預測模型的泛化能力。本發明克服了傳統經驗關聯式方法需要大量樣本的缺點，提供了一種預測精度高，泛化能力強，具有高魯棒性的渦輪集氣腔流量不均勻系數預測方法。

技術領域

本發明屬于航空發動機空氣系統領域，特別涉及一種適合于渦輪集氣腔出口流量不均勻系數的預測方法。

背景技術

提高熱力循環的最高溫度是改善航空渦輪發動機性能的基本技術途徑之一。目前推重比為10的航空發動機渦輪進口燃氣溫度已達到1900K；根據美國高性能渦輪發動機技術綜合計劃和歐洲先進軍用發動機技術計劃，下一代航空燃氣渦輪發動機推重比將達到15-20，渦輪進口燃氣溫度也將高達2200K～2300K。高性能航空渦輪發動機的發展對渦輪葉片強化冷卻的技術指標提出了越來越苛刻的要求。渦輪集氣腔是給渦輪導向葉片供應冷卻氣的重要部件，冷氣分配的不均勻一方面會導致部分葉片冷卻氣量不足，增加冷卻結構失效風險，另一方面也會使得部分葉片冷卻氣量過多，造成冷卻氣的浪費。如何實現渦輪集氣腔出口流量不均勻系數的準確預測具有重要的現實意義。

徑向基函數(Radial?basis?function,RBF)神經網絡是一種優良的前饋型神經網絡，其利用徑向基函數作為隱單元的“基”構成隱含層空間，將輸入矢量直接映射到隱空間，再通過線性變換將隱含層空間映射到輸出空間。徑向基函數神經網絡學習算法簡單，具有多維非線性映射能力、很強的泛化能力、聚類分析能力，在理論上具有任意逼近性能和最佳逼近性能，且無局部最小問題存在。相對于傳統的經驗關聯式預測，徑向基函數神經網絡具有更高的計算精度以及算法魯棒性。

發明內容

發明目的：本發明為了解決背景技術中實現渦輪集氣腔出口流量不均勻系數的準確預測問題，提出一種基于徑向基函數神經網絡的預測方法，克服傳統經驗關聯式方法的不足，提供一種預測精度高，泛化能力強，具有高魯棒性的流量不均勻系數預測方法。

技術方案：一種渦輪集氣腔出口流量不均勻系數的預測方法，包括以下步驟：

步驟1：選擇預測模型的輸入參數，并確定參數變化區間；

其中輸入參數包括：進氣導管直徑d_j，進氣導管數量N_j，出氣孔直徑d_c，出氣孔數量N_c，集氣腔高度H，進氣導管與出氣孔的軸向距離偏差ΔL，進氣導管與出氣孔的周向相對角Δβ；

步驟2：根據步驟1中輸入參數變化進行變工況數值實驗，獲取預測模型的數據樣本，包括訓練樣本和測試樣本；

步驟3：基于步驟2中獲取的訓練樣本，建立徑向基函數神經網絡預測模型，并利用試錯法確定預測模型的擴展速度；

步驟4：利用步驟2中獲取的測試樣本，對步驟3中建立的徑向基函數神經網絡預測模型進行泛化能力測試，獲取相對預測誤差。

進一步地，所述步驟1中的預測模型參數變化區間如下：d_j的變化范圍為20～40mm；N_j的變化范圍為2～6個；d_c的變化范圍為6～15mm；N_c的變化范圍為60～100個；H的變化范圍為10～30mm；ΔL的變化范圍為0～30mm；Δβ的變化范圍為0～30°。

進一步地，所述步驟2中獲取預測模型的數據樣本具體步驟如下：

步驟2.1：基于拉丁超立方方針，對d_j，N_j，d_c，N_c，H，ΔL，Δβ進行組合，進行84組變工況實驗，所得數據作為訓練樣本；