[發(fā)明專利]一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法

有效

• 申請?zhí)枺?/td>: 202010791911.6
• 申請日: 2020-08-08
• 公開（公告）號(hào): CN111967202B
• 公開（公告）日: 2022-10-25
• 發(fā)明（設(shè)計(jì)）人: 肖洪;林志富
• 申請（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G06F30/28
• 分類號(hào): G06F30/28;G06F30/17;G06N3/04;G06N3/08
• 代理公司: 西安匠星互智知識(shí)產(chǎn)權(quán)代理有限公司 61291
• 代理人: 陳星

1.一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法，其特征在于：包括以下步驟：

步驟1：選取發(fā)動(dòng)機(jī)參數(shù)，構(gòu)造訓(xùn)練數(shù)據(jù)：

將航空發(fā)動(dòng)機(jī)飛行參數(shù)、控制規(guī)律變量及狀態(tài)參數(shù)作為訓(xùn)練點(diǎn)自變量向量的分量，將傳感器測量的航空發(fā)動(dòng)機(jī)氣動(dòng)熱力學(xué)參數(shù)作為訓(xùn)練點(diǎn)因變量向量的分量；

步驟2：建立航空發(fā)動(dòng)機(jī)性能實(shí)時(shí)跟蹤模型：

構(gòu)建第一套多層神經(jīng)網(wǎng)絡(luò)作為航空發(fā)動(dòng)機(jī)性能實(shí)時(shí)跟蹤模型，該多層神經(jīng)網(wǎng)絡(luò)僅包含輸入層和隱藏層，不存在輸出層；該多層神經(jīng)網(wǎng)絡(luò)的隱藏層的層數(shù)和節(jié)點(diǎn)數(shù)由航空發(fā)動(dòng)機(jī)部件的數(shù)量、重要程度及運(yùn)行次序確定，表示航空發(fā)動(dòng)機(jī)各部件的性能修正量；并且基于部件的耦合關(guān)系對各節(jié)點(diǎn)進(jìn)行權(quán)值連接并初始化；

步驟3：訓(xùn)練航空發(fā)動(dòng)機(jī)性能實(shí)時(shí)跟蹤模型：

首先進(jìn)行多層神經(jīng)網(wǎng)絡(luò)的前向傳遞，將訓(xùn)練點(diǎn)自變量向量作為航空發(fā)動(dòng)機(jī)性能實(shí)時(shí)跟蹤模型網(wǎng)絡(luò)輸入，計(jì)算網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)值；之后，將多層神經(jīng)網(wǎng)絡(luò)的輸入層、隱藏層節(jié)點(diǎn)基于其物理意義代入航空發(fā)動(dòng)機(jī)數(shù)值仿真性能模型中，以獲得航空發(fā)動(dòng)機(jī)氣動(dòng)熱力學(xué)參數(shù)計(jì)算值；

步驟4：將航空發(fā)動(dòng)機(jī)氣動(dòng)熱力學(xué)參數(shù)的計(jì)算值和傳感器測量得到的測量值轉(zhuǎn)換成相應(yīng)的微觀分布函數(shù)，采用最大熵原理算法加速訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值；不斷重復(fù)步驟3、4直至滿足收斂條件，最終得到第一套多層神經(jīng)網(wǎng)絡(luò)模型；

步驟5：建立航空發(fā)動(dòng)機(jī)機(jī)載極速性能數(shù)字孿生模型：

基于已訓(xùn)練完成的第一套多層神經(jīng)網(wǎng)絡(luò)，通過在原有訓(xùn)練權(quán)值上乘以新的權(quán)值系數(shù)，添加多個(gè)輸出節(jié)點(diǎn)并連接第一套多層神經(jīng)網(wǎng)絡(luò)的最后一層隱藏層節(jié)點(diǎn)，將航空發(fā)動(dòng)機(jī)氣動(dòng)熱力學(xué)參數(shù)計(jì)算值作為第二套多層神經(jīng)網(wǎng)絡(luò)的輸出層，構(gòu)造第二套多層神經(jīng)網(wǎng)絡(luò)模型，再次初始化權(quán)值；

步驟6：訓(xùn)練航空發(fā)動(dòng)機(jī)機(jī)載極速性能數(shù)字孿生模型：

將訓(xùn)練點(diǎn)自變量向量作為第二套網(wǎng)絡(luò)輸入，前向傳遞計(jì)算輸出層節(jié)點(diǎn)數(shù)值；將航空發(fā)動(dòng)機(jī)氣動(dòng)熱力學(xué)參數(shù)的測量值和第二套神經(jīng)網(wǎng)絡(luò)的輸出值轉(zhuǎn)換成相應(yīng)的微觀分布函數(shù)，采用最大熵原理算法加速訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值，訓(xùn)練滿足收斂條件后得到第二套多層神經(jīng)網(wǎng)絡(luò)模型，即為基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生。

2.根據(jù)權(quán)利要求1所述一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法，其特征在于：步驟1中航空發(fā)動(dòng)機(jī)飛行參數(shù)、控制規(guī)律變量及狀態(tài)參數(shù)為：

航空發(fā)動(dòng)機(jī)飛行參數(shù)包括航空發(fā)動(dòng)機(jī)飛行馬赫數(shù)、飛行高度；

航空發(fā)動(dòng)機(jī)控制規(guī)律變量包括可調(diào)尾噴管面積；

航空發(fā)動(dòng)機(jī)狀態(tài)參數(shù)包括燃油流量、轉(zhuǎn)速。

3.根據(jù)權(quán)利要求1所述一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法，其特征在于：步驟1中傳感器測量的航空發(fā)動(dòng)機(jī)氣動(dòng)熱力學(xué)參數(shù)包括：發(fā)動(dòng)機(jī)進(jìn)口壓力、壓氣機(jī)出口壓力和/或渦輪出口溫度。

4.根據(jù)權(quán)利要求1所述一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法，其特征在于：步驟2和步驟5中的初始化權(quán)值采用Maxwell分布。

5.根據(jù)權(quán)利要求1所述一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法，其特征在于：步驟2中，第一套多層神經(jīng)網(wǎng)絡(luò)的隱藏層層數(shù)和次序依照高壓部件，低壓部件，燃燒部件，混合室及外涵道，進(jìn)排氣部件進(jìn)行分類和排序，同一類別部件的參數(shù)因子所構(gòu)成的節(jié)點(diǎn)屬于同一隱藏層；其中高壓部件節(jié)點(diǎn)層包括高壓壓氣機(jī)增壓比、高壓壓氣機(jī)效率、高壓渦輪落壓比、高壓渦輪效率4個(gè)節(jié)點(diǎn)；低壓部件節(jié)點(diǎn)層包括低壓壓氣機(jī)增壓比、低壓壓氣機(jī)效率、低壓渦輪落壓比、低壓渦輪效率4個(gè)節(jié)點(diǎn)；燃燒部件節(jié)點(diǎn)層包括燃燒室壓力損失系數(shù)、燃燒效率、加力燃燒室壓力損失系數(shù)、加力燃燒效率4個(gè)節(jié)點(diǎn)；混合室及外涵道節(jié)點(diǎn)層包括混合室壓力損失系數(shù)、外涵道壓力損失系數(shù)2個(gè)節(jié)點(diǎn)；進(jìn)排氣部件節(jié)點(diǎn)層包括進(jìn)氣道壓力損失系數(shù)、噴管壓力損失系數(shù)2個(gè)節(jié)點(diǎn)。

6.根據(jù)權(quán)利要求1所述一種基于人工智能的航空發(fā)動(dòng)機(jī)極速性能數(shù)字孿生方法，其特征在于：步驟2中，使用Leak-Relu激活函數(shù)進(jìn)行網(wǎng)絡(luò)節(jié)點(diǎn)的非線性化。