[發明專利]一種基于深度學習的軸流壓氣機失速喘振預測方法

有效

• 申請號: 202010963798.5
• 申請日: 2020-09-15
• 公開（公告）號: CN112001128B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 全福祥;趙宏陽;孫希明;馬艷華;秦攀
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/15;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

一種基于深度學習的軸流壓氣機失速喘振預測方法，屬于航空發動機建模與仿真技術領域。首先，對航空發動機喘振數據進行預處理，在實驗數據中劃分出測試數據集和訓練數據集。其次，依次構建LR分支網絡模塊、構建WaveNet分支網絡模塊、構建LR?WaveNet預測模型。最后，在測試數據上進行實時預測：首先對測試集數據采用相同方式進行預處理，并按LR?WaveNet預測模型的輸入要求調整數據維度；按時間順序，采用LR?WaveNet預測模型給出每個樣本的喘振預測概率；采用LR?WaveNet預測模型給出帶噪聲點數據隨時間的喘振概率，測試模型的抗干擾性。本發明綜合了時域統計特征和變化趨勢，提高了預測精度，并且具有一定的抗干擾性；有利于提高發動機主動控制的性能，具有一定的普適性。

技術領域

本發明涉及一種基于深度學習的軸流壓氣機失速喘振預測方法，屬于航空發動機建模與仿真技術領域。

背景技術

高性能航空發動機氣動穩定性問題主要來自于壓氣機，壓氣機工作負荷能力和穩定性對整個發動機的工作效率和安全性至關重要，對其失穩的預測也一直是國際航空發動機領域的研究熱點和難點。高壓比多級軸流壓氣機由于壓比高、加速快，導致不穩定流動先兆發生機理更為復雜且變化極為迅速。此外，隨著高性能發動機推重比的提高，核心機級數的減少，單級壓比的提高，導致壓氣機負荷越來越高，使得發動機流動不穩定問題變得非常突出。因此，為了適應高性能航空發動機技術發展趨勢，迫切需要突破多級高壓比軸流壓氣機流動失穩建模與預測技術的難點，即系統出現失速喘振的早期微小異常征兆，尚未對系統造成破壞，就可對該征兆進行識別。

目前失速喘振的檢測和判別主要是采用試驗方法，該方法可以考慮到實際壓氣機工作狀態下各種因素的影響。通過采集壓氣機在失穩過程的脈動壓力信號，利用時域分析、頻域分析和時頻分析算法分析信號的狀態特征。時域分析方法有算法簡單，計算量小，計算速度快等優點，在工程實際中比較方便應用。但時域分析方法主要是根據信號的幅值和能量做判斷，其準確性受到影響；另外，受噪聲等外界環境影響比較大。頻率分析方法都是以信號的平穩性為前提的，僅能從頻域分析信號的統計特性，不能兼顧時域，另外在信噪比較低的情況下可靠性受影響。

發明內容

針對現有技術中準確性低，可靠性差的問題，本發明提供一種基于深度學習的軸流壓氣機失速喘振預測方法。

本發明的技術方案：

一種基于深度學習的軸流壓氣機失速喘振預測方法，包括以下步驟：

S1.對航空發動機喘振數據進行預處理，包括以下步驟：

S1.1為保證測試結果的客觀性，在對實驗數據進行處理前，在實驗數據中劃分出測試數據集和訓練數據集；

S1.2采用低通濾波器，對訓練數據集中所有測量點測量的壓力變化數據濾波處理；

S1.3對濾波后數據進行降采樣；因為喘振頻率在3～166Hz之間，為了滿足奈奎斯特采樣定理要求，進行10倍降采樣。

S1.4按時間步大小切分時域數據，并為切分后的每個樣本貼標簽；所述的時間步設為256，設置長度為256的時間窗口在時域數據上滑動，落在時間窗口內的數據切分出來作為一個樣本。根據喘振與否給每個樣本賦予標簽1或0。

S1.5將訓練數據集按4:1的比例劃分為訓練集和驗證集；

S2.構建LR分支網絡模塊，包括以下步驟：

S2.1提取每個樣本的時域統計特征，包括方差、峰度、偏度、平均值、最小值、最大值共6個，將其作為LR分支網絡模塊的輸入；

S2.2搭建帶有relu激活函數的單層神經網絡，輸入層神經元個數為6，輸出層神經元個數為1，得到LR分支網絡模塊的輸出，其維度為(m,1)，其中m為樣本數；

S3.構建WaveNet分支網絡模塊，包括以下步驟：