[發明專利]基于神經網絡非線性模型的發動機線性化建模方法

在審

• 申請號: 202110740687.2
• 申請日: 2021-06-30
• 公開（公告）號: CN113343390A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 譚湘敏;胡春艷;孫嘉嫻;韓博;李垚
• 申請（專利權）人: 中國科學院工程熱物理研究所
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F17/16;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 吳夢圓

1.一種基于神經網絡非線性模型的發動機線性化建模方法，包括：

采集發動機數據集，其中，所述發動機數據集包括發動機現場運行數據和/或仿真數據；

利用網絡架構搜索方法，得到對應于所述發動機數據集的神經網絡架構及超參數；

在所述對應于所述發動機數據集的神經網絡架構及所述超參數的基礎上進行神經網絡模型訓練，得到發動機非線性神經網絡模型；

采用數值擾動方法，對所述發動機非線性神經網絡模型進行線性化處理，建立發動機穩態點鄰域內的線性狀態空間模型；

根據調度參數將發動機的運行過程分為N段，其中，所述調度參數配置為所述發動機穩態點鄰域內的線性狀態空間模型的輸入或狀態量；其中，N＞1；

采用數值擾動方法，對每一段運行過程分別進行線性化處理，得到N個子線性狀態空間模型；

基于調度參數和N個所述子線性狀態空間模型，構造線性變參數模型的系數矩陣，得到發動機的全運行過程對應的線性狀態空間模型。

2.根據權利要求1所述的發動機線性化建模方法，其中，所述利用網絡架構搜索方法，得到對應于所述發動機數據集的神經網絡架構及超參數包括：

定義初始搜索空間；

縮小搜索范圍，在所述初始搜索空間中確定最佳搜索空間；

基于強化學習方法或進化方法進行搜索，在所述最佳搜索空間中確定候選神經網絡架構；

對所述候選神經網絡架構進行訓練，得到訓練數據和輸出數據；其中，通過權重共享和模型表現預測相結合的方式加快訓練速率；

通過評價函數分別評價各個所述候選神經網絡架構的精度；其中，所述評價函數基于所述訓練數據和所述輸出數據的多個范數綜合建立；

根據各個所述候選神經網絡架構的精度，在所述候選神經網絡架構中確定對應于所述發動機數據集的神經網絡架構及超參數。

3.根據權利要求1所述的發動機線性化建模方法，其中，所述采用數值擾動方法，對所述發動機非線性神經網絡模型進行線性化處理，建立發動機穩態點鄰域內的線性狀態空間模型包括：

對所述發動機的神經網絡非線性模型在穩態點鄰域分別進行正向和負向的小階躍激勵，得到一系列的輸出小擾動數據；

根據發動機參量和所述小擾動數據，得到線性狀態空間的系數矩陣，建立所述穩態點鄰域內的發動機線性狀態空間模型。

4.根據權利要求1所述的發動機線性化建模方法，其中，所述基于調度參數和N個所述子線性狀態空間模型，構造線性變參數模型的系數矩陣，得到發動機的整個運行過程對應的線性狀態空間模型包括：

將N個所述子線性狀態空間模型作為多胞頂點；

對所述系數矩陣元素進行內插或擬合，構造發動機的全運行過程對應的線性狀態空間模型。

5.根據權利要求3所述的發動機線性化建模方法，其中，所述發動機參量為根據發動機特性選取狀態參量、輸入參量和輸出參量中的一種或多種。

6.根據權利要求2所述的發動機線性化建模方法，其中，所述初始搜索空間包括神經網絡隱含層神經元個數、激勵函數、學習方法和學習率中的一種或多種。

7.根據權利要求1所述的發動機線性化建模方法，其中，所述發動機數據集隨機分為訓練子集、驗證子集和測試子集，且所述訓練子集、所述驗證子集和所述測試子集分別占所述發動機數據集的70％、15％、15％。