一种基于深度学习算法的航空发动机全包线模型自适应修正方法技术

本发明专利技术公开了一种基于深度学习算法的航空发动机全包线模型自适应修正方法，属航空发动机建模与仿真领域。本发明专利技术采用一种基于循环神经网络的动态并行补偿器，对航空发动机性能未蜕化状态下全包线范围内原始非线性模型误差进行补偿；同时采用一种基于遗传算法的修正器，对原始非线性部件级模型中待修正健康参数修正因子进行自适应调整。其中，待修正健康参数由基于集成评价的多指标决策算法确定。修正后的非线性部件级模型输出与补偿器输出之和，与航空发动机运行试车输出数据一致，从而提高航空发动机全包线建模精度。本发明专利技术为航空发动机控制系统及故障诊断系统设计提供了有力支持，有助于提高航空发动机硬件在回路及半物理实验验证的可靠性。

An adaptive correction algorithm for aero-engine full envelope model based on deep learning algorithm

The invention discloses an adaptive correction method of aeroengine full envelope model based on depth learning algorithm, belonging to the field of aeroengine modeling and simulation. A dynamic parallel compensator based on a cyclic neural network is used to compensate the original nonlinear model error in the whole envelope of an aeroengine under the condition of undegraded performance, and a genetic algorithm-based corrector is used to advance the correction factor of the health parameters to be corrected in the original nonlinear component-level model. Line adaptive adjustment. Among them, the health parameters to be revised are determined by the multiple criteria decision making algorithm based on integrated evaluation. The sum of the output of the revised nonlinear component-level model and the output of the compensator is consistent with the output data of the aero-engine running test, thus improving the modeling accuracy of the aero-engine full envelope. The invention provides strong support for the design of aeroengine control system and fault diagnosis system, and is helpful to improve the reliability of aeroengine hardware circuit and semi-physical experiment verification.

【技术实现步骤摘要】
一种基于深度学习算法的航空发动机全包线模型自适应修正方法
本专利技术涉及一种基于深度学习算法的航空发动机全包线模型自适应修正方法，具体的说，是指在航空发动机全包线工作范围内，一种实现模型输出对试车数据精确逼近的模型修正技术，属于航空发动机建模与仿真

技术介绍
本专利技术依托背景为某型小涵道比涡扇发动机的非线性部件级数学模型。目前常用的航空发动机部件级模型都是依据航空发动机的标称特性建立，忽略了不同航空发动机之间的性能差异。此外，发动机多部件协同工作，即使部件的模型特性十分精确，但部件间的相互影响、制造与装配误差、使用磨损和性能蜕化等因素产生的干扰，使得由标称非线性部件级模型仿真计算得到的发动机性能参数与实际性能参数存在较大误差。而航空发动机控制系统及故障诊断系统的设计与仿真验证的有效性与准确性与航空发动机的非线性模型密切相关。因此，依据试车数据对早期建立的航空发动机部件级非线性模型进行自适应修正具有重要的工程意义。现有的国内外航空发动机模型修正技术主要集中于基于稳态工作点的部件特性修正，即针对某给定稳态工作点，采用多种求解方法对修正参数进行调整，该类修正过程在一定程度上即为稳态模型参数的优化过程。而对于航空发动机的过渡态，目前通用的方法仍然基于稳态工作点模型，采用插值算法近似过渡态过程。由于特征稳态工作点较少，插值误差较大，导致模型动态响应误差较大。因此，上述模型修正方法难以解决全包线内过渡态过程的关键输出参数的精度问题。此外，航空发动机模型中涉及的健康参数个数远多于航空发动机关键可测参数，实际工程应用中往往只选择与关键可测参数个数相当的健康参数进行自适应调整。现有的健康参数选择方法多采用修正参数扰动法，即对健康参数修正因子产生一个阶跃信号，测量航空发动机关键输出参数的变化量，依据其幅值变化大小顺序选择待修正的健康参数。然而，由于关键输出参数的变化量随健康参数修正因子的变化并非线性，不适当的阶跃信号幅值选取会对待修正健康参数选择产生影响，从而降低了修正后模型的准确性。最后，上述方法并未考虑原始非线性模型与实际工作状态的建模误差而直接对其修正，也降低了模型精度与修正参数的可靠性。综上，为了克服现有的控制用航空发动机全包线模型修正技术的不足，即上述基于稳态模型参数修正过渡态、基于阶跃信号响应的待修正健康参数选择及未考虑原始部件级模型误差三种情况，本专利技术提出了一种基于深度学习算法的控制用航空发动机全包线模型自适应修正方法。此种方法直接对航空发动机全包线范围内模型直接实现修正，采用了一种更为合理的基于集成评价的多指标决策算法实现健康参数的选择，并且对原始发动机建模误差进行了补偿，使得修正后模型更为精确。同时，本方法通过适当的调整即可推广到其他类型的航空涡轮发动机以及船用燃气轮机的建模及修正中，普适性更广。
技术实现思路
针对现有技术中难以实现航空发动机全包线模型高精度修正的问题，本专利技术提供了一种基于深度学习算法的航空发动机全包线模型自适应修正方法。本专利技术的技术方案为：一种基于深度学习算法的航空发动机全包线模型自适应修正方法，包括以下步骤：S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0；S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数Q，进入S7；否则，返回S5；S7.保存修正后的待修正健康参数修正因子。其中，生成动态并行补偿器的训练数据和测试数据的步骤如下：S1.设采集的M次航空发动机全包线运行试车数据中，其中N次为性能未蜕化状态的试车数据，每次试车数据中含有P个样本，其中M、N、P为自然数，且M>N；每个样本中输入变量为采样时间Ts、飞行高度H、马赫数Ma和燃油流量Wf，输出变量为压气机出口压力P3、低压涡轮出口总温T5、低压转子转速N1和高压转子转速N2；S2.产生原始非线性部件级模型输出：将采集的N次性能未蜕化状态的试车数据中的输入变量ti、Hi、Mai和Wfi作为输入信号，逐次输入航空发动机原始部件级模型，得到N次原始非线性部件级模型输出：压气机出口压力P3i’、低压涡轮出口总温T5i’、低压转子转速N1i’和高压转子转速N2i’，i＝1,2,…,N；S3.产生输出数据样本：将性能未蜕化状态的试车输出数据与原始非线性部件级模型输出分别相减，得到N次输出数据样本，即ΔP3i＝P3i-P3i’,ΔT5i＝T5i-T5i’，ΔN1i＝N1i-N1i’，ΔN2i＝N2i–N2i’，i＝1,2,…,N；S4.归一化处理：将Wfi、ΔP3i、ΔT5i、ΔN1i和ΔN2i逐次分别进行归一化处理，W*fi＝Wfi/[Max(Wfi)-Min(Wfi)]，i＝1…N，W*fi为第i次归一化燃油流量，Max(·)表示求最大值，Min(·)表示求最小值；N次输出数据样本ΔP3i、ΔT5i、ΔN1i和ΔN2i也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力P*3i、低压涡轮出口总温T*5i、低压转子转速N*1i和高压转子转速N*2i；S5.数据编码：设N次性能未蜕化状态的试车数据对应l种飞行高度和k种马赫数，对其进行编码，即建立一个l×k位二进制数，每一位对应一种飞行高度和马赫数的组合；若二进制数中某位为1，则表示航空发动机工作于该飞行高度和马赫数下；S6.产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在W*fi、P*3i、T*5i、N*1i和N*2i，数据长度变为P+l×k，i＝1,2,…,N；S7.随机选取N×(P+l×k)个样本中的五分之四作为训练样本，五分之一作为测试样本。构建基于循环神经网络算法的动态并行补偿器的步骤如下：S1.建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个RNN循环神经层，6个线形层，5个激活层，激活函数选择为ReLu函数，更新规则采用随机梯度下降法，动量为0.9，迭代次数为20000次，设置学习率10-3>lr>10-5及权重衰减系数0.3>λ>10-5，损失函数R采用如下形式：其中，yt表示测试样本中的输出数据，yn表示并行补偿器的输出数据，w表示循环神经网络中的权重，采用训练样本对该循环神经网络进行训练；S2.采用测试样本对训练后的循环神经网络进行测试，计算损失函数；S3.若测试样本的损失函数值大于指标ζ，0.03≥ζ>0，则返回S1，更改学习率lr及权重衰减系数λ，重新训练网络；否则，保存网络本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的航空发动机全包线模型自适应修正方法，其特征在于，步骤如下：S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0；S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数Q，进入S7；否则，返回S5；S7.保存修正后的待修正健康参数修正因子。

【技术特征摘要】
1.一种基于深度学习算法的航空发动机全包线模型自适应修正方法，其特征在于，步骤如下：S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0；S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数Q，进入S7；否则，返回S5；S7.保存修正后的待修正健康参数修正因子。2.根据权利要求1所述的基于深度学习算法的航空发动机全包线模型自适应修正方法，其特征在于，其中，生成动态并行补偿器的训练数据和测试数据的步骤如下：S1.1设采集的M次航空发动机全包线运行试车数据中，其中N次为性能未蜕化状态的试车数据，每次试车数据中含有P个样本，其中M、N、P为自然数，且M>N；每个样本中输入变量为采样时间Ts、飞行高度H、马赫数Ma和燃油流量Wf，输出变量为压气机出口压力P3、低压涡轮出口总温T5、低压转子转速N1和高压转子转速N2；S1.2产生原始非线性部件级模型输出：将采集的N次性能未蜕化状态的试车数据中的输入变量ti、Hi、Mai和Wfi作为输入信号，逐次输入航空发动机原始部件级模型，得到N次原始非线性部件级模型输出：压气机出口压力P3i’、低压涡轮出口总温T5i’、低压转子转速N1i’和高压转子转速N2i’，i＝1,2,…,N；S1.3产生输出数据样本：将性能未蜕化状态的试车输出数据与原始非线性部件级模型输出分别相减，得到N次输出数据样本，即ΔP3i＝P3i-P3i’,ΔT5i＝T5i-T5i’，ΔN1i＝N1i-N1i’，ΔN2i＝N2i–N2i’，i＝1,2,…,N；S1.4归一化处理：将Wfi、ΔP3i、ΔT5i、ΔN1i和ΔN2i逐次分别进行归一化处理，W*fi＝Wfi/[Max(Wfi)-Min(Wfi)]，i＝1…N，W*fi为第i次归一化燃油流量，Max(·)表示求最大值，Min(·)表示求最小值；N次输出数据样本ΔP3i、ΔT5i、ΔN1i和ΔN2i也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力P*3i、低压涡轮出口总温T*5i、低压转子转速N*1i和高压转子转速N*2i；S1.5数据编码：设N次性能未蜕化状态的试车数据对应l种飞行高度和k种马赫数，对其进行编码，即建立一个l×k位二进制数，每一位对应一种飞行高度和马赫数的组合；若二进制数中某位为1，则表示航空发动机工作于该飞行高度和马赫数下；S1.6产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在W*fi、P*3i、T*5i、N*1i和N*2i，数据长度变为P+l×k，i＝1,2,…,N；S1.7随机选取N×(P+l×k)个样本中的五分之四作为训练样本，五分之一作为测试样本。3.根据权利要求2所述的基于深度学习算法的航空发动机全包线模型自适应修正方法，其特征在于，构建基于循环神经网络算法的动态并行补偿器的步骤如下：S2.1建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个RNN循环神经层，6个线形层，...

【专利技术属性】
技术研发人员：杜宪，程都，马艳华，孙希明，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21