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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。