一种基于神经网络的航空发动机压缩部件特性修正方法技术

本发明专利技术公开了一种基于神经网络的航空发动机压缩部件特性修正方法，包括步骤：步骤1)建立神经网络输出及部件级模型输出参数的数学模型，利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差，将模型偏差传递到各个压缩部件神经网络输出数据；步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练，通过网络权值更新，对部件特性进行修正。本发明专利技术解决了以往部件特性不准确导致发动机模型精度不高的问题，保证了模型的稳定性和泛化能力，并且能利用较小的计算量提升部件特性的准确性，有效解决了压缩部件特性修正不准确或者难以修正的问题，适用于任何型号燃气涡轮发动机模型。

A Method of Correcting the Characteristics of Compressed Components of Aeroengine Based on Neural Network

The invention discloses a method for modifying the characteristics of compressed components of an Aeroengine Based on neural network, which includes steps: 1) establishing a mathematical model of the output parameters of the neural network and the output parameters of the component-level model, calculating the deviation by small perturbation method using the simulation data of design points and the test measurement data, and transferring the model deviation to the output data of each compressed component's neural network; According to step 1), the output deviation of each compressed component is trained, and the component characteristics are corrected by updating the weights of the network. The invention solves the problem that the accuracy of engine model is not high due to inaccurate component characteristics in the past, guarantees the stability and generalization ability of the model, improves the accuracy of component characteristics by using a small amount of calculation, effectively solves the problem that the characteristics of compressed components are inaccurate or difficult to be corrected, and is suitable for any type of gas turbine engine model.

【技术实现步骤摘要】
一种基于神经网络的航空发动机压缩部件特性修正方法
本专利技术涉及的一种基于神经网络的航空发动机压缩部件特性修正方法，属于航空发动机模型修正

技术介绍
在航空发动机总体性能及控制领域，研究者需要时刻了解当前发动机各典型部件准确的性能状态，即发动机部件特性，来进行发动机整机性能的计算或诊断。在发动机新机出厂时，发动机制造商会根据新机出厂前通过部件特性试验或理论计算得到的部件特性建立发动机基准性能计算模型。然而，由于一些原因，如长期服役导致叶片脏污或磨蚀，发动机部件性能将会随着使用时数的增加而发生自然退化，结果造成原有的部件特性偏离部件的真实性能。这时，如果再使用额定状态下未退化前的部件特性进行发动机性能计算，无疑会带来较大的建模误差，使得发动机模型计算结果与试验数据间出现较大的误差。综上所述，对航空发动机研究者来说，探索部件特性修正技术是一项十分重要的工作。自20世纪80年代开始，人工智能领域的研究逐渐兴起。作为人工智能领域的一个代表性分支，人工神经网络相关理论与技术得到了快速的发展。人们基于生物学中神经网络相关的研究，在对人脑结构和外界刺激响应机制进行理解与抽象后，以网络拓扑知识为理论基础，提出了人工神经网络这一模拟人脑神经系统对复杂信息进行处理的数学模型。它是一个由许多节点相互连接形成的复杂网络，表现为高度的非线性，能够对任意非线性函数关系进行逼近。此外，还具有如下众多优点。(1)非线性映射能力人工神经网络能够实现对任意一个从输入到输出映射的逼近，从理论上讲，一个三层的神经网络就能够以任意精度对非线性连续函数进行逼近。这使得其十分适用于内部机制复杂的实际问题的求解，如过程控制、系统辨识、故障诊断等领域。(2)强大的自学习与自适应能力人工神经网络通过在线训练和强化学习，能够自动找出输入信号与输出信号之间的内在映射关系，并自适应地将学习内容记忆在神经网络的权值中，具有强大的自学习和自适应的能力。(3)泛化能力神经网络的泛化能力是指神经网络在学习完成以后其对测试样本或工作样本做出正确反应的能力，即一个具有良好泛化能力的神经网络能对训练集以外的其他数据做出正确的分类和识别。神经网络学习训练完成后，就具有一定的泛化能力，可以将学习成果应用于新的问题。(4)容错能力人工神经网络在一些神经元遭受破坏后，不会对全局的训练结果产生很大的影响，也就是说用神经网络模型实现的系统即便在遭受局部节点失效时仍然可以正常工作。由于人工神经网络具有上述能力，能把信息的加工和存储结合在一起，所以在各学科领域得到了广泛的应用。航空发动机部件特性具有强非线性的特点，而神经网络具有良好的非线性映射能力，在此基础上，本专利技术提出了一种基于人工神经网络的航空发动机压缩部件特性修正方法，实现对发动机压缩部件特性的学习和记忆，以及通过调整神经网络权值参数实现对部件特性的修正。
技术实现思路
针对上述问题，本专利技术提供了一种基于神经网络的航空发动机压缩部件特性修正方法，可根据梯度下降法将建模误差进行反向传递，进而训练神经网络，最终达到修正压缩部件特性线的目的。利用神经网络高效灵活的特点，有效解决部件特性难以修正的问题，提高了发动机部件级模型的仿真精度。技术方案：一种基于神经网络的航空发动机压缩部件特性修正方法，包括步骤：步骤1)建立神经网络输出及部件级模型输出参数的数学模型，利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差，将模型偏差传递到各个压缩部件神经网络输出数据；步骤1.1)利用部件级模型迭代算法及小扰动法，得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵；具体步骤如下：步骤1.1.1)，利用牛顿迭代法求解航空发动机共同工作方程，迭代计算得到神经网络输出数据x0及部件级模型输出数据y0；步骤1.1.2)，对所述神经网络输出数据x0进行小扰动，并且对发动机部件级模型输出数据y0进行迭代计算，得到新的神经网络输出数据xk及部件模型输出数据yk；步骤1.1.3)，根据步骤1.1.2)所得到的数据组解方程组，得到部件级模型输出数据yk到神经网络输出数据xk的偏导系数矩阵：y＝Jx式中，向量y为部件级模型输出数据，向量x为神经网络输出数据,矩阵J为偏导系数矩阵，n为部件级模型输出数据的个数；步骤1.2)计算不同压缩部件对部件级模型输出数据偏差的影响因子k：Δy＝y-y′k＝f1(N,Δy)式中，向量y′为根据发动机台架试验所得到的传感器测量真实数据，向量Δy为部件级模型仿真输出数据与试验数据的偏差，代号N代表所对应的压缩部件，f1(N,Δy)为计算不同压缩部件对部件模型输出参数偏差的影响因子的函数；步骤1.3)计算出发动机模型计算结果及发动机台架试验数据的偏差，依照步骤1.2)计算出的影响因子分配给各个压缩部件所要修正的偏差，然后分别代入到步骤1.1)中求得的偏导系数矩阵，计算出神经网络输出数据偏差：ΔyN＝kΔyΔxN＝J-1ΔyN式中，向量ΔyN为分配给对应压缩部件所要修正的偏差，向量ΔxN为对应部件计算所得的神经网络输出数据偏差；步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练，通过网络权值更新，对部件特性进行修正。所述步骤2)具体步骤如下：步骤2.1)根据当前发动机换算转速，提取当前换算转速下部件特性的等转速线，根据提取数据给定训练集：xN＝ΔxN+xx＝(x1,x2,…,xn)D＝{(m1,x1),(m2,x2),…,(mn,xn)}式中，x为神经网络训练前输出的等转速线输出数据，xN为神经网络训练数据，向量mi(i＝1,2,…,n)为神经网络输入数据；步骤2.2)神经网络网络在样本(mi,xi)上的均方误差E为：以负梯度法对神经网络的参数进行调整；步骤2.3)对发动机部件级模型进行迭代计算，重复之前步骤直到输出参数偏差Δy小于给定值。将满足偏差范围要求的神经网络输入、输出数据组进行记录，用于多点修正方法。有益效果：本专利技术设计的用神经网络修正航空发动机压缩部件特性的方法，解决了以往部件特性不准确导致发动机模型精度不高的问题。所提出的神经网络修正部件特性的方法相比传统插值方法在提高精度的同时，保证了模型的稳定性和泛化能力。并且能利用较小的计算量提升部件特性的准确性，有效解决了压缩部件特性修正不准确或者难以修正的问题，适用于任何型号燃气涡轮发动机模型。附图说明图1为基于神经网络的部件特性修正流程图。图2为神经网络算法流程图。图3为涡扇发动机气路工作截面标识图。图4为基于神经网络的航空发动机部件特性修正示意图。图5为特性曲线等换算转速线修正选取策略。图6为修正前后压缩部件特性图。图7为修正过程偏差值随修正次数变化。具体实施方式下面结合附图和具体实施例，进一步阐明本专利技术。图1为基于神经网络的部件特性修正流程图。如图1所示，本专利技术的基于神经网络的航空发动机压缩部件特性修正方法，具体包括以下步骤：步骤1)建立航空发动机部件级数学模型，根据梯度推导出误差传递方程，将模型误差传递到各个压缩部件神经网络输出数据；步骤1)中利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差的具体步骤如下：步骤1.1)利用部件级模型迭代算法及小扰动法，得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间本文档来自技高网...

【技术保护点】
1.一种基于神经网络的航空发动机压缩部件特性修正方法，其特征在于：包括步骤：步骤1)建立神经网络输出及部件级模型输出参数的数学模型，利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差，将模型偏差传递到各个压缩部件神经网络输出数据；步骤1.1)利用部件级模型迭代算法及小扰动法，得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵；具体步骤如下：步骤1.1.1)，利用牛顿迭代法求解航空发动机共同工作方程，迭代计算得到神经网络输出数据x0及部件级模型输出数据y0；步骤1.1.2)，对所述神经网络输出数据x0进行小扰动，并且对发动机部件级模型输出数据y0进行迭代计算，得到新的神经网络输出数据xk及部件模型输出数据yk；步骤1.1.3)，根据步骤1.1.2)所得到的数据组解方程组，得到部件级模型输出数据yk到神经网络输出数据xk的偏导系数矩阵：y＝Jx

【技术特征摘要】
1.一种基于神经网络的航空发动机压缩部件特性修正方法，其特征在于：包括步骤：步骤1)建立神经网络输出及部件级模型输出参数的数学模型，利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差，将模型偏差传递到各个压缩部件神经网络输出数据；步骤1.1)利用部件级模型迭代算法及小扰动法，得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵；具体步骤如下：步骤1.1.1)，利用牛顿迭代法求解航空发动机共同工作方程，迭代计算得到神经网络输出数据x0及部件级模型输出数据y0；步骤1.1.2)，对所述神经网络输出数据x0进行小扰动，并且对发动机部件级模型输出数据y0进行迭代计算，得到新的神经网络输出数据xk及部件模型输出数据yk；步骤1.1.3)，根据步骤1.1.2)所得到的数据组解方程组，得到部件级模型输出数据yk到神经网络输出数据xk的偏导系数矩阵：y＝Jx式中，向量y为部件级模型输出数据，向量x为神经网络输出数据,矩阵J为偏导系数矩阵，n为部件级模型输出数据的个数；步骤1.2)计算不同压缩部件对部件级模型输出数据偏差的影响因子k：Δy＝y-y′k＝f1(N,Δy)式中，向量y′为根据发动机台架试验所得到的传感器测量真实数据，向量Δy为部件级模型仿真输出数据与试验数据的偏差，代号N代表所对应的压缩部件，f1(N,Δy)为计算不同压缩部件对部件模型输出参数偏差的影响因子的函数；步骤1.3)计算...

【专利技术属性】
技术研发人员：周文祥，商航，梁彩云，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32