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 ...
【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
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。