一种基于人工智能的航空发动机极速性能数字孪生方法技术

本发明专利技术提出了一种基于人工智能的航空发动机极速性能数字孪生方法，采用两套结构相似的深度神经网络，借助依照航空发动机原理及气动热力过程建立的航空发动机数值仿真性能模型，有效解决了数据驱动模型单纯依靠数据而忽略实际物理过程所导致的精度不高和所需数据量庞大两个痛点。基于人工智能深度学习方法，构建了航空发动机全新性能数字孪生模型，采用人工智能、最大熵原理加速策略等关键技术极大的提高了数字孪生的训练速度和精度。

【技术实现步骤摘要】
一种基于人工智能的航空发动机极速性能数字孪生方法
本专利技术属于航空发动机数字模型领域，尤其涉及一种基于人工智能的航空发动机极速性能数字孪生方法。
技术介绍
航空发动机工作原理复杂，控制参数众多，结构化数据和非结构化数据交叉融合，参数采集的频率高、体量大、结构多样、时效性强、如何实时精准发现航空发动机参数中隐含的发动机变化模式，对现有技术提出了巨大挑战。数字孪生是集成多物理量、多空间尺度的物理世界数字仿真，其运用有效物理模型、传感器数据更新和运行历史镜像出对应孪生对象的生存状态，即在在数字空间建立与物理世界对应的动态镜像模型。航空发动机性能数字孪生即运用实时航空发动机采集参数镜像出对应的发动机动态性能模型，其必须具备紧密跟踪、极速响应的特点以满足航空发动机处于瞬息万变的飞行工作环境的特殊需求。航空发动机是极其复杂的热力机械系统，其结构/气动/热力/信息/控制的复杂性对数字孪生技术的数据学习的“深度”提出更高的要求；目前流行的大数据挖掘算法和广泛应用的图像/目标处理、视频/语音辨识等智能算法并不完全适用于航空发动机工程。同时航空发动机又完全不同于地面热力机械系统，其处于瞬息万变的飞行工作环境，必须运用新的算法对数据进行分析研判和信息融合，同时又必须具备实时、迅速的特点；如数据利用不具备实时迅速的特点，发动机的数字化/信息化/智能化就缺少了高速通道，效能会大打折扣。就好像汽车没有高速公路、性能优越的高速火车没有高速铁路，综合效能就无法全面展现。因此，航空发动机极速性能数字孪生技术对数据算法提出了更高的要求，现有算法无法满足其紧密跟踪、极速响应的要求。
技术实现思路
本专利技术针对航空发动机极速性能数字孪生技术提出的“深度”和“速度”两方面需求，提出了一种基于人工智能的航空发动机极速性能数字孪生方法，能够高效地利用有限的航空发动机测试参数数据，快速地建立航空发动机性能数字孪生模型。本专利技术的技术方案为：一种基于人工智能的航空发动机极速性能数字孪生方法，包括以下步骤：步骤1：选取发动机参数，构造训练数据：将航空发动机飞行参数、控制规律变量及状态参数作为训练点自变量向量的分量，将传感器测量的航空发动机气动热力学参数作为训练点因变量向量的分量；步骤2：建立航空发动机性能实时跟踪模型：构建第一套多层神经网络作为航空发动机性能实时跟踪模型，该多层神经网络仅包含输入层和隐藏层，不存在输出层；该多层神经网络的隐藏层的层数和节点数由航空发动机部件的数量、重要程度及运行次序确定，表示航空发动机各部件的性能修正量；并且基于部件的耦合关系对各节点进行权值连接并初始化；步骤3：训练航空发动机性能实时跟踪模型：首先进行多层神经网络的前向传递，将训练点自变量向量作为航空发动机性能实时跟踪模型网络输入，计算网络隐藏层节点数值；之后，将多层神经网络的输入层、隐藏层节点基于其物理意义代入航空发动机数值仿真性能模型中，以获得航空发动机气动热力学参数计算值；步骤4：基于分子动力学(kinetictheory)将航空发动机气动热力学参数的计算值和传感器测量得到的测量值转换成相应的微观分布函数，采用最大熵原理算法加速训练神经网络的权值；不断重复步骤3、4直至满足收敛条件，最终得到第一套多层神经网络模型；步骤5：建立航空发动机机载极速性能数字孪生模型：基于已训练完成的第一套多层神经网络，通过在原有训练权值上乘以新的权值系数，添加多个输出节点并连接第一套多层神经网络的最后一层隐藏层节点，将航空发动机气动热力学参数计算值作为第二套多层神经网络的输出层，构造第二套多层神经网络模型，再次初始化权值；步骤6：训练航空发动机机载极速性能数字孪生模型：将训练点自变量向量作为第二套网络输入，前向传递计算输出层节点数值。基于分子动力学(kinetictheory)将航空发动机气动热力学参数的测量值和第二套神经网络的输出值转换成相应的微观分布函数，采用最大熵原理算法加速训练神经网络的权值，训练满足收敛条件后得到第二套多层神经网络模型，即为基于人工智能的航空发动机极速性能数字孪生。进一步的，步骤1中航空发动机飞行参数、控制规律变量及状态参数为：航空发动机飞行参数包括航空发动机飞行马赫数、飞行高度；航空发动机控制规律变量包括可调尾喷管面积；航空发动机状态参数包括燃油流量、转速。进一步的，步骤1中传感器测量的航空发动机气动热力学参数包括：发动机进口压力、压气机出口压力和/或涡轮出口温度。进一步的，步骤2和步骤5中的初始化权值采用Maxwell分布。进一步的，步骤2中，第一套多层神经网络的隐藏层层数和次序依照高压部件，低压部件，燃烧部件，混合室及外涵道，进排气部件进行分类和排序，同一类别部件的参数因子所构成的节点属于同一隐藏层；其中高压部件节点层包括高压压气机增压比、高压压气机效率、高压涡轮落压比、高压涡轮效率4个节点；低压部件节点层包括低压压气机增压比、低压压气机效率、低压涡轮落压比、低压涡轮效率4个节点；燃烧部件节点层包括燃烧室压力损失系数、燃烧效率、加力燃烧室压力损失系数、加力燃烧效率4个节点；混合室及外涵道节点层包括混合室压力损失系数、外涵道压力损失系数2个节点；进排气部件节点层包括进气道压力损失系数、喷管压力损失系数2个节点。进一步的，步骤2中，使用Leak-Relu激活函数进行网络节点的非线性化。进一步的，步骤3中，航空发动机数值仿真性能模型采用部件级建模方法，并采用Newton-Raphson迭代算法求解航空发动机共同工作条件方程。进一步的，步骤4和步骤6中采用最大熵原理算法加速训练包括：将Boltzmann方程H定理转化为数学选择路径：将传统深度学习网络中的交叉熵反馈变为以H定理为基础的熵反馈，即改变传统算法中的交叉熵反馈函数；将梯度转化为熵增耗散：将传统深度学习网络中的交叉熵梯度算法，变为非线性熵增耗散函数；即改变依靠熵梯度调整学习网络的传统做法，变为依靠非线性熵增耗散调整学习网络，以加速学习速度；按照预设的学习率对模型进行训练，并在训练到预设的次数时，对学习率进行依次衰减。有益效果本专利技术提出了一种基于人工智能的航空发动机极速性能数字孪生方法，采用两套结构相似的深度神经网络，借助依照航空发动机原理及气动热力过程建立的航空发动机数值仿真性能模型，有效解决了数据驱动模型单纯依靠数据而忽略实际物理过程所导致的精度不高和所需数据量庞大两个痛点。基于人工智能深度学习方法，构建了航空发动机全新性能数字孪生模型，采用人工智能、最大熵原理加速策略等关键技术极大的提高了数字孪生的训练速度和精度。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术一种基于人工智能的本文档来自技高网...

【技术保护点】
1.一种基于人工智能的航空发动机极速性能数字孪生方法，其特征在于：包括以下步骤：/n步骤1：选取发动机参数，构造训练数据：/n将航空发动机飞行参数、控制规律变量及状态参数作为训练点自变量向量的分量，将传感器测量的航空发动机气动热力学参数作为训练点因变量向量的分量；/n步骤2：建立航空发动机性能实时跟踪模型：/n构建第一套多层神经网络作为航空发动机性能实时跟踪模型，该多层神经网络仅包含输入层和隐藏层，不存在输出层；该多层神经网络的隐藏层的层数和节点数由航空发动机部件的数量、重要程度及运行次序确定，表示航空发动机各部件的性能修正量；并且基于部件的耦合关系对各节点进行权值连接并初始化；/n步骤3：训练航空发动机性能实时跟踪模型：/n首先进行多层神经网络的前向传递，将训练点自变量向量作为航空发动机性能实时跟踪模型网络输入，计算网络隐藏层节点数值；之后，将多层神经网络的输入层、隐藏层节点基于其物理意义代入航空发动机数值仿真性能模型中，以获得航空发动机气动热力学参数计算值；/n步骤4：将航空发动机气动热力学参数的计算值和传感器测量得到的测量值转换成相应的微观分布函数，采用最大熵原理算法加速训练神经网络的权值；不断重复步骤3、4直至满足收敛条件，最终得到第一套多层神经网络模型；/n步骤5：建立航空发动机机载极速性能数字孪生模型：/n基于已训练完成的第一套多层神经网络，通过在原有训练权值上乘以新的权值系数，添加多个输出节点并连接第一套多层神经网络的最后一层隐藏层节点，将航空发动机气动热力学参数计算值作为第二套多层神经网络的输出层，构造第二套多层神经网络模型，再次初始化权值；/n步骤6：训练航空发动机机载极速性能数字孪生模型：/n将训练点自变量向量作为第二套网络输入，前向传递计算输出层节点数值；将航空发动机气动热力学参数的测量值和第二套神经网络的输出值转换成相应的微观分布函数，采用最大熵原理算法加速训练神经网络的权值，训练满足收敛条件后得到第二套多层神经网络模型，即为基于人工智能的航空发动机极速性能数字孪生。/n...

【技术特征摘要】
1.一种基于人工智能的航空发动机极速性能数字孪生方法，其特征在于：包括以下步骤：
步骤1：选取发动机参数，构造训练数据：
将航空发动机飞行参数、控制规律变量及状态参数作为训练点自变量向量的分量，将传感器测量的航空发动机气动热力学参数作为训练点因变量向量的分量；
步骤2：建立航空发动机性能实时跟踪模型：
构建第一套多层神经网络作为航空发动机性能实时跟踪模型，该多层神经网络仅包含输入层和隐藏层，不存在输出层；该多层神经网络的隐藏层的层数和节点数由航空发动机部件的数量、重要程度及运行次序确定，表示航空发动机各部件的性能修正量；并且基于部件的耦合关系对各节点进行权值连接并初始化；
步骤3：训练航空发动机性能实时跟踪模型：
首先进行多层神经网络的前向传递，将训练点自变量向量作为航空发动机性能实时跟踪模型网络输入，计算网络隐藏层节点数值；之后，将多层神经网络的输入层、隐藏层节点基于其物理意义代入航空发动机数值仿真性能模型中，以获得航空发动机气动热力学参数计算值；
步骤4：将航空发动机气动热力学参数的计算值和传感器测量得到的测量值转换成相应的微观分布函数，采用最大熵原理算法加速训练神经网络的权值；不断重复步骤3、4直至满足收敛条件，最终得到第一套多层神经网络模型；
步骤5：建立航空发动机机载极速性能数字孪生模型：
基于已训练完成的第一套多层神经网络，通过在原有训练权值上乘以新的权值系数，添加多个输出节点并连接第一套多层神经网络的最后一层隐藏层节点，将航空发动机气动热力学参数计算值作为第二套多层神经网络的输出层，构造第二套多层神经网络模型，再次初始化权值；
步骤6：训练航空发动机机载极速性能数字孪生模型：
将训练点自变量向量作为第二套网络输入，前向传递计算输出层节点数值；将航空发动机气动热力学参数的测量值和第二套神经网络的输出值转换成相应的微观分布函数，采用最大熵原理算法加速训练神经网络的权值，训练满足收敛条件后得到第二套多层神经网络模型，即为基于人工智能的航空发动机极速性能数字孪生。


2.根据权利要求1所述一种基于人工智能的航空发动机极速性能数字孪生方法，其特征在于：步骤1中航空发动机飞行参数、控制规律变量及状态参数为：

【专利技术属性】
技术研发人员：肖洪，林志富，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61