一种基于深度强化学习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深度强化学习的航空发动机压缩部件特性修正方法，首先建立航空发动机部件级数学模型，计算数学模型与实际航空发动机之间的量测误差，并基于发动机非线性部件模型的压缩部件特性定义修正系数，然后采用基于价值的深度强化学习算法DQN，通过自主学习对压缩部件特性图进行修正，并计算压缩部件特性修正系数；最后对航空发动机部件级数学模型的特性曲线进行更新，实现减小输出数据的误差；本发明专利技术解决了现有部件级模型精度不高，泛化能力不强的问题，适用于发动机发生性能退化后模型的修正，对于发动机健康管理、模型自适应修正、传感器故障诊断等有积极的促进作用。用。用。

【技术实现步骤摘要】
一种基于深度强化学习的航空发动机压缩部件特性修正方法


[0001]本专利技术涉及航空发动机
，主要涉及一种基于深度强化学习的航空发动机压缩部件特性修正方法。

技术介绍

[0002]在航空发动机总体性能仿真及控制算法设计领域，研究者需要时刻了解当前发动机典型部件准确的性能状态，即发动机真实部件特性，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，结果造成额定状态下原有的部件特性偏离退化状态下部件的真实性能。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。
[0003]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，深度强化学习相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度强化学习的航空发动机压缩部件特性修正方法，其特征在于，包括以下步骤：步骤S1、建立航空发动机部件级数学模型，计算数学模型与实际航空发动机之间的量测误差，并基于发动机非线性部件模型的压缩部件特性定义修正系数；步骤S2、采用基于价值的深度强化学习算法DQN，通过自主学习对压缩部件特性图进行修正，并计算压缩部件特性修正系数；最后对航空发动机部件级数学模型的特性曲线进行更新，实现减小输出数据的误差。2.根据权利要求1所述的基于深度强化学习的航空发动机压缩部件特性修正方法，其特征在于，所述步骤S1中数学模型与实际航空发动机之间的量测误差E表示如下：其中k代表试验状态数量，m代表试验获取的参数数量，y代表发动机试验参数值，y
p
代表数学模型的参数计算值，w
i
代表对应参数的权重；基于各压缩部件在不同转速下的特性，定义修正系数如下：基于各压缩部件在不同转速下的特性，定义修正系数如下：基于各压缩部件在不同转速下的特性，定义修正系数如下：其中a、b、c为待定系数；n
i
代表非设计点转速，n
D
代表设计点转速，下标i表示部件特性图中的转速线位置；C
π，i
，C
W，i
和C
η，i
依次表示当转速为i时，压比、流量和效率的修正系数。3.根据权利要求2所述的基于深度强化学习的航空发动机压缩部件特性修正方法，其特征在于，采用基于价值的深度强化学习算法DQN对特性图进行修正，即通过DQN寻找待定系数a、b、c，使得数学模型仿真结果与实际航空发动机之间的量测误差最小的过程；具体地，步骤S2.1、基于深度Q网络和记忆库网络的结构定义DQN算法、输入输出参数，并对网络进行初始化；所述深度Q网络和记忆库网络均为隐藏层大于2层的全连接层网络，且输入端包括发动机各量测状态点的飞行条件、燃油流量、喷口面积、导叶角度参数、当前模型误差；所述DQN算法中各网络的输入为状态向量，记为Φ(s)，输出为动作集A中所...

【专利技术属性】
技术研发人员：周文祥，濮宬涵，陆桑炜，阮华波，罗宿明，彭文辉，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：