一种基于循环神经网络的涡扇发动机动态推力估计方法技术

本发明专利技术公开了一种基于循环神经网络的涡扇发动机动态推力估计方法，包括以下步骤：基于涡扇发动机热力学模型，生成全包线动态推力数据集；设计涡扇发动机全包线动态推力估计评价指标，训练、优化涡扇发动机动态推力估计器；根据所得到的动态推力估计器估计涡扇发动机使用过程中的推力输出水平。本发明专利技术的动态推力数据集生成方法提高了发动机动态样本的多样性，解决了训练数据难获取、动态特性单一的问题；建立的动态推力估计评价指标，能够直观评估推力估计器在全包线范围内的动态估计性能表现，有效提高了估计器训练过程中结构参数和训练参数的优化效果和优化效率。训练参数的优化效果和优化效率。训练参数的优化效果和优化效率。

【技术实现步骤摘要】
一种基于循环神经网络的涡扇发动机动态推力估计方法


[0001]本专利技术属于航空发动机控制
，具体涉及一种基于循环神经网络的涡扇发动机动态推力估计方法。

技术介绍

[0002]随着航空发动机向着高推重比/功重、高性能和高经济性的方向发展，传统的间接式推力控制因为存在推力控制不精确、油门杆角度非线性、双发推力不匹配、控制计划保守性强等问题，极大地限制了制约了高性能航空发动机的发展，因此直接推力控制技术就有了其研究的必要性。美国的智能发动机(Intelligent engine control,IEC)作为排在前四位的先进控制概念，其研究的核心内容之一就是直接推力控制；由NASA发起的航空技术发展研讨会也提出需要减少飞行员的工作量，提高飞机发动机运行的自主性。直接推力控制的研究正在全世界范围内受到广泛关注。
[0003]为了实现推力的直接控制，需要推力估计器提供精确的推力反馈信息。现有的推力估计方法大致可以分为两大类，一类是基于模型的推力估计方法，另一类是数据驱动的推力估计方法。而基于模型的推力估计方法又可以细分为基于气动热力学部件级模型的推力估计方法和基于线性模型的推力估计方法。
[0004]基于部件级模型的推力估计可以极大地提升推力估计的精确性，对于推力变化的动态过程也有较好的估计效果，但是该方法存在计算量大，实时性差的问题，难以机载应用；基于线性模型的推力估计方法大多在线性模型的基础上采用Kalman滤波器进行推力的估计，虽然极大地减小了计算量，但是存在较大的模型不确定性，推力估计精度低，且Kalman滤波方法本身的特性会导致推力估计过程存在较大的噪声，不利于控制系统的稳定。
[0005]基于数据驱动的推力估计方法大都采用各类神经网络对发动机状态和推力输出之间的关系进行拟合。这类方法对于已知数据集具备较好的拟合能力，具备较好的推力估计效果，且在线使用时计算量小，能够满足控制系统实时性要求，但是却对数据集的多样性提出了极高的要求，模型对于数据集内未包含的动态特性估计能力差。而且，由于发动机具备强时间序列特征，大多数神经网络结构对于时间序列的处理能力较差，这也一定程度上降低了估计器的估计精度。
[0006]总体来说，虽然目前已经在航空发动机推力估计领域展开了大量研究，但迄今为止，没有一种推力估计方法能够应用于工程实际。
[0007]循环神经网络(Recurrent Neural Network,RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络，具有记忆性、参数共享并且图灵完备的特点，因此在对序列的非线性特征进行学习时具有一定优势。从RNN基础上发展出的长短期记忆网络(Long Short
‑
Term Memory networks，LSTM)不仅拥有RNN对于序列数据处理的优势，且可以有效解决RNN训练时存在的梯度爆炸和梯度消失问题，非常适用于具备强非线性的涡扇发动机推力估计问题。因此，本专利技术为了改善现有推力估计方法的缺
点，针对涡扇发动机提出一种基于循环神经网络的动态推力估计方法，着重于提高估计器对于动态推力估计能力，解决数据获取难题，提高全包线推力估计精度。

技术实现思路

[0008]专利技术目的：为了解决传统涡扇发动机推力估计方法对于随机动态特性推力估计精度不高的问题，本专利技术提出一种基于循环神经网络的涡扇发动机动态推力估计方法。意图通过一种动态推力数据集生成方法以提高发动机动态样本的多样性；通过动态推力估计评价指标，提高估计器训练过程中结构参数和训练参数的优化效果和优化效率，最终提高涡扇发动机推力估计器在全包线范围的动态推力估计精度，实现涡扇发动机全包线范围内不测量推力的高精度估计。
[0009]技术方案：为实现上述目的，本专利技术采用的技术方案为：
[0010]一种基于循环神经网络的涡扇发动机动态推力估计方法，包括以下步骤：
[0011]步骤1)、基于涡扇发动机热力学模型，生成全包线动态推力数据集；
[0012]步骤2)、设计涡扇发动机全包线动态推力估计评价指标，训练、优化涡扇发动机动态推力估计器；
[0013]步骤3)、根据所得到的动态推力估计器估计涡扇发动机使用过程中的推力输出水平。
[0014]进一步的，所述步骤1)中动态推力数据集生成方法的具体步骤如下：
[0015]步骤1.1)，为了训练得到选取航空发动机全飞行包线随机动态推力模型，选取大气环境参数和发动机可测量状态参数发动机t时刻状态x
t
。选取发动机当前及前n个时刻的状步骤1.1)，为了训练得到选取航空发动机全飞行包线随机动态推力模型，选取大气环境参数和发动机可测量状态参数组成发动机t时刻状态x
t
；选取发动机当前及前n个时刻的状态组成t时刻发动机状态组X
t
＝[x
t
‑
n
,...,x
t
]，作为LSTM RNN神经网络的输入；选取当前时刻推力F
t
作为神经网络输出，写为Y
t
＝[y
t
]；由X
t
＝[x
t
‑
n
,...,x
t
]→
Y
t
＝[y
t
]构成的输入输出对组成动态推力数据集的基本结构；
[0016]步骤1.2)，在全包线范围内随机选取工作点[H,Ma]、初始燃油流量W
fb
和初始尾喷口面积A8、终态推力指令r和PI控制参数k
p
和k
i
；根据初始条件对发动机初始化后，根据推力指令r
F
和部件及模型推力输出F计算推力误差e
F
＝r
F
‑
F，并进行推力误差反馈控制，以获得发动机随机动态特性；
[0017]步骤1.3)，在动态过程中，基于步骤1.1)中的数据集结构采集发动机动态数据，当发动机进入稳态时停止数据采集；
[0018]步骤1.4)，将步骤1.2)
‑
步骤1.3)所述步骤重复进行o次，完成动态推力数据采集。
[0019]进一步的，所述步骤2)中全飞行包线动态推力估计器训练方法的具体步骤如下：
[0020]步骤2.1)，基于经验和试凑法，选取LSTM循环神经网络层数、节点数和时间序列长度；
[0021]步骤2.2)，采用Adam优化器，基于动态推力数据集在给定的学习率下分批进行训练；
[0022]步骤2.3)，设计涡扇发动机全包线动态推力估计评价指标，评估涡扇发动机动态推力估计器在全包线范围内的综合性能；
[0023]步骤2.4)，基于步骤2.3)设计的动态推力评价指标，对步骤训练得到的动态推力估计器在全包线范围内的估计性能进行评估，根据评估结果，调整步骤2.1)和步骤2.2)中网络层数、节点数、时间序列长度、学习率。...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的涡扇发动机动态推力估计方法，其特征在于：包括以下步骤：步骤1)、基于涡扇发动机热力学模型，生成全包线动态推力数据集；步骤2)、设计涡扇发动机全包线动态推力估计评价指标，训练、优化涡扇发动机动态推力估计器；步骤3)、根据所得到的动态推力估计器估计涡扇发动机使用过程中的推力输出水平。2.根据权利要求1所述的一种基于循环神经网络的涡扇发动机动态推力估计方法，其特征在于：所述步骤1)中动态推力数据集生成方法的具体步骤如下：步骤1.1)，为了训练得到选取航空发动机全飞行包线随机动态推力模型，选取大气环境参数和发动机可测量状态参数组成发动机t时刻状态x
t
；选取发动机当前及前n个时刻的状态组成t时刻发动机状态组X
t
＝[x
t
‑
n
,...,x
t
]，作为LSTM RNN神经网络的输入；选取当前时刻推力F
t
作为神经网络输出，写为Y
t
＝[y
t
]；由X
t
＝[x
t
‑
n
,...,x
t
]
→
Y
t
＝[y
t
]构成的输入输出对组成动态推力数据集的基本结构；步骤1.2)，在全包线范围内随机选取工作点[H,Ma]、初始燃油流量W
fb
和初始尾喷口面积A8、终态推力指令r和PI控制参数k
p
和k
i
；根据初始条件对发动机初始化后，根据推力指令r
F
和部件及模型推力输出F计算推力误差e
F
＝r
F
‑
F，并进行推力误差反馈控制，以获得发动机随机动态特性；步骤1.3)，在动态过程中，基于步骤1.1)中的数据集结构采集发动机动态数据，当发动机进入稳态时停止数据采集；步骤1.4)，将步骤1.2)
‑
步骤1.3)所述步骤重复进行o次，完成动态推力数据采集。3.根据权利要求1所述的一种基于循环神经网络的涡扇发动机动态推力估计方法，其特征在于：所述步骤2)中全飞行包线动态推力估计器训练方法的具体步骤如下：步骤2.1)，基于经验和试凑法，选取LSTM循环神经网络层数、节点数和时间序列长度；步骤2.2)，采用Adam优化器，基于动态推力数据集在给定的学习率下分批进行训练；步骤2.3)，设计涡扇发动机全包线动态推力估计评价指标，评估涡扇发动机动态推力估计器在全包线范围内的综合性能；步骤2.4)，基于步骤2.3)设计的动态推力评价指标，对步骤训练得到的动态推力估计器在全包线范围内的估计性能进行评估，根据评估结果，调整步骤2.1)和步骤2.2)中网络层数、节点数、时间序列长度、学习率。4.根据权利要求3所述的一种基于循环神经网络的涡扇发动机动态推力估计方法，其特征在于：所述步骤2.3)中全包线动态推力估计评价指标设计方法的具体步骤如下：步骤2.3.1)，随机生成l组1
×
5的随机数组c
j
＝[W
fb,j
,A
8,j
,k
p,j
,k
i,j
,r
j
]，j＝1,...,l，组成其中W
fb,j
表示第j组试验中燃油的归一化初始状态，A
8,j
表示第j组试验中尾喷口面积的归一化初始状态，k
...

【专利技术属性】
技术研发人员：潘慕绚，朱逸阳，黄金泉，陈颖，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：