基于卷积神经网络的涡扇发动机个体差异偏差修正方法技术

本发明专利技术公开了一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法，包括以下步骤：基于标称涡扇发动机部件级模型，建立个体差异涡扇发动机部件级模型，并生成个体差异偏差修正训练数据集；设计涡扇发动机全包线个体差异偏差修正精度评价指标，优化涡扇发动机个体差异偏差修正模型网络结构及参数；根据所得到的个体差异偏差修正模型，对标称涡扇发动机机载模型的输出进行修正。本发明专利技术基于热力学部件级模型生成训练数据集，解决了真机数据获取难的问题；建立的个体差异偏差修正模型，能够有效缩减数据维度，提取特征信息，提升全包线范围内个体差异偏差修正的动态精度。范围内个体差异偏差修正的动态精度。范围内个体差异偏差修正的动态精度。

【技术实现步骤摘要】
基于卷积神经网络的涡扇发动机个体差异偏差修正方法


[0001]本专利技术属于航空发动机控制
，具体涉及一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法。

技术介绍

[0002]航空发动机是一种高度复杂和精密的热力机械，极小的加工误差就会导致其热力学特性发生改变。并且，极端恶劣的工作环境导致航空发动机的部件很容易发生形变及损坏，因而每台航空发动机之间不可避免的存在个体差异。起个体差异的原因主要有两个：一是由于制造工艺缺陷导致发动机存在出厂尺寸偏差和装配误差，二是由于发动机在服役过程中的环境和机械疲劳等因素使得发动机部件性能退化。
[0003]个体差异的存在不仅会对发动机的性能产生很大的影响，还会导致离线设计的控制器在线使用时产生控制品质衰退问题。为了避免这种衰退，需要对控制器进行再训练。然而，智能控制器的训练过程高度依赖于机载模型，智能体的输入由多个时刻多个发动机状态组成。个体差异导致这些状态发生较大偏差，对于最终的决策有着极大影响。对于这种偏差修正最精确的方法是基于真实数据进行再建模，然而部件级建模的工作量巨大，通常需要很长的周期，而个体差异的变化确是非常快的，因此针对个体偏差进行部件级建模是不现实的。如果能够基于已有的标称发动机部件级模型，建立机载模型个体偏差修正模型，将为智能控制器的在线重训练提供极大的便利。
[0004]为了建立适应范围广且修正精度高的个体差异偏差修正模型，首先需要对航空发动机存在个体差异的机理进行研究，分析各部件产生个体差异的主要原因，在此基础上探究各类个体差异对各部件性能的影响，将个体差异的影响归结为部件级模型中的特定参数，通过修改参数即可实现各类差异的模拟。之后，在特定的个体差异下，提出一种基于卷积神经网络的个体偏差修正方法。卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络，包含了一个由卷积层和池化层构成的特征抽取器，具有很强特征提取能力的神经网络，通过卷积神经网络在多维度数据中提取差异特征，结合标称发动机部件级模型，即可实现机载发动机的实时差异修正。

技术实现思路

[0005]专利技术目的：为了解决航空发动机个体差异的存在带来离线设计的控制器在线使用时控制品质衰退问题，本专利技术提出了一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法。意图通过一种个体差异偏差标签数据集生成方法来采集各种个体差异下的发动机数据，提高数据集的多样性；通过建立全包线范围内的个体差异偏差修正精度评价指标，提高个体差异偏差修正模型训练过程中参数调整和结构优化的效率；最终，用训练好的个体差异偏差修正模型对标称发动机机载模型进行修正。
[0006]技术方案：为实现上述目的，本专利技术采用的技术方案为：
[0007]一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法，包括以下步骤：
[0008]步骤1)、基于标称涡扇发动机部件级模型，建立个体差异涡扇发动机部件级模型，并生成个体差异偏差修正训练数据集；
[0009]步骤2)、设计涡扇发动机全包线个体差异偏差修正精度评价指标，优化涡扇发动机个体差异偏差修正模型网络结构及参数；
[0010]步骤3)、根据所得到的个体差异偏差修正模型，对标称涡扇发动机机载模型的输出进行修正。
[0011]进一步的，所述步骤1)中个体差异偏差修正训练数据集生成方法的具体步骤如下：
[0012]步骤1.1)，选取涡扇发动机标称部件级模型，模拟标称发动机；通过调整涡扇发动机标称部件级模型的部件效率系数和流量系数，模拟存在个体差异的发动机；
[0013]步骤1.2)，选取标称发动机可测量截面状态参数、发动机工作大气环境参数、发动机控制量以及表征安全工作状态的参数组成发动机t时刻状态x
t
，选取发动机n个时刻的状态组成偏差修正网络的输入X
t
＝[x
t
‑
n
,x
t
‑
n
‑1,...,x
t
‑1,x
t
]；
[0014]步骤1.3)，选取标称发动机和个体差异发动机在相同大气环境和输入量情况下的状态量误差e
s,t
作为偏差修正网络当前t时刻的输出标签Y
t
＝[e
s,t
]；由输入输出数据对X
t
＝[x
t
‑
n
,x
t
‑
n
‑1,...,x
t
‑1,x
t
]→
Y
t
＝[e
s,t
]组成个体差异偏差修正网络的基本结构；
[0015]步骤1.4)，在全包线内随机选取i个工作点，对标称发动机模型和个体差异发动机模型进行控制，根据步骤1.2)
‑
1.3)中的输入输出结构在控制过程中采集训练数据。
[0016]进一步的，所述步骤1.4)中训练数据采集的具体步骤如下：
[0017]步骤1.4.1)，在全包线范围内随机选取工作点[H,Ma]、初始燃油流量W
fb,ini
、尾喷管面积A
8,ini
，初始化标称发动机模型和个体差异发动机模型；随机生成参考推力指令r，通过PI控制器和一组随机的PI参数k
p
和k
i
，对标称发动机进行控制，设置控制周期和控制任务时间上限；
[0018]步骤1.4.2)，在控制过程中，将PI控制器计算得到的标称发动机每一时刻的控制量W
fb,t
和A
8,t
作为个体差异发动机的输入，当标称发动机进入稳态时，立刻停止这一次控制过程；
[0019]步骤1.4.3)，在步骤1.4.1)
‑
1.4.2)的控制过程中，基于步骤1.2)
‑
1.3)所述的输入数据结构记录标称发动机状态x
t
，得到偏差修正网络的输入标签数据X
t
；基于步骤1.2)
‑
1.3)所述的输出结构，计算标称发动机和个体差异发动机在相同大气条件和输入下的状态和不可测量推力误差，得到偏差修正网络的输出标签数据Y
t
；记录控制过程中每一时刻的X
t
→
Y
t
的数据对，存入训练数据集；
[0020]步骤1.4.4)，重复步骤1.4.1)
‑
步骤1.4.3)i次，完成个体偏差修正模型训练数据的采集。
[0021]进一步的，所述步骤2)中设计、优化涡扇发动机个体差异偏差修正模型的具体步骤如下：
[0022]步骤2.1)，基于经验和各参数之间的关系，选取卷积神经网络的初始输入输出通道数、卷积核与步长、输入输出维度和卷积层层数，池化层选用平均池化层；
[0023]步骤2.2)，采用Adam优化器，基于个体差异偏差标签数据集在给定的学习率下分批本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法，其特征在于：包括以下步骤：步骤1)、基于标称涡扇发动机部件级模型，建立个体差异涡扇发动机部件级模型，并生成个体差异偏差修正训练数据集；步骤2)、设计涡扇发动机全包线个体差异偏差修正精度评价指标，优化涡扇发动机个体差异偏差修正模型网络结构及参数；步骤3)、根据所得到的个体差异偏差修正模型，对标称涡扇发动机机载模型的输出进行修正。2.根据权利要求1所述的一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法，其特征在于：所述步骤1)中个体差异偏差修正训练数据集生成方法的具体步骤如下：步骤1.1)，选取涡扇发动机标称部件级模型，模拟标称发动机；通过调整涡扇发动机标称部件级模型的部件效率系数和流量系数，模拟存在个体差异的发动机；步骤1.2)，选取标称发动机可测量截面状态参数、发动机工作大气环境参数、发动机控制量以及表征安全工作状态的参数组成发动机t时刻状态x
t
，选取发动机n个时刻的状态组成偏差修正网络的输入X
t
＝[x
t
‑
n
,x
t
‑
n
‑1,...,x
t
‑1,x
t
]；步骤1.3)，选取标称发动机和个体差异发动机在相同大气环境和输入量情况下的状态量误差e
s,t
作为偏差修正网络当前t时刻的输出标签Y
t
＝[e
s,t
]；由输入输出数据对X
t
＝[x
t
‑
n
,x
t
‑
n
‑1,...,x
t
‑1,x
t
]
→
Y
t
＝[e
s,t
]组成个体差异偏差修正网络的基本结构；步骤1.4)，在全包线内随机选取i个工作点，对标称发动机模型和个体差异发动机模型进行控制，根据步骤1.2)
‑
1.3)中的输入输出结构在控制过程中采集训练数据。3.根据权利要求2所述的一种基于卷积神经网络的涡扇发动机个体差异偏差修正方法，其特征在于：所述步骤1.4)中训练数据采集的具体步骤如下：步骤1.4.1)，在全包线范围内随机选取工作点[H,Ma]、初始燃油流量W
fb,ini
、尾喷管面积A
8,ini
，初始化标称发动机模型和个体差异发动机模型；随机生成参考推力指令r，通过PI控制器和一组随机的PI参数k
p
和k
i
，对标称发动机进行控制，设置控制周期和控制任务时间上限；步骤1.4.2)，在控制过程中，将PI控制器计算得到的标称发动机每一时刻的控制量W
fb,t
和A
8,t
作为个体差异发动机的输入，当标称发动机进入稳态时，立刻停止这一次控制过程；步骤1.4.3)，在步骤1.4.1)
‑
1.4.2)的控制过程中，基于步骤1.2)
‑
1.3)所述的输入数据结构记录标称发动机状态x
t
，得到偏差修正网络的输入标签数据X
t
；基于步骤1.2)
‑
1.3)所述的输出结构，计算标称发动机和个体差异发动机在相同大气条件和输入下的状态和不可测量推力误差，得到偏差修正网络的输出标签数据Y
t
；记录控制过程中每一时刻的X
t
→
Y
t
的数据对，存入训练数据集；步骤1.4.4)，重复步...

【专利技术属性】
技术研发人员：朱逸阳，肖霄，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：