一种基于时域卷积网络的航空发动机推力估计方法技术

本发明专利技术属于控制系统设计领域，公开一种基于时域卷积网络的推力估计方法，提出了一种基于多层残差时域卷积网络的推力估计器。一方面，使用高斯误差线性单元激活函数代替残差块中的校正线性单元来解决神经元死亡问题。另一方面，利用残差连接调整多层卷积网络的整体结构，进一步提高网络训练速度和推力估计效果。与传统的7种方法的比较结果表明，该方法在收敛速度和估计精度上具有显著优势。此外，本发明专利技术还将此方法应用在航空发动机实际控制系统中，并通过微型涡喷发动机试车台实物试验进一步验证了该控制方案的实时性和可行性。步验证了该控制方案的实时性和可行性。步验证了该控制方案的实时性和可行性。

【技术实现步骤摘要】
一种基于时域卷积网络的航空发动机推力估计方法


[0001]本专利技术属于神经网络系统辨识、发动机推力控制及估计领域，尤其涉及一种基于时域卷积网络的航空发动机推力估计方法。

技术介绍

[0002]在航空发动机控制系统中，往往将推力相关反映参数，如转速、供油量等作为被控量来间接控制推力进而实现航空发动机的有效控制。然而，考虑到外界环境改变和发动机性能退化等问题，这种方法需要在设计过程中保留很大的安全裕度范围以确保发动机正常工作，并且由于推力控制准确性的问题难以达到较高的控制性能。因此，使用推力估计器将推力直接作为被控制量实现输出反馈闭环控制，具有重要的研究意义。推力估计方法主要可以分为两种，分别是基于模型的方法和基于数据驱动的方法。基于模型进行推力估计强调物理模型的建立，往往采用卡尔曼滤波的方法实现此类不可测参数的估计，但在难以获得精确的系统模型结构参数或者噪声的统计特性未知的情况下，卡尔曼滤波效果将会受到明显影响。为了避免建模误差和不确定噪声带来的问题，保证推力估计值的稳定性和鲁棒性，线性变参数鲁棒H∞滤波器相关设计得到提出并取得了不错的效果。然而对于航空发动机这类非线性、多变量的复杂控制对象，非常依赖于建模的准确性，并且随着更多发动机参数的加入，模型的参数求解计算也面临着挑战。基于数据的方法完全不使用任何和模型有关的直接信息，而是直接映射出传感器测量参数与推力之间的关系，如遗传神经网络、最小二乘支持向量机、相关性分析等，相较于基于模型简化了实现过程、减少了时间投入，广泛适用于各类控制对象，但大多数智能方法即使应用方面没有困难，推力估计精度和计算成本仍存在一定的提升空间。
[0003]近年来，随着神经网络不断发展，数据驱动的方法在处理大容量、高维的时间序列模型数据方面性能得以提高，其在航空发动机推力估计方面的应用也逐渐成为研究的重点。然而，由于体系结构设计的差异，不同的网络都存在着各自的特点和缺陷。比如卷积神经网络(CNN)在特征提取方面很有优势，却没有记忆功能；而之后提出的循环神经网络(RNN)、长短期记忆网络(LSTM)即使能够存储历史信息，但是它们还存在梯度消失和执行时间较长等其他问题。
[0004]于是2018年Bai S，Frasconi P，Simard P等人在“An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling”一文中提出了时域卷积网络(TCN)，TCN网络在CNN框架的基础上进行序列建模，并通过加入因果卷积、扩张卷积和残差连接，有效解决了上述所有问题，具有并行处理卷积，灵活改变感受野以及梯度稳定等特点。然而，单一的深度TCN在训练期间需要较大的内存空间接收原始序列，并且TCN模型在不同的应用中可能会由于内存需求的差异而表现不佳。由此可见，基于神经网络的推力估计器仍有待改进。

技术实现思路

[0005]本专利技术目的在于针对上述现有方法的缺陷，提出了一种基于TCN改进的新型网络模型，通过残差连接的方式实现多层轻量化TCN网络堆叠，提高了网络模型的灵活性，相较于深度TCN能够以更快的收敛速度达到更好的推力估计精度，并通过地面试车台试验进一步验证了该控制方案的实时性和可行性。
[0006]本专利技术的技术方案：
[0007]一种基于时域卷积网络的航空发动机推力估计方法，步骤如下：
[0008]步骤A、通过微型涡喷发动机试车试验获取各项参数的输出数据，数据应尽可能覆盖发动机慢车状态之后加速阶段(50000rpm
‑
150000rpm)和减速阶段(150000rpm
‑
50000rpm)的稳态运行全过程；
[0009]步骤B、数据预处理；筛选步骤A获得的原始数据，提取推力估计相关的重要特征参数，并通过对特征选择后的数据分割和标准化处理得到神经网络模型的训练、验证和测试数据集；
[0010]所述推力估计相关的重要特征参数包括转速、燃油、发动机排气口温度和环境湿度；
[0011]所述分割是使用留出交叉验证方法将发动机特征数据以0.75、0.25的比例分为训练集和验证集；训练集的选取范围应尽量覆盖发动机加速、减速等不同阶段。
[0012]所述标准化采用的是以下均值方差标准化方法，使所有特征服从均值为0，标准差为1的分布特点；
[0013][0014]此处，μ为待处理特征x的均值，δ为特征x标准差，x
*
是标准化之后的特征；
[0015]步骤C、将训练数据集中推力之外特征的时间序列组合作为输入，推力作为输出，使用自定义回调函数训练算法对改进的时域卷积网络模型进行回归训练，在训练过程中使用测试数据集实时计算当前网络模型的估计精度，并通过选择算法得到最佳估计网络模型；
[0016]所述推力之外特征的时间序列组合输入包括当前m时刻、历史(n
‑
1)个时刻的燃油信息W
f
(m),
…
,W
f
(m
‑
n+1)，历史n个时刻的转速信息N(m
‑
1),
…
,N(m
‑
n)以及当前时刻的排气口温度和环境湿度T(m)和H(m)；神经网络模型表示为：
[0017]F(m)＝g(W
f
(m),
…
,W
f
(m
‑
n+1),N(m
‑
1),
…
,N(m
‑
n),T(m),H(m))
[0018]其中，g(
·
)表示神经网络模型的映射函数关系，F(m)为当前时刻的输出推力；
[0019]所述回调函数训练算法包括如下步骤：
[0020](1)根据评估指标自定义神经网络训练过程回调函数；
[0021]评估指标，包括均方绝对误差MAE、均方根误差RMSE和相关系数R2，定义方法如下：
[0022][0023][0024][0025]其中y
i
，分别为实际值、估计值和平均值；
[0026]自定义回调函数继承Callback类，在每个epoch结束时使用测试集对当前模型输出进行预测，得到上述评估指标，并且训练过程中的具体数据将会以字典形式作为日志内容返回；同时，训练过程中还加入了ModelCheckpoint类函数实现各类指标的打印输出以及最佳模型的保存功能；
[0027](2)设置网络模型参数后开始训练；
[0028]参数设置包括以下部分：
[0029]2.1)网络部分；滤波器数量filter、卷积核大小k、扩张因子d、全连接层单元数量units；
[0030]其中最佳参数的确定主要通过多种组合测试后得到，具体选取范围如下表所示：
[0031]表1参数选取
[0032][0033][0034]2.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时域卷积网络的航空发动机推力估计方法，其特征在于，步骤如下：步骤A、通过微型涡喷发动机试车试验获取各项参数的输出数据，数据应尽可能覆盖发动机慢车状态之后加速阶段和减速阶段的稳态运行全过程；步骤B、数据预处理；筛选步骤A获得的原始数据，提取推力估计相关的重要特征参数，并通过对特征选择后的数据分割和标准化处理得到神经网络模型的训练、验证和测试数据集；所述推力估计相关的重要特征参数包括转速、燃油、发动机排气口温度和环境湿度；所述分割是使用留出交叉验证方法将发动机特征数据以0.75、0.25的比例分为训练集和验证集；所述标准化采用的是以下均值方差标准化方法，使所有特征服从均值为0，标准差为1的分布特点；此处，μ为待处理特征x的均值，δ为特征x标准差，x
*
是标准化之后的特征；步骤C、将训练数据集中推力之外特征的时间序列组合作为输入，推力作为输出，使用自定义回调函数训练算法对改进的时域卷积网络模型进行回归训练，在训练过程中使用测试数据集实时计算当前网络模型的估计精度，并通过选择算法得到最佳估计网络模型；所述推力之外特征的时间序列组合输入包括当前m时刻、历史(n
‑
1)个时刻的燃油信息W
f
(m),
…
,W
f
(m
‑
n+1)，历史n个时刻的转速信息N(m
‑
1),
…
,N(m
‑
n)以及当前时刻的排气口温度和环境湿度T(m)和H(m)；神经网络模型表示为：F(m)＝g(W
f
(m),
…
,W
f
(m
‑
n+1),N(m
‑
1),
…
,N(m
‑
n),T(m),H(m))其中，g(
·
)表示神经网络模型的映射函数关系，F(m)为当前时刻的输出推力；所述回调函数训练算法包括如下步骤：(1)根据评估指标自定义神经网络训练过程回...

【专利技术属性】
技术研发人员：孙希明，孟万植，温思歆，潘卓锐，郝育闻，王东杰，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：