一种用于航空发动机性能数字孪生的精度提升方法技术

本发明专利技术具体涉及一种用于航空发动机性能数字孪生的精度提升方法，该方法包括建立补偿模型；设置两个输出通道，分别输出两个输出值；将两个输出值分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到基础数字孪生模型和补偿模型中，直至误差收敛；预测航空发动机性能参数，将发动机的监测数据，对应地输入到收敛完成的基础数字孪生模型中，得到目标性能参数预测值。目的在于通过该补偿模型与基础模型的耦合训练，逐步迭代消除误差，在不增加基础模型复杂度的前提下，将补偿模型的补偿效果直接耦合到基础数字孪生模型之中，在提升预测精度的同时不增加预测耗时，保障实时性。保障实时性。保障实时性。

【技术实现步骤摘要】
一种用于航空发动机性能数字孪生的精度提升方法


[0001]本专利技术属于航空发动机故障诊断
，具体涉及一种用于航空发动机性能数字孪生的精度提升方法。

技术介绍

[0002]航空发动机机载可测性能参数很少，其他监测参数很多，建立精准的发动机性能实时预测模型对飞行状态评估、飞行安全保障、发动机故障诊断，具有重要意义。在每台发动机装机以前，会进行试车试验，积累大量数据，试车试验中会监测多种参数，包括环境参数：环境温度、环境压力、环境湿度等；状态参数：压气机进口导向器角度、转子转速、油门杆位置等；性能参数：推力、燃油流量、低压涡轮后燃气总温等；基于这些试车数据，可以建立发动机性能参数预测模型。目前，在这一工作上，已经出现了大量的研究，主要都是基于数据驱动的人工智能方法，建立一个单一的预测模型，找到各种监测数据和目标性能参数之间的映射关系，实现对目标性能参数的预测。然而对于单一的预测模型来说，基于泰勒展开可以发现，其预测误差总是存在，消除预测中产生的误差，使得最终的预测结果更加准确，是非常有必要的。

技术实现思路

[0003]本专利技术为了解决单一预测模型会带来的误差问题，提供了一种用于航空发动机性能数字孪生的精度提升方法，该方法提供了一个补偿模型，通过该补偿模型与基础模型的耦合训练，逐步迭代消除误差，在不增加基础模型复杂度的前提下，将补偿模型的补偿效果直接耦合到基础预测模型之中，在提升预测精度的同时不增加预测耗时，保障实时性。
[0004]为实现上述专利技术目的，本专利技术所采用的技术方案是：一种用于航空发动机性能数字孪生的精度提升方法，包括以下步骤：
[0005]S1：建立发动机性能预测基础数字孪生模型：筛选发动机运行数据，采用时序性人工智能算法构建发动机性能预测基础数字孪生模型；
[0006]S2：建立补偿模型：补偿模型的结构、算法与发动机性能预测基础数字孪生模型一致，或补偿模型为非时序性算法；
[0007]S3：建立模型输出通道：设置两个输出通道，其中一个为发动机性能预测基础数字孪生模型的输出通道，另一个为发动机性能预测基础数字孪生模型与补偿模型的加和输出通道；
[0008]S4：训练误差反向传播：将步骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到发动机性能预测基础数字孪生模型和补偿模型中进行训练，并重复步骤S3和步骤S4，直至误差收敛；
[0009]S5：预测航空发动机性能参数：将发动机的任意工作状态监测到的数据，对应的输入到步骤S4中收敛完成的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值。
[0010]优选的，步骤S1中，筛选的发动机运行数据包括：环境参数、各部件工作状态参数、部件性能参数、整机性能参数，对筛选出的数据进行处理后，建立训练数据集。
[0011]优选的，步骤S1中，时序性人工智能算法包括长短期记忆网络、波网络和注意力机制网络，根据步骤S1中所筛选的数据，确定网络输入层节点数、输出层节点数、网络层数和网络层节点数，搭建性能预测基础数字孪生模型。
[0012]优选的，步骤S4中，损失参数为：将骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失值loss1和loss2，其中loss1为通过发动机性能预测基础数字孪生模型输出通道所计算出的损失值，loss2为通过发动机性能预测基础数字孪生模型与补偿模型加和输出的输出通道所计算出的损失值；loss2、loss1和loss2加和后的两个值构成损失参数，分别作为补偿模型和发动机性能预测基础数字孪生模型的损失参数。
[0013]优选的，损失值的计算方法采用交叉熵损失函数：
[0014][0015]其中，H(Y,y)为目标参数真实值Y(x
i
)和模型预测值y(x
i
)的交叉熵损失函数值。
[0016]优选的，损失值的计算方法采用均方误差损失函数：
[0017][0018]其中MSE(Y,y)为目标参数真实值Y(x
i
)和模型预测值y(x
i
)的均方误差损失函数值。
[0019]优选的，步骤S4中所述的进行训练的算法包括RMSPorp和Adam。
[0020]优选的，步骤S5中所述的发动机任意工作状态包括启动、加速、巡航、加力、减速状态；提取传感器检测数据，作为步骤S4中收敛完成的发动机性能预测基础数字孪生模型的输入。
[0021]一种电子设备，包括：
[0022]一个或多个处理器；
[0023]存储装置，用于存储一个或多个程序；
[0024]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的用于航空发动机性能数字孪生的精度提升方法。
[0025]一种计算机可读介质，所述可读介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的用于航空发动机性能数字孪生的精度提升方法。
[0026]本专利技术具有以下有益效果：
[0027]1、本专利技术方法引入了补偿模型消除单一预测模型中无法消除的一阶项误差，通过补偿模型对由于传感器测量误差和发动机性能衰退导致的模型预测误差进行补偿，再将补偿模型与基础模型进行耦合，使得在后续的运算过程中，在提高预测精度的同时，保证了运算的速度，保障预测的实时性。
[0028]2、本专利技术中，在将补偿模型与基础模型耦合后，可以直接将数据输入到耦合后的基础模型中即可完成性能预测，无需再将参数输入到补偿模型中，该模型可用于机载，实时
预测发动机性能参数。
附图说明
[0029]图1为本专利技术的方法流程图；
[0030]图2为耦合训练方法的损失函数传递路径示意图；
[0031]图3为一种模型结构。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0033]在本专利技术的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0034]在建立一个单一的预测模型时，通过泰勒展开可以发现，一个单一的预测模型，其预测误差总是存在，如下式：
[0035][0036]式中，F代表目标性能参数和各个特征参数x1,x2,...,x
n
之间的真实映射关系，f(v1,v2,...,v
n
)代表单一预测模型在对应特征参数的测量值(v1,v2,...,v...

【技术保护点】

【技术特征摘要】
1.一种用于航空发动机性能数字孪生的精度提升方法，其特征在于，包括以下步骤：S1：建立发动机性能预测基础数字孪生模型：筛选发动机运行数据，采用时序性人工智能算法构建发动机性能预测基础数字孪生模型；S2：建立补偿模型：补偿模型的结构、算法与发动机性能预测基础数字孪生模型一致，或补偿模型为非时序性算法；S3：建立模型输出通道：设置两个输出通道，其中一个为发动机性能预测基础数字孪生模型的输出通道，另一个为发动机性能预测基础数字孪生模型与补偿模型的加和输出通道；S4：训练误差反向传播：将步骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失参数，将损失参数分别迭代到发动机性能预测基础数字孪生模型和补偿模型中进行训练，并重复步骤S3和步骤S4，直至误差收敛；S5：预测航空发动机性能参数：将发动机的任意工作状态监测到的数据，对应的输入到步骤S4中收敛完成的发动机性能预测基础数字孪生模型中，得到目标性能参数预测值。2.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S1中，筛选的发动机运行数据包括：环境参数、各部件工作状态参数、部件性能参数、整机性能参数，对筛选出的数据进行处理后，建立训练数据集。3.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S1中，时序性人工智能算法包括长短期记忆网络、波网络和注意力机制网络，根据步骤S1中所筛选的数据，确定网络输入层节点数、输出层节点数、网络层数和网络层节点数，搭建性能预测基础数字孪生模型。4.根据权利要求1所述的用于航空发动机性能数字孪生的精度提升方法，其特征在于：步骤S4中，损失参数为：将骤S3中得到的两个输出值，分别与对应的性能预测目标值进行比较计算，得到两个损失值loss1和loss2，其中loss1为通过发动机性能预测基础数字孪生模型输出通道所计算出...

【专利技术属性】
技术研发人员：肖达盛，肖洪，唐轲，于艾洋，王栋欢，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：