一种基于知识驱动神经网络的航空发动机性能计算方法技术

本发明专利技术属于航空发动机性能计算技术领域，具体涉及一种基于知识驱动神经网络的航空发动机性能计算方法。具体技术方案为：根据发动机性能计算模型的待求解独立变量，确定神经网络模型的输出参数，并基于各守恒方程构造残差变量形成损失函数，调整优化神经网络模型。可以克服传统模型求解方法不适用于先进多可调部件的航空发动机性能计算模型的问题，解决传统方法受人为因素影响大、需要往复迭代过程中多次调用航空发动机性能计算模型并且难以收敛的问题，解决启发式优化方法在多变量条件下收敛速度慢的问题，以保证计算的收敛性和收敛速度。速度。速度。

【技术实现步骤摘要】
一种基于知识驱动神经网络的航空发动机性能计算方法


[0001]本专利技术属于航空发动机性能计算
，具体涉及一种基于知识驱动神经网络的航空发动机性能计算方法。

技术介绍

[0002]航空发动机总体性能设计作为航空发动机设计中最为关键的部分，其主要研究方法从手工匹配转变为数值模拟，即通过建立和求解航空发动机总体性能计算模型实现。随着航空发动机可调部件增多，航空发动机总体性能计算模型的独立变量和残差变量增多。此外，诸如变引气量技术实现涡轮叶片的温度控制等技术，使得航空发动机总体性能计算模型求解已经不单单是部件与部件的匹配，同时包含了更多的气路参数的耦合。以自适应循环发动机为例，其部件级性能计算模型主要包括了变几何压气机、变几何涡轮、变几何喷管、可变面积涵道引射器、换热器(外部设备换热器、冷却空气换热器)和燃烧室等部件模型，需求解的独立变量增多；采用变引气量技术后，求解性能计算模型还需要迭代所有涡轮叶片的引气流量，使得涡轮叶片的温度达到控制值。
[0003]通常使用的航空发动机性能计算模型求解方法—Newton
‑
Raphson方法对迭代初值要求较高，不合适的迭代初值会额外增加模型的迭代次数，甚至导致模型迭代不收敛。此外，迭代过程中会发生除以零、负数开根号等使迭代中止的特殊情况。迭代方法需要计算迭代变量的偏导矩阵，迭代的每一步都会调用多次航空发动机模型，其调用次数与迭代变量呈正相关，增加了迭代中止情况发生的可能性。启发式优化算法是求解航空发动机性能计算模型的另一种方法，由于启发式优化算法传递给发动机模型的优化变量具有随机性，大大增加了迭代初值的设置难度；并且，启发式优化算法的搜索空间大，迭代变量的增加更加拖慢了方法的收敛速度。因此，随着目前航空发动机结构愈发复杂，相关模型的独立变量愈发增多，有必要发展新的航空发动机性能计算模型求解方法，以保证计算的收敛性和收敛速度。
[0004]现有方法迭代次数与迭代变量挂钩，导致多次调用航空发动机性能计算模型，面向多可调部件航空发动机性能计算模型，迭代变量多，难以设置迭代初值，计算模型在收敛性和收敛速度上难以同时满足要求。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出了一种基于知识驱动神经网络的航空发动机性能计算方法，解决了现有求解方法迭代次数与迭代变量挂钩而导致多次调用航空发动机性能计算模型，面向多可调动部件航空发动机性能计算模型迭代变量多，难以设置迭代初值，计算模型在收敛性和收敛速度上难以满足要求的问题。
[0006]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：发动机性能计算方法，根据发动机性能计算模型的待求解独立变量，确定神经网络模型的输出参数，并基于各守恒方程构造残差变量形成损失函数，调整优化神经网络模型。
[0007]优选的：确定所述发动机性能计算模型设计点计算所需的各项数据，根据所述发动机性能计算模型设计点和/或非设计点的计算条件建立并初始化神经网络模型，根据神经网络模型输出参数，计算发动机各部件的气动热力学模型，获取各部件进出口截面的气动热力学参数，基于各守恒方程构造残差变量形成所述损失函数，利用所述损失函数迭代优化所述神经网络模型，直至优化进程满足终止条件。
[0008]优选的：所述各项数据包括部件特性设计值、控制参数、工作状态参数。
[0009]优选的：所述残差变量为采用两种方法计算同一物理量的相对误差，一种方法为气动热力学参数在发动机中的参数传递，另一种方法为将神经网络模型输出参数值代入所述发动机性能计算模型中所计算的参数。
[0010]优选的：所述残差变量包括所述发动机性能计算模型中的流量平衡、静压平衡、功率平衡、扭矩平衡、温度平衡、转速平衡方程。
[0011]相应的：发动机性能计算方法在航空发动机性能计算的应用。
[0012]优选的：包括如下步骤：
[0013]S1、确定航空发动机性能计算模型设计点计算所需的各项数据，所述各项数据包括部件特性设计值、控制参数、飞行状态参数；
[0014]S2、确定所述性能计算模型计算的类型，包括设计点计算类型、非设计点计算类型；
[0015]S3、建立多层全连接神经网络模型；
[0016]S4、确定步骤S3中所述神经网络模型的各层节点单元数，参数输入层单元数目为步骤S1中所述控制参数、飞行状态参数个数之和，参数输出层单元数目为步骤S2中发动机性能计算模型待求解独立变量个数；
[0017]S5、初始化步骤S4中全连接神经网络模型；
[0018]S6、对所述神经网络模型进行一次迭代计算；
[0019]S7、根据步骤S6中所述神经网络模型的输入参数、输出参数，计算各部件气动热力学模型，获得各部件进出口截面的气动热力学参数；
[0020]S8、根据步骤S7中所述气动热力学参数构造残差变量，将所有的残差变量进行平方求和，作为步骤S5中所述神经网络模型的损失函数进行误差反馈；
[0021]S9、根据步骤S8获得的残差变量平方和，计算步骤S5中神经网络模型各全连接神经网络层的误差损失；
[0022]S10、根据步骤S9计算的各全连接神经网络层的误差损失，对步骤S5中神经网络模型隐藏层单元的参数值进行调整；
[0023]S11、判断步骤S8的残差变量平方和是否小于参差阈值ε
*
：
[0024]若残差变量平方和小于ε
*
，则进入步骤S12；否则，进入步骤S6；
[0025]或者，判断迭代次数i是否达到设定的迭代次数m：
[0026]令i＝i+1，若i>m，则进入步骤S12；否则，进入步骤S6；
[0027]S12、当前所述神经网络模型的输出参数值为航空发动机性能计算模型独立变量的输出结果。
[0028]优选的：所述独立变量的个数等于所述残差变量个数与可选控制参数变量个数之和。
[0029]相应的：一种电子设备，包括：
[0030]一个或多个处理器；
[0031]存储装置，用于存储一个或多个程序；
[0032]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所述发动机性能计算方法或发动机性能计算方法在航空发动机性能计算的应用。
[0033]相应的：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所述发动机性能计算方法或发动机性能计算方法在航空发动机性能计算的应用。
[0034]与现有技术相比，本专利技术具有以下有益效果：
[0035]本专利技术通过将发动机性能计算模型的待求解独立变量设置为神经网络模型的输出参数，同时根据神经网络模型的输入参数、输出参数，计算各部件气动热力学模型，从而获得各部件进出口截面的气动热力学参数，并根据气动热力学参数构造残差变量，对神经网络模型的损失函数进行误差反馈。这种求解方法可以克服传统模型求解方法不适用于先进多可调部件的航空发动机性能计算模型的问题，解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.发动机性能计算方法，其特征在于：根据发动机性能计算模型的待求解独立变量，确定神经网络模型的输出参数，并基于各守恒方程构造残差变量形成损失函数，调整优化神经网络模型。2.根据权利要求1所述的发动机性能计算方法，其特征在于：确定所述发动机性能计算模型设计点计算所需的各项数据，根据所述发动机性能计算模型设计点和/或非设计点的计算条件建立并初始化神经网络模型，根据神经网络模型输出参数，计算发动机各部件的气动热力学模型，获取各部件进出口截面的气动热力学参数，基于各守恒方程构造残差变量形成所述损失函数，利用所述损失函数迭代优化所述神经网络模型，直至优化进程满足终止条件。3.根据权利要求2所述的发动机性能计算方法，其特征在于：所述各项数据包括部件特性设计值、控制参数、工作状态参数。4.根据权利要求2所述的发动机性能计算方法，其特征在于：所述残差变量为采用两种方法计算同一物理量的相对误差，一种方法为气动热力学参数在发动机中的参数传递，另一种方法为将神经网络模型输出参数值代入所述发动机性能计算模型中所计算的参数。5.根据权利要求4所述的发动机性能计算方法，其特征在于：所述残差变量包括所述发动机性能计算模型中的流量平衡、静压平衡、功率平衡、扭矩平衡、温度平衡、转速平衡方程。6.如权利要求1
‑
5任意一项所述的发动机性能计算方法在航空发动机性能计算的应用。7.根据权利要求6所述的发动机性能计算方法在航空发动机性能计算的应用，其特征在于：包括如下步骤：S1、确定航空发动机性能计算模型设计点计算所需的各项数据，所述各项数据包括部件特性设计值、控制参数、飞行状态参数；S2、确定所述性能计算模型计算的类型，包括设计点计算类型、非设计点计算类型；S3、建立多层全连接神经网络模型；S4、确定步骤S3中所述神经网络模型的各层节点单元数，参数输入层单元数目为步骤S1中所述控制参数、飞行状态参数个数之和，参数输出层单元数目为步骤S2中发动机性能计算模型待求解独立变量个数；S5、初始化步骤S...

【专利技术属性】
技术研发人员：肖达盛，肖洪，林志富，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：