一种飞机热管理系统的状态数据时序变化预测方法技术方案

本发明专利技术提出一种飞机热管理系统的状态数据时序变化预测方法，包括：构建飞机热管理系统的仿真模型；基于所述仿真模型，筛选输入因子，构建数据集；基于所述数据集，对神经网络模型NARX进行训练；基于训练后的所述神经网络模型NARX，预测所述机热管理系统的状态数据时序变化。本发明专利技术能够实现在未知飞行任务剖面下飞机油箱内燃油温度的实时动态预测，为飞机设计提供参考，具有工程实用价值和理论意义。具有工程实用价值和理论意义。具有工程实用价值和理论意义。

【技术实现步骤摘要】
一种飞机热管理系统的状态数据时序变化预测方法


[0001]本专利技术属于飞机热管理系统
，尤其涉及一种飞机热管理系统的状态数据时序变化预测方法。

技术介绍

[0002]飞机系统热管理是从系统角度确定传质与传热边界条件，在维持热源与热沉的热平衡基础上，最大可能的提高系统效能并输出有用功，从而达到飞行任务、飞行安全、生命周期成本等方面的要求。
[0003]热管理系统涉及到不同系统之间的集成，不同热源与热沉之间的热平衡，涵盖大量的时序参数，通常需要运行数百万次不同的系统循环才能覆盖全部设计空间。基于物理的传统建模仿真方法（包括一维仿真和三维仿真），被广泛运用于热管理系统仿真问题。
[0004]基于物理的传统建模仿真方法，存在的不足主要体现在以下2个方面：(1)飞机热管理系统仿真通常需要考虑来自不同的未知飞行剖面状态热数据的预测，基于物理的建模仿真难以进行泛化分析。(2)前向预测要求建模仿真比实时事件运行得更快，否则就会失去预测的意义。但基于物理的建模通常以热力学状态方程求解的运行速度为代价，越是精确复杂的系统运行速度就会更慢，使得基于物理的建模难以达到要求。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种飞机热管理系统的状态数据时序变化预测方法，能够实现在未知飞行任务剖面下飞机油箱内燃油温度的实时动态预测，为飞机设计提供参考，具有工程实用价值和理论意义。
[0006]为实现上述目的本专利技术提出了一种飞机热管理系统的状态数据时序变化预测方法，其特征在于，包括：构建飞机热管理系统的仿真模型；基于所述仿真模型，筛选输入因子，构建数据集；基于所述数据集，对神经网络模型NARX进行训练；基于训练后的所述神经网络模型NARX，预测所述飞机热管理系统的状态数据时序变化。
[0007]可选地，所述飞机热管理系统包括：燃油系统、发动机系统、环境控制系统和制冷系统；构建所述仿真模型的过程中将液压系统和电气系统，作为所述仿真模型的边界条件。
[0008]可选地，构建所述数据集包括：基于所述仿真模型，获取初始的输入因子和输出响应；其中，初始的输入因子包括：飞行包线的高度、飞行包线的马赫数、液压系统的热负载、空气系统的热负载、电子设备系统的热负载、润滑系统的热负载、燃油系统的耗油率、液压系统的质量流量、电子设备系
统的质量流量和润滑系统的质量流量，输出响应为燃油平均温度；对初始的所述输入因子进行筛选，获取最终输入因子；其中，最终输入因子包括：飞行包线的高度、飞行包线的马赫数、液压系统的热负载、空气系统的热负载、电子设备系统的热负载、润滑系统的热负载和发动机系统的耗油率；对所述最终输入因子，进行采样；基于采样后的所述最终输入因子和所述输出响应，构建所述数据集。
[0009]可选地，对初始的所述输入因子进行筛选包括：对每两个初始的所述输入因子进行相关性分析，以及对所述输出响应与每个初始的所述输入因子进行方差分析，去除初始的所述输入因子中的弱相关参数。
[0010]可选地，所述相关性分析为：基于相关系数r衡量两个初始的所述输入因子之间的线性关系；所述相关系数r为：
[0011]其中，n为验证点的数量，X
i
为变量X的真实值，为变量X的均值，Y
i
为变量Y的真实值，为变量Y的均值。
[0012]可选地，所述最终输入因子包括：因子的最大值和最小值；所述最终输入因子为多尺度参数空间的表征形式；其中，多尺度参数空间中的每个点代表一个飞行状态即一个神经网络训练的数据点。
[0013]可选地，进行采样包括：对所述最终输入因子，利用空间填充拉丁超立方体方法生成采样点，并采用阶跃函数作为采样点之间的时间模式。
[0014]可选地，对神经网络模型NARX进行训练包括：采用Levenberg
‑
Marquardt算法对神经网络模型NARX进行训练，并采用均方误差和决定系数对训练后的模型进行评估。
[0015]可选地，所述神经网络模型NARX的数学表达式为：
[0016]其中，y(t)为时间为t时的输出，f为神经网络所拟合的函数，x(t)为时间为t时的输入，t为时间。
[0017]可选地，获取初始的输入因子和输出响应包括：基于所述仿真模型，利用能量平衡方程，获取初始的输入因子和输出响应；所述能量平衡方程为：
[0018]其中，dT为燃油温度变化，为油箱内总能量变化，为燃油比热，为油箱中的燃油质量，为热量变化，为能量的变化，为燃油质量变化量，h为焓，下标1和2分别代表入口和出口。
[0019]与现有技术相比，本专利技术具有如下优点和技术效果：1、本专利技术的飞机热管理前向预测方法，能够实现在未知飞行任务剖面下飞机油箱内燃油温度的实时动态预测，为飞机设计提供参考，具有工程实用价值和理论意义。
[0020]2、本专利技术的飞机热管理前向预测方法，基于高保真的飞机热管理系统状态数据，获得的燃油温度预测结果与实际结果的误差在1%以内，仿真速度快于实际事件的发生，并节省了仿真过程的计算量，极大的提高了效率。
[0021]3、本专利技术的飞机热管理前向预测方法，提供了基于高保真的飞机热管理系统数据而非实际飞行数据的建模思路，极大的避免了飞行数据样本量少且难以获取的问题，并可获得高精度预测模型。
附图说明
[0022]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术实施例的热管理系统示意图；图2为本专利技术实施例的输入参数序列示意图；图3为本专利技术实施例的误差分布直方图；图4为本专利技术实施例的温度预测结果图；其中，图4a为部分预测值和目标值示意图，图4b为整个飞行剖面内的误差变化示意图；图5为本专利技术实施例的一种飞机热管理系统的状态数据时序变化预测方法流程示意图。
具体实施方式
[0023]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0024]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0025]如图5所示，本实施例提出了一种飞机热管理系统的状态数据时序变化预测方法，大体包括:构建飞机热管理系统的仿真模型；基于仿真模型，筛选输入因子，构建数据集；基于数据集，对神经网络模型NARX进行训练；基于训练后的神经网络模型NARX，预测飞机热管理系统的状态数据时序变化。
[0026]本实施例可分为四个步骤:高保真模型的构建、相关因素的选择、试验创建的设计、神经网络的构建。前三步是为以后的适当训练准备数据。最后，对NARX模型进行了训练、测试和预测性能比较。
[0027]第一部分，高保真模型的构建：高保真度模型建立在由燃油、发动机、环境控制和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞机热管理系统的状态数据时序变化预测方法，其特征在于，包括：构建飞机热管理系统的仿真模型；基于所述仿真模型，筛选输入因子，构建数据集；基于所述数据集，对神经网络模型NARX进行训练；基于训练后的所述神经网络模型NARX，预测所述飞机热管理系统的状态数据时序变化。2.根据权利要求1所述的飞机热管理系统的状态数据时序变化预测方法，其特征在于，所述飞机热管理系统包括：燃油系统、发动机系统、环境控制系统和制冷系统；构建所述仿真模型的过程中将液压系统和电气系统，作为所述仿真模型的边界条件。3.根据权利要求1所述的飞机热管理系统的状态数据时序变化预测方法，其特征在于，构建所述数据集包括：基于所述仿真模型，获取初始的输入因子和输出响应；其中，初始的输入因子包括：飞行包线的高度、飞行包线的马赫数、液压系统的热负载、空气系统的热负载、电子设备系统的热负载、润滑系统的热负载、燃油系统的耗油率、液压系统的质量流量、电子设备系统的质量流量和润滑系统的质量流量，输出响应为燃油平均温度；对初始的所述输入因子进行筛选，获取最终输入因子；其中，最终输入因子包括：飞行包线的高度、飞行包线的马赫数、液压系统的热负载、空气系统的热负载、电子设备系统的热负载、润滑系统的热负载和发动机系统的耗油率；对所述最终输入因子，进行采样；基于采样后的所述最终输入因子和所述输出响应，构建所述数据集。4.根据权利要求3所述的飞机热管理系统的状态数据时序变化预测方法，其特征在于，对初始的所述输入因子进行筛选包括：对每两个初始的所述输入因子进行相关性分析，以及对所述输出响应与每个初始的所述输入因子进行方差分析，去除初始的所述输入因子中的弱相关参数。5.根据权利要求4所述的飞机热管理系统的状态数据时序变化预测方法，其特征在于，所述相关性分析为：基于相关...

【专利技术属性】
技术研发人员：郭京辉，朱嘉乐，林贵平，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：