基于数字孪生的航空发动机性能退化监测和模型修正方法技术

本发明专利技术公开了基于数字孪生的航空发动机性能退化监测和模型修正方法，包括：构建航空发动机数字孪生模型，确定航空发动机性能指标与模型修正系数；构建航空发动机性能退化监测模型；利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境，求解航空发动机数字孪生模型的仿真性能指标，航空发动机性能退化监测模型得到预测性能指标，得到仿真误差；构建数字孪生模型修正模型，基于仿真误差，对航空发动机数字孪生模型进行修正系数调整，实现航空发动机数字孪生模型修正。本发明专利技术通过数字孪生模型和航空发动机性能退化监测模型实现航空发动机性能退化监测和模型修正，适用于多种类型的燃气涡轮发动机模型修正与性能退化监测。与性能退化监测。与性能退化监测。

【技术实现步骤摘要】
基于数字孪生的航空发动机性能退化监测和模型修正方法


[0001]本专利技术属于航空发动机性能退化监测和模型修正
，具体涉及基于数字孪生的航空发动机性能退化监测和模型修正方法。

技术介绍

[0002]在航空发动机总体性能仿真及控制算法设计领域，研究者需要时刻了解当前发动机典型部件准确的性能状态，即发动机真实部件特性，来进行发动机整机性能的计算或诊断。然而，机部件性能会随着使用时数的增加而发生自然退化，结果造成额定状态下原有的部件特性偏离退化状态下部件的真实性能。如果使用额定状态下未退化前的部件特性进行发动机性能计算，会带来较大的建模误差，使得发动机模型计算结果与试验数据间出现较大的误差。因而，针对航空发动机的研究，探索部件性能退化监测和模型修正技术是一项十分重要的工作。
[0003]数字孪生技术逐渐兴起，孪生模型通过将物理对象在数字空间内高度还原，模拟对象在实际场景中的运行状态与逻辑控制。由于具备精度高、实时性强等特性，世界制造强国纷纷提出将数字孪生技术运用于本国的制造业未来发展战略，以孕育出一个高度灵活的个性化、智能化生产管理模式。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供基于数字孪生的航空发动机性能退化监测和模型修正方法，可以通过数字孪生模型，实时模拟航空发动机真实的运行状况，同时通过基于数据驱动的航空发动机性能退化监测模型监测航空发动机的性能退化状况，并将性能退化情况，实时反馈给数字孪生模型，对数字孪生模型进行修正，将数字孪生技术与人工智能技术结合，可以用于多种型号发动机的自适应模型性能退化监测与修正，为航空发动机建模与控制等传统技术赋能。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：基于数字孪生的航空发动机性能退化监测和模型修正方法，包括：步骤S1、采集航空发动机旋转部件试车数据并构建航空发动机数字孪生模型，确定航空发动机性能指标与模型修正系数；步骤S2、采集航空发动机耐久试验中的各性能指标实测数据并构建航空发动机性能退化监测模型；步骤S3、利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境，求解航空发动机数字孪生模型的仿真性能指标，航空发动机性能退化监测模型得到预测性能指标，根据仿真性能指标与预测性能指标得到仿真误差；步骤S4、构建数字孪生模型修正模型，基于仿真误差，对航空发动机数字孪生模型进行修正系数调整，实现航空发动机数字孪生模型修正。
[0006]为优化上述技术方案，采取的具体措施还包括：
上述的步骤S1所述航空发动机旋转部件试车数据包含：轴流压气机、离心压气机、燃气涡轮和动力涡轮的转速、压比、物理流量、效率；航空发动机性能指标包括：压气机进口处气体的物理流量、压气机的效率、压气机出口压力、燃烧室出口处的总温、燃气涡轮进口处流量、燃气涡轮进口处效率；修正系数包括：压气机进口处气体的物理流量修正系数、压气机的效率修正系数、压气机进口处压比修正系数、燃气涡轮进口处流量修正系数、燃气涡轮进口处效率修正系数、燃气涡轮进口处压比修正系数。
[0007]上述的步骤S2包括：S201、传感器采集航空发动机耐久试验中的发动机各项性能指标，结合状态与运行时长构建发动机性能退化时序数据集；S202、基于S201构建的时序数据集，训练LSTM网络，得到航空发动机性能退化监测模型，以在航空发动机运行过程中同步监测发动机性能指标的退化情况。
[0008]上述的步骤S3采用牛顿
‑
拉弗森算法求解航空发动机数字孪生模型的仿真性能指标的步骤包括：基于发动机工作机理，建立航空发动机数字孪生模型中各部件共同工作方程组，给定方程组初猜值，并计算残差精度，当小于给定值，则牛顿
‑
拉弗森算法迭代计算结束，输出当前性能指标，否则构建雅可比矩阵并对初猜值进行更新，直到小于给定值。
[0009]上述的步骤S3所述航空发动机性能退化监测模型根据发动机当前状态与运行时长得到实时反应发动机当前性能退化情况的预测性能指标。
[0010]上述的步骤S3所述仿真误差E表示如下：；其中代表在第j个发动机工作状态下，第i个被监测的发动机性能指标，该性能指标由发动机性能退化预测模型输出，代表数字孪生模型计算出的第j个发动机工作状态下，第i个被监测的发动机性能指标，代表第i个性能指标的权重，k代表监测的发动机工作状态量，m代表性能指标数量。
[0011]上述的步骤S4构建数字孪生模型修正模型，并对修正模型参数进行初始化，基于仿真误差确定发生性能退化后，进行数字孪生模型的自适应模型修正，从而实现数字孪生模型与真实发动机性能指标的自适应匹配；所述数字孪生模型修正模型采用深度Q网络作为数字孪生模型修正的决策模型，决定当航空发动机性能退化时，数字孪生模型需要补偿的参数，同时通过与深度Q网络结构相同的记忆库网络进行深度Q网络的模型训练与参数更新。
[0012]上述的步骤S4中，当确定发动机发生性能退化后，采用修正模型试给修正系数并设置奖励函数；根据仿真误差计算公式确定修正系数给定是否合理，若修正过后的数字孪生模型与航空发动机性能退化监测模型输出误差超出目标值，则根据奖励函数R、深度Q网络选择
的动作的Q值以及均方差损失函数L，基于梯度下降理论修正数字孪生模型，进一步计算仿真误差，若仿真误差满足目标要求，则认为决策模型合理。
[0013]上述的步骤S4所述基于仿真误差，对航空发动机数字孪生模型进行修正系数调整，实现航空发动机数字孪生模型修正，具体包括：S401、基于深度Q网络和记忆库网络，定义深度Q网络训练算法、输入输出参数，并对网络参数进行初始化；S402、基于S401，深度Q网络通过自我学习，完成深度Q网络权重更新训练，训练完成后对数字孪生模型进行自适应修正；S403、在深度Q网络训练完成之后，根据仿真误差以及训练得到的修正系数中所有待定系数允许变化的范围，得到最优修正系数，实现航空发动机数字孪生模型修正。
[0014]上述的S402包括：S40201、将数字孪生模型与发动机性能退化监测模型之间的仿真误差E、燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件作为，输入神经网络，得到Q网络计算的动作集A中所有动作的Q值；根据贪婪算法在所有当前输出中选择相应的动作，使得对应修正系数最有可能使数学模型的仿真误差减小，其中表示动作集中，能够带来最大收益地动作，在本专利技术中，表示能使误差最小的一组修正系数；S40202、基于动作集A及对应的修正系数对发动机数字孪生进行修正后，进一步计算仿真误差，记为，与所述燃油流量、喷口面积、导叶角度和发动机各量测状态点的飞行条件组成新的状态向量，计算奖励函数R，具体公式如下：；S40203、将深度Q网络中使用的、深度Q网络输出的动作集的Q值，本次深度Q网络选择的动作，该动作获得的奖励存入记忆库网络；并使用更新后的状态向量作为深度Q网络的输入开始新一轮的计算；当存储N个样本后，计算出最新的状态下，深度Q网络选择的动作的Q值：；其中，代表终止状态，true表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，包括：步骤S1、采集航空发动机旋转部件试车数据并构建航空发动机数字孪生模型，确定航空发动机性能指标与模型修正系数；步骤S2、采集航空发动机耐久试验中的各性能指标实测数据并构建航空发动机性能退化监测模型；步骤S3、利用航空发动机数字孪生模型以及性能退化监测模型模拟真实发动机运行环境，求解航空发动机数字孪生模型的仿真性能指标，航空发动机性能退化监测模型得到预测性能指标，根据仿真性能指标与预测性能指标得到仿真误差；步骤S4、构建数字孪生模型修正模型，基于仿真误差，对航空发动机数字孪生模型进行修正系数调整，实现航空发动机数字孪生模型修正。2.根据权利要求1所述的基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，步骤S1所述航空发动机旋转部件试车数据包含：轴流压气机、离心压气机、燃气涡轮和动力涡轮的转速、压比、物理流量、效率；航空发动机性能指标包括：压气机进口处气体的物理流量、压气机的效率、压气机出口压力、燃烧室出口处的总温、燃气涡轮进口处流量、燃气涡轮进口处效率；修正系数包括：压气机进口处气体的物理流量修正系数、压气机的效率修正系数、压气机进口处压比修正系数、燃气涡轮进口处流量修正系数、燃气涡轮进口处效率修正系数、燃气涡轮进口处压比修正系数。3.根据权利要求1所述的基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，所述步骤S2包括：S201、传感器采集航空发动机耐久试验中的发动机各项性能指标，结合状态与运行时长构建发动机性能退化时序数据集；S202、基于S201构建的时序数据集，训练LSTM网络，得到航空发动机性能退化监测模型，以在航空发动机运行过程中同步监测发动机性能指标的退化情况。4.根据权利要求1所述的基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，所述步骤S3采用牛顿
‑
拉弗森算法求解航空发动机数字孪生模型的仿真性能指标的步骤包括：基于发动机工作机理，建立航空发动机数字孪生模型中各部件共同工作方程组，给定方程组初猜值，并计算残差精度，当小于给定值，则牛顿
‑
拉弗森算法迭代计算结束，输出当前性能指标，否则构建雅可比矩阵并对初猜值进行更新，直到小于给定值。5.根据权利要求1所述的基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，步骤S3所述航空发动机性能退化监测模型根据发动机当前状态与运行时长得到实时反应发动机当前性能退化情况的预测性能指标。6.根据权利要求1所述的基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，步骤S3所述仿真误差E表示如下：；
其中代表在第j个发动机工作状态下，第i个被监测的发动机性能指标，该性能指标由发动机性能退化预测模型输出，代表数字孪生模型计算出的第j个发动机工作状态下，第i个被监测的发动机性能指标，代表第i个性能指标的权重，k代表监测的发动机工作状态量，m代表性能指标数量。7.根据权利要求1所述的基于数字孪生的航空发动机性能退化监测和模型修正方法，其特征在于，所述步骤S4构建数字...

【专利技术属性】
技术研发人员：汪俊，濮宬涵，吴翔，李大伟，李子宽，张沅，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：