基于长短期记忆神经网络的涡轮过渡态叶尖间隙预估方法技术

本发明专利技术公开了一种基于长短期记忆神经网络的涡轮过渡态叶尖间隙预估方法。首先采用数据拼接与新参数的引入，构建多过渡态历程瞬态数据，随后采用敏感性分析，筛查出对叶尖间隙影响大的特征参数，对影响参数进行降维，并基于长短期记忆神经网络，构建了各特征参数与叶尖间隙之间的映射模型，搭建高效与高精度并存的涡轮过渡态叶尖间隙预估模型。通过此涡轮过渡态叶尖间隙预估模型，能够高效精确的对多种过渡态历程的涡轮叶尖间隙进行预估。过渡态历程的涡轮叶尖间隙进行预估。过渡态历程的涡轮叶尖间隙进行预估。

【技术实现步骤摘要】
learning
‑
based time series models.WindEnergy.2022；25(9):1626
‑
1645.)。
[0006]目前，这些代理模型在过渡态叶尖间隙预估的研究中还处于初步阶段，其叶尖间隙数据相对简单，与真实航空发动机叶尖间隙变化特性存在一定的差距。此外，代理模型在过渡态叶尖间隙预测过程中，还需解决叶尖间隙高维度预测与单历程内样本特征较少等问题。如何充分利用过渡态叶尖间隙时序信息与各参数之间耦合作用影响因素，选择适宜的机器学习方法，建立高效与高精度的过渡态叶尖间隙预估模型将是未来研究的重要挑战。

技术实现思路

[0007]本专利技术针对涡轮叶过渡态尖间隙高效精确预估需求，提供一种基于长短期记忆神经网络的涡轮过渡态叶尖间隙预估方法，能够实现高效精确度的叶尖间隙的预估；
[0008]为了实现上述目的，本专利技术采用以下技术方案：一种基于长短期记忆神经网络的涡轮过渡态叶尖间隙预估方法，包括：
[0009]步骤一：建立涡轮部件物理模型与空气系统流路，根据航空发动机设计手册和经验式，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期记忆神经网络的涡轮过渡态叶尖间隙预估方法，其特征在于，包括：步骤一：建立涡轮部件物理模型与空气系统流路，根据航空发动机设计手册和经验式，获得涡轮物理模型中每条空气系统流路流量和温度以及涡轮模型转速的变化范围，再通过二维轴对称有限元计算方法和一维工程计算方法构建过渡态叶尖间隙计算模型；步骤二：在步骤一中变化范围内进行抽样，得到多组变量数据，再将多组变量数据输入过渡态叶尖间隙计算模型进行计算，获得不同发动机历程的机匣变形量、轮盘变形量、叶片变形量以及叶尖间隙的数据集，并将不同发动机历程的机匣变形量、轮盘变形量、叶片变形量以及叶尖间隙的数据集进行数据拼接，得到包含多发动机历程的过渡态部件形变和叶尖间隙数据；步骤三：对步骤二中过渡态数据进行敏感性分析，得到敏感性分析结果，再根据敏感性分析结果，将数据进行降维处理，得到经过降维的数据；步骤四：将步骤三中经过降维处理的多个发动机历程的数据进行划分，得到训练集、测试集以及验证集；步骤五：利用长短期记忆神经网络模型，其中步骤四中的训练集和测试集用于模型的训练与测试，通过多次训练与测试，构建了各特征参数与叶尖间隙之间的映射模型，形成涡轮过渡态叶尖间隙预估模型；步骤六：利用步骤五中构建的预估模型，输入步骤四中验证集中的数据，用以验证预估模型的准确性。2.根据权利要求1所述基于神经网络的涡轮过渡态叶尖间隙预估方法，其特征在于，所述步骤二中不同发动机历程的机匣变形量、轮盘变形量、叶片变形量以及叶尖间隙的数据集进行数据拼接具体步骤为：通过引述新的变量New_cycle，对不同发动机历程的机匣变形量、轮盘变形量、叶片变形量以及叶尖间隙的数据集的数据进行了拼接，其中New_cycle仅包含两个数值，所述两个数值为0和1。3.根据权利要求1所述基于神经网络的涡轮过渡态叶尖间隙预估方法，其特征在于，所述步骤三中对多组变量数据进行敏感性分析的公式为：Y＝f(X1,X2,
…
，X
k
))))其中，Y为定义的研究模型可由f(X1,X2,
…
，X
k
)表示，再将其展开为一组维度递增函数的和f，并假设f为平方可积，对分解函数进行平方并积分，将积分式左侧定义为输出总方差Var(Y)，右侧则为各参数方差之和，其中，V
i
为单参数对Y的影响效果，V
ij
为X
i
和X
j
对Y的影响效果,V
12
…
d
表示为X1到X
d
对Y的...

【专利技术属性】
技术研发人员：杨超，毛军逵，杨悦，王飞龙，郭纳贤，邵发宁，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：