【技术实现步骤摘要】
本专利技术属于航空发动机，尤其是涉及一种航空发动机nox排放预测方法、装置、终端及存储介质。
技术介绍
1、nox预测模型本质上是一个因变量与多个自变量之间的复杂非线性关系，神经网络可以较为准确且自适应地学习输出与输入之间的映射和非线性关系。
2、目前，一般通过试验台试验、cfd数值模拟、化学反应器模型(crn)、经验/半经验模型这四种方法可以得到燃烧室nox的排放特性，其中试验台对试验环境和设备要求严格、试验周期又长，造成试验成本高昂，一般难以实现；而cfd方法需要巨大的计算资源，对硬件性能要求高，适用性不佳，不利于提高航空发动机nox排放的预测效率。crn模型虽然能够处理详细的燃烧反应机理，但却无法实现nox排放的准确预测。关于nox排放预测模型的构建，国内外学者做了许多研究，提出了诸多预测模型，其中多是通过全温全压燃烧室试验台试验获得，且只在发动机某一些工况能准确估算，而在其他工况下误差较大，适用范围有限。
技术实现思路
1、有鉴于此，本专利技术旨在提出一种航空发动机nox排放预测方法、装置、终端及存储介质，以现有nox排放预测方法适用范围有限的问题。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、第一方面
4、本专利技术提供了一种航空发动机nox排放预测方法，包括：
5、获取航空发动机的燃烧过程数据，并基于所述航空发动机燃烧过程数据建立多化学反应器网络模型；
6、将所述航空发动机燃烧室入口
7、获取所述航空发动机从慢车到最大推力状态间不同稳态下燃烧室入口的温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值，并将所述温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值进行交叉组合，得到进口参数集；
8、根据所述进口参数集设置所述多化学反应器网络模型的进口参数，并基于碳氢燃烧反应机理中n元素的反应过程求解nox排放量，得到nox排放数据集；
9、筛选所述温度t36、压力p36、总空气流量wa、燃油流量wf、以及油气比far中影响nox排放量的主要特征参数，并提取所述nox排放数据集中所述主要特征参数的响应值及其对应的nox排放量，得到训练样本集；
10、构建神经网络预测模型，开展超参数分析，对所述神经网络预测模型的隐藏层节点、学习率及迭代次数进行寻优，并利用所述训练样本集训练所述神经网络预测模型，得到训练完成的神经网络预测模型；
11、获取待测航空发动机对应的主要特征参数值，并将所述待测航空发动机对应的主要特征参数值输入所述训练完成的神经网络预测模型，以实现对待测航空发动机nox排放的预测。
12、进一步的，所述获取航空发动机的燃烧过程数据，并基于所述航空发动机燃烧过程数据建立多化学反应器网络模型，包括：
13、将所述航空发动机燃烧室分为主燃区、补燃区和掺混区；
14、利用三个充分混合反应器psr_1、psr_2、psr_3，分别表征所述航空发动机燃烧室的主燃区、补燃区和掺混区；其中，充分混合反应器psr_1表征主燃区，其两个输入分别连接燃油进口和第一股空气输入；充分混合反应器psr_2表征补燃区，其一个输入与充分混合反应器psr_1的输出连接，另一个输入连接第二股空气的一部分输入；充分混合反应器psr_3表征掺混区，其一个输入连接充分混合反应器psr_2的输出，另一个输入连接第二股空气的剩余输入，充分混合反应器psr_3的输出连接一个输出模块，以形成完整链路的多化学反应器网络模型。
15、进一步的，所述获取所述航空发动机从慢车到最大推力状态间不同稳态下燃烧室入口的温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值，并将所述温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值进行交叉组合，得到进口参数集，包括：
16、利用t-mats获取所述航空发动机从慢车到最大推力状态间不同稳态下燃烧室入口的温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值；
17、将所述温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值进行交叉组合，得到进口参数集[t36 p36 wa wf]t。
18、进一步的，所述根据所述进口参数集设置所述多化学反应器网络模型的进口参数，并基于碳氢燃烧反应机理中n元素的反应过程求解nox排放量，得到nox排放数据集，包括：
19、根据所述进口参数集设置所述多化学反应器网络模型的进口参数；
20、根据gri3.0反应机理求解nox排放量，得到nox排放数据集[t36p36 wa wffar nox]t。
21、进一步的，所述筛选所述温度t36、压力p36、总空气流量wa、燃油流量wf、以及油气比far中影响nox排放量的主要特征参数，并提取所述nox排放数据集中所述主要特征参数的响应值及其对应的nox排放量，得到训练样本集，包括：
22、对所述nox排放数据集进行皮尔逊相关性分析，得到由相关系数组成的矩阵；
23、根据所述矩阵，筛选掉所述温度t36、压力p36、总空气流量wa、燃油流量wf、以及油气比far中相关系数小于0.3的次要参数，得到影响nox排放量的特征参数；
24、基于控制变量法求解nox排放量随所述特征参数的变化情况，选择能够使nox排放量变化预设量级的特征参数作为影响nox排放量的主要特征参数；
25、提取所述nox排放数据集中所述主要特征参数的响应值及其对应的nox排放量，得到训练样本集。
26、进一步的，所述构建神经网络预测模型，开展超参数分析，对所述神经网络预测模型的隐藏层节点、学习率及迭代次数进行寻优，并利用所述训练样本集训练所述神经网络预测模型，得到训练完成的神经网络预测模型，包括：
27、基于三层bp神经网络构建神经网络预测模型，设置超参数为采样点，并设置所述超参数的初始值；
28、构建优化目标函数以评估所述神经网络预测模型的性能，所述通过优化目标函数的输入为真实值与训练值，输出为性能指标j，以相对误差的平方和为优化目标，所述优化目标函数公式如下：
29、
30、其中，j为性能指标的值，yi为第i个样本的实际nox排放量，为神经网络对第i个样本的预测值，e(y)为样本实际nox排放量的平均值；
31、确定超参数的搜索范围；其中，隐藏层节点数范围设置为3～10，学习率范围为0.01～0.1，迭代次数为10～1000；
32、基于所述超参数的搜索范围、以及所述训练样本集训练所述神经网络预测模型，本文档来自技高网...
【技术保护点】
1.一种航空发动机NOx排放预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取航空发动机的燃烧过程数据，并基于所述航空发动机燃烧过程数据建立多化学反应器网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取所述航空发动机从慢车到最大推力状态间不同稳态下燃烧室入口的温度T36、压力P36、总空气流量Wa、以及燃油流量Wf的响应值，并将所述温度T36、压力P36、总空气流量Wa、以及燃油流量Wf的响应值进行交叉组合，得到进口参数集，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述进口参数集设置所述多化学反应器网络模型的进口参数，并基于碳氢燃烧反应机理中N元素的反应过程求解NOx排放量，得到NOx排放数据集，包括：
5.根据权利要求1所述的方法，其特征在于，所述筛选所述温度T36、压力P36、总空气流量Wa、燃油流量Wf、以及油气比FAR中影响NOx排放量的主要特征参数，并提取所述NOx排放数据集中所述主要特征参数的响应值及其对应的NOx排放量，得到训练样本集，包括：
7.一种航空发动机NOx排放预测装置，其特征在于，包括：
8.一种终端，其特征在于，包括：
9.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5所述的航空发动机NOx排放预测方法。
...【技术特征摘要】
1.一种航空发动机nox排放预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取航空发动机的燃烧过程数据，并基于所述航空发动机燃烧过程数据建立多化学反应器网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取所述航空发动机从慢车到最大推力状态间不同稳态下燃烧室入口的温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值，并将所述温度t36、压力p36、总空气流量wa、以及燃油流量wf的响应值进行交叉组合，得到进口参数集，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述进口参数集设置所述多化学反应器网络模型的进口参数，并基于碳氢燃烧反应机理中n元素的反应过程求解nox排放量，得到nox排放数据集，包括：
5.根据权利要求1所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。