[发明专利]一种基于深度学习的航空发动机模型自适应修正方法

权利要求书

1.一种基于深度学习的航空发动机模型自适应修正方法，其特征在于，步骤如下：

S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；

S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；

S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；

所述的基于集成评价的多指标决策算法，具体步骤如下：

航空发动机健康参数包括风扇流量因子Q_f、风扇效率因子E_f、压气机流量因子Q_c、压气机效率因子E_c、高压涡轮流量因子Q_th、高压涡轮效率因子E_th、低压涡轮流量因子Q_tl、低压涡轮效率因子E_tl、燃烧室总压恢复系数SigComb、外涵道总压恢复系数SigBypass；健康参数修正因子及其允许修正范围分别为F_i及[F_imin,F_imax]，i＝1,…,10；

S3.1在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，健康参数修正因子全部设为1，仿真计算原始非线性模型的各稳态点数据P_3s、T_5s、N_1s、N_2s；

S3.2在原始非线性部件级模型中，令H＝0,Ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，依次将健康参数修正因子由F_imin以0.05的步长增加至F_imax，保持其余健康参数修正值为1，仿真计算扰动的原始非线性模型各稳态点数据P_3sij、T_5sij、N_1sij、N_2sij，i＝1,…,10，j＝1,…,[(F_imax-F_imin)/0.05]；

S3.3计算稳态点误差相对偏差量DP_3sij＝|P_3sij-P_3s|/P_3s、DT_5sij＝|T_5sij-T_5s|/T_5s、DN_1sij＝|N_1sij-N_1s|/N_1s、DN_2sij＝|N_2sij–N_2s|/N_2s，i＝1,…,10，j＝1,…,[(F_imax-F_imin)/0.05]；

S3.4构建区间数形式的决策矩阵U＝[U_in]，U_in＝[u_lin,u_uin]，其中

S3.5计算

其中，B_in是中点归一化矩阵，E_in是长度归一化矩阵，q_n是第n个属性的信息熵，0η1是平衡因子，i＝1,…,10，n＝1,…,4；

计算熵权

S3.6计算熵权决策值

其中，

S3.7构造加权规范化决策矩阵J_in＝U_inw_n，确定正理想点和负理想点大小分别为

其中，

计算距离

其中，d⁺_i是加权规范化决策矩阵J_in和正理想点的距离，d^-_i是加权规范化决策矩阵J_in和负理想点的距离；

计算决策值

S3.8计算综合决策值F_i＝α(v_i+c_i)，α是放大系数，取值为1，i＝1,…,10，并按其值由大到小进行排序，选择前四个参数作为待修正健康参数；

S4.构建基于遗传算法的修正器，并设置修正次数20≥Q0；

S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；

S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε0或达到修正次数Q，进入S7；否则，返回S5；

S7.保存修正后的待修正健康参数修正因子。