[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

说明书

本发明公开了一种基于深度学习的航空发动机模型自适应修正方法，属航空发动机建模与仿真领域。本发明采用一种基于循环神经网络的动态并行补偿器，对航空发动机性能未蜕化状态下全包线范围内原始非线性模型误差进行补偿；同时采用一种基于遗传算法的修正器，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调整。其中，待修正健康参数由基于集成评价的多指标决策算法确定。修正后的非线性部件级模型输出与补偿器输出之和，与航空发动机运行试车输出数据一致，从而提高航空发动机全包线建模精度。本发明为航空发动机控制系统及故障诊断系统设计提供了有力支持，有助于提高航空发动机硬件在回路及半物理实验验证的可靠性。

技术领域

本发明涉及一种基于深度学习算法的航空发动机全包线模型自适应修正方法，具体的说，是指在航空发动机全包线工作范围内，一种实现模型输出对试车数据精确逼近的模型修正技术，属于航空发动机建模与仿真技术领域。

背景技术

本发明依托背景为某型小涵道比涡扇发动机的非线性部件级数学模型。目前常用的航空发动机部件级模型都是依据航空发动机的标称特性建立，忽略了不同航空发动机之间的性能差异。此外，发动机多部件协同工作，即使部件的模型特性十分精确，但部件间的相互影响、制造与装配误差、使用磨损和性能蜕化等因素产生的干扰，使得由标称非线性部件级模型仿真计算得到的发动机性能参数与实际性能参数存在较大误差。而航空发动机控制系统及故障诊断系统的设计与仿真验证的有效性与准确性与航空发动机的非线性模型密切相关。因此，依据试车数据对早期建立的航空发动机部件级非线性模型进行自适应修正具有重要的工程意义。

现有的国内外航空发动机模型修正技术主要集中于基于稳态工作点的部件特性修正，即针对某给定稳态工作点，采用多种求解方法对修正参数进行调整，该类修正过程在一定程度上即为稳态模型参数的优化过程。而对于航空发动机的过渡态，目前通用的方法仍然基于稳态工作点模型，采用插值算法近似过渡态过程。由于特征稳态工作点较少，插值误差较大，导致模型动态响应误差较大。因此，上述模型修正方法难以解决全包线内过渡态过程的关键输出参数的精度问题。此外，航空发动机模型中涉及的健康参数个数远多于航空发动机关键可测参数，实际工程应用中往往只选择与关键可测参数个数相当的健康参数进行自适应调整。现有的健康参数选择方法多采用修正参数扰动法，即对健康参数修正因子产生一个阶跃信号，测量航空发动机关键输出参数的变化量，依据其幅值变化大小顺序选择待修正的健康参数。然而，由于关键输出参数的变化量随健康参数修正因子的变化并非线性，不适当的阶跃信号幅值选取会对待修正健康参数选择产生影响，从而降低了修正后模型的准确性。最后，上述方法并未考虑原始非线性模型与实际工作状态的建模误差而直接对其修正，也降低了模型精度与修正参数的可靠性。

综上，为了克服现有的控制用航空发动机全包线模型修正技术的不足，即上述基于稳态模型参数修正过渡态、基于阶跃信号响应的待修正健康参数选择及未考虑原始部件级模型误差三种情况，本发明提出了一种基于深度学习算法的控制用航空发动机全包线模型自适应修正方法。此种方法直接对航空发动机全包线范围内模型直接实现修正，采用了一种更为合理的基于集成评价的多指标决策算法实现健康参数的选择，并且对原始发动机建模误差进行了补偿，使得修正后模型更为精确。同时，本方法通过适当的调整即可推广到其他类型的航空涡轮发动机以及船用燃气轮机的建模及修正中，普适性更广。

发明内容

针对现有技术中难以实现航空发动机全包线模型高精度修正的问题，本发明提供了一种基于深度学习算法的航空发动机全包线模型自适应修正方法。

本发明的技术方案为：

一种基于深度学习的航空发动机模型自适应修正方法，包括以下步骤：

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；