[发明专利]一种基于长短时记忆网络的航空发动机过渡态推力估计方法

说明书

本发明提供一种基于长短时记忆网络的航空发动机过渡态推力估计方法，包括如下步骤：首先，获取航空发动机机载设备的各项影响发动机推力的参数数据集；对所得数据集整体进行归一化处理和序列化处理；将序列化处理后的训练数据集传递到基于长短时记忆网络的算法中，通过随机梯度下降算法优化算法参数，得出网络模型。现有技术只能以一定精度估计航空发动机稳态下的推力，而对于航空发动机过渡态下的推力，无法进行估计。本发明基于长短时记忆神经网络，是针对航空发动机的过渡态而设计的推力估计器，能满足过渡态下推力估计的精度要求。本发明提出了航空发动机过渡态推力估计的方法，填补了过渡态推力估计方法的空缺。

技术领域

本发明涉及航空发动机过渡态推力估计方法，属于时间序列预测、发动机控制、推力控制及估计等领域。

背景技术

航空发动机推力是用于发动机控制和管理的重要指标。控制系统主要用于提高推力的稳态特性与安全性，传统的方式是将能反应发动机推力的参数，如转速、压比等作为反馈信号来设计控制器，通过控制这些参数达到控制推力的目的；为了保证发动机通常留有较大的裕度，发动机的性能没有得到完全的发挥。如果可以估计出发动机的推力而实现对发动机推力的直接控制，那么就可以减小那些在设计时为保障发动机稳定工作而预留的裕度，从而充分发挥发动机的潜力。

国内外对于航空发动机推力估计都有一些的研究。国外对于航空发动机性能参数估计的研究开始得相对较早。2001年，K.KrishnaKumar,Y.Hachisako,and Y.Huangs在第39届“AIAA航空科学会议和展示”中提出了神经网络和遗传算法在喷气式发动机性能估计中的两个应用。在第一个应用中，主要目标是设计、实施以及分析遗传算法，将其作为一个径向基函数神经网络的选择器，设计一个径向基函数神经网络用于估计航空发动机性能变量，例如喘振边界和推力等；在第二个应用中，作者结合了卡尔曼滤波器和循环神经网络提出一种新的方法，并将其用于发动机恶化过程中质量参数的估计。2003年，ManfrediMaggiore等在Engineering Applications of Artificial Intelligence上发表了论文“Estimator design in jet engine application”，作者在该论文中强调了输入选择和估计可行性分析作为复杂动态系统下估计器设计的重要性；文中作者将发动机看成一个随机系统，介绍了利用相关性分析方法来选择估计器的输入，使用基于模型的方法和基于数据的方法对发动机推力等参数进行估计的方法。2005年，Jonathan S.发表了论文“AnOptimal Orthogonal Decomposition Method for Kalman Filter-Based TurbofanEngine Thrust Estimation”，文中提出了一种新的用于确定调整参数以使得诸如推力等不可测发动机输出可被最优估计的线性点设计技术。在这个新技术中，通过在最小二乘意义上尽可能精确地表示更大集合上的健康参数的总影响而确定了一系列调整参数。2011年Mattias Henriksson等在论文“Model-based on board turbofan thrust estimation”中讨论了基于模型的涡扇发动机推力估计的方法，两种不同的基于模型的推力估计滤波器被应用于低涵道比的涡扇发动机中。