[发明专利]一种航空发动机喘振先兆的在线识别方法

权利要求书

1.一种航空发动机喘振先兆的在线识别方法，其特征在于，包括以下步骤：

1)获取航空发动机压气机进出口压比历史运行数据并进行离线分析，确定每个时刻对应的压气机运行状态，得到压气机各个时刻的状态值，其中所述压气机运行状态包括稳定状态、扰动传播状态和喘振状态；具体步骤如下：

1-1)获取N组航空发动机压气机进出口压比历史运行数据，其中每组压比历史运行数据的采样周期为0.1，每组采样时间为3600，每组数据的数据长度为36000，时间单位为仿真时间；选定监控频段f_st＝8～72Hz，将频段8～72Hz等步长分为9个频率[8 16 24 32 40 4856 64 72]Hz分别作为监控频率，选定喘振先兆阈值s₁和喘振阈值s₂；

1-2)对步骤1-1)获取的航空发动机压气机进出口压比历史运行数据进行S变换，得到各个时刻压比历史运行数据的不同监控频率分量随时间变化的幅值s(f,t),f∈f_st，其中，f代表监控频率，t代表时刻；

1-3)对任意t时刻，计算频段f_st内S变换系数的最大幅值s(t)＝max_f(s(f,t)),f∈f_st；

1-4)根据s(t)判断t时刻压气机运行状态，获得该时刻压气机的状态值O(t)：

当s(t)＜s₁时，压气机在t时刻处于稳定运行状态，则该时刻的状态值O(t)＝[1,0,0]；当s₁≤s(t)＜s₂时，压气机在t时刻处于扰动传播状态，则该时刻的状态值O(t)＝[0,1,0]；当s(t)≥s₂时，压气机在t时刻处于喘振状态，则该时刻的状态值O(t)＝[0,0,1]；

2)通过压气机历史运行数据计算t时刻的喘振特征量I(t)；所述压气机历史运行数据包括步骤1)获取的每个时刻的进出口压比历史运行数据，以及该时刻对应的节流阀开度和转子转速；

喘振特征量I(t)的具体计算方法为：取t时刻及该时刻前599个历史时刻，共计600个时刻的压比历史运行数据作为S变换输入，将低频段8～72Hz等步长分为9个频率[8 16 24 3240 48 56 64 72]Hz分别作为监控频率，计算各个监控频率对应S变换振幅峰值；对每个监控频率对应S变换振幅峰值进行归一化处理后，作为t时刻喘振特征量的1至9号特征量，t时刻节流阀开度和转子转速经过归一化处理后分别作为t时刻喘振特征量10和11号特征量，11个特征量组成t时刻的喘振特征量I(t)；

3)构建一个深度神经网络DNN模型并进行训练，得到训练完毕的DNN模型作为喘振先兆在线识别模型；具体步骤如下：

3-1)建立一个深度神经网络DNN模型，所述模型由1层输入层、1层隐含层和1层输出层组成，各层之间采用全连接的方式依次进行连接；所述模型输入为任意时刻的喘振特征量，模型输出为该时刻压气机状态的预测值；

所述DNN模型参数设置如下：输入层包含11个神经元，隐含层包含20个神经元，输出层包含3个神经元，输入层激活函数为ReLU函数，输出层激活函数为Softmax函数，DNN模型损失函数为交叉熵函数，优化算法为Adam算法，最大训练次数为10000次；

初始化DNN模型的网络参数，并将该模型作为当前DNN模型；

3-2)将步骤2)得到的I(t)和对应时刻步骤1)得到的O(t)组成一个样本，把所有样本置于一个初始为空的数据缓冲池中，从数据缓冲池中随机抽取80％的样本组成DNN模型的训练数据集，剩余20％的样本组成DNN模型的测试数据集；

3-3)从训练数据集中随机选取100个样本，批量训练当前DNN模型，更新网络参数，计算模型损失函数；训练10次后更新当前DNN模型，调用测试数据集的所有样本，计算当前DNN模型识别准确率；

3-4)重复步骤3-3)直至DNN模型的训练次数达到最大训练次数，DNN模型训练结束，得到训练完毕的DNN模型作为喘振先兆在线识别模型；

4)航空发动机喘振先兆在线识别；具体步骤如下：

4-1)实时获取压气机运行数据，所述压气机运行数据包括压气机进出口压比运行数据、节流阀开度和转子转速；

4-2)重复步骤2)，对步骤4-1)获取的压气机运行数据计算对应喘振特征量I(t)；

4-3)将步骤4-2)得到的I(t)输入步骤3)训练完毕的DNN模型，模型输出压气机状态预测值O’(t)；

4-4)根据O’(t)对压气机运行状态进行判定：当O’(t)为[0,1,0]时，则判断压气机进入扰动传播状态，压气机出现喘振先兆。

2.如权利要求1所述的方法，其特征在于，该方法还包括以下步骤：

4-5)航空发动机运行仿真结束后，重复步骤1)，对步骤4-1)获取的压气机进出口压比运行数据进行离线分析，得到压气机对应时刻的状态值O(t)；将步骤4-2)得到的I(t)和O(t)组成一个新的样本加入数据缓冲池中，当数据缓冲池中的样本数量达到上限时，丢弃最先加入数据缓冲池的样本。