[发明专利]基于深度神经网络的航空发动机稳态模型建模方法

说明书

本发明公开了一种基于深度神经网络的航空发动机稳态模型建模方法，利用深度神经网络构建航空发动机稳态模型，所述深度神经网络为逐层批归一化的深度神经网络，其在相邻隐含层之间均增加一个批归一化层，用于对前一隐含层的输出进行标准化处理。本发明利用深度神经网络进行航空发动机稳态模型的建模，并通过在深度神经网络中引入批归一化层来增加神经网络层数，提高网络的拟合能力，进而提高航空发动机稳态模型的精度。

技术领域

本发明涉及航空发动机控制技术领域，尤其涉及一种航空发动机稳态模型建模方法。

背景技术

航空发动机是多变量、强非线性和复杂的气动热力学系统，其安全稳定运行对发动机控制系统提出了很高的要求，为了对其进行良好的控制，首先必须建立一个数学模型。利用数学模型代替真实发动机作为被控对象进行仿真研究，如此可节约大量昂贵的实验经费，还可以避免用真实发动机对控制系统进行调试时可能产生的意外失控事故。此外，先进的航空发动机控制技术，如模型基控制、飞行/推进系统性能寻优控制、直接推力控制、寿命延长控制、应急控制，性能恢复等，都是以高精度的机载发动机实时模型为基础。

航空发动机建模方法有很多，目前比较流行的有部件级模型，分段线性化模型、支持向量机以及传统神经网络，部件级模型其最大的优点是模型精度高，一般作为仿真对象，然而其实时性差，难以作为机载模型；分段线性化模型实时性高，但由于发动机是一个强非线性对象，因而线性化带来的建模误差比较大；支持向量机和传统神经网络的实时性和建模精度在于部件级模型和线性化模型之间，传统神经网络易于陷入局部最优值，使模型过拟合，支持向量机泛化能力强，但其难以应用于大样本训练数据，而发动机是多变量、运行环境复杂、会发生退化且强非线性对象，因而要建立能应用于大包线的机载模型，训练数据必然增加，这些都限制了支持向量机在航空发动机建模的应用。

神经网络由于其在理论上可以拟合任意函数而得到广泛关注。传统神经网络一般采用三层，随着网络层数的增加，其网络拟合能力越来越强，但网络层数增加之后，会出现梯度消失和梯度爆炸现象。随着最近十几年神经网络技术的发展，特别是在Hinton G E提出深度学习-深度置信神经网络之后，神经网络在很多关键技术取得突破，并在工程上得到巨大的应用，比如语音识别、图形识别、目标检测以及文字识别等方面。然而目前深度学习-深度神经网络方面在航空发动机稳态建模方面鲜有应用。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种基于深度神经网络的航空发动机稳态模型建模方法，可有效提高航空发动机稳态模型的精度。

本发明具体采用以下技术方案解决上述技术问题：

一种基于深度神经网络的航空发动机稳态模型建模方法，利用深度神经网络构建航空发动机稳态模型，所述深度神经网络为逐层批归一化的深度神经网络，其在相邻隐含层之间均增加一个批归一化层，用于对前一隐含层的输出进行标准化处理。

优选地，所述标准化处理具体如下：

其中，为标准化处理之后的输出，ε为数值很小的正整数，为进入批归一化层之前的神经网络输出，μ_B和分别为样本数据集的均值和方差，γ和β为两个学习参数。

进一步优选地，所述建模方法包括以下步骤：

步骤1、获取航空发动机稳态模型的训练数据；

步骤2、确定逐层批归一化的深度神经网络的结构；

步骤3、对逐层批归一化的深度神经网络进行前向计算，得到损失函数值；

步骤4、使用反向传播算法计算逐层批归一化的深度神经网络梯度，并更新权值；

步骤5、判断逐层批归一化的深度神经网络是否收敛，是则输出稳态模型，否则继续迭代，返回步骤3。