[发明专利]一种基于深度学习的轴流压气机失速喘振预测方法

说明书

一种基于深度学习的轴流压气机失速喘振预测方法，属于航空发动机建模与仿真技术领域。首先，对航空发动机喘振数据进行预处理，在实验数据中划分出测试数据集和训练数据集。其次，依次构建LR分支网络模块、构建WaveNet分支网络模块、构建LR‑WaveNet预测模型。最后，在测试数据上进行实时预测：首先对测试集数据采用相同方式进行预处理，并按LR‑WaveNet预测模型的输入要求调整数据维度；按时间顺序，采用LR‑WaveNet预测模型给出每个样本的喘振预测概率；采用LR‑WaveNet预测模型给出带噪声点数据随时间的喘振概率，测试模型的抗干扰性。本发明综合了时域统计特征和变化趋势，提高了预测精度，并且具有一定的抗干扰性；有利于提高发动机主动控制的性能，具有一定的普适性。

技术领域

本发明涉及一种基于深度学习的轴流压气机失速喘振预测方法，属于航空发动机建模与仿真技术领域。

背景技术

高性能航空发动机气动稳定性问题主要来自于压气机，压气机工作负荷能力和稳定性对整个发动机的工作效率和安全性至关重要，对其失稳的预测也一直是国际航空发动机领域的研究热点和难点。高压比多级轴流压气机由于压比高、加速快，导致不稳定流动先兆发生机理更为复杂且变化极为迅速。此外，随着高性能发动机推重比的提高，核心机级数的减少，单级压比的提高，导致压气机负荷越来越高，使得发动机流动不稳定问题变得非常突出。因此，为了适应高性能航空发动机技术发展趋势，迫切需要突破多级高压比轴流压气机流动失稳建模与预测技术的难点，即系统出现失速喘振的早期微小异常征兆，尚未对系统造成破坏，就可对该征兆进行识别。

目前失速喘振的检测和判别主要是采用试验方法，该方法可以考虑到实际压气机工作状态下各种因素的影响。通过采集压气机在失稳过程的脉动压力信号，利用时域分析、频域分析和时频分析算法分析信号的状态特征。时域分析方法有算法简单，计算量小，计算速度快等优点，在工程实际中比较方便应用。但时域分析方法主要是根据信号的幅值和能量做判断，其准确性受到影响；另外，受噪声等外界环境影响比较大。频率分析方法都是以信号的平稳性为前提的，仅能从频域分析信号的统计特性，不能兼顾时域，另外在信噪比较低的情况下可靠性受影响。

发明内容

针对现有技术中准确性低，可靠性差的问题，本发明提供一种基于深度学习的轴流压气机失速喘振预测方法。

本发明的技术方案：

一种基于深度学习的轴流压气机失速喘振预测方法，包括以下步骤：

S1.对航空发动机喘振数据进行预处理，包括以下步骤：

S1.1为保证测试结果的客观性，在对实验数据进行处理前，在实验数据中划分出测试数据集和训练数据集；

S1.2采用低通滤波器，对训练数据集中所有测量点测量的压力变化数据滤波处理；

S1.3对滤波后数据进行降采样；因为喘振频率在3～166Hz之间，为了满足奈奎斯特采样定理要求，进行10倍降采样。

S1.4按时间步大小切分时域数据，并为切分后的每个样本贴标签；所述的时间步设为256，设置长度为256的时间窗口在时域数据上滑动，落在时间窗口内的数据切分出来作为一个样本。根据喘振与否给每个样本赋予标签1或0。

S1.5将训练数据集按4:1的比例划分为训练集和验证集；

S2.构建LR分支网络模块，包括以下步骤：

S2.1提取每个样本的时域统计特征，包括方差、峰度、偏度、平均值、最小值、最大值共6个，将其作为LR分支网络模块的输入；

S2.2搭建带有relu激活函数的单层神经网络，输入层神经元个数为6，输出层神经元个数为1，得到LR分支网络模块的输出，其维度为(m,1)，其中m为样本数；

S3.构建WaveNet分支网络模块，包括以下步骤：