[发明专利]一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法

权利要求书

1.一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法，其特征在于，具体包括以下步骤：

步骤1：采集变循环发动机运行过程数据；

步骤2：利用滑动分割和复制拼接的方法制作二维输入数据图集和对应的一维输出数据集；

步骤3：构建适量信息融合卷积神经网络，所述适量信息融合卷积神经网络，是指根据变循环发动机参数间耦合关系构建的能进行适量信息融合的神经网络，包括适量信息融合模块、深度特征提取模块及全连接输出模块；

所述适量信息融合模块包括m个输入通道，每个通道由卷积层、批归一化层和LeakyRelu激活层依次组成，每个通道卷积层所采用的卷积核大小互不相同，保证卷积核提取的数据信息的丰富性，所述适量的含义是指两两通道间进行信息融合，具体为每两个相邻通道间的输出由元素叠加层按每个元素进行叠加融合，其中，m是大于2的偶数；

所述深度特征提取模块包括m/2个并联通道，每个通道首先由两个并联子通道组成，一个子通道由3×3×32的卷积层、批归一化层、LeakyRelu激活层组成，另一个子通道采用恒等映射，实现输入输出直连，两个子通道的输出由深度叠加层按数据特征图深度方向进行叠加，然后每个通道再通过1×1×32的卷积层、批归一化层、LeakyRelu激活层进一步进行深度特征提取；

所述全连接输出模块采用元素叠加层对所述深度特征提取模块的m/2个通道输出进行叠加，再采用三个全连接层进行深度特征的融合，实现适量信息融合卷积神经网络的输出；

步骤4：利用二维输入数据图集和对应的一维输出数据集对所构建的网络进行训练，建立二维输入数据图与待估计参数之间的非线性映射关系；

步骤5：基于训练完成的适量信息融合卷积神经网络，实现待估计参数的实时准确计算。

2.根据权利要求1所述的一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法，其特征在于，所述步骤1采集变循环发动机运行过程数据，包括21个可测参数和1个待估计参数，具体为：飞行高度H、飞行马赫数Ma、燃油流量Wf、尾喷口面积A8、模式选择活门开度MSV、前可调面积涵道引射器开度FVBE、后可调面积涵道引射器开度BVBE、风扇进口总温T1、风扇进口总压P1、核心机驱动风扇CDFS进口总温T2、核心机驱动风扇CDFS进口总压P2、高压压气机进口总温T21、高压压气机进口总压P21、外涵出口总温T22、外涵出口总压P22、高压涡轮出口总温T5、高压涡轮出口总压P5、混合室出口总温T7、混合室出口总压P7、尾喷管出口总温T8、尾喷管出口总压P8和待估计参数K，其中，采集数据的次数为N，采集周期为T秒，N是大于41的整数，T是大于0的实数。

3.根据权利要求2所述的一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法，其特征在于，所述步骤2的具体步骤如下：

步骤2.1：利用变循环发动机的可测参数数据制作原始二维输入数据图，维度大小为21×N，利用变循环发动机待估计参数数据制作原始输出数组，维度大小为1×N，其中第一个维度为变量维度，第二个维度为时间维度；

步骤2.2：设置滑动窗口对原始二维输入数据图和原始输出数组进行滑动分割，滑动窗口维度分别为21×42和1×42，滑动窗口沿时间维度每次移动步长为1，选取位于维度大小为21×42的滑动窗口范围内的数据作为二维输入数据图，选取位于维度大小为1×42的滑动窗口范围内的最后一个数据作为二维输入数据图对应的输出数据，共将原始二维输入数据图分割成N-41张维度大小均为21×42的二维输入数据图，用于构成二维输入数据图集，将原始输出数组分割成N-41个维度大小均为1×1的一维输出数据，用于构成一维输出数据集；

步骤2.3：对步骤2.2得到的二维输入数据图集中每张二维输入数据图沿变量维度整体复制后进行首尾拼接，得到维度大小为42×42的二维输入数据图，构成新的二维输入数据图集，与步骤2.2得到的一维输出数据集相对应。

4.根据权利要求2所述的一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法，其特征在于，所述步骤5的具体步骤如下：

步骤3.1：采集变循环发动机21个可测参数在当前时刻t及t-T，...，t-T*41时刻的数据；

步骤3.2：利用复制拼接的方法制作维度大小为42×42的二维输入数据图；

步骤3.3：将二维输入数据图输入到训练完成的适量信息融合卷积神经网络，实现对待估计参数的实时准确估计。