[发明专利]一种基于深度学习的航空发动机模型自适应修正方法

摘要

本发明公开了一种基于深度学习的航空发动机模型自适应修正方法，属航空发动机建模与仿真领域。本发明采用一种基于循环神经网络的动态并行补偿器，对航空发动机性能未蜕化状态下全包线范围内原始非线性模型误差进行补偿；同时采用一种基于遗传算法的修正器，对原始非线性部件级模型中待修正健康参数修正因子进行自适应调整。其中，待修正健康参数由基于集成评价的多指标决策算法确定。修正后的非线性部件级模型输出与补偿器输出之和，与航空发动机运行试车输出数据一致，从而提高航空发动机全包线建模精度。本发明为航空发动机控制系统及故障诊断系统设计提供了有力支持，有助于提高航空发动机硬件在回路及半物理实验验证的可靠性。

主权项

1.一种基于深度学习算法的航空发动机全包线模型自适应修正方法，其特征在于，步骤如下：S1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；S2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；S3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；S4.构建基于遗传算法的修正器，并设置修正次数20≥Q>0；S5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；S6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数Q，进入S7；否则，返回S5；S7.保存修正后的待修正健康参数修正因子。