[发明专利]一种基于神经网络的航空发动机压缩部件特性修正方法

摘要

本发明公开了一种基于神经网络的航空发动机压缩部件特性修正方法，包括步骤：步骤1)建立神经网络输出及部件级模型输出参数的数学模型，利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差，将模型偏差传递到各个压缩部件神经网络输出数据；步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练，通过网络权值更新，对部件特性进行修正。本发明解决了以往部件特性不准确导致发动机模型精度不高的问题，保证了模型的稳定性和泛化能力，并且能利用较小的计算量提升部件特性的准确性，有效解决了压缩部件特性修正不准确或者难以修正的问题，适用于任何型号燃气涡轮发动机模型。

主权项

1.一种基于神经网络的航空发动机压缩部件特性修正方法，其特征在于：包括步骤：步骤1)建立神经网络输出及部件级模型输出参数的数学模型，利用设计点仿真数据与试验测量数据，采用小扰动法计算偏差，将模型偏差传递到各个压缩部件神经网络输出数据；步骤1.1)利用部件级模型迭代算法及小扰动法，得到部件级模型各个输出参数偏差和神经网络输出参数偏差之间的偏导系数矩阵；具体步骤如下：步骤1.1.1)，利用牛顿迭代法求解航空发动机共同工作方程，迭代计算得到神经网络输出数据x₀及部件级模型输出数据y₀；步骤1.1.2)，对所述神经网络输出数据x₀进行小扰动，并且对发动机部件级模型输出数据y₀进行迭代计算，得到新的神经网络输出数据x_k及部件模型输出数据y_k；步骤1.1.3)，根据步骤1.1.2)所得到的数据组解方程组，得到部件级模型输出数据y_k到神经网络输出数据x_k的偏导系数矩阵：y＝Jx式中，向量y为部件级模型输出数据，向量x为神经网络输出数据,矩阵J为偏导系数矩阵，n为部件级模型输出数据的个数；步骤1.2)计算不同压缩部件对部件级模型输出数据偏差的影响因子k：Δy＝y‑y′k＝f₁(N,Δy)式中，向量y′为根据发动机台架试验所得到的传感器测量真实数据，向量Δy为部件级模型仿真输出数据与试验数据的偏差，代号N代表所对应的压缩部件，f₁(N,Δy)为计算不同压缩部件对部件模型输出参数偏差的影响因子的函数；步骤1.3)计算出发动机模型计算结果及发动机台架试验数据的偏差，依照步骤1.2)计算出的影响因子分配给各个压缩部件所要修正的偏差，然后分别代入到步骤1.1)中求得的偏导系数矩阵，计算出神经网络输出数据偏差：Δy_N＝kΔyΔx_N＝J^‑1Δy_N式中，向量Δy_N为分配给对应压缩部件所要修正的偏差，向量Δx_N为对应部件计算所得的神经网络输出数据偏差；步骤2)根据步骤1)得到的各个压缩部件的神经网络输出偏差对相应的神经网络进行训练，通过网络权值更新，对部件特性进行修正。