CN114154234B 一种航空发动机建模方法、系统、存储介质 （中国人民解放军海军航空大学青岛校区）

经网络结构构建航空发动机模型并对构建的航数据或飞行数据对对基于深度神经网络的航空发动机模型再训练及验证。实验结果和分析表2将发动机热力学过程与飞行数据深度融合，采用神经网络结构构建所述基于热力学过程与深度神经网络的航空发动机建模方S1：结合航空发动机实际飞行包线，利用蒙特卡S2：将S1中的输入量输入到现有的航空发动机S4：利用S2产生的输入输出量对S3搭建的基于深S5：若具备航空发动机试车数据或飞行数据，进一S42：利用S3构建的航空发动机神经网络模型输出的截面参数构建航空发动机各部件in-wex-wcl)3各截面流量及高低压转子功率均由航空发动机神经网络模型输出的各截面气动热力学参mS44：以一定的权重将S42定义的热力学损失与S43定义的相似性损失结合作为最终的S55：采用与S45相同的方式验证模型精度与效率42.根据权利要求1所述的基于热力学过程与深度神经网络的航空发动机建模方法，其S13：将S12产生的数据点转化为航空发动机热力学Pamb2i3.根据权利要求1所述的基于热力学过程与深度神经网络的航空发动机建模方法，其S21：选定航空发动机热力学模型；选定Gasturb航空发S22：将S1生成的输入量输入到S21选定的热力2ii表示第i条仿真输入对应的热力学模型各截面参数；4.一种实施权利要求1～3任意一项所述基于热力学过程与深度神经网络的航空发动基于热力学过程与深度神经网络的航空发动机建模发动机模型训练与验证模块，用于基于深度神经网络的航空发动机模型的训练与验发动机模型再训练及验证模块，用于利用试车数据5得所述处理器执行权利要求1～3任意一项所述基于热力学过程与深度神经网络的航空发6.一种航空发动机，其特征在于，所述航空发动机执行6[0004]最小二乘方法对部件特性曲线进行优化使得模型输出与发动机对应参数的误差[0006](1)建模精度严重依赖部件特性的准确性。虽然修正方法在一定程度上能够通过[0007](2)上述方法均采用迭代求解平衡方程的方法计算发动机工作点。迭代过程设计[0009](1)传统的航空发动机热力学建模方法难以获得准确的个体发动机部件特性图，[0010](2)对热力学模型的求解是通过不断迭代求取雅克比矩阵的方法实现的，迭代过[0012](1)通过提高航空发动机的建模精度可以有效建立航空发动机控制参数到截面监7[0013](2)在保证一定的建模精度和计算效率下，航空发动机模型可以作为实时机载模[0021]试车数据或飞行数据对基于深度神经网络的航空发动机模型的再训练及验证过机工作数据点转化为航空发动机热力学模型8[0044]本发明的另一目的在于提供一种实施所述基于热力学过程与深度神经网络的航[0047]发动机模型结构构建模块，用于基于深度神经网络的航空发动机模型结构的构9[0052](1)在飞行包线内，利用数值仿真方法建立了符合发动机热力学模型输入输出的[0053](2)构建了基于航空发动机热力学过程的深度神经网络模型。该模型充分考虑了[0054](3)基于仿真数据集的神经网络预训练方法。利用构建的仿真数据集对构建的神[0055](4)采用试车数据及飞行数据对神经网络模型的在训练。通过在训练过程可以使[0056](5)神经网络模型将热力学模型的迭代求解过程转化为神经网络的前馈计算过[0058](7)为解决目前基于部件特性图的航空发动机模型建模精度不足、效率较低的问[0062]图1是本发明实施例提供的基于热力学过程与深度神经网络的航空发动机建模方[0067]图6是本发明实施例提供的步骤S45的航空发动机神经网络模型对各截面参数的[0071]如图1所示，本发明实施例提供的基于热力学过程与深度神经网络的航空发动机[0077]本发明还提供一种实施所述基于热力学过程与深度神经网络的航空发动机建模[0080]发动机模型结构构建模块，用于基于深度神经网络的航空发动机模型结构的构仿真数据集Ω:[0096]根据本发明公开的至少一个实施方式，将仿真数据集Ω随机分为[0102]S41：确定航空发动机模型训练过程的训练步长，批次训练容量及权重初始化方的10训练代数为500代；每批次训练容量为1024个训练样本；权重初始化采用0均值，[0103]S42：利用S3构建的航空发动机神经网络模型输出的截面参数构建航空发动机各[0111]S44：以一定的权重将S42定义的热力学损失与S43定义的相似性损失结合作为最数，对S32构建的航空发动机神经网络模型进行训练。根据本发明公开的至少一个实施方[0113]在S24构建的仿真训练集上，利用Adam优化方法对航空发动机神经网络模型进行到的各截面参数误差如图6所示，可以看出航空发动机神经网络模型对各截面参数的逼近结果较好；神经网络模型与热力学模型的计算效率对比如表1所示，计算时间是在i5-该型航空发动机一年的实际飞行数据。通过5秒内高压转速变化幅度不超过1％选择了态点随机分成两部分，一部分是包含2000个稳态点的飞行数据训练集，另一部分是包含度采用平均绝对误差及最大绝对误差衡量，计算时间是在i5-11300H(3.10GHz3.11GHz)[0132]应当理解的是，本发明公开并不局限于上