[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

说明书

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。

技术领域

本发明涉及的一种基于神经网络的航空发动机压缩部件特性修正方法，属于航空发动机模型修正技术领域。

背景技术

在航空发动机总体性能及控制领域，研究者需要时刻了解当前发动机各典型部件准确的性能状态，即发动机部件特性，来进行发动机整机性能的计算或诊断。在发动机新机出厂时，发动机制造商会根据新机出厂前通过部件特性试验或理论计算得到的部件特性建立发动机基准性能计算模型。然而，由于一些原因，如长期服役导致叶片脏污或磨蚀，发动机部件性能将会随着使用时数的增加而发生自然退化，结果造成原有的部件特性偏离部件的真实性能。这时，如果再使用额定状态下未退化前的部件特性进行发动机性能计算，无疑会带来较大的建模误差，使得发动机模型计算结果与试验数据间出现较大的误差。综上所述，对航空发动机研究者来说，探索部件特性修正技术是一项十分重要的工作。

自20世纪80年代开始，人工智能领域的研究逐渐兴起。作为人工智能领域的一个代表性分支，人工神经网络相关理论与技术得到了快速的发展。人们基于生物学中神经网络相关的研究，在对人脑结构和外界刺激响应机制进行理解与抽象后，以网络拓扑知识为理论基础，提出了人工神经网络这一模拟人脑神经系统对复杂信息进行处理的数学模型。它是一个由许多节点相互连接形成的复杂网络，表现为高度的非线性，能够对任意非线性函数关系进行逼近。此外，还具有如下众多优点。

(1)非线性映射能力

人工神经网络能够实现对任意一个从输入到输出映射的逼近，从理论上讲，一个三层的神经网络就能够以任意精度对非线性连续函数进行逼近。这使得其十分适用于内部机制复杂的实际问题的求解，如过程控制、系统辨识、故障诊断等领域。

(2)强大的自学习与自适应能力

人工神经网络通过在线训练和强化学习，能够自动找出输入信号与输出信号之间的内在映射关系，并自适应地将学习内容记忆在神经网络的权值中，具有强大的自学习和自适应的能力。

(3)泛化能力

神经网络的泛化能力是指神经网络在学习完成以后其对测试样本或工作样本做出正确反应的能力，即一个具有良好泛化能力的神经网络能对训练集以外的其他数据做出正确的分类和识别。神经网络学习训练完成后，就具有一定的泛化能力，可以将学习成果应用于新的问题。

(4)容错能力

人工神经网络在一些神经元遭受破坏后，不会对全局的训练结果产生很大的影响，也就是说用神经网络模型实现的系统即便在遭受局部节点失效时仍然可以正常工作。

由于人工神经网络具有上述能力，能把信息的加工和存储结合在一起，所以在各学科领域得到了广泛的应用。

航空发动机部件特性具有强非线性的特点，而神经网络具有良好的非线性映射能力，在此基础上，本发明提出了一种基于人工神经网络的航空发动机压缩部件特性修正方法，实现对发动机压缩部件特性的学习和记忆，以及通过调整神经网络权值参数实现对部件特性的修正。

发明内容