[发明专利]用于稳态性能接近的神经网络

说明书

提供了包括和/或利用神经网络以接近涡轮发动机的稳态性能的系统和方法。在一个示例性方面，训练神经网络以对基于物理的稳态循环平台建模。当适当训练时，可以将新的输入数据输入到神经网络，并且作为网络的输出，可以接收指示涡轮发动机的稳态性能的一个或多个性能指标。在另一方面，提供了用于至少部分地基于被构造为接近“现场”或参考涡轮发动机的稳态性能的参考神经网络来接近“虚拟”或目标涡轮发动机的稳态性能的系统和方法。

技术领域

本主题大体涉及涡轮发动机。更具体地，本主题涉及用于接近一个或多个涡轮发动机的稳态性能的系统和方法。

背景技术

飞行器涡轮发动机的稳态发动机性能通常由基于物理的稳态循环平台(physics-based steady-state cycle decks)，或者在稳态飞行条件下操作时的发动机性能的数值表示或表征建模。虽然基于物理的模型可以生成稳态发动机性能的准确表示，但由于需要处理的大量复杂的物理启发算法，它们通常是计算密集型的；因此，发动机性能结果相对缓慢地产生，并且通常需要具有更多处理能力的计算设备，导致较长的提前期并且需要更昂贵的计算装备。

另外，基于物理的模型通常对于超出范围的数据点不稳健，并且通常需要监督(即，人为干预)以平稳地运行。此外，很多时候基于物理的模型需要专用的应用或软件来执行模型，这些应用或软件通常不是语言/操作系统无关的。当发动机制造商向飞行器制造商提供或共享发动机性能数据时，这提出了挑战。因此，构造为对稳态发动机性能建模的基于物理的模型可能难以使用和部署。

在另一方面，为了在数字上表示新涡轮发动机设计或非现场涡轮发动机的发动机性能，很多时候基于物理的模型需要重新开发或基本上进行大修，以便精确地建模新涡轮发动机或非现场涡轮发动机的发动机性能。因此，可能需要大量的努力和时间来为新涡轮发动机或非现场涡轮发动机开发这些基于物理的模型。

因此，用于接近一个或多个涡轮发动机的稳态性能的改进的系统和方法将是有用的。另外，可以容易地与新发动机平台相关联的稳态性能模型将是有益的。

发明内容

本公开的示例性方面涉及用于接近一个或多个涡轮发动机的稳态性能的方法和系统。本发明的方面和优点将部分地在以下描述中阐述，或者可以从描述中显而易见，或者可以通过实践本发明来学习。

本公开的一个示例性方面涉及一种用于涡轮发动机的稳态性能接近的计算机实施的方法。该方法包括通过一个或多个计算设备接收数据集，该数据集包括指示在操作期间涡轮发动机的操作状况的一个或多个操作参数。该方法还包括通过一个或多个计算设备将数据集的至少一部分输入到神经网络中。该方法还包括通过一个或多个计算设备接收涡轮发动机的一个或多个性能指标作为神经网络的输出，其中神经网络被构造为接近涡轮发动机的稳态性能。

在各种实施例中，至少部分地基于稳态循环平台的训练数据集来训练神经网络。

在一些各种实施例中，稳态循环平台是基于物理的模型。

在其他实施例中，通过以下步骤至少部分地基于稳态循环平台的训练数据集来训练神经网络：通过一个或多个计算设备将训练数据集的至少一部分输入到神经网络中，训练数据集指示在操作期间涡轮发动机的稳态操作状况，训练数据集包括稳态循环平台的一个或多个循环平台输入和一个或多个循环平台输出，每个循环平台输出对应于循环平台输入中的一个或多个；通过一个或多个计算设备接收涡轮发动机的一个或多个性能指标作为神经网络的输出，并且通过一个或多个计算设备至少部分地基于误差Δ来训练神经网络，误差Δ描述了神经网络的输出和与输入到神经网络的循环平台输入中的一个或多个对应的循环平台输出之间的差异。

在又一些各种实施例中，一个或多个操作参数包括以下中的至少一个：风扇速度，高度，环境温度和马赫数。

在又一些各种实施例中，涡轮发动机安装到旋翼飞行器或与旋翼飞行器成一体，并且其中一个或多个操作参数包括以下中的至少一个：向前空速，请求扭矩和请求动力。