[发明专利]一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法

说明书

本发明提供一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法，属于航空发动机建模与仿真技术领域。首先，使用某型航空发动机喘振实验数据，对数据进行挑选以及预处理，将数据划分为训练集和测试集。其次，搭建Stacked LSTM模型并进行训练，利用最终训练好的模型，在测试集上进行实时预测，并给出模型损失及评价指标。最后，采用StackedLSTM预测模型对测试数据进行实时预测，按时间顺序给出喘振概率随时间变化趋势。本发明综合了时域统计特征和变化趋势，提高了预测精度；有利于提高发动机主动控制的性能，具有一定的普适性。

技术领域

本发明属于航空发动机建模与仿真技术领域，涉及一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法。

背景技术

航空发动机被誉为飞机的“心脏”，具有竞争优势的军用飞机和民用飞机都依赖于高性能的航空发动机，压气机是航空发动机的重要部件，它对于航空发动机的稳定性可靠性和安全性有着至关重要的作用，而旋转失速是压气机常见的故障，它是一种不稳定流动现象，是发动机内流的系统性失稳之一，会显著降低航空发动机性能，而且一般认为旋转失速是喘振先兆，由于对旋转失速的控制难度极大，且失稳状态会在瞬间对航空发动机造成严重伤害，因此对旋转失速进行快速准确的预测成为航空发动机领域要迫切解决的难题。随着现代航空发动机的发展，先进发动机追求高推重比，低耗油率，高压比等，导致压气机负荷越来越高，其稳定工作的条件也越来越严苛，导致航空发动机的稳定性问题更加突出。因此，对压气机旋转失速做出更加快速准确的预测成为目前研究重点，若果可以尽早发现喘振先兆就可以继而调整发动机的工作点就避免其进入喘振状态，这对发动机失稳问题的解决具有重要意义。

目前，传统的压气机稳定性检测和判别方法有两种：一种是通过建立模型，当压气机出现喘振先兆时进行相应控制，抑制压气机的扰动继续发生，防止进入喘振状态。第二种是对旋转失速先兆的预测，传统方法是通过喘振频率的分析或小波变换分析，频率分析方法仅能从频域分析信号的频率分布，缺乏对时域的检测，无法确定失速发生的时域信息，小波分析变换则能够在频域的基础上得到信号的时域分布。

发明内容

针对现有技术中准确性低，可靠性差的问题，本发明提供一种基于堆叠长短期记忆网络(StackedLSTM，StackedLong Short-Term Memory)的轴流压气机旋转失速预测方法。

本发明采用的技术方案如下：

一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法，包括以下步骤：

S1.对航空发动机喘振数据进行预处理，包括以下步骤：

S1.1获取某型号航空发动机喘振实验数据，剔除实验数据中由于传感器故障产生的无效数据；

S1.2对剩余有效数据依次进行采样滤波、归一化、平滑处理，使数据分布更加贴合高斯分布；

S1.3为保证测试结果的客观性，在对实验数据进一步处理前，将实验数据划分为测试数据集和训练数据集；

S1.4通过时间窗切分训练数据集，并将其按4：1的比例划分为训练集和验证集；

S2.构建堆叠长短期记忆网络模型，即Stacked LSTM模型，包括以下步骤：

S2.1将每个样本维度调整为(n_steps,1)，作为StackedLSTM模型的输入，其中n_steps代表时间步长大小；

S2.2Stacked LSTM模型是由多个LSTM模块构成，每个LSTM模块包含多个单元状态，上一个LSTM模块学习到输入样本的隐藏的时间模式，输出一个特征序列并传到下一个LSTM模块；

S2.3通过多个LSTM模块对输入样本的学习，将最后一个LSTM模块的输出特征输入到两个全连接层，再采用sigmoid激活函数计算，得到最终的喘振概率并输出。