一种压气机稳定性预测方法、装置和存储介质与流程

1.本文涉及叶轮机械气动稳定性技术，尤指一种压气机稳定性预测方法、装置和存储介质。


背景技术：

2.压气机是航空发动机的核心部件，压气机发生失稳时，会造成发动机停车、结构损坏等严重后果。所以，实现对压气机气动稳定性的准确预测对压气机的设计和使用具有重要作用。当压气机每个工作下靠近稳定边界点时，压气机内部流动更加复杂；另外，压气机外的上下游其余部件等多种因素影响压气机的稳定性，这样，加大了对稳定性预测的难度。一些技术中，物理模型很难将所有影响因素考虑在内，而这些因素的影响可以体现在试验或仿真数据中。
3.传统研究中通常直接靠计算流体力学(computational fluid dynamics,cfd)仿真的收敛/发散判断是否失稳，但该方法对压气机气动稳定边界点的计算误差较大。针对这一问题，可以结合压气机内部流场结构变化进行辅助判断。当压气机靠近或者越过失稳边界时，流场会由稳定逐渐变得不稳定，具体表现为回流区、间隙泄漏涡等一些流场结构的位置、大小、分布发生变化，而这些变化与压气机自身特性、进出口条件等存在关联，目前，如何通过分析流场结构量化其稳定性尚不明晰。随着深度学习的快速发展，卷积神经网络(convolutional neural network,cnn)具有强大的图像处理和模式识别能力，存在着识别压气机内部关键流场结构特征的潜力。因此，将cnn与cfd结合，建立流场结构与压气机气动稳定性之间的关系；通过将卷积神经网络和计算流体力学有机结合，准确预测压气机稳定性是亟需解决的问题。


技术实现要素：

4.本技术提供了一种压气机稳定性预测方法、装置和存储介质，该方法采用将卷积神经网络与cfd相结合的压气机稳定性预测，建立流场结构与压气机气动稳定性之间的关系，提高压气机稳定性预测精度。
5.本技术提供了一种压气机稳定性预测方法，所述方法包括：
6.获取不同工况下的三维流场信息；
7.对所获取的三维流场信息提取不同工况下预设的流场特征信息；
8.获取预先训练好的神经网络模型，将不同工况下的所述流场特征信息分别输入该神经网络模型，获取该神经网络模型输出的表示每个工况稳定性的第一参数，该第一参数用于表示每个工况与实际稳定边界点的距离；
9.根据所提取的不同工况下所述流场特征信息和所述神经网络模型输出的第一参数，分别计算该压气机的不同工况下的稳定边界点。
10.一种示例性的实施例中，所述对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，包括：
11.采用预先设置的仿真算法对三维流场信息进行求解后，提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵；
12.其中，所提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵作为预设的流场特征信息；
13.所述物理量的图片包括云图、矢量图、等线图；
14.所述位置包括：子午面、s1流面、s2流面。
15.一种示例性的实施例中，所述预先训练好的神经网络模型通过以下步骤训练得到：
16.建立神经网络模型的训练样本数据集；
17.将训练样本数据集中的多个样本数据输入神经网络模型，以训练所述神经网络模型；
18.当该神经网络模型的输出达到预设的残差时，确定该神经网络模型的各个参数作为训练好的神经网络模型的参数。
19.一种示例性的实施例中，所述建立神经网络模型的训练样本数据集，包括：
20.获取多台压气机每个工况下的三维流场信息数据和每个工况下所对应的试验数据；
21.对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，将所获取的流场特征信息作为样本数据；
22.分别利用每个工况下所对应的试验数据对每个样本数据进行标记。
23.一种示例性的实施例中，所述分别利用每个工况下所对应的试验数据对每个样本数据进行标记，包括：
24.对于每个工况下的样本数据分别进行如下操作：
25.采用预先设置的标记公式计算该工况下样本数据与试验数据中稳定边界点的距离，采用计算出的距离标记该样本数据。
26.一种示例性的实施例中，该预先设置的标记公式如下：
[0027][0028]
上述标记公式中，m
p
表示样本数据中工况点流量值，m
surge,exp
为试验数据中的稳定边界点的流量值，σ表示样本数据中工况点与该样本数据对应的试验数据的稳定边界点的距离。
[0029]
一种示例性的实施例中，所述三维流场信息包括：流量和压力、温度、密度、速度；
[0030]
所述试验数据包括：流量和压力、温度、密度、速度。
[0031]
一种示例性的实施例中，所述神经网络模型为卷积神经网络模型。
[0032]
本技术还提供了一种压气机稳定性预测装置，所述装置包括：存储器和处理器；所述存储器用于保存进行压气机稳定性预测的程序，所述处理器用于读取执行所述用于进行压气机稳定性预测的程序，执行上述实施例中任一项所述的方法。
[0033]
本技术还提供了一种存储介质，所述存储介质中存储有用于进行压气机稳定性预测的程序，所述程序被设置为在运行时执行上述实施例中任一项所述的压气机稳定性预测的方法。
[0034]
与相关技术相比，本技术提供一种压气机稳定性预测方法、装置和存储介质，所述方法包括：获取不同工况下的三维流场信息；对所获取的三维流场信息进行提取不同工况下预设的流场特征信息；获取预先训练好的神经网络模型，将不同工况下的所述流场特征信息分别输入该神经网络模型，获取该神经网络模型输出的表示每个工况稳定性的第一参数，该第一参数用于表示每个工况与实际稳定边界点的距离；根据所提取的不同工况下流场特征信息和神经网络模型输出的第一参数，分别计算该压气机的不同工况下的稳定边界点。通过本发明的技术方案，将卷积神经网络与cfd相结合的压气机稳定性预测，建立流场结构与压气机气动稳定性之间的关系，提高压气机稳定性预测精度。
[0035]
本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
[0036]
附图用来提供对本技术技术方案的理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
[0037]
图1为本技术实施例的压气机稳定性预测方法流程图；
[0038]
图2为一些示例性实施例中样本数据标记示意图；
[0039]
图3为本技术实施例的压气机稳定性预测装置示意图；
[0040]
图4为一些示例性实施例中压气机稳定性预测的流程图。
具体实施方式
[0041]
本技术描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本技术所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0042]
本技术包括并设想了与本领域普通技术人员已知的特征和元件的组合。本技术已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本技术中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
[0043]
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术
人员可以容易地理解，这些顺序可以变化，并且仍然保持在本技术实施例的精神和范围内。
[0044]
一些技术中，存在以下问题：
[0045]
现有技术中，传统压气机气动稳定性的预测方法主要基于物理模型建立，按照物理模型的复杂程度，可将压气机气动稳定性的预测方法划分为一维预测方法、二维预测方法和三维预测方法。每种方法的思路大致相同，即首先基于流体控制方程对压气机流场进行建模，根据不同的需求对模型进行简化，形成不同维度的压气机气动稳定性模型，这些模型可以描述压气机流动过程及相关的流场特性，在此基础上，结合一定判据，实现对压气机稳定边界的预测，进而判断出每个工况点的稳定性。
[0046]
下面说明一下常用的三维预测方法：三维流体流动的控制方程为n
‑
s(naiver
‑
stokes)方程，结合湍流模型，可实现方程组的封闭，进而可通过cfd算法求解得到每个工况下的流场信息。随着求解工况点不断向失稳点推进，对于基于rans(reynolds
‑
averaged navier
‑
stokes)的三维cfd计算，会出现数值发散；对于基于urans(unsteady reynolds
‑
averaged navier
‑
stokes)的数值计算，会出现压力或流量波动(即喘振现象)；再找到首先发生发散的点或表现出压力波动的点，可将该失稳点的前一个稳定点作为稳定边界，根据上述判据可确定压气机的稳定边界，然后根据获得的稳定边界可以确定其他工况点的稳定性。
[0047]
对于三维定常cfd求解方法，通常以数值发散的前一个工况作为失稳边界点，数值发散表示当前网格或时间步长已经无法求解该流场，一定程度上表明靠近失稳边界时的流场更加混乱，但无法证明发散点即为失稳点，该判据是根据工程经验给出一个判据，基于对大量计算结果和试验数据的统计，使用该方法对于稳定边界的预测误差较大，可达
±
30％；除此之外，对于三维非定常求解，以出现压力或流量波动为判据，也可实现对喘振边界的预测，虽然这种方法具有更高的精度，但由于非定常计算会消耗大量计算资源和计算时间，通常可达数周，难以应用到工程。
[0048]
一方面，尽管基于rans的三维cfd计算方法具有更快的速度，可获得详细的三维流场信息，但由于算法的鲁棒性、网格的质量以及流场的复杂性等原因，现有技术中只能以数值发散作为气动稳定边界的判据，存在较大的误差。另一方面，尽管基于urans的计算方法精度相对更高，但其需要更长的计算资源和时间消耗，通常消耗数周的计算时间，难以投入工程应用。
[0049]
本公开实施例提供了一种压气机稳定性预测方法，如图1所示，方法包括步骤s100
‑
s130，具体如下：
[0050]
s100.获取不同工况下的三维流场信息；
[0051]
s110.对所获取的三维流场信息进行提取不同工况下预设的流场特征信息；
[0052]
s120.获取预先训练好的神经网络模型，将不同工况下的所述流场特征信息分别输入该神经网络模型，获取该神经网络模型输出的表示每个工况稳定性的第一参数，该第一参数用于表示每个工况与实际稳定边界点的距离；
[0053]
s130.根据所提取的不同工况下所述流场特征信息和所述神经网络模型输出的第一参数，分别计算该压气机的不同工况下的稳定边界点。
[0054]
在本实施例中，该三维流场信息中包括表示三维流场信息的物理量有：流量、压力、温度、密度、熵等。获取不同工况下的三维流场信息是指把这些物理量提取出来，过程包
括：首先，对压气机进行前处理，该前处理包括几何绘制、网格制作；然后，基于三维cfd对压气机内部流动进行求解，获得压气机不同工况下的流场结构；求解代码可通过商业软件(ansys cfx、numeca等)或自编cfd代码实现，该步骤目的是为了获取不同工况下的三维流场信。
[0055]
一种示例性的实施例中，所述对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，包括：采用预先设置的仿真算法对三维流场信息进行求解后，提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵；其中，所提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵作为预设的流场特征信息；物理量的图片包括云图、矢量图、等线图；所述位置包括：子午面、s1流面、s2流面。其中，预先设置的仿真算法可以为cfd算法。在本实施例中，物理量的图片包括但不限于云图、矢量图、等线图等图片或多维度矩阵，数据所取的位置可以为子午面、s1流面、s2流面等；图片(或矩阵)的尺寸可以为a
×
b
×
c，其中，a、b、c分别为图片(或矩阵)长度、宽度、深度的元素数量，在本实施例中，对于三者的大小不做具体限定。
[0056]
一种示例性的实施例中，所述预先训练好的神经网络模型通过以下步骤训练得到：建立神经网络模型的训练样本数据集；将训练样本数据集中的多个样本数据输入神经网络模型，以训练所述神经网络模型；当该神经网络模型的输出达到预设的残差时，确定该神经网络模型的各个参数作为训练好的神经网络模型的参数。其中，神经网络模型的编程语言可以使用python、matlab等，建立方法可以自行搭建模型或使用keras、tensorflow、pytorch等代码库。
[0057]
一种示例性的实施例中，建立神经网络模型的训练样本数据集，包括：
[0058]
获取多台压气机每个工况下的三维流场信息数据和每个工况下所对应的试验数据；对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，将所获取的流场特征信息作为样本数据；分别利用每个工况下所对应的试验数据对每个样本数据进行标记。
[0059]
一种示例性的实施例中，分别利用每个工况下所对应的试验数据对每个样本数据进行标记，包括：对于每个工况下的样本数据分别进行如下操作：采用预先设置的标记公式计算该工况下样本数据与试验数据中稳定边界点的距离，采用计算出的距离标记该样本数据。结合图2说明标记的过程。如图2所示，该图中的两条曲线可以分别表征压气机特性的特性曲线，横坐标为流量，纵坐标为压比，其中下面这条曲线表示使用cfd算出来的工况点，a1为其稳定边界点；上面的这条曲线表示试验获得的不同工况下的点，b为稳定边界点。在构建训练数据集时，训练样本数据集是通过cfd获得的流场特征信息，采用预先设置的标记公式计算该工况下样本数据与试验数据中稳定边界点的距离，采用计算出的距离标记该样本数据，该标记过程是指对训练样本数据集每个样本(即仿真获得的每个工况点)，计算其参数σ，σ的计算方式公式(1)如下所示：
[0060]
该参数σ表征了仿真得到的该工况点距离实际边界(即试验边界b点)的距离。公式(1)表示的是对流量的标定。得到训练样本数据集中每个样本的参数σ后，就完成了标记过程，后续就可以使用该训练样本数据集训练神经网络。
[0061]
一种示例性的实施例中，该预先设置的标记公式如下：
[0062][0063]
上述标记公式中，m
p
表示样本数据中工况点流量值，m
surge,exp
为试验数据中的稳定边界点的流量值，σ表示样本数据中工况点与该样本数据对应的试验数据的稳定边界点的距离。
[0064]
一种示例性的实施例中，三维流场信息包括但不限于：流量和压力、温度、密度、速度；该三维流场信息可以为通过数值计算结果理论上可以获取所有物理量。试验数据为通过试验能获取的物理参数，可以包括：流量和压力、温度、密度、速度。
[0065]
一种示例性的实施例中，神经网络模型为卷积神经网络模型。
[0066]
本技术基于神经网络模型预测压气机的稳定性，基于三维仿真计算方法获取三维流场信息，通过试验数据进行标定样本数据；然后构建神经网络模型(如卷积神经网络)，并使用上述数据集对建立的模型进行训练，从而使模型能够表征三维流场信息与稳定性的非线性关联；当对一台新压气机(待预测稳定性的压气机)进行预测时，对该新压气机首先进行cfd计算，获得三维流场信息，将其输入神经网络模型，然后使用模型对计算结果进行修正，获得该点修正后的稳定性，进一步可获取修正后的稳定边界，从而实现对压气机稳定边界的快速、准确预测。
[0067]
下面用一个示例说明上述实施例。
[0068]
第一部分训练神经网络模型，使其具备反映cfd仿真结果(仿真算法)与试验结果(实际稳定边界点)的关系，在本部分，实现过程可分为以下步骤：
[0069]
s211.准备训练数据集：
[0070]
首先，针对多台有试验数据的压气机开展cfd计算，提取三维流场信息，对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，将所获取的流场特征信息作为样本数据。
[0071]
然后，分别利用每个工况下所对应的试验数据对每个样本数据进行标记，根据试验数据对该进行标记，形成训练数据集。
[0072]
s212.搭建神经网络，并使用训练数据集进行训练并优化，获得最优的神经网络模型。
[0073]
第二部分使用神经网络模型，预测压气机的稳定边界点，在本部分，该实现过程可分为以下步骤：
[0074]
s221.对待预测的压气机(此时这台压气机还没有试验数据)进行三维cfd计算，并提取三维流场信息。
[0075]
s222.基于获得的仿真结果即三维流场信息，使用第一部分中建立的神经网络模型进行预测该压气机的稳定边界点，其中，所预测得到的该压气机的稳定边界点是接近试验数据的预测结果。
[0076]
本公开实施例还提供了一种压气机稳定性预测装置，如图3所示，所述装置包括：存储器310和处理器320；存储器310用于保存进行压气机稳定性预测的程序，处理器320用于读取执行所述用于进行压气机稳定性预测的程序，执行上述实施例中任一项所述的方
法。
[0077]
本公开实施例还提供了一种存储介质，所述存储介质中存储有用于进行压气机稳定性预测的程序，所述程序被设置为在运行时执行上述实施例中任一项所述的压气机稳定性预测的方法。
[0078]
如图4所示，下面用一个示例说明压气机稳定性预测的过程。
[0079]
步骤s401.计算待预测压气机的三维流场信息。
[0080]
在本步骤中，首先，对压气机进行几何绘制、网格制作等处理；然后，可以利用预先设置的算法对压气机内部流动进行求解，获得压气机不同工况下的三维流场信息；该预先设置的算法包括rans(reynolds
‑
averaged navier
‑
stokes equations，雷诺平均方程)、urans(unsteady rans，非定常雷诺时均法)、des(detached
‑
eddy simulation，大涡模拟)等算法可获取三维流场信息的计算方法，求解代码可通过ansys cfx、numeca等实现，也可以通过自编cfd代码实现，以获取不同工况下的三维流场信息。
[0081]
步骤s402.对所获取的三维流场信息进行提取不同工况下预设的流场特征信息。
[0082]
在本步骤中，对所获取的三维流场信息进行提取不同工况下预设的流场特征信息包括：采用预先设置的仿真算法对三维流场信息进行求解后，提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵；其中，所提取该压气机的一个或多个位置处每个物理量的图片或多维度矩阵作为预设的流场特征信息；所述物理量的图片可以包括云图、矢量图、等线图，对此物理量的图片并不进行具体的限定；所述位置包括：子午面、s1流面、s2流面。该图片(或矩阵)的尺寸为a
×
b
×
c，该尺寸中，a、b、c分别表示图片(或矩阵)长度、宽度、深度的元素数量。
[0083]
步骤s403.建立神经网络模型。
[0084]
在本步骤中，建立神经网络模型是指基于编程语言(如python、matlab等)和相关函数库(如tensorflow、keras等)，搭建cnn卷积网络模型，该模型输入该神经网络模型的输入为流场特征信息，输出为表示每个工况稳定性的参数，该参数用于表示每个工况与实际稳定边界点的距离；该稳定性用参数σ表征，该参数反映了该工况点距离稳定边界的距离，σ越大，表示该工况距离稳定边界越远，即越稳定。如图2所示，按照公式计算a1、a2、a3的σ值，很明显a3离试验的边界b点最远，得到的σ也最大。
[0085]
步骤s404.训练神经网络模型。
[0086]
在本步骤中，训练神经网络模型的过程包括：
[0087]
步骤s4041.建立神经网络模型的训练样本数据集；
[0088]
在本步骤中，建立神经网络模型的训练样本数据集，包括：
[0089]
获取多台压气机每个工况下的三维流场信息数据和每个工况下所对应的试验数据；
[0090]
对所获取的三维流场信息进行提取不同工况下预设的流场特征信息，将所获取的流场特征信息作为样本数据；
[0091]
分别利用每个工况下所对应的试验数据对每个样本数据进行标记。
[0092]
其中，所述分别利用每个工况下所对应的试验数据对每个样本数据进行标记，包括：对于每个工况下的样本数据分别进行如下操作：采用预先设置的标记公式计算该工况下样本数据与试验数据中稳定边界点的距离，采用计算出的距离标记该样本数据。该预先
设置的标记公式如下：
[0093][0094]
上述标记公式中，m
p
表示样本数据中工况点流量值，m
surge,exp
为试验数据中的稳定边界点的流量值，σ表示样本数据中工况点与该样本数据对应的试验数据的稳定边界点的距离。
[0095]
步骤s4042.将训练样本数据集中的多个样本数据输入神经网络模型，以训练所述神经网络模型；
[0096]
步骤s4043.当该神经网络模型的输出达到预设的残差时，确定该神经网络模型的各个参数作为训练好的神经网络模型的参数。
[0097]
步骤s405.采用训练好的神经网络模型预测压气机的稳定性。
[0098]
以上为该方法的建立及使用过程，该方法基于三维cfd，将神经网络引入，实现了通过对大量样本数据进行标记，压气机稳定性与流场结构关联关系的建立，在传统cfd的基础上进一步提高了对压气机稳定边界及不同工况下稳定性的预测精度。
[0099]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd
‑
rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。