发动机冷却气流温度预测方法和装置、控制方法和设备与流程

1.本公开涉及航空发动机领域，特别涉及一种发动机冷却气流温度预测方法和装置、控制方法和设备。


背景技术：

2.燃气轮机在运转过程中需对各零部件进行相应的冷却，冷却气流的温度直接影响零部件的温度场，在一些恶劣工况下冷却气流温度过高将无法有效冷却零件导致部件超温从而影响寿命。而对一些关键位置的气流温度往往由于空间结构狭小、难以打孔，无法布置相应测点或在实际产品中无对应传感器从而无法获取其数值。


技术实现要素：

3.鉴于以上技术问题中的至少一项，本公开提供了一种发动机冷却气流温度预测方法和装置、控制方法和设备，可以基于试验中采集的相关输入参数通过机器学习建立算法预测二次流温度并输出温度数据用以判断超温的风险。
4.根据本公开的一个方面，提供一种发动机冷却气流温度预测方法，包括：
5.获取航空发动机的试车数据；
6.根据航空发动机的试车数据，训练发动机冷却气流温度预测模型；
7.将航空发动机的当前试车数据输入发动机冷却气流温度预测模型，预测航空发动机的冷却气流温度。
8.在本公开的一些实施例中，所述当前试车数据包括航空发动机零部件的相关的转速、压力和流量。
9.在本公开的一些实施例中，所述发动机冷却气流温度为航空发动机零部件的冷却气流温度。
10.在本公开的一些实施例中，所述获取航空发动机的试车数据包括：
11.在航空发动机的试车过程中，通过各类传感器采集航空发动机的试车数据；
12.判断航空发动机的试车数据与发动机冷却气流温度的相关度是否满足预定相关度要求；
13.在航空发动机的试车数据与发动机冷却气流温度的相关度满足预定相关度要求的情况下，执行根据航空发动机的试车数据，训练发动机冷却气流温度预测模型的步骤。
14.在本公开的一些实施例中，所述根据航空发动机的试车数据，训练发动机冷却气流温度预测模型包括：
15.将航空发动机的试车数据划分为训练集和测试集；
16.选择机器学习模型作为发动机冷却气流温度预测模型，并设置初始学习率；
17.采用训练集数据对发动机冷却气流温度预测模型进行训练；
18.将测试集数据输入训练后的发动机冷却气流温度预测模型，判断合格率是否满足预定合格率要求；
19.在合格率满足预定合格率要求的情况下，执行将航空发动机的当前试车数据输入发动机冷却气流温度预测模型，预测航空发动机的冷却气流温度的步骤。
20.在本公开的一些实施例中，所述根据航空发动机的试车数据，训练发动机冷却气流温度预测模型还包括：
21.在合格率不满足预定合格率要求的情况下，重新选择机器学习模型作为发动机冷却气流温度预测模型，或修改学习率。
22.在本公开的一些实施例中，所述机器学习模型为反向传播神经网络。
23.在本公开的一些实施例中，所述初始学习率为0.1。
24.根据本公开的另一方面，提供一种发动机控制方法，包括：
25.采用如上述任一实施例所述的发动机冷却气流温度预测方法，预测航空发动机的冷却气流温度；
26.根据预测的冷却气流温度，确定航空发动机的零部件温度；
27.根据所述冷却气流温度或所述零部件温度，调整航空发动机的工况。
28.根据本公开的另一方面，提供一种发动机冷却气流温度预测装置，包括：
29.试车数据获取模块，用于获取航空发动机的试车数据；
30.模型训练模块，用于根据航空发动机的试车数据，训练发动机冷却气流温度预测模型；
31.冷却气流温度预测模块，用于将航空发动机的当前试车数据输入发动机冷却气流温度预测模型，预测航空发动机的冷却气流温度。
32.在本公开的一些实施例中，所述发动机冷却气流温度预测装置用于执行实现如上述任一实施例所述的发动机冷却气流温度预测方法的操作。
33.根据本公开的另一方面，提供一种发动机冷却气流温度预测装置，包括：
34.存储器，用于存储指令；
35.处理器，用于执行所述指令，使得所述发动机冷却气流温度预测装置执行实现如上述任一实施例所述的发动机冷却气流温度预测方法的操作。
36.根据本公开的另一方面，提供一种发动机控制设备，包括：
37.发动机冷却气流温度预测装置，用于采用如上述任一实施例所述的发动机冷却气流温度预测方法，预测航空发动机的冷却气流温度；
38.发动机零部件温度预测装置，用于根据预测的冷却气流温度，确定航空发动机的零部件温度；
39.发动机零控制装置，用于根据所述冷却气流温度或所述零部件温度，调整航空发动机的工况。
40.在本公开的一些实施例中，所述发动机冷却气流温度预测装置为如上述任一实施例所述的发动机冷却气流温度预测装置。
41.根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的发动机冷却气流温度预测方法、或如上述任一实施例所述的发动机控制方法。
42.本公开可以基于试验中采集的相关输入参数通过机器学习建立算法预测二次流温度(航空发动机零部件的冷却气流温度)并输出温度数据用以判断超温的风险。
附图说明
43.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1为本公开发动机冷却气流温度预测方法一些实施例的示意图。
45.图2为本公开一些实施例中bp神经网络的示意图。
46.图3为本公开发动机冷却气流温度预测方法又一些实施例的示意图。
47.图4为本公开发动机控制方法一些实施例的示意图。
48.图5为本公开发动机冷却气流温度预测装置一些实施例的示意图。
49.图6为本公开发动机冷却气流温度预测装置另一些实施例的示意图。
50.图7为本公开发动机控制设备一些实施例的示意图。
具体实施方式
51.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
52.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
53.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
54.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
55.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
56.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
57.发明人通过研究发现：发动机部件冷却气流温度直接决定零部件温度水平从而影响寿命，当冷却气流温度过高时无法起到有效冷却零件容易产生超温情况。
58.针对部分难以布置温度测点的位置，本公开提出一种发动机冷却气流温度预测方法和装置，基于试验中采集的相关输入参数通过机器学习建立算法预测二次流温度并输出温度数据用以判断超温的风险。下面通过具体实施例对本公开进行说明。
59.图1为本公开发动机冷却气流温度预测方法一些实施例的示意图。优选的，本实施例可由本公开发动机冷却气流温度预测装置执行。该方法可以包括步骤11-步骤13，其中：
60.步骤11，获取航空发动机的试车数据。
61.在本公开的一些实施例中，所述当前试车数据可以包括航空发动机零部件的相关的转速、压力和流量。
62.在本公开的一些实施例中，步骤11可以包括步骤111和步骤112，其中：
63.步骤111，在航空发动机的试车过程中，通过各类传感器采集航空发动机的试车数据。
64.在本公开的一些实施例中，步骤111可以包括：在发动机试车过程中，采集相关各类传感器数据并储存成数据矩阵，本公开上述实施例中数据矩阵不限于单次试车数据，也可为多次试车数据及产品实时采集到的传感器数据等；在利用实时数据进行预测时，可以通过历史数据与实时数据作为训练及测试集，针对给定的工况进行预测。
65.步骤112，从航空发动机的试车数据中选取输入数据。
66.在本公开的一些实施例中，步骤112可以包括：基于例如python，c 等程序，开发筛选输入数据功能，由于温度主要受流量、转速的影响，可以优先考虑选取转速及对应位置的压力输入数据。
67.步骤113，计算输入的航空发动机的试车数据与发动机冷却气流温度的相关度(相关系数)。
68.在本公开的一些实施例中，步骤113可以包括：根据公式(1)计算试车传感器数据间相关系数。
[0069][0070]
公式(1)中，ρ
a,b
为随机变量a和b的相关系数，协方差cov(x,y)指的是期望值分别为e[x]与e[y]的两个实随机变量x与y之间的协方差cov(x,y)，σa、σb为分别为随机变量x与y的标准差。
[0071]
步骤114，判断航空发动机的试车数据与发动机冷却气流温度的相关度是否满足预定相关度要求。在航空发动机的试车数据与发动机冷却气流温度的相关度满足预定相关度要求的情况下，执行步骤12；否则，在航空发动机的试车数据与发动机冷却气流温度的相关度不满足预定相关度要求的情况下，重新执行步骤112。
[0072]
在本公开的一些实施例中，选取的输入参数与待预测数据之间相关度越好，基于神经网络等机器学习模型的预测结果准确性越高。
[0073]
在本公开的一些实施例中，相关系数求解结果在[0.8,1]为极强相关，[0.6,0.8)为强相关，[0.4,0.6)为中等相关，0.4以下为相关度较差。
[0074]
在本公开的一些实施例中，对于对比数据是不同尺度，比如转速(一般地在几万这个数量级)，温度(在几百这个数量级)会给出比较好的计算结果。
[0075]
在本公开的一些实施例中，在某次试车过程中，压气机部件某引气腔的气流温度与相对转速相关系数为0.806、与该流路的下游空腔气流温度相关系数为0.983，即冷却气流温度与选中的参数均呈极强相关。
[0076]
步骤12，根据航空发动机的试车数据，训练发动机冷却气流温度预测模型。
[0077]
在本公开的一些实施例中，所述发动机冷却气流温度可以为航空发动机零部件的冷却气流温度(二次流温度)。
[0078]
在本公开的一些实施例中，步骤12可以包括步骤121-步骤125，
[0079]
其中：
[0080]
步骤121，将航空发动机的试车数据划分为训练集和测试集。
[0081]
在本公开的一些实施例中，对于不同量的数据集，可根据不同的拆分逻辑进行训练集、测试集的划分。比如一般的，对于数据采集点在十万以内的，可根据70％数据用于训练，30％用于测试。
[0082]
在本公开的一些实施例中，数据集可采用随机数进行划分，利用程序语言，确定了训练集与测试集的比例后，输入随机数种子即可快速完成按比例拆分原始数据集并返回用于训练、测试的数据集。
[0083]
在本公开的一些实施例中，不同的训练集和测试集划分会对预测结果有影响。
[0084]
步骤122，选择机器学习模型作为发动机冷却气流温度预测模型，并设置初始学习率。
[0085]
在本公开的一些实施例中，所述机器学习模型可以为bp(back propagation，反向传播)神经网络。
[0086]
在本公开的一些实施例中，所述机器学习模型可以为包含三层隐藏层的bp神经网络。
[0087]
在本公开的一些实施例中，选用三层隐藏层主要是根据黄金分割法的计算公式，隐藏层的个数可设置为输入层节点数与输出层节点数之和的平方根加上某个常数，考虑到工程上对预测速率及精度的要求(神经网络层数越多预测越慢，精度的增长较速率相对较少)及变量之间的强相关度，选用三层足以满足要求，若有特殊需要可根据实际情况进行改动，值得提出的是本公开上述实施例提及的三层神经网络只是一种实施例，本公开上述实施例也可以根据情况选择其它层数的神经网络。
[0088]
图2为本公开一些实施例中bp神经网络的示意图。如图2所示，本公开bp神经网络可以包括输入层、隐藏层和输出层，输入层有d个输入神经元xi，其中1≤i≤d；隐藏层有q个隐藏神经元bh，其中1≤h≤q，隐藏有q个隐藏神经元阈值；输出层有l个输出神经元yj，其中1≤j≤l，因此有l个输出神经元阈值。如图2所示，输入层到隐藏层的权值为v
ih
。隐藏层到输出层的权值为w
hj
。
[0089]
在本公开的一些实施例中，所述初始学习率可以为0.1。
[0090]
在本公开的一些实施例中，学习率的具体含义是指发动机冷却气流温度预测模型在确定了预测误差之后，需要调整各输入的权重，学习率与预测误差的乘积用作权重的变化量。因此学习率大权重每一次调整量大，迭代速度快，但可能由于步长过大无法满足精度要求；学习率小，权重每一次调整量小，迭代速度慢，需要较长时间达到精度要求。
[0091]
在本公开的一些实施例中，所述发动机冷却气流温度预测模型输入参数的个数可由技术人员自行确定。
[0092]
在本公开的一些实施例中，对于冷却气流温度的预测，本公开上述实施例从预测效率及精度上考虑，推荐采用相对转速、引气温度及流量作为输入进行预测。
[0093]
本公开上述实施例采用三层神经网络是根据黄金分割法计算，综合考虑数据间相关度、预测速度等采用，不是硬性规定；本公开上述实施例采用bp神经网络主要考虑bp神经网络原理简单，操作便捷且精度可达到工程要求，因此许用bp神经网络作为预测用的工具。
[0094]
步骤123，采用训练集数据对发动机冷却气流温度预测模型进行训练。
[0095]
在本公开的一些实施例中，对于诸如图2实施例的bp神经网络的机器监督学习而
言，步骤123可以包括：先根据预设的学习率λ及权重推算输出，并根据实际结果与预测结果的差值(公式(2))推算各隐藏层的误差(公式(3))以及输入层的误差(公式(4))，利用各层的误差调整各输入的权重(公式(5))，由此可以看出学习率影响权重调整的步长且网络会根据误差情况按梯度逆方向自适应的调整并进行重新预测。直至预测结果与实际结果的误差均满足要求，并将整个神经网络用于新的数据的预测，主要过程由公式(2)至公式(5)描述，其中，公式(2)至公式(4)中，dj为最优估计值。
[0096]
输出层的误差：
[0097]
隐藏层的误差：
[0098]
输入层误差：
[0099]
权重调整：
[0100]
步骤124，将测试集数据输入训练后的发动机冷却气流温度预测模型进行测试；判断合格率是否满足预定合格率要求。在合格率满足预定合格率要求的情况下，执行步骤13。
[0101]
步骤125，在合格率不满足预定合格率要求的情况下，重新选择机器学习模型作为发动机冷却气流温度预测模型，或修改学习率，即，重新执行步骤122。
[0102]
在本公开的一些实施例中，在合格率不满足预定合格率要求的情况下，所述发动机冷却气流温度预测方法可以包括：先修改学习率，之后重新执行步骤122；若在下一个循环，合格率仍不满足预定合格率要求，则重新选择或调整机器学习模型作为发动机冷却气流温度预测模型。
[0103]
在本公开的一些实施例中，可以利用相对换算转速、引气温度作为输入，预测某盘腔内冷却气流温度的bp神经网络。当学习率为0.1，要求预测精度5k，迭代次数设置为50次的情况，在神经网络50次迭代内均无法达到预测要求精度，则需要减小学习率(每次可按10％的量减小)以减小每次权重的调整量避免其错过最优解；而在50次内可达到预测精度但预测迭代次数较多、耗时较久的情况下，可根据实际情况增加学习率(每次可按10％的量增加)。若均无法满足精度要求，则说明学习率的调整无法达到预测要求，需要调整神经网络的隐藏层节点数，一般来说增加隐藏层节点数会增加预测工作的用时，同时也可以提高预测的精度。
[0104]
在本公开的一些实施例中，根据经验，对于本公开上述实施例提及的预测用神经网络，学习率可以设置为0.1，可以满足工程精度要求。
[0105]
步骤13，将航空发动机的当前试车数据输入发动机冷却气流温度预测模型，预测航空发动机的冷却气流温度。
[0106]
基于本公开上述实施例提供的发动机冷却气流温度预测方法，无需对发动机进行额外硬件加工或布置测点等，可以利用已获取的试车数据进行机器学习预测。本公开上述
实施例可以根据发动机试车数据进行二次流温度(冷却气流温度)预测，并基于二次流温度评估出零部件的最高温度判读超温风险。本公开上述实施例主要涉及对二次流的温度预测，提出的基于历史数据或实时数据的神经网络方法对于各种发动机具有良好的泛化性。
[0107]
图3为本公开发动机冷却气流温度预测方法又一些实施例的示意图。优选的，本实施例可由本公开发动机冷却气流温度预测装置执行。该方法可以包括步骤30-步骤39，其中：
[0108]
步骤30，在航空发动机的试车过程中，通过各类传感器采集航空发动机的试车数据。
[0109]
在本公开的一些实施例中，步骤30可以包括：在发动机试车过程中，采集相关各类传感器数据并储存成数据矩阵，本公开上述实施例中数据矩阵不限于单次试车数据，也可为多次试车数据及产品实时采集到的传感器数据等；在利用实时数据进行预测时，可以通过历史数据与实时数据作为训练及测试集，针对给定的工况进行预测。
[0110]
步骤31，从航空发动机的试车数据中选取输入数据。
[0111]
在本公开的一些实施例中，步骤31可以包括：基于例如python，c 等程序，开发筛选输入数据功能，由于温度主要受流量、转速的影响，可以优先考虑选取转速及对应位置的压力输入数据。
[0112]
在本公开的一些实施例中，选取的输入参数的个数技术人员自行确定。例如：引气腔温度，可以采用单变量的输入比如换算转速，但在不同环境温度条件下可能转速一致而引气温度有所改变，因此可以考虑将换算转速、引气温度作为输入进行训练、验证、预测等；若精度不能满足要求可重新选取输入参数。
[0113]
一般的在本公开的一些实施例中，选取可以描述物理状态的变量可以满足精度要求，例如对某腔的冷却气流温度进行预测，可选取相对转速(影响风阻引起的内能变化)、引气温度(决定冷却气流的温度基准水平)、流量(决定冷却气流温度在确定输入能量下的温度变化)作为输入，冷却气流温度作为输出。
[0114]
步骤32，计算输入的航空发动机的试车数据与发动机冷却气流温度的相关度(相关系数)。
[0115]
在本公开的一些实施例中，步骤32可以包括：根据公式(1)计算试车传感器数据间相关系数。
[0116]
步骤33，判断航空发动机的试车数据与发动机冷却气流温度的相关度是否满足预定相关度要求。在航空发动机的试车数据与发动机冷却气流温度的相关度满足预定相关度要求的情况下，执行步骤34；否则，在航空发动机的试车数据与发动机冷却气流温度的相关度不满足预定相关度要求的情况下，重新执行步骤31。
[0117]
在本公开的一些实施例中，选取的输入参数与待预测数据之间相关度越好，基于神经网络等机器学习模型的预测结果准确性越高。
[0118]
在本公开的一些实施例中，相关系数求解结果在[0.8,1]为极强相关，[0.6,0.8)为强相关，[0.4,0.6)为中等相关，0.4以下为相关度较差。
[0119]
在本公开的一些实施例中，对于对比数据是不同尺度，比如转速(一般地在几万这个数量级)，温度(在几百这个数量级)会给出比较好的计算结果。
[0120]
在本公开的一些实施例中，在某次试车过程中，压气机部件某引气腔的气流温度
与相对转速相关系数为0.806、与该流路的下游空腔气流温度相关系数为0.983，即冷却气流温度与选中的参数均呈极强相关。
[0121]
步骤34，将航空发动机的试车数据划分为训练集和测试集。
[0122]
在本公开的一些实施例中，对于不同量的数据集，可根据不同的拆分逻辑进行训练集、测试集的划分。比如一般的，对于数据采集点在十万以内的，可根据70％数据用于训练，30％用于测试。
[0123]
在本公开的一些实施例中，数据集可采用随机数进行划分，利用程序语言，确定了训练集与测试集的比例后，输入随机数种子即可快速完成按比例拆分原始数据集并返回用于训练、测试的数据集。
[0124]
在本公开的一些实施例中，不同的训练集和测试集划分会对预测结果有影响。
[0125]
步骤35，选择机器学习模型作为发动机冷却气流温度预测模型，并设置初始学习率。
[0126]
在本公开的一些实施例中，所述机器学习模型可以为bp神经网络。
[0127]
在本公开的一些实施例中，所述机器学习模型可以为包含三层隐藏层的bp神经网络。
[0128]
在本公开的一些实施例中，所述机器学习模型可以为如图2所示的bp神经网络。
[0129]
在本公开的一些实施例中，初始学习率可设定为0.1，预测精度要求5k。
[0130]
步骤36，采用训练集数据对发动机冷却气流温度预测模型进行训练。
[0131]
步骤37，将测试集数据输入训练后的发动机冷却气流温度预测模型进行测试。
[0132]
步骤38，判断合格率是否满足预定合格率要求。在合格率满足预定合格率要求的情况下，执行步骤39。否则，在合格率不满足预定合格率要求的情况下，执行步骤35，即，重新选择机器学习模型作为发动机冷却气流温度预测模型，或修改学习率。
[0133]
步骤39，将航空发动机的当前试车数据输入发动机冷却气流温度预测模型，预测航空发动机的冷却气流温度。
[0134]
与单一输入参数拟合等方法，本公开上述实施例基于神经网络的机器学习预测数据与发动机实际运转工况下数据更为接近；与传统的计算仿真方法相比，本公开上述实施例的预测方法可以在线预测，利用实时数据与历史数据相结合，作为训练集及测试集进行对给定工况的预测，本公开上述实施例方法预测输出的数据可以更有效地支撑控制策略及避免超温情况发生。
[0135]
图4为本公开发动机控制方法一些实施例的示意图。优选的，本实施例可由本公开发动机控制设备执行。该方法可以包括步骤41-步骤43，其中：
[0136]
步骤41，采用如上述任一实施例(例如图1-图3任一实施例)所述的发动机冷却气流温度预测方法，预测航空发动机的冷却气流温度。
[0137]
步骤42，根据预测的冷却气流温度，确定航空发动机的零部件温度。
[0138]
在本公开的一些实施例中，步骤42可以包括：基于预测的二次流温度可以通过在线仿真或其他方式预测航空发动机的零部件温度。
[0139]
在本公开的一些实施例中，步骤42可以包括：对冷却气流温度进行预测输出。在获得冷却气流温度预测值之后，可通过在线的有限元求解传热模型获得零部件的温度场或选择类似的神经网络搭建冷却气流温度与零部件温度(最高温度)间的网络进行快速预测，由
于传热有限元模型求解较快，因而本公开上述实施例推荐在获得冷却气流预测温度值后采用有限元求解可以快速获得壁面温度等对应零部件温度的确切解。
[0140]
步骤43，根据所述冷却气流温度或所述零部件温度，根据需要调整航空发动机的工况，以避免超温的情况发生。
[0141]
在本公开的一些实施例中，步骤43可以包括：计算或判断出壁面最高温度(零部件最高温度)，并将其与材料许用温度进行比较；若存在超温风险，将信息反馈至控制模块，通过增加引气量或通过降转等措施将运行工况减小，以降低冷却气流温度数值从而更好的冷却零部件，避免其超温风险。
[0142]
基于本公开上述实施例提供的发动机控制方法，无需对发动机进行额外硬件加工或布置测点等，可以利用已获取的试车数据进行机器学习预测。本公开上述实施例可以根据发动机试车数据进行二次流温度(冷却气流温度)预测，并基于二次流温度评估出零部件的最高温度判读超温风险。本公开上述实施例主要涉及对二次流的温度预测，提出的基于历史数据或实时数据的神经网络方法对于各种发动机具有良好的泛化性。
[0143]
图5为本公开发动机冷却气流温度预测装置一些实施例的示意图。如图5所示，本公开发动机冷却气流温度预测装置可以包括试车数据获取模块51、模型训练模块52和冷却气流温度预测模块53，其中：
[0144]
试车数据获取模块51，用于获取航空发动机的试车数据。
[0145]
在本公开的一些实施例中，所述当前试车数据可以包括航空发动机零部件的相关的转速、压力和流量。
[0146]
在本公开的一些实施例中，试车数据获取模块51可以用于在航空发动机的试车过程中，通过各类传感器采集航空发动机的试车数据；判断航空发动机的试车数据与发动机冷却气流温度的相关度是否满足预定相关度要求；并指示模型训练模块52在航空发动机的试车数据与发动机冷却气流温度的相关度满足预定相关度要求的情况下，执行根据航空发动机的试车数据，训练发动机冷却气流温度预测模型的操作。
[0147]
模型训练模块52，用于根据航空发动机的试车数据，训练发动机冷却气流温度预测模型。
[0148]
在本公开的一些实施例中，所述发动机冷却气流温度可以为航空发动机零部件的冷却气流温度。
[0149]
在本公开的一些实施例中，模型训练模块52可以用于将航空发动机的试车数据划分为训练集和测试集；选择机器学习模型作为发动机冷却气流温度预测模型，并设置初始学习率；采用训练集数据对发动机冷却气流温度预测模型进行训练；将测试集数据输入训练后的发动机冷却气流温度预测模型，判断合格率是否满足预定合格率要求；在合格率不满足预定合格率要求的情况下，重新选择机器学习模型作为发动机冷却气流温度预测模型，或修改学习率；在合格率满足预定合格率要求的情况下，指示冷却气流温度预测模块53执行将航空发动机的当前试车数据输入发动机冷却气流温度预测模型，预测航空发动机的冷却气流温度的操作。
[0150]
在本公开的一些实施例中，所述机器学习模型可以为反向传播神经网络。
[0151]
在本公开的一些实施例中，所述初始学习率可以为0.1。
[0152]
冷却气流温度预测模块53，用于将航空发动机的当前试车数据输入发动机冷却气
流温度预测模型，预测航空发动机的冷却气流温度。
[0153]
在本公开的一些实施例中，所述发动机冷却气流温度预测装置可以用于执行实现如上述任一实施例(例如图1-图3任一实施例)所述的发动机冷却气流温度预测方法的操作。
[0154]
基于本公开上述实施例提供的发动机冷却气流温度预测装置，无需对发动机进行额外硬件加工或布置测点等，可以利用已获取的试车数据进行机器学习预测。本公开上述实施例可以根据发动机试车数据进行二次流温度(冷却气流温度)预测，并基于二次流温度评估出零部件的最高温度判读超温风险。本公开上述实施例主要涉及对二次流的温度预测，提出的基于历史数据或实时数据的神经网络方法对于各种发动机具有良好的泛化性。
[0155]
图6为本公开发动机冷却气流温度预测装置另一些实施例的示意图。如图6所示，本公开发动机冷却气流温度预测装置可以包括存储器61和处理器62，其中：
[0156]
存储器61，用于存储指令。
[0157]
处理器62，用于执行所述指令，使得所述发动机冷却气流温度预测装置执行实现如上述任一实施例(例如图1-图3任一实施例)所述的发动机冷却气流温度预测方法的操作。
[0158]
与单一输入参数拟合等方法，本公开上述实施例基于神经网络的机器学习预测数据与发动机实际运转工况下数据更为接近；与传统的计算仿真方法相比，本公开上述实施例的预测方法可以在线预测，利用实时数据与历史数据相结合，作为训练集及测试集进行对给定工况的预测，本公开上述实施例方法预测输出的数据可以更有效地支撑控制策略及避免超温情况发生。
[0159]
图7为本公开发动机控制设备一些实施例的示意图。如图7所示，本公开发动机控制设备可以包括发动机冷却气流温度预测装置71、发动机零部件温度预测装置72和发动机零控制装置73，其中：
[0160]
发动机冷却气流温度预测装置71，用于采用如上述任一实施例(例如图1-图3任一实施例)所述的发动机冷却气流温度预测方法，预测航空发动机的冷却气流温度。
[0161]
在本公开的一些实施例中，所述发动机冷却气流温度预测装置71可以为如上述任一实施例(例如图5或图6实施例)所述的发动机冷却气流温度预测装置。
[0162]
发动机零部件温度预测装置72，用于根据预测的冷却气流温度，确定航空发动机的零部件温度。
[0163]
在本公开的一些实施例中，发动机零部件温度预测装置72可以用于在获得冷却气流温度预测值之后，可通过在线的有限元求解传热模型获得零部件的温度场或选择类似的神经网络搭建冷却气流温度与零部件温度(最高温度)间的网络进行快速预测，由于传热有限元模型求解较快，因而本公开上述实施例推荐在获得冷却气流预测温度值后采用有限元求解可以快速获得壁面温度等对应零部件温度的确切解。
[0164]
发动机零控制装置73，用于根据所述冷却气流温度或所述零部件温度，调整航空发动机的工况。
[0165]
在本公开的一些实施例中，发动机零控制装置73可以用于计算或判断出壁面最高温度(零部件最高温度)，并将其与材料许用温度进行比较；若存在超温风险，将信息反馈至控制模块，通过增加引气量或通过降转等措施将运行工况减小，以降低冷却气流温度数值
从而更好的冷却零部件，避免其超温风险。
[0166]
基于本公开上述实施例提供的发动机控制设备，无需对发动机进行额外硬件加工或布置测点等，可以利用已获取的试车数据进行机器学习预测。本公开上述实施例可以根据发动机试车数据进行二次流温度(冷却气流温度)预测，并基于二次流温度评估出零部件的最高温度判读超温风险。本公开上述实施例主要涉及对二次流的温度预测，提出的基于历史数据或实时数据的神经网络方法对于各种发动机具有良好的泛化性。
[0167]
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例(例如图1-图3任一实施例)所述的发动机冷却气流温度预测方法、或如上述任一实施例(例如图4实施例)所述的发动机控制方法。
[0168]
基于本公开上述实施例提供的计算机可读存储介质，与单一输入参数拟合等方法，本公开上述实施例基于神经网络的机器学习预测数据与发动机实际运转工况下数据更为接近；与传统的计算仿真方法相比，本公开上述实施例的预测方法可以在线预测，利用实时数据与历史数据相结合，作为训练集及测试集进行对给定工况的预测，本公开上述实施例方法预测输出的数据可以更有效地支撑控制策略及避免超温情况发生。
[0169]
在上面所描述的发动机冷却气流温度预测装置和发动机控制设备可以实现为用于执行本技术所描述功能的通用处理器、可编程逻辑控制器(plc)、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
[0170]
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
[0171]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0172]
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。