一种航空发动机全生命周期叶尖间隙在线感知方法

1.本发明涉及航空发动机稳定性控制技术领域，特别是涉及一种航空发动机全生命周期叶尖间隙在线感知方法。


背景技术：

2.航空发动机是飞机的“心脏”，航空发动机的发展水平已是一个国家综合国力、工业基础和科技水平的集中体现之一，是国家安全和强国地位的重要战略保障，对科学技术和国民经济的发展具有重要意义。
3.传统的发动机控制是基于传感器的控制，即通过可测的转速、压比和温度等发动机状态参数来间接控制发动机工作情况。这种控制模式虽然简单、可靠，但是难以准确反映发动机工作过程中不可测参数尤其是叶尖间隙的变化情况，必须在设计时考虑发动机最坏工作环境下的裕度损失，限制了发动机性能的充分发挥。随着全权限数字电子控制(fadec)技术的快速发展，已经将传统发动机控制的性能发挥到极致，要进一步从控制角度提高发动机的整机性能，则需要对叶尖间隙这种难以测量参数进行实时感知并主动闭环控制，从而充分挖掘发动机潜力，这种控制方法被称为基于模型的控制，是最有希望提升发动机性能的控制技术之一。
4.然而，目前国内外关于基于模型的叶尖间隙感知研究多集中在仿真阶段，在工程实际应用当中鲜有报道。究其原因，主要包括以下两个方面：首先是航空发动机机载模型的精度不足，导致获取的部件特性与真实发动机存在误差导致机载模型估计结果不准确，导致叶尖间隙模型的输入准确性低；其次是实现全生命周期的航空发动机叶尖间隙高置信度实时感知存在诸多不足，如模型存在动态不确定性、机载实时模型的建模误差以及发动机制造与安装公差导致的同一型号发动机之间存在个体差异等，使得叶尖间隙模型预测的精度不高，且真实发动机因为长时间运行发生部件特性改变的退化现象并不会在传统模型中得到体现。


技术实现要素：

5.本发明正是针对叶尖间隙非接触式预测方法中，绝大部分没有考虑退化问题，即考虑估计叶尖间隙仅仅是针对单一工况下的航空发动机在某一时刻的叶尖间隙变化情况，对实际应用意义不大；此外目前已经公布的预测考虑退化情况下的叶尖间隙估计方法，以《考虑发动机性能退化的涡轮叶尖间隙预估方法研究》为例，使用的无一例外都是经验公式，即通过发动机运行时长来判断温度变化情况从而把考虑温度的变化放进叶尖间隙计算中得到考虑退化的叶尖间隙数值。但其中并未解决机载问题，主要原因是：1）不同航空发动机相同运行时长带来的温度变化情况必然是不同的，甚至同一个型号的航空发动机经历相同的飞行时间也会因为工作环境不可能完全相同，因此通过叶尖间隙 = f（运行时长）这种简单的经验规律来判断根本不可能保证估计方法的高精确性；2）复杂的计算能够带来精确的计算结果但并不能满足机载计算机中需要的实时性要求，因此不能在线使用叶尖间隙估
计方法实现叶尖间隙估计的机载应用。因此本发明就是为了实现机载的航空发动机叶尖间隙估计，解决发动机在运行期间所有叶尖间隙的在线估计。
6.为解决上述问题本发明提出一种航空发动机全生命周期叶尖间隙在线感知方法，其特征在于，包括以下具体步骤：s1、建立航空发动机工作参数机载实时感知基线模型；s11、通过对发动机整机台架试车试验数据进行性能评估实现机载模型部件特性自修正；s12、建立台架试车试验数据库评估获得高置信度的航空发动机机载基线模型，同时对航空发动机机载基线模型进行线性化构建离散线性时不变航空发动机状态空间方程，如下所述：x
k 1
=axk buk lhk wkyk=cxk duk mhk v
k；
其中下标k代表离散状态航空发动机模型第k次时的数据采集，x是航空发动机状态变量向量包括低压转子转速 nf和高压转子转速nc，u是控制量即输入偏差量包括燃油量wf和尾喷口面积a8；y是测量输出量即实际模型输出包括高低压转速nc、nf；风扇出口总温总压t
22
、p
22
压气机出口总温总压t3、p3燃烧室出口总压p4和高压涡轮出口总温总压t
45
、p
45
，向量h代表需要估计器估计的航空发动机健康参数风扇效率和流量ηf、wf；压气机效率和流量ηc、wc，高压涡轮效率和流量η
t
、w
t
；wk、vk分别为系统的噪声矩阵和测量噪声矩阵；矩阵a、b、c、d、l、m均为发动机线性模型系数；由向量h表示的健康参数是系统的未知输入；s2、构建热力学与转子动力学方程，计算机匣、轮盘和叶片的径向变形，获得实时表征涡轮叶尖间隙变化的数学模型即航空发动机叶尖间隙感知模型；s3、搭建涡轮健康参数估计器和叶尖间隙退化估计器；通过神经网络对叶尖间隙参考模型的输出进行补充并最终建立基于模型预测的航空发动机全生命周期叶尖间隙在线感知模型；将基线模型和涡轮健康估计器联立成如下形式：。
7.优选的，s3还包括以下具体步骤：s301、涡轮健康估计器启动，构建所有健康参数h的线性组合即模型调整参数向量q=v*h，其中v
*
是一个变换矩阵用于构造调整参数向量，则健康参数向量h=v
*-1
q，因此只要求得v
*
即可得到健康参数的估计值；s302、构造航空发动机模型适配涡轮健康参数估计，即将上述模型改成如下形式：
；s303、构建估计器模型，通过估计器模型得到预计的估计器的输出，其中p
∞
=a
xq
p
∞axqt-a
xq p
∞cxqt
（c
xq p
∞cxqt
r）-1cxq p
∞cxqt
q
xq
，k
∞
=p
∞cxqt
（c
xq p
∞cxqt
r）-1
；s304、估计值根据s303中k
∞
、p
∞
的计算得出，，则可以计算误差平方的总和为；s305、每次迭代中，评估误差平方总和相对于前一次迭代的变化，以确定输出误差是否已实现指定范围内的收敛，如果收敛，跳过s306并继续执行s307，否则进行s306更新v
*
；s306、通过非线性最小二乘函数更新v
*
，要求=1并返回s301；s307、收敛后返回v
*
的最优值并结束涡轮健康估计器中的流程；s308、通过涡轮健康估计器输出的v
*
带入公式h=v
*-1
q，计算获得到涡轮健康参数估计h={ηf，wf，ηc，wc，η
t
，w
t
}，分别代表风扇、压气机和高压涡轮的效率和流量，修正发动机机载基线模型的健康参数，同时获得实际基线模型输出y＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}，分别代表考虑退化后的高压转子转速n
c＇
，压气机引气流量m
＇hpc
，压气机引气温度t
3＇
，涡轮进口流量m
＇core
,和涡轮进口温度t
4＇
；s309、考虑机匣外壁、内壁、轮盘表面因素建立计算模块，搭建叶尖间隙参考模型，通过实际基线模型的输出y＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}作为叶尖间隙参考模型的输入，为了方便区分定义={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}使得为叶尖间隙模型的输入，得到叶尖间隙估计输出；s310、搭建深度卷积神经网络，学习率设置为0.01，训练批次为2000，迭代300次，输出层为输出参数叶尖间隙修正值，隐藏层节点数根据模型训练效果进行调整，初始值为8，输入为实际基线模型输出y＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}，定义x＇为神经网络模型的输入，x＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}通过深度卷积网络对发动机非线性模型的叶尖间隙进行补偿，得到叶尖间隙修正值r'；s311、叶尖间隙感知模型获得高精度的输入参数r'后根据搭建的叶尖间隙模型感知模块中的叶片和机匣的热变形模块计算，同时加上通过神经网络模型得到的叶尖间隙修正值最终获得准确的在线叶尖间隙估计数值；s312、搭建台架试验与评估平台来验证参数感知模型对发动机参数感知的准确性，通过数据解析和数据存储模块将试车数据进行保存，每当完成一次发动机试车实验后,以偏差形式对航空发动机参数感知模型精确度进行评估。
8.优选的，s1中建立的航空发动机工作参数机载实时感知基线模型包括机载实时感
engine simulation》。
16.通过上述方法分别计算各部件的热力学形变模型和转子动力学形变模型，并进行综合，最终获得涡轮叶尖间隙模型。叶尖间隙模型以发动机高压涡轮为仿真对象，将发动机非线性部件级数学模型计算结果作为其输入量，即可进行发动机高压涡轮叶尖间隙仿真计算。
17.（3）基于模型预测的航空发动机全寿命叶尖间隙感知模型内容2中的参考模型仅完成了单一飞行条件单一时刻的叶尖间隙估计值，若要在线高置信度估计全生命周期内叶尖间隙需要搭建涡轮健康参数估计器和叶尖间隙退化估计器。
18.涡轮健康参数估计器能够通过真实发动机输出的性能参数和发动机基线模型输出的性能参数之间的偏差进行发动机健康参数的计算，由于发动机在运行中会出现部件损耗即退化，此现象能够在真实发动机的性能参数上体现，而基线模型由于定值设置因此需要通过涡轮健康参数估计器对转子部件的健康参数进行修正，从而使得基线模型和真实发动机模型输出性能参数的误差低于发动机能够接受的最大限制误差，使得机载模型能够提供给参考模型航空发动机全生命周期范围内高置信度的输入，使得叶尖间隙估计能够准确进行。
19.由于健康参数估计器是针对部件整体的性能退化量进行估计提供给机载模型，若叶片、轮盘和机匣因为长时间高强度运行发生突然的蠕变将导致给予参考模型的输入精度不足，因此需要通过神经网络对叶尖间隙参考模型的输出进行补充，叶尖间隙退化估计器就是通过搭建深度卷积神经网络体现发动机机载模型考虑退化后的性能参数和叶片、机匣和轮盘的蠕变之间的高阶映射关系。假设航空发动机在最大状态或者加力状态后发生蠕变则经过涡轮健康估计器后的性能参数通过深度神经网络模型后将会得到叶尖间隙的增长量，补充到叶尖间隙参考模型的输出后即为估计的叶尖间隙值。
20.整个模型由图2中的机载基线模型、图3中的叶尖间隙参考模型、涡轮健康估计器和叶尖间隙退化估计器共同组成，最终呈现在图1中。
21.具体实施过程如下述：1、通过图2的方式建立台架试车试验数据库，以此方法评估获得高置信度的航空发动机机载基线模型，同时对航空发动机机载基线模型进行线性化构建离散线性时不变航空发动机状态空间方程如下所述：x
k 1
=axk buk lhk wkyk=cxk duk mhk vk；其中下标k代表离散状态航空发动机模型第k次时的数据采集，x是航空发动机状态变量向量包括低压转子转速nf和高压转子转速nc，u是控制量即输入偏差量包括燃油量wf和尾喷口面积a8，y是测量输出量即实际模型输出包括高低压转速、风扇出口总温总压t
22
、p
22
、压气机出口总温总压t3、p3、燃烧室出口总压p4和高压涡轮出口总温总压t
45
、p
45
，向量h代表需要估计器估计的航空发动机健康参数风扇效率和流量ηf、wf，压气机效率和流量ηc、wc，高压涡轮效率和流量η
t
、w
t
。wk、vk分别为系统的噪声矩阵和测量噪声矩阵；矩阵a、b、c、d、l、m均为发动机线性模型系数，由向量h表示的健康参数是系统的未知输入，它们可以被视为一组偏差，因此可以将基线模型和涡轮健康估计器联立成如下形
式：；2、估计器启动时，构建所有健康参数h的线性组合即模型调整参数向量q=v*h，其中v
*
是一个变换矩阵用于构造调整参数向量，则健康参数向量h=v
*-1
q，因此只要求得v
*
即可得到健康参数的估计值；3、构造航空发动机模型适配涡轮健康参数估计，即将上述模型改成下图所示：4、构建估计器模型，可以通过估计器模型得到预计的估计器的输出，其中p
∞
=a
xq
p
∞axqt-a
xq p
∞cxqt
（c
xq p
∞cxqt
r）-1cxq p
∞cxqt
q
xq
，k
∞
=p
∞cxqt
（c
xq p
∞cxqt
r）-1
；5、估计值根据4中的k
∞
、p
∞
计算得出，，则可以计算误差平方的总和为；6、每次迭代中，评估误差平方总和相对于前一次迭代的变化，以确定输出误差是否已实现指定范围内的收敛，如果收敛，跳过7并继续执行8，否则进行8更新v
*
；7、通过非线性最小二乘函数更新v
*
，要求=1并返回2；8、收敛后返回v
*
的最优值并结束涡轮健康估计器中的流程；9、通过涡轮健康估计器输出的v
*
带入公式h=v
*-1
q，计算获得到涡轮健康参数估计h={ηf，wf，ηc，wc，η
t
，w
t
}，分别代表风扇、压气机和高压涡轮的效率和流量，修正发动机机载基线模型的健康参数，同时获得实际基线模型输出y＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}，分别代表考虑退化后的高压转子转速n
c＇
，压气机引气流量m
＇hpc
，压气机引气温度t
3＇
，涡轮进口流量m
＇core
,和涡轮进口温度t
4＇
；10、通过图3的方式，考虑机匣外壁、内壁、轮盘表面等因素建立计算模块，搭建叶尖间隙参考模型，通过实际基线模型的输出y＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}作为叶尖间隙参考模型的输入，为了方便区分定义={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}使得为叶尖间隙模型的输入，得到叶尖间隙估计输出；11、搭建深度卷积神经网络，其为三层隐藏层结构；学习率设置为0.01，训练批次为2000，迭代300次，输出层为输出参数叶尖间隙修正值r'，隐藏层节点数根据模型训练效
果进行调整，初始值为8，输入为实际基线模型的输出y＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}，为了方便区分定义神经网络模型的输入为 x＇={n
c＇
,m
＇hpc
,t
3＇
, m
＇core
, t
4＇
}，通过深度卷积网络对发动机非线性模型的叶尖间隙进行补偿，得到叶尖间隙修正值r'；12、叶尖间隙感知模型获得高精度的输入参数r'后根据搭建的叶尖间隙模型感知模块中的叶片和机匣的热变形模块计算，同时加上通过神经网络模型得到的叶尖间隙修正值最终获得准确的叶尖间隙估计数值；13、搭建如图1所示的台架试验与评估平台来验证本发明所建立的参数感知模型对发动机参数感知的准确性，通过数据解析和数据存储模块将试车数据进行保存，每当完成一次发动机试车实验后,以偏差形式对航空发动机参数感知模型精确度进行评估。
22.实施例2本发明考虑动态不确定性因素利用部件法建立高精度高实时性发动机非线性数学模型，从而获取发动机整机台架试车试验数据进行性能评估实现机载模型部件特性自修正，得到一个高精度基线机载模型，满足叶尖间隙模型对于输入参数的高精度需求；建立基于机载自适应模型的叶尖间隙在线估计，其中需要解决的问题是如何搭建精确的参考模型和适配参考模型的机载自适应模型。本发明中的参考模型搭建的是以《integrated turbine tip clearance and gas turbine engine simulation》中提到的叶尖间隙模型，其模型结构分三部分组成，分别是机匣模型、轮盘模型和叶片模型，是迄今为止关于叶尖间隙估计中最为完整且最为精确的模型，整个模型的输入是航空发动机模型的瞬态输出，即高压轴转速、压气机引气流量、压气机引气温度、涡轮进口流量和涡轮进口温度，得到的输出是叶尖间隙估计值通过上述方法分别计算各部件的热力学形变模型和转子动力学形变模型，并进行综合最终获得涡轮叶尖间隙模型，但同时参考模型无法判断叶片是否发生热变形或者蠕变，只能感知理想情况下叶片、轮盘和机匣未发生变形时的叶尖间隙估计值；根据最优调参的状态估计器将可测输出参数偏差实时估计发动机转子部件流量和效率退化量，修正机载基线模型以适应真实发动机性能退化情况，解决退化时叶尖间隙模型的输入置信度低的问题；其次，通过深度卷积神经网络算法对发动机截面参数输出参数和涡轮健康参数作为输入进行离线学习，通过神经网络模型的方式获得叶尖间隙退化量，在线修正参考模型叶尖间隙的估计值，提高机载基线模型的精度的同时也解决机载精度需要的实时性要求，完成航空发动机全生命周期的高置信度叶尖间隙实时感知。
23.上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。