一种民用航空发动机性能模型偏差修正方法

1.本发明属于航空发动机领域，尤其是涉及一种民用航空发动机性能模型偏差修正方法。


背景技术：

2.航空发动机性能模型建模是航空发动机控制系统研究的重要手段，建立高精度的航空发动机性能模型是十分必要的。航空发动机机载模型是航空发动机基于模型控制方法的重要基础。高精度的机载模型能够保证基于模型控制方法的精度，能够进一步的提高发动机的性能，保证航空发动机的安全性。
3.航空发动机机载模型能够以一定的精度计算出航空发动机不同工况下的重要参数，可用于航空发动机基于模型的控制及健康管理，进一步释放航空发动机的性能，保证航空发动机的安全性，因此机载模型的精度十分重要。目前已有的机载模型分为数理建模以及辨识建模。但是由于航空发动机工况变化导致的参数瞬变等因素，基于试验数据离线建立的航空发动机机载模型与航空发动机真实状态之间不可避免的存在模型偏差。
4.现有方法中降低模型偏差的思路大多是对发动机部件特性进行修正以及在建模过程中对辨识算法的优化，以上方法的计算量以及计算复杂度都很大，并且大多针对由于试验数据误差及性能衰退等原因造成的模型偏差进行修正，而针对航空发动机工况变化导致的参数瞬变造成的航空发动机机载模型与发动机真实状态之间产生的模型偏差的研究寥寥无几。


技术实现要素：

5.有鉴于此，本发明旨在提出一种民用航空发动机性能模型偏差修正方法，以解决航空发动机机载模型与发动机真实状态之间由于工况变化等原因造成的模型偏差问题。
6.为达到上述目的，本发明的技术方案是这样实现的：
7.一种民用航空发动机性能模型偏差修正方法，包括：
8.根据航空发动机动力学特性及航空发动机控制系统的重要控制变量，采集全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型的模拟状态参数；
9.获取所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态参数，并构建智能优化机制；智能优化机制包括用于评估模型偏差程度的修正决断模块、用于修正动态偏差的mbgd算法智能优化模块、以及用于修正稳态偏差的卡尔曼滤波模块；
10.利用所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据，对mbgd算法智能优化模块、以及卡尔曼滤波模块进行训练；
11.实时采集航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据，并输入智能优化机制；通过利用修正决断模块对模型偏差程度进行计算和比对，若模型偏差程度小于预设阈值，则利用卡尔曼滤波模块对模型偏差进行修正，若模型偏差
程度大于预设阈值，则利用mbgd算法智能优化模块对模型偏差进行修正。
12.进一步的，所述获取全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态参数，包括：
13.基于涡扇发动机动力学特性及航空发动机控制系统的重要控制变量，选取压气机转速nc、风扇转速nf、以及涡轮前温度t4作为重要控制变量；
14.获取全包线范围内航空发动机输出的真实状态参数如下式所示：
15.ya＝[n
ca
,n
fa
,t
4a
]；
[0016]
获取全包线范围内航空发动机机载模型输出的模拟状态参数如下式所示：
[0017]
ym＝[n
cm
,n
fm
,t
4m
]。
[0018]
进一步的，所述构建智能优化机制，包括：
[0019]
构建修正决断模块；
[0020]
根据mbgd算法构建mbgd算法智能优化模块；
[0021]
根据卡尔曼滤波算法构建卡尔曼滤波模块。
[0022]
进一步的，所述构建修正决断模块，包括：
[0023]
计算航空发动机输出及机载模型输出的均方根值，如下式所示：
[0024][0025][0026]
计算航空发动机机载模型的模拟状态参数与航空发动机的真实状态参数之间的模型偏差，如下式所示：
[0027]
e(k)＝ra(k)-rm(k)；
[0028]
基于模型偏差e(k)添加微分项，对模型偏差的变化趋势进行预测，并定义航空发动机机载模型与航空发动机真实状态之间的偏差指标如下式所示：
[0029][0030]
其中，k1，k2均为常数；
[0031]
计算模型偏差程度τ，如下式所示：
[0032][0033]
根据模型偏差程度τ建立修正决断逻辑，如下式所示：
[0034][0035]
其中yk(k)为卡尔曼滤波模块的输出，yi(k)为mbgd算法智能优化模块的输出，λ为预设阈值。
[0036]
进一步的，构建mbgd算法智能优化模块，包括：
[0037]
选取mbgd算法构建神经网络，并设置各层神经网络的激活函数；其中，神经网络包括输入层、隐含层和输出层，隐含层的激活函数采用logsig函数，输出层的激活函数采用线
性激活函数；
[0038]
确定神经网络的输入x，并将输入x对应的航空发动机真实状态作为标签y；
[0039]
确定神经网络输入和输出的映射关系，如下式所示：
[0040]
yi＝f
irm
(x)；
[0041]
确定神经网络的成本函数，如下式所示：
[0042][0043]
其中w为神经元的权重，b为神经元的偏置项，η为正则化的衰减参数；
[0044]
利用mbgd算法对神经网络的参数进行更新，如下式所示：
[0045]
θ＝θ-αγ，
[0046]
γ＝βγ-(1-β)dθ，
[0047]
其中θ为神经网络全部待调参数，γ为待调参数的动量项，α为更新过程中的学习速率，β为更新过程中的动量因子。
[0048]
进一步的，所述利用所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据对mbgd算法智能优化模块进行训练，包括：
[0049]
根据所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据，生成用于训练所述神经网络的训练数据和测试数据；
[0050]
利用所述训练数据和测试数据对神经网络进行训练。
[0051]
进一步的，利用所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据对卡尔曼滤波模块进行训练，包括：
[0052]
利用所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据确定卡尔曼滤波算法的相关参数，如下式所示：
[0053][0054][0055][0056]
其中，fk为系统方程状态矩阵，hk为系统方程观测矩阵，kk和∑
k|k-1
为卡尔曼滤波器增益；
[0057]
得到修正参数估计值的计算公式，如下式所示：
[0058][0059]
相对于现有技术，本发明所述的一种民用航空发动机性能模型偏差修正方法具有以下优势：
[0060]
本发明的有益效果在于：使用修正决断模块对模型偏差的种类进行判断，并选取mbgd及卡尔曼滤波算法作为修正算法，从而实现在保证较低计算量和较小计算复杂度情况下，维持较高的计算效率；通过将本发明提供的这种修正方法应用于航空发动机机载模型上，能够保证在较低计算量和较小计算复杂度的情况下，对航空发动机机载模型与发动机真实状态之间因参数瞬变、性能衰退、以及部件故障等原因造成的模型偏差进行修正，降低
航空发动机系统的建模难度，提高了航空发动机机载模型的精度，有利于确保航空发动机基于模型控制方法的精度和安全性。
附图说明
[0061]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0062]
图1为本发明实施例所述一种民用航空发动机性能模型偏差修正方法的流程示意图；
[0063]
图2为本发明实施例所述一种民用航空发动机性能模型偏差修正方法中智能优化机制的结构示意图；
[0064]
图3为本发明实施例中机载模型输出量nc在不同模型偏差程度情况下修正前后的相对误差对比示意图；
[0065]
图4为本发明实施例中机载模型输出量nf在不同模型偏差程度情况下修正前后的相对误差对比示意图；
[0066]
图5为本发明实施例中机载模型输出量t4在不同模型偏差程度情况下修正前后的相对误差对比示意图。
具体实施方式
[0067]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0068]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0069]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0070]
下面将参考附图并结合实施例来详细说明本发明。
[0071]
本发明提供的一种民用航空发动机性能模型偏差修正方法，主体思路在于采用机载模型修正方法对航空发动机机载模型与发动机真实状态之间的偏差进行修正，分别训练神经网络与卡尔曼滤波算法，建立修正决断模块，通过对模型偏差进行量化，并与预设阈值进行比较，作为模型修正的开关，从而保证在保证较高模型精度的情况下，降低机载模型修正方法的计算量与计算复杂度。
[0072]
一种民用航空发动机性能模型偏差修正方法，包括：
[0073]
步骤一、根据航空发动机动力学特性及航空发动机控制系统的重要控制变量，采集全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型的模拟状态参数；
[0074]
步骤二、获取所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态参数，并构建智能优化机制；智能优化机制包括用于评估模型偏差程度的修正决断模块、用于修正动态偏差的mbgd算法智能优化模块、以及用于修正稳态偏差的卡尔曼滤波模块；
[0075]
步骤三、利用所述全包线范围内航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据，对mbgd算法智能优化模块、以及卡尔曼滤波模块进行训练；
[0076]
步骤四、实时采集航空发动机输出的真实状态参数、以及航空发动机机载模型输出的模拟状态数据，并输入智能优化机制；通过利用修正决断模块对模型偏差程度进行计算和比对，若模型偏差程度小于预设阈值，则利用卡尔曼滤波模块对模型偏差进行修正，若模型偏差程度大于预设阈值，则利用mbgd算法智能优化模块对模型偏差进行修正。
[0077]
在实际应用过程中，为解决建模误差、性能退化、部件故障等导致的航空发动机实时机载模型与实际状态的偏差问题，通过建立修正决断模块、mbgd算法智能优化模块及卡尔曼滤波模块，并构造三个模块的匹配关系，形成智能优化机制，智能优化机制以机载模型与航空发动机真实状态的偏差为输入，修正决策模块可选择使用mbgd算法智能优化模块或卡尔曼滤波模块进行偏差修正，mbgd算法智能优化模块和卡尔曼滤波模块则可以修正模型偏差。
[0078]
具体的，需先航空发动机真实状态与机载模型输出获取模型偏差，基于模型偏差构建偏差指标，修正决断模块根据偏差指标对机载模型的偏差程度进行评估，依据评估结果对离线训练的卡尔曼滤波模块及mbgd算法智能优化模块进行调度；其中卡尔曼滤波模块对稳态偏差进行修正，mbgd算法智能优化模块对工况变化导致的动态偏差进行修正，经过智能优化机制处理后的输出用于控制系统控制。
[0079]
由于卡尔曼滤波算法的在线更新过程复杂，计算成本大；为了减少计算量，可选择离线训练的卡尔曼滤波算法来对小的模型偏差信号进行降噪处理，并将输出信号用于控制器控制；而mbgd算法智能优化模块中的神经网络算法也可以采用离线训练。示例性的，可以采集全包线范围内的航空发动机输出的真实状态参数、及航空发动机机载模型输出的模拟状态参数，生成训练数据及测试数据，用于卡尔曼滤波算法和神经网络算法的训练，以得到训练完成后的卡尔曼滤波算法和神经网络算法，基于训练好的卡尔曼滤波算法和神经网络算法，可以对航空发动机全包线内由于参数瞬变造成的模型偏差进行修正。
[0080]
在实际使用过程中，通过建立修正决断模块对模型偏差程度进行评估，以对是否进行模型修正进行判断，从而实现在保证模型精度的情况下，降低模型修正的计算量。
[0081]
当机载模型与发动机真实状态的模型偏差大于修正决策模块设定的预设阈值时，采用mbgd算法智能优化模块进行修正，并将修正后的信号用于控制器控制。其中，为了修正模型偏差，mbgd算法智能优化模块可将引擎的输入和机载模型的输出作为自己的输入数据，将发动机的真实状态作为训练过程的标签。
[0082]
当机载模型与发动机真实状态的模型偏差小于修正决策模块设定的预设阈值时采用卡尔曼滤波模块进行修正，并将修正后的信号用于控制器控制。
[0083]
以上通过上述三个模块的协同工作，可实现在保证模型精度以及较低计算量与计算复杂度的情况下，降低模型修正的计算量，对由于建模误差、性能衰退以及部件故障等因素造成的航空发动机机载模型与航空发动机真实状态之间模型偏差进行修正。
[0084]
本发明提供的这种方法解决了航空发动机机载模型与发动机真实状态之间由于工况变化等原因造成的模型偏差问题，降低了航空发动机系统的建模难度，提高航空发动机机载模型的精度，保证航空发动机基于模型控制方法的精度和安全性。
[0085]
示例性的，本实施例以某型涡扇发动机为例，选取某型涡扇发动机模型作为航空发动机真实状态，并以此为基础引入误差因子建立航空发动机机载模型，通过基于智能优化机制的民用航空发动机性能模型偏差修正方法对模型偏差进行修正。
[0086]
基于上述仿真思路，本实施例提供的民用航空发动机性能模型修正方法具体步骤如下：
[0087]
步骤1：根据涡扇发动机动力学特性及航空发动机控制系统的重要控制变量，选取涡扇发动机重要变量，并对其进行采集。
[0088]
基于涡扇发动机动力学特性及航空发动机控制系统的重要控制变量，采集航空发动机机载模型及航空发动机真实状态重要参数如下：
[0089]
ym＝[n
cm
,n
fm
,t
4m
]，
[0090]
ya＝[n
ca
,n
fa
,t
4a
]；
[0091]
其中ym为航空发动机机载模型输出的真实状态参数，ya为航空发动机真实状态下的模拟状态参数，其中nc表示压气机转速，nf表示风扇转速，t4表示涡轮前温度；
[0092]
步骤2：根据采集的航空发动机真实状态参数及机载模型模拟状态参数对mbgd算法智能优化模块进行训练，获得基于mbgd算法的mbgd算法智能优化模块，具体步骤如下：
[0093]
步骤2.1、根据涡扇发动机动力学特性及修正参数的数目，确定mbgd算法智能优化模块的输入x如下：
[0094]
x＝[wf(k),wf(k-1),wf(k-2)；nf(k),nf(k-1),nf(k-2)；nc(k),nc(k-1),nc(k-2)；t4(k),t4(k-1),t4(k-2)；smhpc(k),smhpc(k-1),smhpc(k-2)]，
[0095]
其中，wf为燃油流量，nf为发动机风扇转速，nc为发动机高压转子转速，t4为涡轮前温度，smhpc为高压压气机喘振裕度；
[0096]
真实状态标签y如下：
[0097]
y＝[nf(k),nc(k),t4(k)]；
[0098]
步骤2.2、确定mbgd算法智能优化模块的结构，首先根据修正决断模块的输入和输出，选取mbgd算法，并确定神经网络算法的结构，包括隐含层的层数以及各层神经元的个数，最后设置各层神经网络的激活函数，其中隐含层的激活函数为logsig()函数，表达式如下：
[0099][0100]
输出层的激活函数为线性激活函数；
[0101]
其中，神经网络包括输入层、隐含层和输出层，输入层、隐藏层及输出层的神经元
数量可分别为15、6、3，本领域技术人员也可以根据实际需要对各层神经网络的神经元数量进行调整。
[0102]
步骤2.3、根据采集的航空发动机真实状态参数及机载模型模拟状态参数对神经网络算法进行训练，具体步骤如下：
[0103]
步骤2.3.1、构造神经网络算法的输入输出映射关系表达式如下：
[0104]
yi＝f
irm
(x)；
[0105]
步骤2.3.2、建立神经网络算法的成本函数，表达式如下：
[0106][0107]
其中x为输入，y为标签，w为神经元的权重，b为神经元的偏置项，η为正则化的衰减参数；
[0108]
步骤2.3.3、采用mbgd算法对神经网络的参数进行更新，表达式为：
[0109]
θ＝θ-αγ，
[0110]
γ＝βγ-(1-β)dθ；
[0111]
其中，θ为网络全部待调参数，γ待调参数的动量项，α为更新过程中的学习速率，β为更新过程中的动量因子；学习率α＝0.5，动量因子β＝0.1，衰减因子η＝10-5
。
[0112]
步骤3：根据采集的航空发动机真实状态参数及机载模型状态参数对卡尔曼滤波算法的相关参数进行训练，建立卡尔曼滤波算法，具体步骤如下：
[0113]
步骤3.1、根据采集的航空发动机真实状态参数及机载模型模型状态参数确定卡尔曼滤波算法的相关参数，具体表达式如下：
[0114][0115][0116][0117]
其中fk为系统方程状态矩阵，hk为系统方程观测矩阵，kk和∑
k|k-1
为卡尔曼滤波器增益；
[0118]
步骤3.2、计算修正参数的估计值，表达式如下：
[0119][0120]
步骤4：将获取的航空发动机真实状态参数及机载模型模拟状态数据输入修正决断模块，计算偏差指标，并评估模型偏差程度，具体步骤如下：
[0121]
步骤4.1、为降低测量噪声对模型偏差比较的影响，计算航空发动机真实输出及机载模型输出的均方根值，表达式如下：
[0122][0123]
[0124]
步骤4.2、计算航空发动机机载模型与航空发动机真实状态之间的模型偏差，表达式如下：
[0125]
e(k)＝ra(k)-rm(k)
[0126]
为提高修正决断模块的决断精度，在模型偏差e(k)的基础上添加微分项，对模型偏差的变化趋势进行预测，定义航空发动机机载模型与航空发动机真实状态之间的偏差指标如下：
[0127][0128]
其中k1，k2均为常数，k1，k2通过遗传算法获得，遗传算法的优化目标为修正决断模块的决断时间t《0.5s。
[0129]
上式中，偏差指标的第一项为比例项，该项直接对模型偏差进行计算，作为偏差指标的基本项；第二项为微分项，该项通过微分对模型偏差的变化速率进行计算，从而对模型偏差的变化趋势进行预测。通过构建偏差指标保证修正决断模块的稳定性与提高修正决断模块的判断精度。
[0130]
步骤4.3、计算模型偏差程度τ，表达式如下：
[0131][0132]
步骤5：设计修正决断模块的评判方法，选取决断阈值。根据模型偏差指标对模型偏差进行评估，对模型偏差进行修正，具体步骤如下：
[0133]
步骤5.1、修正决断模块的评判方法设计如下：
[0134][0135]
其中yk(k)为卡尔曼滤波模块的输出，yi(k)为智能优化模块的输出，λ为预设阈值，本领域技术人员可根据实际需要调整预设阈值的大小，以满足实际偏差修正需要。
[0136]
步骤5.2、根据模型偏差程度与预设阈值进行比较，若模型偏差程度小于预设阈值，则通过卡尔曼滤波模块对模型偏差进行修正。若模型偏差程度大于预设阈值，则通过mbgd算法智能优化模块对模型偏差进行修正。
[0137]
为了验证本发明提供的民用航空发动机性能模型偏差修正方法的有效性，下面在matlab环境下设计了涡扇发动机模型修正方法的数字仿真实验。
[0138]
首先设计mbgd算法智能优化模块中神经网络算法的结构，输入层、隐藏层和输出层的神经元数量分别为15、6和3，定义学习率α＝0.5，动量因子β＝0.1，衰减因子η＝10-5
。
[0139]
之后以λ＝1％偏差模型的输入输出数据和全包线范围内实际航空发动机系统输出真实状态数据建立神经网络的样本集，样本集总数为6000，前4000样本作为训练集训练神经网络，剩余部分作为测试集，测试集大小为2000，用于验证上述模型修正方法对航空发动机系统模型修正的有效性。
[0140]
随后在h＝0.3km和ma＝0.15的飞行条件下，给出3％的燃油阶跃信号，对模型修正方法进行验证。为了展示智能优化机制对不同模型偏差程度的模型偏差的修正效果，改变航空发动机机载模型的模型偏差系数，使用模型修正方法对模型偏差进行修正，修正前后的相对误差如图3至图5所示，模型偏差得到明显纠正，提高了发动机模型的准确性和可靠
性。当模型偏差程度在10％范围内时，本方法可以有效降低模型偏差，然而随着模型偏差程度的上升，本方法的校正精度降低，但仍能有效提高模型输出精度，因此本发明提供的这种修正方法对模型偏差具有良好的修正效果，本领域技术人员可以根据实际航空发动机的运行需要选择预设阈值，以确保航空发动机能持续稳定的运行。
[0141]
本发明的有益效果在于：使用修正决断模块对模型偏差的种类进行判断，并选取mbgd及卡尔曼滤波算法作为修正算法，从而实现在保证较低计算量和较小计算复杂度情况下，维持较高的计算效率；通过将本发明提供的这种修正方法应用于航空发动机机载模型上，能够保证在较低计算量和较小计算复杂度的情况下，对航空发动机机载模型与发动机真实状态之间因参数瞬变、性能衰退、以及部件故障等原因造成的模型偏差进行修正，降低航空发动机系统的建模难度，提高了航空发动机机载模型的精度，有利于确保航空发动机基于模型控制方法的精度和安全性。
[0142]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。