【技术实现步骤摘要】
本专利技术属于航空发动机领域，具体涉及一种基于卷积神经网络的改良发动机推力估计器设计方法。
技术介绍
1、对于航空发动机而言，针对推力这种不可测参数的估计方法对发动机的控制具有重要意义。传统的飞机发动机控制系统通过调节风扇速度或发动机压比等来调节推力这类不可测的性能参数。控制器通常基于比例积分(pi)方案的变型，通过收集一系列可测的传感器参数来集成总的控制命令,起到间接控制推力这种不可测物理量。然而每台发动机之间都存在些许的制造差异，使得不同发动机之间总是存在轻微的性能差异，且发动机在其使用寿命内都会自然退化，使得参数推断这一过程变得复杂。一般为解决这些问题，控制系统会保留较大的安全裕度以确保发动机在从完全健康到完全退化的各种条件下都能稳定运行，这种鲁棒性是以发动机的性能为代价换取，使得发动机在非恶劣工况下的性能仍有很大的挖掘潜力。当前新型的发动机控制系统里，开始尝试在飞行过程中对传感器不可测得的特征参数进行估计，并将其估计值应用于控制器回路中，直接控制发动机的推力等性能参数，提升其运行效率。这一方法被称为航空发动机的直接控制。
2、在直接控制中，一般将估计发动机推力的算法称为推力估计器，一个设计优秀的高质量推力估计器可以被视为推力的虚拟传感器，起到对可测量参数进行分析运算后输出推力估计值的作用。针对不可测参数的估计方法大致可分为两类，基于模型的估计器设计方法与数据驱动的设计方法。前者是通过将实时机载气动发动机模型整合到发动机控制架构中来实现，然而，基于模型的估计方法需要建立一个能全包线适用的高精度实时航空发动机非线
3、数据驱动的推力估计方法开始被广泛研究并且取得了一定的成果。近年来虽然已有多种基于不同神经网络的推力估计器设计方法被提出，如多层感知机(multi-layerperceptron简称mlp),循环神经网络(recurrent neural network,简称rnn),长短期记忆网络(long short-term memory networks，简称lstm)，卷积神经网络(convolutionalneural network，简称cnn)，在推力估计上取得了一定的成果，但其内在机理都是直接使用网络对推力进行拟合，没有有效考虑到发动机本身的特点，将其与神经网络的特点紧密结合。因此，本专利技术提出一种新型的基于卷积神经网络的发动机推力估计器改良设计方法，在基于卷积神经网络设计的推力估计器的基础结构上结合发动机本身的数据特点，形成针对发动机的改良卷积神经网络训练方法，以提高网络与发动机的契合程度，达到更好的拟合效果。
技术实现思路
1、要解决的技术问题：
2、为了避免现有技术的不足之处，本专利技术提供一种基于卷积神经网络的改良发动机推力估计器设计方法，在卷积神经网络估计发动机推力的基础上，将发动机的输入特征结构与卷积神经网络特有的多通道输入方式相结合，解决了原本使用卷积神经网络时与发动机特征结合不紧密，准确度不高的问题，实现更高精度的推力估计效果。
3、本专利技术的技术方案是：一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：
4、构建发动机仿真模型，获取航空发动机仿真实验数据集；
5、对所述实验数据集进行归一化处理，消除样本不同属性以及量级的影响；
6、将所述实验数据集划分为训练集、验证集和测试集，使用训练数据集对推力估计器进行训练，使用验证集对估计器参数进行调整，使用测试数据集检验估计结果；
7、将归一化处理后的数据集重新排列后送入卷积神经网络，并在网络中进行拼接；
8、构建卷积神经网络的具体结构，并通过训练进行优化；
9、设置卷积神经网络的具体训练方法；
10、采用所述卷积神经网络对发动机推力估计器进行训练并保存结果；
11、将测试数据集输入完成训练的推力估计器，进行推力拟合并保证结果。
12、本专利技术的进一步技术方案是：所述航空发动机仿真实验数据集包括进气道进口总温总压、风扇和压气机相对换算转速、风扇出口总温总压、压气机出口总温总压、燃烧室供油量、涡轮出口总温总压。
13、本专利技术的进一步技术方案是：所述归一化处理的方法具体为：
14、
15、
16、f*＝f/2000 (3)
17、式中，x(i)为特定样本的第i个特征，xmin为所有数据中第i个特征中的最小值，xmax为所有数据中第i个特征中的最大值，为数据处理后的标准化值，mmin为处理后映射区间的下限，mmax为处理后映射区间的上限，为最终缩放到映射区间后的值，映射区间为[1,2]；f为推力，f*为量级调整后的推力。
18、本专利技术的进一步技术方案是：所述实验数据集按照6：2：2的比例划分为训练集、验证集和测试集。
19、本专利技术的进一步技术方案是：所述数据集重新排列后送入卷积神经网络，并在网络中进行拼接的具体步骤如下：
20、将归一化处理后的发动机仿真数据集分为叶轮机械类，流通气动类，混合组分类三种类别；
21、对按类别分组后的发动机仿真数据集进行重构；对每组发动机特征进行相同处理，在横向按照发动机的部件顺序依次设置，在纵向上按发动机的时间顺序进行滑窗处理，这样使得卷积神经网络在训练过程中，能在水平方向上学习到发动机空间特征的同时，在竖直方向上学习到发动机的时间特征；
22、将重构后的发动机数据集，按照三通道的设置送入卷积神经网络训练；将发动机的输入特征结构与卷积神经网络特点相结合，使得每一个通道中包含不同类别的航空发动机特征，使发动机结构与二维卷积组合。
23、本专利技术的进一步技术方案是：所述训练集的数据分为小批次逐批送入网络训练，以达到训练效率和训练精度的平衡。
24、本专利技术的进一步技术方案是：所述训练方法使用adam收敛算法，学习率为10*-3，迭代次数为100，损失函数为均方误差mse，公式如下：
25、
26、式中，xi表示单次训练中输入模型的一批次样本数据，n表示单次训练中输入样本数据的数量，y(xi)表示输入样本对应的目标预测推力，f(xi)表示训练过程中模型的输出推力。
27、有益效果
28、本专利技术的有益效果在于：本专利技术的主要目的为在卷积神经网络估计发动机推力的基础上，将发动机的输入特征结构与卷积神经网络特有的多通道输入方式相结合，提出一种新型的针对发动机特征结构的基于卷积神经网络的推力估计器改良设计方法，以解决原本使用各类神经网络时与发动机特征结合不紧密，准确度不高的问题，实现更高精度的推本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：
2.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述航空发动机仿真实验数据集包括进气道进口总温总压、风扇和压气机相对换算转速、风扇出口总温总压、压气机出口总温总压、燃烧室供油量、涡轮出口总温总压。
3.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述归一化处理的方法具体为：
4.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述实验数据集按照6：2：2的比例划分为训练集、验证集和测试集。
5.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述数据集重新排列后送入卷积神经网络，并在网络中进行拼接的具体步骤如下：
6.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述训练集的数据分为小批次逐批送入网络训练，以达到训练效率和训练精度的平衡。
7.根据权利要求1所述一
...【技术特征摘要】
1.一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：
2.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述航空发动机仿真实验数据集包括进气道进口总温总压、风扇和压气机相对换算转速、风扇出口总温总压、压气机出口总温总压、燃烧室供油量、涡轮出口总温总压。
3.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述归一化处理的方法具体为：
4.根据权利要求1所述一种基于卷积神经网络的改良发动机推力估计器设计方法，其特征在于：所述实验数据集按照6：2：2的比例划分...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。