【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于级联模型的航空发动机性能预测方法及装置。
技术介绍
1、航空发动机是一个复杂的多输入-多输出系统，对其动态性能的研究是非常必要的，例如启动加速、减速和航行过程中，螺旋桨会受到扰动等，影响性能。航空发动机是一个整体，它由涡轮、燃烧室、压气机等部件组合而成。航空发动机的总特性不仅与这些部件的性能有关，而且还与它携带的外界负荷所固有的特性密切相关。衡量一台航空发动机总体性能的优劣，不仅要看它在设计工况下的技术性能指标，而且还必须研究它在偏离设计工况条件下的工作性能的好坏，这样才能对航空发动机的总体性能做出全面的评价。
2、航空发动机在负荷、转速、大气或其他参数偏离设计状态下工作称为航空发动机的变工况，它包括部分负荷和过渡过程两种。部分负荷的特点是机组工作的稳定平衡，确切地说就是在任一部分负荷时，航空发动机中的一切参数，例如气温、气压、转速、功率等，都不随时间而变。所以，部分负荷都是稳定工况。在大扰动的过渡过程中，机组所经历的工况都是非平衡工况，机组的动态特性也是随着工况的改变而不断变化的。气温、气压、转速、功率等，都随时间变化。
3、现有技术中，航空发动机数字孪生模型会采用集成模型架构提高精度，但对于大数据场景，容易计算冗余，对算力要求很高，并且作战需要运算速度快，所以如何建模以提高运算速度，从而快速预测出航空发动机的性能是目前亟待解决的问题。
技术实现思路
1、为解决现有技术中存在的问题，本专利技术实施例提供了一种基于级联
2、为了解决上述技术问题中的任意一种，本专利技术的具体技术方案如下：
3、本专利技术实施例提供了一种基于级联模型的航空发动机性能预测方法，包括：
4、获取目标航空发动机的多个可测参数；
5、将所述多个可测参数输入到训练好的神经网络级联模型中进行计算，得到所述目标航空发动机的目标性能预测值，其中，训练好的神经网络级联模型中包括至少一个串联的目标子神经网络模型，上一个目标子神经网络模型的输出结果是下一个目标子神经网络模型的输入，各目标子神经网络模型均输出各自的性能预测值，对各目标子神经网络模型的性能预测值进行集成，得到所述目标性能预测值；
6、训练所述神经网络级联模型的步骤包括：
7、初始化建立待训练的神经网络级联模型，待训练的神经网络级联模型中包括多个串联的待训练的子神经网络模型以及各待训练的子神经网络模型对应的预设基础集成权重；
8、计算航空发动机的多个历史可测参数和相应的历史性能之间的相关性系数，得到多个目标历史可测参数，所述多个目标历史可测参数分别与相应的历史性能参数的所述相关性系数大于第一相关性阈值，且多个目标可测参数彼此之间的所述相关性系数小于第二相关阈值；
9、将所述多个目标历史可测参数输入到待训练的神经网络级联模型中进行计算，得到所述待训练的神经网络级联模型中多个待训练的子神经网络模型的输出结果，对多个待训练的子神经网络模型的输出结果按照所述预设基础集成权重进行聚合，得到预测性能，并计算所述预测性能和相应的历史性能之间的误差，判断所述误差是否满足预设精度要求，若不满足，则更新各待训练的子神经网络模型的模型参数，重复执行将所述多个目标历史可测参数及其对应的所述历史性能参数输入到待训练的神经网络级联模型中进行计算的步骤，直至所述误差满足所述预设精度要求，得到包括多个训练好的子神经网络模型的训练好的神经网络级联模型，并且，在利用包括多个训练好的子神经网络模型的训练好的神经网络级联模型对航空发动机的多个历史可测参数进行计算时，当其中的任意一个训练好的子神经网络模型的置信度满足相应的置信度阈值的要求时，停止该子神经网络模型的后续训练好的子神经网络模型的计算，将未停止计算的一个训练好的子神经网络模型作为一个所述目标子神经网络模型，得到包括至少一个串联的目标子神经网络模型的训练好的神经网络级联模型。
10、另一方面，本专利技术实施例还提供了一种基于级联模型的航空发动机性能预测装置，包括：
11、可测参数获取单元，用于获取目标航空发动机的多个可测参数；
12、性能预测单元，用于将所述多个可测参数输入到训练好的神经网络级联模型中进行计算，得到所述目标航空发动机的目标性能预测值，其中，训练好的神经网络级联模型中包括至少一个串联的目标子神经网络模型，上一个目标子神经网络模型的输出结果是下一个目标子神经网络模型的输入，各目标子神经网络模型均输出各自的性能预测值，对各目标子神经网络模型的性能预测值进行集成，得到所述目标性能预测值；
13、模型训练单元，用于训练所述神经网络级联模型，所述模型训练单元包括：
14、模型初始化模块，用于初始化建立待训练的神经网络级联模型，待训练的神经网络级联模型中包括多个串联的待训练的子神经网络模型以及各待训练的子神经网络模型对应的预设基础集成权重；
15、可测参数筛选模块，用于计算航空发动机的多个历史可测参数和相应的历史性能之间的相关性系数，得到多个目标历史可测参数，所述多个目标历史可测参数分别与相应的历史性能参数的所述相关性系数大于第一相关性阈值，且多个目标可测参数彼此之间的所述相关性系数小于第二相关阈值；
16、训练模块，用于将所述多个目标历史可测参数输入到待训练的神经网络级联模型中进行计算，得到所述待训练的神经网络级联模型中多个待训练的子神经网络模型的输出结果，对多个待训练的子神经网络模型的输出结果按照所述预设基础集成权重进行聚合，得到预测性能，并计算所述预测性能和相应的历史性能之间的误差，判断所述误差是否满足预设精度要求，若不满足，则更新各待训练的子神经网络模型的模型参数，重复执行将所述多个目标历史可测参数及其对应的所述历史性能参数输入到待训练的神经网络级联模型中进行计算的步骤，直至所述误差满足所述预设精度要求，得到包括多个训练好的子神经网络模型的训练好的神经网络级联模型，并且，在利用包括多个训练好的子神经网络模型的训练好的神经网络级联模型对航空发动机的多个历史可测参数进行计算时，当其中的任意一个训练好的子神经网络模型的置信度满足相应的置信度阈值的要求时，停止该子神经网络模型的后续训练好的子神经网络模型的计算，将未停止计算的一个训练好的子神经网络模型作为一个所述目标子神经网络模型，得到包括至少一个串联的目标子神经网络模型的训练好的神经网络级联模型。
17、另一方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，实现上述方法。
18、另一方面，本专利技术实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
19、本专利技术实施例的有益效果如下：
2本文档来自技高网...
【技术保护点】
1.一种基于级联模型的航空发动机性能预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标性能预测值包括所述目标航空发动机的推力状态数据。
3.根据权利要求2所述的方法，其特征在于，所述目标航空发动机或所述航空发动机为双转子加力涡扇发动机，所述可测参数或所述历史可测参数包括进口温度、进口压力、综合畸变指数、高压涡轮转速、低压涡轮转速、主燃油流量、加力燃油流量、涡轮出口温度、尾喷口面积、高度以及马赫数中的一种或多种。
4.根据权利要求2所述的方法，其特征在于，得到所述目标性能预测值之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述待训练的神经网络级联模型为采用Boosting结构建神经网络级联模型，包括三个串联的待训练的子神经网络模型。
6.根据权利要求5所述的方法，其特征在于，第一个待训练的子神经网络提取总数据量的20％作为特征数据，相应的置信度阈值为0.6，相应的预设基础集成权重为0.2，所述总数据量包括所述航空发动机的多个历史可测参数以及相应的历史性能；
7.
8.一种基于级联模型的航空发动机性能预测装置，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7任一所述的方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1至7任一所述的方法的指令。
...【技术特征摘要】
1.一种基于级联模型的航空发动机性能预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标性能预测值包括所述目标航空发动机的推力状态数据。
3.根据权利要求2所述的方法，其特征在于，所述目标航空发动机或所述航空发动机为双转子加力涡扇发动机，所述可测参数或所述历史可测参数包括进口温度、进口压力、综合畸变指数、高压涡轮转速、低压涡轮转速、主燃油流量、加力燃油流量、涡轮出口温度、尾喷口面积、高度以及马赫数中的一种或多种。
4.根据权利要求2所述的方法，其特征在于，得到所述目标性能预测值之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述待训练的神经网络级联模型为采用boosting结构建神经网络级联模型，包括三个串联的待训练的子神经网络模型。
【专利技术属性】
技术研发人员：王鹂辉，徐鸣，吴雄，彭云龙，
申请(专利权)人：上海航数智能科技有限公司，
类型：发明
国别省市：
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。