本发明涉及一种基于深度学习算法的航空发动机全包线模型自适应修正方法，具体的说，是指在航空发动机全包线工作范围内，一种实现模型输出对试车数据精确逼近的模型修正技术，属于航空发动机建模与仿真
技术领域：
。
背景技术：
：本发明依托背景为某型小涵道比涡扇发动机的非线性部件级数学模型。目前常用的航空发动机部件级模型都是依据航空发动机的标称特性建立，忽略了不同航空发动机之间的性能差异。此外，发动机多部件协同工作，即使部件的模型特性十分精确，但部件间的相互影响、制造与装配误差、使用磨损和性能蜕化等因素产生的干扰，使得由标称非线性部件级模型仿真计算得到的发动机性能参数与实际性能参数存在较大误差。而航空发动机控制系统及故障诊断系统的设计与仿真验证的有效性与准确性与航空发动机的非线性模型密切相关。因此，依据试车数据对早期建立的航空发动机部件级非线性模型进行自适应修正具有重要的工程意义。现有的国内外航空发动机模型修正技术主要集中于基于稳态工作点的部件特性修正，即针对某给定稳态工作点，采用多种求解方法对修正参数进行调整，该类修正过程在一定程度上即为稳态模型参数的优化过程。而对于航空发动机的过渡态，目前通用的方法仍然基于稳态工作点模型，采用插值算法近似过渡态过程。由于特征稳态工作点较少，插值误差较大，导致模型动态响应误差较大。因此，上述模型修正方法难以解决全包线内过渡态过程的关键输出参数的精度问题。此外，航空发动机模型中涉及的健康参数个数远多于航空发动机关键可测参数，实际工程应用中往往只选择与关键可测参数个数相当的健康参数进行自适应调整。现有的健康参数选择方法多采用修正参数扰动法，即对健康参数修正因子产生一个阶跃信号，测量航空发动机关键输出参数的变化量，依据其幅值变化大小顺序选择待修正的健康参数。然而，由于关键输出参数的变化量随健康参数修正因子的变化并非线性，不适当的阶跃信号幅值选取会对待修正健康参数选择产生影响，从而降低了修正后模型的准确性。最后，上述方法并未考虑原始非线性模型与实际工作状态的建模误差而直接对其修正，也降低了模型精度与修正参数的可靠性。综上，为了克服现有的控制用航空发动机全包线模型修正技术的不足，即上述基于稳态模型参数修正过渡态、基于阶跃信号响应的待修正健康参数选择及未考虑原始部件级模型误差三种情况，本发明提出了一种基于深度学习算法的控制用航空发动机全包线模型自适应修正方法。此种方法直接对航空发动机全包线范围内模型直接实现修正，采用了一种更为合理的基于集成评价的多指标决策算法实现健康参数的选择，并且对原始发动机建模误差进行了补偿，使得修正后模型更为精确。同时，本方法通过适当的调整即可推广到其他类型的航空涡轮发动机以及船用燃气轮机的建模及修正中，普适性更广。技术实现要素：针对现有技术中难以实现航空发动机全包线模型高精度修正的问题，本发明提供了一种基于深度学习算法的航空发动机全包线模型自适应修正方法。本发明的技术方案为：一种基于深度学习算法的航空发动机全包线模型自适应修正方法，包括以下步骤：s1.根据采集的航空发动机全包线运行试车数据中性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；s2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；s3.根据航空发动机全包线的蜕化状态试车数据，采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；s4.构建基于遗传算法的修正器，并设置修正次数20≥q>0；s5.对原始非线性部件级模型中待修正健康参数修正因子进行自适应修正；s6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若差值e不大于误差阈值ε，0.05≥ε>0或达到修正次数q，进入s7；否则，返回s5；s7.保存修正后的待修正健康参数修正因子。其中，生成动态并行补偿器的训练数据和测试数据的步骤如下：s1.设采集的m次航空发动机全包线运行试车数据中，其中n次为性能未蜕化状态的试车数据，每次试车数据中含有p个样本，其中m、n、p为自然数，且m>n；每个样本中输入变量为采样时间ts、飞行高度h、马赫数ma和燃油流量wf，输出变量为压气机出口压力p3、低压涡轮出口总温t5、低压转子转速n1和高压转子转速n2；s2.产生原始非线性部件级模型输出：将采集的n次性能未蜕化状态的试车数据中的输入变量ti、hi、mai和wfi作为输入信号，逐次输入航空发动机原始部件级模型，得到n次原始非线性部件级模型输出：压气机出口压力p3i’、低压涡轮出口总温t5i’、低压转子转速n1i’和高压转子转速n2i’，i＝1,2,…,n；s3.产生输出数据样本：将性能未蜕化状态的试车输出数据与原始非线性部件级模型输出分别相减，得到n次输出数据样本，即δp3i＝p3i-p3i’,δt5i＝t5i-t5i’，δn1i＝n1i-n1i’，δn2i＝n2i–n2i’，i＝1,2,…,n；s4.归一化处理：将wfi、δp3i、δt5i、δn1i和δn2i逐次分别进行归一化处理，w*fi＝wfi/[max(wfi)-min(wfi)]，i＝1…n，w*fi为第i次归一化燃油流量，max(·)表示求最大值，min(·)表示求最小值；n次输出数据样本δp3i、δt5i、δn1i和δn2i也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力p*3i、低压涡轮出口总温t*5i、低压转子转速n*1i和高压转子转速n*2i；s5.数据编码：设n次性能未蜕化状态的试车数据对应l种飞行高度和k种马赫数，对其进行编码，即建立一个l×k位二进制数，每一位对应一种飞行高度和马赫数的组合；若二进制数中某位为1，则表示航空发动机工作于该飞行高度和马赫数下；s6.产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在w*fi、p*3i、t*5i、n*1i和n*2i，数据长度变为p+l×k，i＝1,2,…,n；s7.随机选取n×(p+l×k)个样本中的五分之四作为训练样本，五分之一作为测试样本。构建基于循环神经网络算法的动态并行补偿器的步骤如下：s1.建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个rnn循环神经层，6个线形层，5个激活层，激活函数选择为relu函数，更新规则采用随机梯度下降法，动量为0.9，迭代次数为20000次，设置学习率10-3>lr>10-5及权重衰减系数0.3>λ>10-5，损失函数r采用如下形式：其中，yt表示测试样本中的输出数据，yn表示并行补偿器的输出数据，w表示循环神经网络中的权重，采用训练样本对该循环神经网络进行训练；s2.采用测试样本对训练后的循环神经网络进行测试，计算损失函数；s3.若测试样本的损失函数值大于指标ζ，0.03≥ζ>0，则返回s1，更改学习率lr及权重衰减系数λ，重新训练网络；否则，保存网络参数，完成基于循环神经网络算法的动态并行补偿器的构建。一种基于集成评价的多指标决策算法，具体步骤如下：航空发动机健康参数包括风扇流量因子qf、风扇效率因子ef、压气机流量因子qc、压气机效率因子ec、高压涡轮流量因子qth、高压涡轮效率因子eth、低压涡轮流量因子qtl、低压涡轮效率因子etl、燃烧室总压恢复系数sigcomb、外涵道总压恢复系数sigbypass；健康参数修正因子及其允许修正范围分别为fi及[fimin,fimax]，i＝1,…,10；s1.在原始非线性部件级模型中，令h＝0,ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，健康参数修正因子全部设为1，仿真计算原始非线性模型的各稳态点数据p3s、t5s、n1s、n2s；s2.在原始非线性部件级模型中，令h＝0,ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，依次将健康参数修正因子由fimin以0.05的步长增加至fimax，保持其余健康参数修正值为1，仿真计算扰动的原始非线性模型各稳态点数据p3sij、t5sij、n1sij、n2sij，i＝1,…,10，j＝1,…,[(fimax-fimin)/0.05]；s3.计算稳态点误差相对偏差量dp3sij＝|p3sij-p3s|/p3s、dt5sij＝|t5sij-t5s|/t5s、dn1sij＝|n1sij-n1s|/n1s、dn2sij＝|n2sij–n2s|/n2s，i＝1,…,10，j＝1,…,[(fimax-fimin)/0.05]；s4.构建区间数形式的决策矩阵u＝[uin]，uin＝[ulin,uuin]，其中i＝1,…,10，n＝1,…,4；s5.计算其中，bin是中点归一化矩阵，ein是长度归一化矩阵，qn是第n个属性的信息熵，0<η<1是平衡因子，i＝1,…,10，n＝1,…,4；计算熵权s6.计算熵权决策值s7.构造加权规范化决策矩阵jin＝uinwn，确定正理想点和负理想点大小分别为其中，计算距离其中，d+i是加权规范化决策矩阵jin和正理想点的距离，是加权规范化决策矩阵jin和负理想点的距离；计算决策值s8.计算综合决策值fi＝α(vi+ci)，α是放大系数，取值为1，i＝1,…,10，并按其值由大到小进行排序，选择前四个参数作为待修正健康参数。基于遗传算法的修正器的参数设置为：遗传算法的种群大小为100，迭代次数为20，优良子辈为5，变异子辈由高斯分布产生，交叉子辈概率为0.8，遗传算法的适应度函数为p3、t5、n1和n2的航空发动机全包线运行试车数据与经过修正器修正的航空发动机非线性部件级模型输出的误差之和，变量个数为4个。本发明的有益效果为：通过本发明所提供方法对航空发动机非线性部件级模型进行修正，相比于以往的修正方法，精度更高，实现了全包线范围内模型对试验数据的精确描述。航空发动机非线性模型可直接用于控制系统和故障诊断的设计与验证。因此，提高非线性模型的稳态和过渡态模型精度，一方面可间接提高发动机控制系统设计和参数调试效果；一方面可直接提高航空发动机数字仿真平台、硬件在回路仿真平台以及半物理仿真平台的验证精度和可靠性，从而为工程实际的验证环节提供直接有益的效果。同时，本方法通过适当的调整即可推广到其他类型的航空涡轮发动机以及船用燃气轮机的建模及修正，普适性更广。附图说明图1为基于深度学习算法的航空发动机全包线模型自适应修正方法系统结构示意图；图2为基于深度学习算法的航空发动机全包线模型自适应修正方法算法流程图；图3为动态并行补偿器的训练数据和测试数据的生成算法流程图；图4为基于集成评价的多指标决策算法流程图；图5为某一工况下原始非线性部件级模型输出p3数据与试车数据对比图；图6为某一工况下原始非线性部件级模型输出t5数据与试车数据对比图；图7为基于深度学习算法的航空发动机全包线模型自适应修正p3效果图；图8为基于深度学习算法的航空发动机全包线模型自适应修正t5效果图。具体实施方式下面结合附图对本发明作进一步说明，本发明依托背景为某型小涵道比涡扇发动机的非线性数学模型以及试车数据，系统结构图如图1所示。如图2所示，一种基于深度学习算法的航空发动机全包线模型自适应修正方法，包括以下步骤：s1.根据采集的航空发动机全包线运行试车数据中的性能未蜕化状态的试车数据，生成用于建立基于循环神经网络算法的动态并行补偿器的训练数据和测试数据；s2.利用生成的动态并行补偿器的训练数据和测试数据，构建基于循环神经网络算法的动态并行补偿器；s3.采用一种基于集成评价的多指标决策算法，确定航空发动机原始非线性部件级模型中待修正健康参数；s4.构建基于遗传算法的修正器，并设置修正次数20≥q>0，本实施例设为q＝10；s5.对原始非线性部件级模型中待修正健康参数的修正因子进行自适应修正；s6.计算修正后的非线性部件级模型输出与给定输入信号下动态并行补偿器输出之和，再与给定工况下航空发动机全包线运行试车数据中相应输出数据相减，若该差值e不大于误差阈值ε＝0.04(0.05≥ε>0)或达到修正次数q，进入s7；否则，返回s5；s7.保存修正后的待修正健康参数修正因子。如图3所示，动态并行补偿器的训练数据和测试数据的生成步骤是：s1.设采集的m＝980次航空发动机全包线运行试车数据中，其中n＝150次为性能未蜕化状态的试车数据，每次试车数据中含有p＝1000个样本。每个样本中输入变量为采样时间ts＝0.025、飞行高度h、马赫数ma和燃油流量wf，输出变量为压气机出口压力p3、低压涡轮出口总温t5、低压转子转速n1和高压转子转速n2；s2.产生原始非线性部件级模型输出：将采集的n次性能未蜕化状态的试车数据中的输入变量ti、hi、mai和wfi作为输入信号，逐次输入航空发动机原始部件级模型，得到n次原始非线性部件级模型输出(压气机出口压力p3i’、低压涡轮出口总温t5i’、低压转子转速n1i’和高压转子转速n2i’)，i＝1,2,…,n；s3.产生输出数据样本：将性能未蜕化状态的试车输出数据与原始模型输出分别相减，得到n次输出数据样本，即δp3i＝p3i-p3i’,δt5i＝t5i-t5i’，δn1i＝n1i-n1i’，δn2i＝n2i–n2i’，i＝1,2,…,n；s4.归一化处理：将wfi、δp3i、δt5i、δn1i和δn2i逐次分别进行归一化处理，如w*fi＝wfi/[max(wfi)-min(wfi)],i＝1…n，w*fi为第i次归一化燃油流量，max(·)表示求最大值，min(·)表示求最小值；n次输出数据样本δp3i、δt5i、δn1i和δn2i也做相同归一化处理，分别得到第i次归一化输出数据样本，包括压气机出口压力p*3i、低压涡轮出口总温t*5i、低压转子转速n*1i和高压转子转速n*2i；s5.数据编码：设n次性能未蜕化状态的试车数据对应l＝3种飞行高度和k＝3种马赫数，对其进行编码，即建立一个9位二进制数，每一位对应一种飞行高度和马赫数的组合；s6.产生数据样本：将第i次性能未蜕化状态的试车数据对应的编码后飞行高度和马赫数的二进制数逐位追加在w*fi、p*3i、t*5i、n*1i和n*2i，数据长度变为1009，i＝1,2,…,n；s7.随机选取120×1009个样本作为训练样本，30×1009作为测试样本。基于循环神经网络算法的动态并行补偿器的构建步骤是：s1.建立一个循环神经网络，网络参数为：1个输入层，1个输出层，10个rnn(循环神经层)，6个线形层，5个激活层，激活函数选择为relu函数，更新规则采用随机梯度下降法，动量为0.9，迭代次数为20000次，设置学习率lr＝10-4及权重衰减系数λ＝10-3，损失函数r采用如下形式：其中，yt表示测试样本中的输出数据，yn表示并行补偿器的输出数据，w表示循环神经网络中的权重，采用训练样本对该循环神经网络进行训练；s2.采用测试样本对训练后的循环神经网络进行测试，计算损失函数；s3.若测试样本的损失函数值大于指标ζ＝0.02，则返回s1，更改学习率lr及权重衰减系数λ，重新训练网络；否则，保存网络参数，完成基于循环神经网络算法的动态并行补偿器的构建。如图4所示，一种基于集成评价的多指标决策算法步骤是：航空发动机健康参数包括风扇流量因子qf、风扇效率因子ef、压气机流量因子qc、压气机效率因子ec、高压涡轮流量因子qth、高压涡轮效率因子eth、低压涡轮流量因子qtl、低压涡轮效率因子etl、燃烧室总压恢复系数sigcomb、外涵道总压恢复系数sigbypass；健康参数修正因子及其允许修正范围分别为fi及[fimin,fimax]，i＝1,…,10，所提供修正范围要求如表1所示；表1健康因子修正系数修正范围参数qfefqcecqthethqtletlsigcombsigbypassfimin0.70.750.70.70.750.70.70.70.80.7fimax1.051.11.051.11.11.11.11.11.11.1s1.在原始非线性部件级模型中，令h＝0,ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，健康参数修正因子全部设为1，仿真计算原始非线性模型的各稳态点数据p3s、t5s、n1s、n2s；s2.在原始非线性部件级模型中，令h＝0,ma＝0，燃油流量按照全包线试车数据从慢车到最大状态分别给定，依次将健康参数修正因子由fimin以0.05的步长增加至fimax，保持其余健康参数修正值为1，仿真计算扰动的原始非线性模型各稳态点数据p3sij、t5sij、n1sij、n2sij，i＝1,…,10，j＝1,…,[(fimax-fimin)/0.05]；s3.计算稳态点误差相对偏差量dp3sij＝|p3sij-p3s|/p3s、dt5sij＝|t5sij-t5s|/t5s、dn1sij＝|n1sij-n1s|/n1s、dn2sij＝|n2sij–n2s|/n2s，i＝1,…,10，j＝1,…,[(fimax-fimin)/0.05]；s4.构建区间数形式的决策矩阵u＝[uin]，uin＝[ulin,uuin]，其中i＝1,…,10，n＝1,…,4；s5.计算其中，平衡因子η＝0.5，i＝1,…,10，n＝1,…,4；计算熵权s6.计算熵权决策值其中，i＝1,…,10，n＝1,…,4，本实施例中熵权决策值；s7.构造加权规范化决策矩阵jin＝uinwn，确定正理想点和负理想点大小分别为其中，计算距离计算决策值s8.计算综合决策值fi＝α(vi+ci)，i＝1,…,10，并按其值由大到小进行排序，选择前四个参数作为待修正健康参数，本实施例中选择参数为etl、qtl、ef、qf。基于遗传算法的修正器参数设置为：遗传算法的种群大小为100，迭代次数为20，优良子辈为5，变异子辈由高斯分布产生，交叉子辈概率为0.8，遗传算法的适应度函数为p3、t5、n1和n2的航空发动机全包线运行试车数据与经过修正器修正的航空发动机非线性部件级模型输出的误差之和，变量个数为4个。健康参数修正因子的修正结果为：etl＝0.8879628078986851；qtl＝0.9981193434041549；ef＝0.9557873575305739；qf＝0.9897485939854536。修正前的原始模型与试车数据的差异如图5和图6所示，分别为某一工况下原始非线性部件级模型输出p3数据、t5数据与试车数据对比图，原始模型建模的p3和t5的平均相对误差为20.27％，17.30％。图7为采用了本发明提出的基于深度学习算法的航空发动机全包线模型自适应修正方法进行修正后，修正模型输出的p3与试车数据对比图，建模的平均相对误差为1.42％。图8为采用了本发明提出的基于深度学习算法的航空发动机全包线模型自适应修正方法进行修正后，修正模型输出的t5与试车数据对比图，建模的平均相对误差为1.91％。综上可见在使用基于深度学习算法的航空发动机全包线模型自适应修正方法进行修正后，稳态和过渡态性能都能够得到明显的改善。当前第1页12