一种面向航空发动机试验方案的智能生成及优化装置的制作方法

本发明涉及航空设备试验，并且更具体地，涉及一种面向航空发动机试验方案的智能生成及优化装置。

背景技术：

1、航空发动机的研发设计是一种涉及到多个学科的研制技术。在开发与设计过程中，发动机的试验测试是一个重要环节。航空发动机试验测试是集流体力学、热力学、计算机、电子学、控制学、材料学结构力学等为一体的综合性学科。无论在研制过程中，还是在批产、使用过程中，发动机试验都是一个至关重要的环节，大多数的技术质量问题可以在这个环节暴露。一方面必须要按照相应规范和要求，开展大量考核性验证和试验，满足产品安全性、可靠性和使用寿命要求；另一方面由于实际工作的复杂性、使用状态的差异性、客观现实的不适应性等原因，目前还不能完全通过数值仿真和分析预测来解决发动机全包线范围内的所有问题。因此，发动机研发的阶段都进行大量的试验测试，以确定发动机性能特满足设计任务需求。当前，世界各国竞相提升先进航空发动机研发能力，研发过程中的复杂验证问题研究工作面临越来越庞大的试验矩阵，这就要求发动机试验提高效率、降低成本和周期，并能够提供更为精准的试验数据。不断提高的发动机试验数据的数量和质量要求与现有试验能力之间的矛盾越来越突出，亟待进一步提高发动机试验技术能力，为现代先进航空装备研制提供更大、更复杂、更高效的发动机动产品。

2、随着航空发动机研发技术和可服务性需求的不断提高，出现了庞大的试验矩阵，对试验测试过程中的试验方案的可行性、可靠性、覆盖性要求也越来越高，试验方案合理性直接影响试验数据的质量和产品可靠性的预测结果，直接决定了发动机评估结果的真实可信程度。因此，试验方案设计在发动机试验测试过程中起到了至关重要的作用。

3、1956年，达特茅斯会议上首次提出“人工智能”(artificial intelligence，ai)概念。当前，人工智能的应用已经遍布国民生活、工业生产和国防建设等各领域。特别是近些年来以深度学习(deep learning，dl)为代表的ai技术取得了突破性进展，在全世界范围内掀起了人工智能的第三次浪潮。与以往不同的是，始于20世纪90年代的人工智能第三次浪潮的主角是机器学习。简而言之，机器学习就是利用计算机程序学习数据中蕴藏的规律，并利用这种规律对数据进行仿真预测。机器学习通过分类算法进行学习并制定规则，改变了生产思维模式。在许多实际应用中，深度学习技术的表现已经超越了人类专家系统。与专家系统相比，机器学习算法具有强大的泛化能力，研究者不需要针对特定任务精心设计规则，仅需收集特定任务的训练数据，利用这些数据对机器学习模型进行训练，即可实现特定的功能。此外，机器学习算法具有自修正功能，随着训练程度不断加深，模型的仿真性能逐步加强。因此，利用发动机试验工况、典型状态、设备工艺、试验内容等数据进行机器学习，得到可靠、可泛化的方案设计模型并给出最优试验方案以指导试验实施工作，已经成为当前发动机整机试验方案设计及智能优化技术研究的焦点。

4、试验方案是试验进行的脚本，描述了试验过程中的试验流程以及数据收集计划，是对装备试验要素的规划与安排。试验方案是对试验做出总体安排和部署的指导文件，是制定试验大纲的主要依据，是对试验活动做出的整体规划安排，为制定详细试验细则提供方法。其主要内容通常包括试验流程、试验顺序、组织机构、试验工况、试验内容(如：试验点)、试验设备、试验时间、试验地点、参试设备及资源、试验保障条件等。设计并制定试验方案是规划发动机整机试验测试活动的一项核心工作。如何以最合理、最优、最少成本设计试验输出试验方案是至关重要的环节。

5、目前，传统的试验方案设计及优化工作无法满足当代基于大数据、机器学习技术推动下的快速、智能规划设计试验方案的需要，主要体现在以下方面：

6、1)试验规划、设计方案人工编写

7、目前，航空发动机试验方案设计编制有设计师或试验规划参考历史经验、规范程序文件、历史数据等进行人工编写。发动机试验通常会覆盖多个试验项目执行需求，其试验方案的编写需要大量的人工配置。

8、2)试验方案设计过于依赖“工程经验”

9、航空发动机整机试验方案的设计方法大多是基于先验信息进行的人工“静态”设计，即在试验前利用先验信息，尤其是工程经验及历史数据信息，即：所谓的行业“专家经验”来完成试验测试方案的设计，且专家经验较为“隐形”，较难显性化，尤其是对经验尚欠的试验设计者来说较难“传承”。同时，尚未达到基于发动机试验工况、典型状态、设备工艺、试验内容等数据进行关联分析、数据挖掘、实现试验方案自动智能规划。

10、3)试验方案优化工作缺少高效的智能分析手段

11、在进行发动机整机试车试验中，每个试验需要测试不同的性能，每个试验所产生的参数也不一样，故其需要的测试设备也不同，而设备的开启、关闭、等待都需要消耗成本，并且由于每次/天的试验时间有限制；且不同工况(如：温度)的试验所需要的设备工艺时间也不同，而同一天的相同温度的试验点可以共用相同的设备工艺时间；同时，试验顺序的组合随着试验点增加呈现爆炸式增长，很难通过枚举法得出最优解，试验顺序和时间、成本关系也没法定义出一个具体的公式，无法直接求解。如何确定试验顺序、匹配适合的试验资源，使得时间或者成本最小、效益最大是一项巨大繁重的分析工作，严重影响工作效率，且容易产生偏差、出现方案设计缺陷问题，导致试验返工、造成试验成本提升。

12、综上所述，传统发动机整机试车试验方案的设计方法不能适应当代试验设计技术发展的应用需求，这些问题的存在制约了发动机试验测试技术能力的提升。因此，急需研究一种试验方案智能设计优化方法，来解决试验方案设计工作量大、试验方案合理性无法自动验证、试验方案无法自动比较、优化、寻求最优途径的问题。

技术实现思路

1、为了解决上述背景技术所述的至少一个问题，本发明提供一种面向航空发动机试验方案的智能生成及优化装置。

2、根据本发明，提供了一种面向航空发动机试验方案的智能生成及优化装置，包括：

3、试验方案设计优化目标模型、试验输入模型、试验约束模型、智能求解模型以及试验方案输出模型；其中

4、试验方案设计优化目标模型用于确定试验方案的优化目标，并将试验方案的优化目标发送至智能求解模型；

5、试验输入模型用于根据试验任务书，生成结构化的试验内容，并将试验内容发送至智能求解模型；

6、试验约束模型用于根据试验目标确定试验约束条件，并将试验约束条件发送至智能求解模型；

7、智能求解模型用于根据优化目标、试验内容和试验约束条件，进行相应的算法求解，并将算法求解的结果发送至试验方案输出模型；

8、试验方案输出模型用于根据算法求解的结果，生成试验方案并输出。

9、可选地，所述智能生成及优化装置还包括试验方案优化模型，用于在试验方案不适用或试验出现故障时，对试验方案进行优化。

10、可选地，试验方案优化模型对试验方案进行优化的操作，包括：

11、调度不适用或出现故障的试验方案；

12、基于试验方案设计优化目标模型，选择优化类型，其中优化类型包括试验总体优化和试验单次优化；

13、基于优化类型调用对应的算法进行求解，生成优化结果，并将优化结果推送给试验方案输出模型。

14、可选地，所述试验方案设计优化目标模型的优化目标包括下述的至少一项：时间优先、成本优先以及多目标优化，其中时间优先以以最短时间为优化目的，成本优先以最少成本为优化目的，多目标优化为分别给时间和成本一个权重，在对应的权重下求解最优顺序。

15、可选地，试验约束模型根据试验目标确定试验约束条件的操作，包括：

16、根据试验目标，筛选试验风险干预策略以及试验约束模型所需的参数；

17、基于试验风险干预策略以及试验约束模型所需的参数，确定试验约束条件。

18、可选地，所述智能求解模型包括：专家知识子模型、遗传算法子模型和粒子群算法子模型。

19、可选地，所述专家知识子模型具体用于：利用工程历史经验形成的专家知识，按照试验要求、试验内容进行顺序规划，参照数学公式进行计算求解。

20、可选地，所述遗传算法子模型具体用于：

21、配置适应度函数的影响因素以及设计适应性函数；

22、对于每次变异后的试验点列表中各个试验点，根据各个试验点在试验点列表中的试验顺序，将不满足预设的强约束条件的试验点进行淘汰，得到待优化的试验点列表；

23、取待优化的试验点列表分别进行编号；

24、基于编号后的试验点列表选择交叉及变异方法；

25、基于选择的交叉及变异方法，迭代求解适应性函数，直至达到设定的迭代次数或者连续n次试验点的适应度值没有下降。

26、可选地，所述粒子群算法子模型具体用于：

27、初始化种群规模为n、交换概率r1、r2、变异概率p、遗传代数t和最大遗传代数t；

28、根据优选约束关联模型，随机生成n个可行试验序列作为初始种群；

29、计算初始种群中每个个体的适应度值，并记录最佳适应度值和个体；

30、根据轮盘赌算法选择适应度值较大的个体作为优良种群；

31、根据交换概率r1、r2的值，利用粒子群算法对优良种群进行交叉操作；

32、根据变异概率p从交叉操作后的优良种群中选取个体进行基于次序的变异操作；

33、用变异操作生成的新种群代替原种群，遗传代数t＝t+1；如果t＜t，转如果t＜t，输出最优适应度函数值对应的试验顺序，算法结束；反之，重新计算初始种群中每个个体的适应度值。

34、可选地，试验方案输出模型根据算法求解的结果，生成试验方案并输出的操作，包括：

35、接收智能求解模型的算法结果；

36、按照指定数据呈现要求，对算法结果进行格式化展示；

37、生成试验方案并输出。

38、本发明的试验方案优化设计目标模型，充分利用用户历史数据及专家经验，支持将隐形专家知识显性化，形成基于知识的试验方案优化设计“静态模型”。本发明的试验输入模型，能够根据试验任务书，生成结构化的试验内容，并将试验内容发送至智能求解模型。本发明的试验约束模型，综合考虑方案设计规则、约束条件、算法机理以及权重因子等多源多维要素，形成基于方案设计因素的“动态优化”调整。本发明的智能求解模型，支持对经验知识、遗传算法、粒子群遗传算法等多种优化算法的模型定义、封装及智能应用。本发明的试验方案输出模型能够根据算法求解的结果，生成试验方案并输出。从而，本发明利用专家知识、遗传算法、粒子群遗传算法建立试验方案智能优化模型，构建可以帮助试验设计人员快速生成、优化试验方案的智能生成器，可以大大节省试验方案设计人员的工作量，提高试验设计效率，降低错误率，节约试验成本。