机理与神经网络复合的涡轴发动机部件级自适应模型

本发明涉及一种涡轴发动机部件级模型，尤其涉及一种涡轴发动机部件级自适应模型，属于航空宇航推进理论与工程。

背景技术：

1、涡轴发动机是直升机的主要动力装置，具有体积小、功重比大、便于维修等优势，在军队和民间均得到广泛的应用。由于直升机的工作地点经常位于近海平面或沙漠地区，其机体内部通常会吸入大量海盐或沙尘污垢，导致发动机易于出现各种物理故障，主要包括叶尖磨损、叶片腐蚀及污垢堆积等，使得发动机转动部件流量及工作效率偏离设计状态，从而导致发动机输出参数发生变化，影响直升机的性能甚至威胁飞行安全。因此有必要对涡轴发动机的健康状态进行检测并采取先进的控制方法，而机载自适应模型是其重要研究方向之一。

2、自适应模型能够根据发动机的工作状态，调整模型健康参数，使得模型输出与发动机工作状态相一致。因此，自适应模型能够模拟发动机的特性，是实现发动机健康监测和诸多先进模型基控制技术的基础。

3、自适应模型大多基于发动机的部件级机理模型建立，首先建立各个部件的气动热力学模型，再建立部件共同工作方程组，采用牛顿-拉夫逊方法对方程进行求解，以收敛后的计算值确定发动机的工作状态和输出。机理模型多基于发动机额定特性建立，为了使得模型具有发动机性能退化和个体差异的自适应能力，需要设计性能退化估计器，估计发动机转动部件的流量和效率退化，并用于修正模型参数，最常用的估计方法为卡尔曼滤波方法。

4、90年代，sikorsky、mcdonnell douglas及ge公司开发了gengel、flyrt及sarc等直升机的自适应飞行动态仿真模型，并在该模型的基础上发展了直/发综合控制技术[1]。国内的主要航空院校和科研院所均开展了自适应模型的建模技术研究。袁春飞等人利用遗传算法，以机载模型输出与发动机测量参数之间的误差最小为目标，优化了机载模型与真实发动机测量数据之间的偏差，并通过增广卡尔曼滤波器将偏差转化为发动机的部件性能退化量，形成自适应模型[2]。潘阳提出了一种基于方程求解的涡轴发动机自适应模型建立方法，在部件级模型的基础上，构建模型输出和发动机输出相匹配的方程，与发动机共同工作方程组同时进行求解，提高了自适应模型的实时性[3]。庞淑伟提出了一种由部件级模型、改进的线性化卡尔曼滤波器和实时建立的状态空间模型构成的混合结构的机载自适应模型，并从估计精度、预测精度和计算耗时三个方面证明了所提出的混合自适应模型的有效性[4]。

5、近年来，随着人工智能技术的发展，基于数据的建模方法取得了令人满意的效果，相比于具有解析表达式的基于模型的建模方法，其结构更加简单，而且无需知道对象的物理特性及复杂的公式推导，只需研究对象的输入输出数据，采用智能网络对数据进行变换、分析，进而提取有效信息，即可达到建立对象数学模型的目标。王健康利用三层bp神经网络建立了涡轴发动机简化模型，并将其与性能蜕化估计器模块结合作为直/发综合优化模型。鉴于模型结构简单，不能很好地表达发动机的特性，模型精度不高，仅能在包线内112个工作点附近进行稳态计算，计算能力有限，不能模拟大包线范围内的发动机动态工作过程，仅能用于稳态性能的优化控制。

6、参考文献：

7、[1]luppold r,roman j,gallops g,et al.estimating in-flight engineperformance variations using kalman filter concepts[c]//:25th jointpropulsion conference,1989.

8、[2]袁春飞,姚华.基于卡尔曼滤波器和遗传算法的航空发动机性能诊断[j].推进技术,2007(01):9-13

9、[3]潘阳.涡轴发动机控制系统传感器故障诊断与容错控制[d].南京航空航天大学,2016.

10、[4]庞淑伟.基于模型的航空发动机控制方法研究[d].南京航空航天大学,2021.

11、[5]王健康.航空发动机模型基优化控制技术研究[d].南京航空航天大学,2013.

技术实现思路

1、本发明所要解决的技术问题在于克服现有技术不足，提供一种机理与神经网络复合的涡轴发动机部件级自适应模型，分部件分别建模，并将传统的机理模型与神经网络模型有机结合，在获得与传统机理模型相当的精度的同时，大幅降低计算复杂度，提高实时性。

2、本发明具体采用以下技术方案解决上述技术问题：

3、一种机理与神经网络复合的涡轴发动机部件级自适应模型，由进气道机理模型、涡轴发动机退化估计器、主旋翼神经网络模型、压气机部件神经网络模型、燃气涡轮部件神经网络模型、动力涡轮部件神经网络模型组合而成；其中，进气道机理模型、压气机部件神经网络模型、燃气涡轮部件神经网络模型、动力涡轮部件神经网络模型按照气路流程依次级联，前一模型输出的总温、总压作为后一模型的输入，各模型所需的其余输入来自涡轴发动机退化估计器和主旋翼神经网络模型的输出以及涡轴发动机的状态测量参数。

4、优选地，所述进气道机理模型用于根据气动热力学机理计算压气机进口总温t2，压气机进口总压p2。

5、优选地，所述涡轴发动机退化估计器为残差神经网络模型，其输入为飞行高度h、前飞速度vx、燃油流量wf、燃气涡轮转子机械效率ng、压气机出口总压p3、动力涡轮进口总压p44、动力涡轮进口总温t44、动力涡轮出口总温t45，其输出为压气机流量退化量dcom,wa、压气机效率退化量dcom,et、燃气涡轮流量退化量dgt,wa、燃气涡轮效率退化量dgt,et、动力涡轮流量退化量dpt,wa、动力涡轮效率退化量dpt,et。

6、优选地，所述主旋翼神经网络模型为堆叠神经网络结构：ym(t)＝f(h(u(t)),u(t))，x＝h(u(t))；其中，u(t)＝[hk,hk-1,vx,k,vx,k-1]，h代表飞行高度，vx代表前飞速度，下标“k”代表当前时刻变量，下标“k-1”代表前一时刻变量，输出ym(t)为旋翼扭矩qh。

7、优选地，所述压气机部件神经网络模型的输入为输出为其中，h代表飞行高度，vx代表前飞速度，p2、t2分别表示压气机进口总压、总温，p3、t3分别表示压气机出口总压、总温，gvc表示压气机导叶角角度，dcom,wa、dcom,et分别表示压气机流量、效率退化量，zc为压气机压比因子，ng为燃气涡轮转子机械效率，hpc为压气机需求功率，smc为压气机喘振裕度，下标“k”代表当前时刻变量，下标“k-1”代表前一时刻变量，上标“t”表示矩阵转置，上标“∧”代表对应变量的估计值。

8、优选地，所述燃气涡轮部件神经网络模型的输入为输出为其中，p3、t3分别表示压气机出口总压、总温，wf表示燃油流量，dgt,wa、dgt,et分别表示燃气涡轮流量、效率退化量，zg为燃气涡轮压比因子，ng为燃气涡轮转子机械效率，p44、t44分别表示动力涡轮进口总压、总温，下标“k”代表当前时刻变量，下标“k-1”代表前一时刻变量，上标“t”表示矩阵转置，上标“∧”代表对应变量的估计值。

9、优选地，所述动力涡轮部件神经网络模型的输入为输出为其中，p44、t44分别表示动力涡轮进口总压、总温，qh为旋翼扭矩，dpt,wa、dpt,et分别表示动力涡轮流量、效率退化量，zp为动力涡轮压比因子，np为动力涡轮转子机械效率，p45、t45分别表示动力涡轮出口总压、总温，hpp为动力涡轮需求功率，下标“k”代表当前时刻变量，下标“k-1”代表前一时刻变量，上标“t”表示矩阵转置，上标“∧”代表对应变量的估计值。

10、优选地，主旋翼神经网络模型、压气机部件神经网络模型、燃气涡轮部件神经网络模型、动力涡轮部件神经网络模型均为lstm神经网络模型。

11、相比现有技术，本发明技术方案具有以下有益效果：

12、本发明针对涡轴发动机自适应模型的建模问题，依据发动机气路流程分部件分别建模，并将传统的机理模型与神经网络模型有机结合，相比传统的基于机理的建模方案，所建立的模型精度相当，但所需的计算量大幅降低，实时性更好；相比单一神经网络的建模方案，具有更好的模型精度。