融合装配数据的航空发动机性能数字孪生模型及建立方法

本发明属于航空发动机性能预测，具体涉及融合装配数据的航空发动机性能数字孪生模型及建立方法。

背景技术：

1、航空发动机结构复杂，不同部件间的装配误差互相累加，造成装配精度差，同时转子部件存在严重的初始不平衡问题。由于航空发动机多级转子长期在高速、高温、高压下工作，装配精度不合格，会对整个发动机产生巨大的力和扭矩，从而引起发动机振动，加速发动机部件的机械疲劳甚至出现故障。因此，多级转子的装配质量直接影响航空发动机的整机性能，进而决定发动机的可靠性和寿命。发动机在出厂前需要多次试车检验发动机性能是否满足外场服役要求，通常需要多次进行拆装来提高装配精度以满足出厂性能要求。

2、航空发动机性能数字孪生通常基于深度学习和数据驱动的方法，利用发动机领域物理知识来构建深度学习模型，如神经网络，通过学习大量的历史数据来捕捉复杂的非线性关系和模式，从而实现对发动机性能的建模和预测。进而利用训练得到的满足精度要求的性能数字孪生模型，通过将给定状态的传感器监控参数以及装配参数输入到该模型中，模型直接输出对应的性能参数。从而减少后续试车次数，降低生产成本。

3、然而，目前存在的航空发动机性能数字孪生模型主要是基于机载或试车时布置的传感器记录的监测数据来训练深度模型进而预测发动机性能参数，例如，专利号cn115688609a公开了一种用于航空发动机的智能预测及实时预警方法，利用发动机机载测量参数，构建实时推力预测模型与基准推力预测模型，分别得到实时飞行状态下的实时推力预测值与基准推力预测值。这种方法没有考虑装配参数对发动机整机性能的影响。在实际生产任务中相同型号不同台次的发动机装配精度存在差异，从而在试车过程中表现出的整体性能也有差异。因此，模型输入参数中不包括装配参数，忽略了装配对发动机整机性能的影响，导致发动机性能预测的准确度降低。

4、而且，一般性能数字孪生模型的建模思路是将与性能参数相关的输入特征参数一起输入到深度学习网络模型中进行学习。考虑到用于训练性能数字孪生模型的发动机台次数据较少，而单台发动机在试车过程中装配参数不变，传感器监控数据随着工作状态的不同动态变化，如果把装配数据与发动机传感器监控数据一同输入到性能数字孪生模型中将会掩盖装配信息对性能参数的影响，不利于网络学习装配信息与性能参数之间的关联关系。

技术实现思路

1、为克服现有技术的不足，本发明针对发动机性能数字孪生模型不考虑装配参数影响导致性能预测精度不高的问题，提出一种融合装配数据的航空发动机性能数字孪生模型及建立方法，该模型包含两个部分：一部分利用传感器监测数据学习出发动机状态特征，另一部分利用装配数据提取装配特征，最后将两部分特征融合进一步学习得到预测的性能参数。同时，将发动机试车过程中传感器监控数据与装配特征分开进行学习并在最后进行特征融合，能够避免由于训练数据中发动机台数较少，进而装配数据样本组合过少，从而导致装配特征信息在训练过程中被掩盖的问题。

2、为实现上述发明目的，本发明所采用的技术方案是：融合装配数据的航空发动机性能数字孪生模型建立方法，包括如下步骤：

3、s1、采集同一型号多台发动机不同试车程序的装配试车数据；

4、s2、确定与目标性能参数相关的传感器监控数据及装配数据；

5、s3、构建融合装配数据的性能数字孪生模型；

6、s4、利用步骤s2中传感器监控数据及装配数据训练所述性能数字孪生模型；

7、s5、计算训练后所述性能数字孪生模型的预测精度，若预测精度满足需求，则结束；若预测精度不满足需求，则再次进入步骤s4，重新训练所述性能数字孪生模型。

8、优选的：所述步骤s3中，包括：

9、s31、利用传感器监控特征学习模块学习并提取传感器监控数据中的发动机状态信息；

10、s32、利用装配特征学习模块学习并提取装配数据中的装配特征信息；

11、s33、将传感器监控特征学习模块提取的当前工作时发动机状态信息与装配特征学习模块提取的装配特征信息进行特征融合；

12、s34、采用特征映射层将融合后的特征映射至目标性能参数。

13、优选的：所述步骤s31中，传感器监控特征学习模块的输入为时序传感器监控数据，采样方式采用滑动窗格的方式，每个样本输入的形状为[t，d]，t为滑窗大小，d为输入与目标性能参数相关的传感器监控参数的数量；再使用两个循环网络层学习所述时序传感器监控数据的发动机状态信息，循环网络层包括rnn、gru、lstm或其他循环神经网络。

14、优选的：所述步骤s32中，包括：

15、步骤s321、将与目标性能参数相关的装配参数按部件及参数属性进行聚类，聚类类别包括压气机各级转、静子轴向间隙，压气机各级转、静子径向间隙，涡轮各级转、静子轴向间隙，涡轮各级转、静子径向间隙；

16、步骤s322、采用特征嵌入层将聚类后的装配参数映射为相同维度的高维向量；

17、步骤s323、将特征嵌入后的部件装配特征向量输入到注意力模块中得到加权后的装配特征向量，注意力模块采用多头注意力机制学习部件的权重系数；

18、其中单头注意力模块的描述如下：

19、

20、v＝hw—b

21、

22、oth

23、其中，v表示经过全连接层映射得到的部件权重向量，h表示特征嵌入后的输入装配特征矩阵，w表示全连接层的权重参数，b表示偏差；α表示softmax归一化后的权重参数；xi表示第i个部件输入单元的装配特征向量，n为部件数量，vi表示经过全连接层学习得到的各个部件的权重；o表示对所有部件特征向量加权求和得到的装配特征向量；

24、采用m个注意力头并行进行上述计算分别得到o1，o2，...，om，最终合并m个注意力头的装配特征向量得到装配特征学习模块输出的高维特征向量o'，为：

25、o'＝concat(o1,o2,…,om)。

26、优选的：所述步骤s33中，所述特征融合的方式为加法融合和拼接融合中的一种。

27、相应的：融合装配数据的航空发动机性能数字孪生模型，包括并列设置的传感器监控特征学习模块、装配特征学习模块和依次连接的特征融合层、特征映射层，所述传感器监控特征学习模块的输入为时序传感器监控数据，所述装配特征学习模块的输入为装配数据，所述传感器监控特征学习模块与装配特征学习模块两者的输出共同进入特征融合层，所述特征融合层的输出进入特征映射层，所述特征映射层的输出为目标性能参数。

28、优选的：所述传感器监控特征学习模块包括依次连接的两个循环网络层，所述循环网络层为rnn、gru、lstm或其他循环神经网络中的一种。

29、优选的：所述装配特征学习模块依次连接的聚类模块、特征嵌入层、注意力模块，所述聚类模块将与目标性能参数相关的装配参数按部件及参数属性进行聚类；所述特征嵌入层将聚类后的装配参数映射为相同维度的高维向量；所述注意力模块将特征嵌入后的部件装配特征向量进行分析得到加权后的装配特征向量。

30、优选的：所述聚类模块的聚类类别包括压气机各级转、静子轴向间隙，压气机各级转、静子径向间隙，涡轮各级转、静子轴向间隙，涡轮各级转、静子径向间隙。

31、优选的：所述注意力模块采用多头注意力机制学习部件的权重系数；其中单头注意力模块的描述如下：

32、

33、v＝hwt+b

34、

35、＝αth

36、其中，v表示经过全连接层映射得到的部件权重向量，h表示特征嵌入后的输入装配特征矩阵，w表示全连接层的权重参数，b表示偏差；α表示softmax归一化后的权重参数；xi表示第i个部件输入单元的装配特征向量，n为部件数量，vi表示经过全连接层学习得到的各个部件的权重；o表示对所有部件特征向量加权求和得到的装配特征向量；

37、采用m个注意力头并行进行上述计算分别得到o1，o2，...，om，最终合并m个注意力头的装配特征向量得到装配特征学习模块输出的高维特征向量o'，为：

38、o'＝concat(o1,o2,…,om)。

39、与现有技术相比，本发明具有以下有益效果：

40、本发明提出了一种融合装配数据的航空发动机性能数字孪生模型，该模型包含两个模块：传感器监控特征学习模块利用时序传感器监测数据学习出发动机工作状态特征，装配特征学习模块利用装配数据提取装配特征，最后将两模块提取的特征融合进一步学习得到预测的性能参数。本发明所提出的性能数字孪生模型考虑了装配参数对发动机整机性能的影响，提高了性能预测模型预测精度。同时，采用将时序传感器监测数据和装配数据分开进行学习的策略，能够避免由于训练数据中发动机台数较少，进而装配数据样本组合过少，从而导致装配特征信息在训练过程中被掩盖的问题。同时，在装配特征学习模块中加入了注意力模块，能够学习出每个部件装配特征信息的重要程度，从而得到加权的装配特征信息，有利于进一步提升模型预测精度。