基于采样观测器的航空发动机气动失稳预测方法及系统

本发明涉及航空发动机安全控制，尤其涉及一种基于采样观测器的航空发动机气动失稳预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、轴流压气机作为航空发动机的核心部件，其气动失稳现象(通常包括旋转失速和喘振)会极大恶化发动机的性能(推力、经济性)，甚至引起发动机的突然熄火，或者压气机叶片剧烈振动以致叶片断裂而造成整台发动机的损坏。另外，压气机在不同转速、不同工作环境下表现出的失稳特性也有很大差别。为保证发动机在不同工况下保持稳定运行，通常要求压气机在工作点留有足够的失速裕度。如果控制系统能在失速发生前有效地提高压气机系统的稳定性，可以降低对失速裕度的要求。因此，如何在失稳开始前获得更长的预警时间，对于保证发动机的安全、高效运行具有重要意义。

3、由于旋转失速通常发生在喘振之前，如何快速、准确检测失速先兆的发生就成为了失稳预测研究中的关键问题。针对这一问题，人们通常采用频域、时域或时频域的信号分析方法来研究失速初始扰动的特征，并通过合理设置阈值来监测失速先兆的发生。谐波傅立叶系数法、行波能量法、随机统计法、相关性分析法、快速小波分析就是典型代表。这些检测方法通过提取压气机幅值、相位、能量等部分特征进行失速预警，但是它们无法刻画压气机在各种工况下发生失稳时的全面系统动态特征。正如剑桥大学day教授所说，即使是用了75年的时间做压气机失稳的研究，对于一台新的压气机来说，我们还是不能准确预测它的失速特性。

4、另外，故障诊断方法在失稳测任务中得到了广泛研究。失速先兆的早期检测可以按照故障诊断领域中的微小故障检测来理解。这种方法通常是利用神经网络等近似工具分别对健康和故障状态下发动机的非线性动力学函数进行学习，并将每个神经网络输出与发动机的测量输出进行比较，从而通过设置合适的阈值进行故障模式的检测与诊断。其中的一个关键问题在于如何保证神经网络对于发动机失稳特性的准确学习。如果神经网络无法准确描述气动失稳的动力学模型，可能会误导决策过程。

5、在自适应领域，神经网络的准确学习(即神经网络权重收敛到真值)通常需要满足持续激励条件。借助于rbf神经网络的持续激励特性，现有技术提出了基于确定学习的失速先兆检测方法。该方法利用rbf神经网络从压气机的多测点数据中准确辨识系统动态，然后进行失稳先兆的提前检测。但是，在基于确定学习的失稳先兆检测研究中，要求在压气机的周向位置布置多个传感器。这会增加失稳预测系统的计算负担和经济成本，更重要的是，传感器的布置需要在机匣壁上打孔，会破坏压气机结构，可能影响内部气流流动。另外，轴流压气机在不同工况下的非线性动力学特性有很大差别，针对不同工况的动力学建模意味着庞大规模的模型集群，这会导致检测算法的计算复杂度急剧增加，不利于保证气动失稳预测的实时性。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于采样观测器的航空发动机气动失稳预测方法及系统，结合采样观测器和rbf神经网络从单测点数据中实现失稳模式动力学的准确辨识。

2、在一些实施方式中，采用如下技术方案：

3、一种基于采样观测器的航空发动机气动失稳预测方法，包括：

4、获取航空发动机在不同工况下失稳发展过程中的单测点压力数据；

5、以单测点数据及其导数为状态变量的微分方程作为描述发动机失稳发展过程中正常模式和失稳先兆模式的动力学模型；

6、利用采样高增益观测器从单测点数据中估计出导数信息，在由单测点压力数据及其导数信息形成的状态轨迹分布区域内，构建神经网络辨识模型，所述神经网络用于辨识每一次失稳试验中正常模式和失稳先兆模式的动力学模型；

7、将相似工况下所有失稳试验中正常模式或者失稳先兆模式的神经网络辨识模型进行融合表达，构造包含多种工况下失稳特性的知识库，根据工况不同，将知识库中的融合模型划分到不同决策组；

8、利用知识库中的神经网络融合模型构造动态估计器，并将航空发动机实测的单测点压力数据作为所述动态估计器的输入，每个决策组独立进行先兆模式检测，得到相对应的二级决策结果，对不同决策组的二级决策结果进行综合处理，得到一级决策结果。

9、作为进一步地方案，所述发动机失稳发展过程中正常模式和失稳先兆模式的动力学模型，具体为：

10、

11、其中，a、b、c分别为系数矩阵，x为状态变量，φ为输出变量，f(·)为非线性函数，正常模式对应的动力学函数记为fn(·)，失稳先兆模式对应的动力学函数记为fs(·)。

12、作为进一步地方案，利用采样观测器估计动力学模型的状态，具体为：

13、

14、其中ψ(k)∈r2，为动力学模型状态的观测结果。ado，bdo，cdo和ddo为系数矩阵。

15、作为进一步地方案，构建对应不同次失稳试验的神经网络辨识模型，具体为：

16、

17、其中，χ为辨识器状态，为单测点数据的导数，α为辨识器增益，为神经网络权重的估计值，为神经网络基底，t为采样周期，用来学习正常或失稳先兆模式的非线性动态。

18、作为进一步地方案，将相似工况下的正常模式或失稳先兆模式的神经网络辨识模型进行融合表达，具体为：

19、

20、

21、

22、

23、其中，分别表示相似工况下多次失稳试验对应的径向基函数向量，和分别表示相似工况下多次失稳试验的神经网络辨识结果，和分别表示相似工况下多次失稳试验中轨迹附近的径向基函数子向量。

24、作为进一步地方案，在每一个决策组内，利用反映动力学匹配程度的失稳预测指标进行先兆模式检测，所述失稳预测指标为：

25、在每一个决策组对应的动态估计器中，基于航空发动机实测的单测点压力数据，得到估计器状态，将估计器状态与单测点压力数据的导数作差，得到估计器残差；将滑动窗口上残差的平均l1范数作为失稳预测指标。

26、作为进一步地方案，所述动态估计器具体为：

27、

28、其中，t为采样周期，为估计器状态，为知识库中的神经网络融合模型，下标p用来区分不同工况，上标j用来区分正常模式或者失稳先兆模式，为神经网络基底，为实测序列数据φr(k)对应的动力学模型状态的观测结果，为实测的单测点压力数据的导数。

29、作为进一步地方案，所述失稳预测指标具体为：

30、

31、

32、其中，te为滑动窗口的长度；为估计器状态，为实测的单测点压力数据的导数。

33、作为进一步地方案，对多个二级决策结果进行综合处理，得到一级决策结果，具体为：

34、若检测到失稳先兆模式的二级决策结果数量超过设定个数，则一级决策结果输出为气动失稳的报警信号。

35、在另一些实施方式中，采用如下技术方案：

36、一种基于采样观测器的航空发动机气动失稳预测系统，包括：

37、数据获取模块，用于获取航空发动机在不同工况下失稳发展过程中的单测点压力数据；

38、模型构建模块，用于以单测点数据及其导数为状态变量的微分方程作为描述发动机失稳发展过程中正常模式和失稳先兆模式的动力学模型；

39、模型辨识模块，用于采样高增益观测器从单测点数据中估计出导数信息，在由单测点压力数据及其导数信息形成的状态轨迹分布区域内，构建神经网络辨识模型，所述神经网络用于辨识每一次失稳试验中正常模式和失稳先兆模式的动力学模型；

40、知识库构建模块，用于将相似工况下所有失稳试验中正常模式或者失稳先兆模式的神经网络辨识模型进行融合表达，构造包含多种工况下失稳特性的知识库，根据工况不同，将知识库中的融合模型划分到不同决策组；

41、气动失稳预测模块，用于利用知识库中的神经网络融合模型构造动态估计器，并将航空发动机实测的单测点压力数据作为所述动态估计器的输入，每个决策组独立进行先兆模式检测，得到相对应的二级决策结果，对不同决策组的二级决策结果进行综合处理，得到一级决策结果。

42、在另一些实施方式中，采用如下技术方案：

43、一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述基于采样观测器的航空发动机气动失稳预测方法。

44、与现有技术相比，本发明的有益效果是：

45、(1)本发明仅利用单一传感器的测量数据，从采样系统角度设计了航空发动机气动失稳的学习与预测算法。本发明能够削弱打孔安装传感器给航空发动机硬件结构带来的破坏以及对内部气流流动的影响，降低传感器的成本消耗。同时，这种基于采样系统的算法设计更加适合于工程任务的数字化执行。

46、(2)与基于信号分析的失稳先兆检测方法相比，本发明能够更加全面、充分地获取和利用航空发动机失稳过程中的状态和动态信息。利用采样观测器从单测点数据中恢复出动态模式的状态信息，从而沿着估计的状态轨迹，利用rbf神经网络获取失稳模式的动力学信息，并将这种沿状态轨迹的动力学建模结果以常值神经网络的形式进行存储。这种同时包含了状态信息和动力学信息的神经网络模型能够更加深刻地反映航空发动机的失稳特性。

47、(3)与基于神经网络的故障检测方法相比，本发明结合采样观测器和rbf神经网络从单测点数据中实现失稳模式动力学的准确辨识。沿着采样观测器的估计轨迹，rbf神经网络是满足持续激励条件的。该条件的满足能够保证轨迹附近神经元权重指数收敛到理想真值，远离轨迹的神经元权重保持为零，从而沿失稳模式轨迹实现非线性动力学函数的准确辨识。

48、(4)与已有基于确定学习的失稳预测算法相比，本发明结合采样观测器和动态模式融合算法，将相似工况下不同失稳模式的局部准确辨识结果进行融合重构。这种融合过程能够增强rbf神经网络的表达和泛化能力，有效降低知识库的规模，从而保证后续失稳预测的实时性。

49、(5)与已有针对单一固定工况下的失稳预测算法相比，本发明针对多工况下的失稳预测任务，提出了分级决策机制。该机制通过划分不同决策组进行先兆模式检测，避免了不同工况下决策指标混淆而引起误判，提高了发动机运行状态预测的准确性。

50、本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。