(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111298806.X (22)申请日 2021.11.04 (71)申请人 中国人民解 放军海军航空大 学青岛 校区 地址 266041 山东省青岛市李沧区四流中 路2号 (72)发明人 任立坤　秦海勤　谢镇波　李边疆　 于晓琳　徐可君　谢静　马中原　 (74)专利代理 机构 北京汇捷知识产权代理事务 所(普通合伙) 11531 代理人 盛君梅 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种航空发动机建模方法、 系统、 存 储介质 (57)摘要 本发明属于航空发动机 建模技术领域， 公开 了一种航空发动机建模方法、 系统、 存储介质。 将 发动机热力学过程与飞行数据深度融合， 采用神 经网络结构构建航空发动机模型并对构建的航 空发动机模 型进行训练与验证， 然后再基于试车 数据或飞行数据对对基于深度神经网络的航空 发动机模型再训练及验证。 实验结果和分析表 明， 相比与传统的热力学模型， 本发明的模型和 算法具有更高的准确率与效率， 能够加快航空发 动机设计过程的迭代过程， 提高航空发动机控制 系统的响应时间及监控过程的故障诊断能力。 权利要求书4页 说明书9页 附图4页 CN 114154234 A 2022.03.08 CN 114154234 A 1.一种基于热力学过程与深度神经网络的航空发动机建模方法， 其特征在于， 所述基 于热力学 过程与深度神经网络的航空发动机建模方法包括： 将发动机热力学过程与飞行数据深度融合， 采用神经网络结构构建航空发动机模型并 对构建的航空发动机模型进行训练与验证， 然后再基于试车数据或飞行数据对对基于深度 神经网络的航空发动机模型 再训练及验证。 2.根据权利要求1所述的基于热力学过程与深度神经网络的航空发动机建模方法， 其 特征在于， 所述基于热力学 过程与深度神经网络的航空发动机建模方法具体包括： S1： 结合航空发动机实际飞行包线， 利用蒙特卡洛方法产生一系列热力学模型的输入 量； S2： 将S1中的输入量输入到现有的航空发动机气动热力学模型中， 计算各部件截面的 气动热力学参数， 形成多个与输入量对应的截面输出量； S3： 搭建基于深度神经网络的航空发动机模型； S4： 利用S2产生的输入输出量对S3搭建的基于深度神经网络的航空发动 机模型进行训 练； S5： 若具备航空发动机试车数据或飞行数据， 进一步利用试车数据或飞行数据对S3搭 建的基于深度神经网络的航空发动机模型进行训练。 3.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法， 其 特征在于， 所述 步骤S1具体包括以下步骤： S11： 确定航空发动机飞行包线和发动机 工作状态区间； S12： 在飞行包线和发动机 工作状态区间内， 随机产生多个航空发动机飞行 数据点； S13： 将S12产生的数据点转化为航空发动机热力学模型的输入量； 航空发动机热力学 模型的输入量为发动机入口总温、 入口总压、 外界大气压力、 高压转子转速； 利用通用的进 气道总压恢复系数计算方法， 将S12中的航空发动机飞行高度与马赫 数转化为入口总温、 总 压， 得到仿真输入数据集Ωin： Ωin＝{ωi＝(T2i， P2i， Pamb2i， N2i， )|i＝1， 2，…， 16384}。 4.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法， 其 特征在于， 所述 步骤S2包括以下 具体步骤： S21： 选定航空发动机热力学模型； 选定Gasturb航空发动机仿真软件的双转子混合排 气航空发动机热力学模型； S22： 将S1生成的输入量输入到S21选定的热力学模型中， 计算各截面气动热力学参数 的输出量； 将得到的仿 真输入数据集给出的15360个航空发动机工作点输入到S21选定的热 力学模型中， 计算得到15360个航空发动机各截面的气动热力学参数； 包括： 截面总温、 截面 总压、 截面静温、 截面静压、 截面马赫数、 截面 流量； S23： 对每一条S1中的输入量， 建立到S22输出量的映射， 形成训练样本， 将所有训练样 本集合起来， 形成仿真数据集； 将S2 2得到的各截面 参数与输入 对应， 形成仿真数据集Ω： Ω＝{ωi＝(T2i， P2i， Pamb2i， N2i， sttni)|i＝1， 2，…， 15360} 式中， sttni表示第i条仿真输入 对应的热力学模型 各截面参数； S24： 将S23构建的仿真数据集分为 互不相交的仿真训练集Ωtr与仿真验证集Ωval， 分别 用于航空发动机神经网络模型的训练与验证；权　利　要　求　书 1/4 页 2 CN 114154234 A 2其中， 仿真训练集Ωtr中有12288条数据， 仿真验证集Ωval中有3072条数据。 5.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法， 其 特征在于， 所述 步骤S3具体包括以下步骤： S31： 以航空发动机热力学模型各部件输入为输入， 输出为输出， 确定神经网络层数及 各层隐含节点数， 构建航空发动机各部件的神经网络结构； 其中， 网络输入为部件入口总 温、 总压、 马赫数、 空气流量及其他部件相关输入参数； 神经网络层数为4， 各层的隐含节点 数为xx； S32： 按照航空发动机的气路流动顺序， 将S31构 建的各部件神经网络结构头尾相接， 形 成航空发动机的神经网络模型； 最终形成的航空发动机神经网络模型； S33： 确定航空发动机的神经网络模型的输入为气动热力学模型输入， 输出为各截面的 气动热力学参数； 航空发动机神经网络模型的输入为： 发动机进口总温、 总压、 流量、 环 境压 力、 高压转速、 低压转速、 燃油流 量； 输出为： 各截面总温、 总压、 马赫数、 空气/ 燃气流量。 6.根据权利要求2所述的基于热力学过程与深度神经网络的航空发动机建模方法， 其 特征在于， 所述 步骤S4具体包括以下步骤： S41： 确定航空发动机模型训练过程的训练步长， 批次训练容 量及权重初始化方法； S42： 利用S3构建的航空发动机神经网络模型输出的截面参数构建航空发动机各部件 共同工作满足的平衡方程， 将该平衡方程等式两边的差作为神经网络训练的热力学损失函 数； 对双转子混排涡扇发动机的共同工作平衡方程， 得到的神经网络训练的热力学损失函 数有： lossd＝lossw+lossp lossw＝∑(Win‑Wex‑Wcl) lossp＝∑(Pt‑Pc‑Pex) 式中， lossw为流量平衡损失： Win为网络部件单元入口流量， Wex为网络部件单元出 口流 量， Wcl为冷却及其他空气提取流量， 发动机稳定工作时， 部件出入口流量应平衡， 即Win‑Wex‑ Wcl＝0， 用lossw衡量网络输出对流量平衡的逼 近程度； lossp为功率平衡损失， Pt为网络计 算 的涡轮输出功率， Pc为网络计算的压气机需要功率， Pex为功率提取， 发动机稳定工作时， 同 一转子上的功率平衡， 即Pt‑Pc‑Pex＝0， 用lossp衡量网络对功率平衡的逼近程度； 上式中的 各截面流量及高低压转子功率均由航空发动机神经网络模型输出的各截面气动热力学参 数表示； S43： 采用某种误差度量， 定义训练过程中模型输出与S2产生的仿真数据集输出的相似 性损失函数； 采用均方误差作为相似性损失函数： 其中， lossm为相似性损失， yi为训练样本中各截 面参数的目标值向量， 为航空发动机 神经网络模型 各截面参数的输出估计值向量； S44： 以一定的权重将S42定义的热力学损失与S43定义的相似性损失结合作为最终的 神经网络训练过程的损失函数， 利用S2 4构建的仿真训练集， 以S4 1给出的训练过程参数， 对 S32构建的航空发动机神经网络模型进行训练； 最终的损失函数为：权　利　要　求　书 2/4 页 3 CN 114154234 A 3