基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法
【專利摘要】本發(fā)明公開了一種基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法。提出了采用智能映射求解渦軸發(fā)動機(jī)共同工作方程的方法。以部件共同工作平衡方程初始?xì)埐顬橹悄苡成渚W(wǎng)絡(luò)輸入，平衡方程猜值修正量為網(wǎng)絡(luò)輸出，訓(xùn)練極端學(xué)習(xí)機(jī)(ELM，Extreme?Learning?Machine)，并采用自適應(yīng)微分進(jìn)化算法(ADE，Adaptive?Differential?Evolution)優(yōu)化極端學(xué)習(xí)機(jī)參數(shù)，提高網(wǎng)絡(luò)映射精度。在ADE算法中采用了自適應(yīng)縮放因子，提高了DE算法的尋優(yōu)能力。本發(fā)明的結(jié)果表明，基于人工智能的渦軸發(fā)動機(jī)實時部件級模型最大建模誤差為一次通過算法的1/3，模型運(yùn)行耗時約為一次通過算法的1/3。
【專利說明】基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于航空宇航推進(jìn)理論與工程中的系統(tǒng)控制與仿真領(lǐng)域，具體涉及一種基 于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法。

【背景技術(shù)】
[0002] 航空發(fā)動機(jī)的數(shù)學(xué)模型在其研制、控制、健康管理、性能尋優(yōu)中起著非常重要的作 用。以數(shù)學(xué)模型代替真實發(fā)動機(jī)開展數(shù)值仿真或半物理仿真試驗，是降低發(fā)動機(jī)成本、提高 試驗安全性的有效手段。因而發(fā)動機(jī)數(shù)學(xué)模型一直是世界各航空強(qiáng)國的研究重點。早在在 20世紀(jì)50年代，美國就開始發(fā)動機(jī)非線性數(shù)學(xué)模型的研究，并建立了單軸渦噴以及渦槳發(fā) 動機(jī)模型，此后發(fā)動機(jī)數(shù)學(xué)模型的研究一直持續(xù)展開。
[0003] 總體來說，發(fā)動機(jī)的數(shù)學(xué)模型可以分為部件級數(shù)學(xué)模型、人工智能映射模型、線性 模型。其中部件級數(shù)學(xué)模型沿發(fā)動機(jī)氣路流程建立發(fā)動機(jī)各個部件的氣動熱力學(xué)模型，通 過求解部件間共同工作方程的形式，使得各部件匹配工作。而人工智能映射模型，采用神經(jīng) 網(wǎng)絡(luò)或支持向量機(jī)等智能算法，依據(jù)發(fā)動機(jī)某些參數(shù)對其他參數(shù)進(jìn)行映射。線性模型可以 表現(xiàn)為狀態(tài)空間形式或傳遞函數(shù)形式。智能映射模型具有結(jié)構(gòu)簡單、實時性好的特點，但其 只能用于專門的目的，能夠映射的參數(shù)有限，且由于發(fā)動機(jī)的工作包線大、參數(shù)多變，很難 兼顧到每個動態(tài)過程、模型精度受到限制。而線性模型作為小偏差模型，只在其設(shè)計點附近 具有一定的精度，因而通常用于控制器和Kalman濾波器等的設(shè)計過程。能夠全面反映發(fā)動 機(jī)穩(wěn)態(tài)和動態(tài)工作過程中各個截面參數(shù)變化的只有部件級數(shù)學(xué)模型，且其能夠?qū)Σ豢蓽y參 數(shù)進(jìn)行計算，一直在發(fā)動機(jī)數(shù)學(xué)模型中占據(jù)著主導(dǎo)地位，在仿真驗證、控制方法、健康管理 等的研究中得到廣泛的應(yīng)用。但由于其計算過程復(fù)雜，實時性差，在機(jī)載應(yīng)用中受到制約。
[0004] 在部件級模型得到廣泛應(yīng)用以來，提高其實時性的研究一直得到關(guān)注，最普遍采 用的是以一次通過算法代替牛頓-拉夫遜迭代法對共同方程的進(jìn)行求解，其在損失一定的 建模精度條件下，大幅提高了模型的運(yùn)算速度，為目前大多數(shù)的發(fā)動機(jī)部件級模型所采用。


【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提出了一種基于人工智能技 術(shù)的發(fā)動機(jī)共同工作方程求解方法，并將其應(yīng)用于渦軸發(fā)動機(jī)部件級模型建立中，提高了 動態(tài)過程中模型的精度和實時性。
[0006] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種基于人工智能的渦軸發(fā)動機(jī)實 時部件級模型建立方法，包括以下步驟：
[0007] 步驟A、在額定渦軸發(fā)動機(jī)部件級模型上，采取牛頓-拉夫遜迭代法求解動態(tài)過程 平衡方程，采集牛頓-拉夫遜算法迭代運(yùn)算前的平衡方程初始?xì)埐詈偷\(yùn)算收斂后的平 衡方程猜值修正量；
[0008] 步驟B、采用ADE自適應(yīng)微分進(jìn)化算法對ELM極端學(xué)習(xí)機(jī)映射網(wǎng)絡(luò)的輸入至隱含層 權(quán)值和偏置進(jìn)行優(yōu)化，形成ADE-ELM算法；
[0009] 步驟C、利用步驟A采集到的平衡方程初始?xì)埐钜约捌胶夥匠淌諗亢蟮牟轮敌拚?量訓(xùn)練ADE-ELM網(wǎng)絡(luò)，得到ADE-ELM網(wǎng)絡(luò)參數(shù)；
[0010] 步驟D、將訓(xùn)練獲得的ADE-ELM網(wǎng)絡(luò)參數(shù)，代替牛頓-拉夫遜迭代法，用于求解渦軸 發(fā)動機(jī)模型中動態(tài)過程平衡方程，建立基于人工智能網(wǎng)絡(luò)的渦軸發(fā)動機(jī)部件級實時模型。
[0011] 所述步驟A中求解平衡方程初始?xì)埐詈推胶夥匠滩轮敌拚康姆椒ㄈ缦拢?br> [0012] 步驟A1，模型進(jìn)入動態(tài)工作過程時，進(jìn)行渦軸發(fā)動機(jī)各個部件的氣動熱力計算，記 錄動態(tài)平衡方程初始?xì)埐睿?br> [0013] 步驟A2,通過牛頓-拉夫遜方法迭代求解動態(tài)平衡方程直至滿足收斂條件，記錄 該收斂條件下的平衡方程猜值修正量。
[0014] 步驟A3,改變發(fā)動機(jī)模型工作狀態(tài)，在大的動態(tài)工作范圍內(nèi)重復(fù)步驟A1和A2,得 到該狀態(tài)下的動態(tài)平衡方程初始?xì)埐詈推胶夥匠滩轮敌拚俊?br> [0015] 所述步驟B中的ADE-ELM算法如下：
[0016] 步驟B1，采用自適應(yīng)縮放因子對微分進(jìn)化算法進(jìn)行改進(jìn)，形成自適應(yīng)微分進(jìn)化算 法；形成的自適應(yīng)微分進(jìn)化算法在初期具有較快的尋優(yōu)速度，后期具有較強(qiáng)的局部尋優(yōu)能 力；
[0017] 步驟B2,將自適應(yīng)微分進(jìn)化算法用于極端學(xué)習(xí)機(jī)參數(shù)的尋優(yōu)，以此優(yōu)化極端學(xué)習(xí) 機(jī)ELM網(wǎng)絡(luò)中的輸入至隱含層權(quán)值和偏置，得出優(yōu)化的ADE-ELM網(wǎng)絡(luò)參數(shù)，通過該方法得出 的ADE-ELM網(wǎng)絡(luò)參數(shù)能夠提高平衡方程求解精度。
[0018] 所述步驟B1中得到自適應(yīng)微分進(jìn)化算法ADE的方法，包括以下步驟：
[0019] 步驟Bla，變異操作；變異個體的生成用到了父代種群中3個個體的線性組合，父 代種群中任意的一個個體Xi變異后得到的個體Ximt可由下式得到：
[0020] Ximt = Xbest+kg * (Xrl-Xr2) (10)
[0021] 其中，xbest為最優(yōu)個體，xrt, 為兩個任選的不同個體，A尹r 2尹i
[0022] 采用自適應(yīng)算法因子，則在第g代縮放因子為：

【權(quán)利要求】
1. 一種基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特征在于，包括以下 步驟： 步驟A、在額定渦軸發(fā)動機(jī)部件級模型上，采取牛頓-拉夫遜迭代法求解動態(tài)過程平衡 方程，采集牛頓-拉夫遜算法迭代運(yùn)算前的平衡方程初始?xì)埐詈偷\(yùn)算收斂后的平衡方 程猜值修正量； 步驟B、采用ADE自適應(yīng)微分進(jìn)化算法對ELM極端學(xué)習(xí)機(jī)映射網(wǎng)絡(luò)的輸入至隱含層權(quán)值 和偏置進(jìn)行優(yōu)化，形成ADE-ELM算法； 步驟C、利用步驟A采集到的平衡方程初始?xì)埐钜约捌胶夥匠滩轮敌拚坑?xùn)練ADE-ELM 網(wǎng)絡(luò)，得到ADE-ELM網(wǎng)絡(luò)參數(shù)； 步驟D、將訓(xùn)練獲得的ADE-ELM網(wǎng)絡(luò)參數(shù)，代替牛頓-拉夫遜迭代法，用于求解渦軸發(fā)動 機(jī)模型中動態(tài)過程平衡方程，建立基于人工智能網(wǎng)絡(luò)的渦軸發(fā)動機(jī)部件級實時模型。
2. 根據(jù)權(quán)利要求1所述的基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特 征在于：在步驟A中求解平衡方程初始?xì)埐詈推胶夥匠滩轮敌拚康姆椒ㄈ缦拢?步驟A1，模型進(jìn)入動態(tài)工作過程時，進(jìn)行渦軸發(fā)動機(jī)各個部件的氣動熱力計算，記錄動 態(tài)平衡方程初始?xì)埐睿? 步驟A2,通過牛頓-拉夫遜方法迭代求解動態(tài)平衡方程直至滿足收斂條件，記錄該收 斂條件下的平衡方程猜值修正量； 步驟A3,改變發(fā)動機(jī)模型工作狀態(tài)，在大的動態(tài)工作范圍內(nèi)重復(fù)步驟A1和A2,得到該 狀態(tài)下的動態(tài)平衡方程初始?xì)埐詈推胶夥匠滩轮敌拚俊?br> 3. 根據(jù)權(quán)利要求2所述的基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特 征在于：在步驟B中的ADE-ELM算法如下： 步驟B1，采用自適應(yīng)縮放因子對微分進(jìn)化算法進(jìn)行改進(jìn)，形成自適應(yīng)微分進(jìn)化算法； 步驟B2,將自適應(yīng)微分進(jìn)化算法用于極端學(xué)習(xí)機(jī)參數(shù)的尋優(yōu)，以此優(yōu)化極端學(xué)習(xí)機(jī) ELM網(wǎng)絡(luò)中的輸入至隱含層權(quán)值和偏置，得出優(yōu)化的ADE-ELM網(wǎng)絡(luò)參數(shù)。
4. 根據(jù)權(quán)利要求3所述的基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特 征在于：在步驟B1中得到自適應(yīng)微分進(jìn)化算法ADE的方法，包括以下步驟： 步驟Bla，變異操作；變異個體的生成用到了父代種群中3個個體的線性組合，父代種 群中任意的一個個體Xi變異后得到的個體ximt可由下式得到： Ximt - Xbest+kg · (Xrl_Xr2) (l〇) 其中，xb?rt為最優(yōu)個體，XH，為兩個任選的不同個體，ri # # i 采用自適應(yīng)縮放因子，則在第g代縮放因子為：
其中α為調(diào)整縮放因子變化速率的系數(shù)，gm為進(jìn)化代數(shù)的一半，kmin為最小縮放因子， kmax為最大縮放因子； 步驟Bib,交叉操作；經(jīng)過交叉操作后生成的新個體xira = [xia%1, xira，2,. . .，xira，D]中， 其元素 xic^由變異個體提供，或者由原個體提供：
其中，P為隨機(jī)數(shù)，代表交叉后新個體的第j個元素選擇為變異個體第j個元素的概率， 為設(shè)定概率上限，當(dāng)P < 時，則第j個元素從變異個體中獲得，否則從原個體中獲得； 步驟Blc，選擇操作；DE算法對交叉獲得個體xira和原個體 Xi的適應(yīng)度進(jìn)行比較，當(dāng)且 僅當(dāng)Xi。!·的適應(yīng)度值比原個體Xi的適應(yīng)度值更好時，χ?α·才會成為下一代進(jìn)化中的新個體； 否則，Xi仍將保留在下一代的種群中，則在第g+Ι代種群中，第i個個體為
其中ρ(·)為適應(yīng)度值計算函數(shù)。
5. 根據(jù)權(quán)利要求4所述的基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特 征在于：步驟Α1中的平衡方程初始?xì)埐钣嬎闳缦拢?燃?xì)鉁u輪進(jìn)口流量連續(xù)方程 Φ ! (v) = (W41xs-Q41xs) /Q41xs = ε ! (1) 其中W41xs代表由燃?xì)鉁u輪部件特性曲線計算出的當(dāng)前工作條件下燃?xì)鉁u輪進(jìn)口相似 流量，Q41xsR表按氣路流程計算獲得的從燃?xì)鉁u輪導(dǎo)向器進(jìn)入燃?xì)鉁u輪的相似流量，在同 一截面上，兩者滿足流量連續(xù)的條件； 動力渦輪進(jìn)口流量連續(xù)方程 Φ 2 (v) = (W45xs-Q45xs) /Q4xs = ε 2 (2) 其中W45xs代表由動力渦輪部件特性曲線計算出的當(dāng)前工作條件下動力渦輪進(jìn)口相似 流量，Q45xs代表按氣路流程計算獲得的從高壓渦輪導(dǎo)向器進(jìn)入高壓渦輪轉(zhuǎn)子的相似流量， 兩者同樣滿足連續(xù)條件； 尾噴管喉道總壓平衡方程： Φ3(ν) = (pc7-p7)/p7 = ε 3 (3) 其中Pd代表進(jìn)入噴管氣流總壓，Ρ7代表噴口背壓； 壓氣機(jī)與燃?xì)鉁u輪功率平衡方程：
式（19)和式（20)中NCT、NC、NPT、隊分別表示燃?xì)鉁u輪、壓氣機(jī)、動力渦輪、旋翼的功率， Nest表示燃?xì)鉁u輪的抽功量，η^。、分別表示燃?xì)鉁u輪轉(zhuǎn)子和動力渦輪轉(zhuǎn)子的機(jī)械效率； ^，1 = 1，2,3平衡方程初始?xì)埐睿?、85代表了動態(tài)工作過程中，部件間功率之差。
6. 根據(jù)權(quán)利要求5所述的基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特 征在于：步驟Α2求解猜值和平衡方程猜值修正量的方法，包括以下步驟： 步驟A2a，采用牛頓-拉夫遜方法求解（1)、（2)、（3)式共同工作方程時，第k+1步的猜 值由式⑶得到：
其中，猜值 V = [Vi v2 ν3]τ = [Zc ZG Zp]T (4) Z。為壓氣機(jī)壓比系數(shù)，ze為燃?xì)鉁u輪壓比系數(shù)，ZP為動力渦輪壓比系數(shù)； 步驟A2b，通過平衡方程初始?xì)埐畈捎弥虚g差分法來計算雅可比矩陣中的偏導(dǎo)數(shù)，即：
(9)其中，δ \為在\點附近 的擾動量，通常設(shè)為一極小的常量； 步驟A2c，采用高斯法求雅可比矩陣的逆，根據(jù)式（8)完成猜值的修正。
7.根據(jù)權(quán)利要求6所述的基于人工智能的渦軸發(fā)動機(jī)實時部件級模型建立方法，其特 征在于：所述平衡方程收斂條件I ε」〈1(Γ5，? = 1，2,3,其中￡i，i = 1，2,3為平衡方程初 始?xì)埐睢?br> 【文檔編號】G06F17/50GK104102769SQ201410303181
【公開日】2014年10月15日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】李秋紅, 焦洋, 聶友偉, 任冰濤, 廖光煌 申請人:南京航空航天大學(xué)