[发明专利]一种涡轮集气腔出口流量不均匀系数的预测方法

说明书

本发明公开一种涡轮集气腔出口流量不均匀系数的预测方法，包括以下步骤：选择预测模型的输入参数，并确定参数的变化区间；进行变工况数值实验，制成预测模型的训练样本和测试样本；基于训练样本建立径向基函数神经网络预测模型，并利用试错法确定神经网络经验系数；利用测试样本对径向基函数神经网络预测模型进行测试，验证预测模型的泛化能力。本发明克服了传统经验关联式方法需要大量样本的缺点，提供了一种预测精度高，泛化能力强，具有高鲁棒性的涡轮集气腔流量不均匀系数预测方法。

技术领域

本发明属于航空发动机空气系统领域，特别涉及一种适合于涡轮集气腔出口流量不均匀系数的预测方法。

背景技术

提高热力循环的最高温度是改善航空涡轮发动机性能的基本技术途径之一。目前推重比为10的航空发动机涡轮进口燃气温度已达到1900K；根据美国高性能涡轮发动机技术综合计划和欧洲先进军用发动机技术计划，下一代航空燃气涡轮发动机推重比将达到15-20，涡轮进口燃气温度也将高达2200K～2300K。高性能航空涡轮发动机的发展对涡轮叶片强化冷却的技术指标提出了越来越苛刻的要求。涡轮集气腔是给涡轮导向叶片供应冷却气的重要部件，冷气分配的不均匀一方面会导致部分叶片冷却气量不足，增加冷却结构失效风险，另一方面也会使得部分叶片冷却气量过多，造成冷却气的浪费。如何实现涡轮集气腔出口流量不均匀系数的准确预测具有重要的现实意义。

径向基函数(Radial basis function,RBF)神经网络是一种优良的前馈型神经网络，其利用径向基函数作为隐单元的“基”构成隐含层空间，将输入矢量直接映射到隐空间，再通过线性变换将隐含层空间映射到输出空间。径向基函数神经网络学习算法简单，具有多维非线性映射能力、很强的泛化能力、聚类分析能力，在理论上具有任意逼近性能和最佳逼近性能，且无局部最小问题存在。相对于传统的经验关联式预测，径向基函数神经网络具有更高的计算精度以及算法鲁棒性。

发明内容

发明目的：本发明为了解决背景技术中实现涡轮集气腔出口流量不均匀系数的准确预测问题，提出一种基于径向基函数神经网络的预测方法，克服传统经验关联式方法的不足，提供一种预测精度高，泛化能力强，具有高鲁棒性的流量不均匀系数预测方法。

技术方案：一种涡轮集气腔出口流量不均匀系数的预测方法，包括以下步骤：

步骤1：选择预测模型的输入参数，并确定参数变化区间；

其中输入参数包括：进气导管直径d_j，进气导管数量N_j，出气孔直径d_c，出气孔数量N_c，集气腔高度H，进气导管与出气孔的轴向距离偏差ΔL，进气导管与出气孔的周向相对角Δβ；

步骤2：根据步骤1中输入参数变化进行变工况数值实验，获取预测模型的数据样本，包括训练样本和测试样本；

步骤3：基于步骤2中获取的训练样本，建立径向基函数神经网络预测模型，并利用试错法确定预测模型的扩展速度；

步骤4：利用步骤2中获取的测试样本，对步骤3中建立的径向基函数神经网络预测模型进行泛化能力测试，获取相对预测误差。

进一步地，所述步骤1中的预测模型参数变化区间如下：d_j的变化范围为20～40mm；N_j的变化范围为2～6个；d_c的变化范围为6～15mm；N_c的变化范围为60～100个；H的变化范围为10～30mm；ΔL的变化范围为0～30mm；Δβ的变化范围为0～30°。

进一步地，所述步骤2中获取预测模型的数据样本具体步骤如下：

步骤2.1：基于拉丁超立方方针，对d_j，N_j，d_c，N_c，H，ΔL，Δβ进行组合，进行84组变工况实验，所得数据作为训练样本；