[发明专利]一种基于变激活函数神经网络的变循环发动机参数估计方法

说明书

本发明提出一种基于变激活函数神经网络的变循环发动机参数估计方法，属于智能航空发动机控制领域，本发明包括：采集变循环发动机运行过程的数据；根据时间序列制作二维输入数据图集；构建变激活函数神经网络；利用数据图集对网络进行训练，建立二维输入数据图集与发动机参数之间的非线性映射关系；基于训练完成的变激活函数神经网络，实现对参数的实时准确估计。面对变循环发动机多种工作模态，本发明提出的参数估计方法均具有准确度高、计算速度快的优点，适用于变循环发动机推力控制、容错控制。

技术领域

本发明提出一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法，属于智能航空发动机控制领域。

背景技术

航空发动机是航空飞行器的源动力，其稳定性直接决定飞行器安全性，但由于结构复杂、工作环境恶劣，故障率通常较高。发动机故障检测诊断技术是保证发动机安全工作、延长发动机使用寿命的一种重要技术措施，对于增强飞机适航性、确保飞行安全具有十分重要的意义。目前，航空发动机参数估计与故障诊断的方法主要分为3类：基于物理模型的方法，基于数据驱动的方法，基于知识规则的方法。在实际问题中，由于航空发动机结构复杂、故障类别多等原因，难以准确且迅速地收集反映发动机部件特性的数据，易发生首现故障错误归类，很难建立准确的物理模型；基于知识的预测复杂性较高，且专家系统存在知识不完整和适应性差等问题，同样不容易实现。而测量数据容易得到，因此基于数据的方法在发动机参数估计中应用最多。其中基于机器学习和深度学习模型的故障预测技术应用最多，特别是基于深度学习构建神经网络模型进行参数估计的技术，无需准确的发动机部件特性，可以根据发动机的历史运行数据不断进行学习，在数据积累过程中逐渐提高预测与估计精度。

公开号为CN112131673A的专利公开了一种基于融合神经网络模型的发动机喘振故障预测系统及方法，完善了时间序列预测方法，实现了指定长度的预测时间序列的生成和对应局部特征、数据间的语义关系的提取，进而对发动机喘振故障进行更加准确、快速的提前预测，属于基于数据驱动方法。公开号为CN112610339A的专利公开了一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法，实现对变循环发动机工作模态的预测，属于基于深层神经网络的数据驱动方法，具有优秀的特征提取和非线性表达能力。但是包括以上两专利在内的当前的航空发动机参数估计方法，大部分都是基于模型或知识进行预测，而基于数据建立深度学习模型或使用机器学习算法进行预测的方案非常少，即便有，使用到的激活函数也都为固定公式，不足以应对大量参数处理及表达时的非线性需求。

综上所述，本发明提出一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法。

发明内容

针对现有深度学习算法和发动机推力工程计算方法所存在的问题，本发明提出一种基于变激活函数神经网络的变循环发动机推力等参数估计方法，能够实现变循环发动机在多工作模态下均能实现对待估计参数的实时准确估计。

为实现上述目的，本发明的构思和技术解决方案实现如下：

本发明的基本构思是，通过变激活函数的方法，使激活函数成为输入的函数，使激活函数可以随着输入变化而变化，而传统神经网络的激活函数为固定公式，因此对于同等数量的参数，变激活函数神经网络的非线性表达能力更强。对于具有相同难度的任务而言，因为变激活函数神经网络非线性表达能力更强，所以需要的运算参数较少，计算速度较快，所以可以克服深度学习算法计算速度慢、实时性差的问题；采用变激活函数神经网络模型进行推力等参数估计，可以解决现有发动机推力工程计算方法准确度低的问题。

基于以上基本构思，本发明提出的技术解决方案为一种基于变激活函数神经网络的变循环发动机参数估计方法，包括以下步骤：

步骤1：采集变循环发动机运行过程的数据；

步骤2：根据时间序列制作三维输入数据图集；

步骤3：构建变激活函数神经网络；