[发明专利]一种基于数字孪生的航空发动机气路故障预测方法

权利要求书

1.一种基于数字孪生的航空发动机气路故障预测方法，其特征在于，步骤如下：

S1：构建航空发动机部件级数字孪生体；

航空发动机部件级数字孪生体包括进气道、压气机、燃烧室、涡轮、尾喷管和转子，输入参数为燃油流量Wf、高度H和马赫数Ma；

S2：利用步骤S1中的航空发动机部件级数字孪生体计算当前发动机气路参数仿真数据；

发动机气路参数包括转子相对换算转速、进口空气总温、风扇可调叶片角度、压气机可调叶片角度、涡轮前温度、涡轮后排气温度、涡轮后排气压力、压气机进/出口温度和压气机进/出口压力；

S3：在航空发动机的运行过程中，实时采集气路传感器信号；

S4：对步骤S3中采集得到的气路传感器信号进行去噪处理；

使用小波阈值法去噪；

对气路传感器信号先使用离散小波变换：其中，(W_ψf)为经过小波分解后的气路传感器信号，a₀为伸缩步长，b₀为基函数因子，m和n分别为尺度系数和平移系数；小波去噪阈值由下式确定：

其中，σ为噪声的标准差估计，N为气路传感器信号的长度；阈值函数由下式确定：

其中，ω_j,k为原始气路传感器信号进行小波分解后的小波系数，为经过相应阈值函数处理后的小波系数；采用上述阈值函数对小波分解后的气路传感器信号进行处理，得到经过降噪处理的气路传感器信号；

S5：将经过降噪处理的气路传感器信号与航空发动机部件级数字孪生体的仿真数据对比，得到仿真数据与真实测量值之间的误差；

S6：建立Wiener-BP误差修正模型，利用步骤S5得到的仿真数据与真实数据之间的差值对Wiener-BP误差修正模型进行训练，并使用训练后的Wiener-BP误差修正模型对航空发动机部件级数字孪生体进行修正，得到经过误差修正的航空发动机部件级数字孪生体；

Wiener-BP误差修正模型是基于Wiener模型和BP神经网络建立的；Wiener模型看作一个线性动态环节和一个非线性静态增益的串联，使用BP神经网络替代Wiener模型中的非线性静态增益部分；对于Wiener-BP误差修正模型，其线性动态环节的输入为u(t)，则其线性动态环节的输出为：

x(t)＝b₀u(t)+b₁u(t-1)+b₂u(t-2)+…+b_nu(t-n)-a₁x(t-1)-…-a_mx(t-m)

其中，a_j、b_j都是Wiener-BP误差修正模型待训练参数，u(t-n)、x(t-m)的异步输入使用延迟算子实现；

对于非线性静态增益环节，使用BP神经网络实现，非线性静态增益环节输入即为线性动态环节的输出x(t)，其隐藏层节点的输出为：

其中，为非线性静态增益环节输入到第i个隐藏层节点的权值，为第i个隐藏层神经元的激活阈值；f为Sigmoid激励函数，其表达式如下：

非线性静态增益环节的输出为：

其中，为第i个隐藏层节点到非线性静态增益环节输出的权值，为第i个隐藏层神经元的激活阈值，I为隐藏层节点总个数；至此，已完成基于Wiener模型和BP神经网络的Wiener-BP误差修正模型的建立；

Wiener-BP误差修正模型的输出y(t)与输入u(t)间的映射关系为：

其中，待训练的参数有a_j、b_j、在仿真开始时进行随机初始化，并使用数字孪生体输出值与真实值之间的误差作为训练数据，使用基于最小均方误差的梯度下降法进行参数修正，最终得到发动机数字孪生体的误差修正模型；

S7：利用发动机运行时的气路传感器信号作为训练样本数据，建立航空发动机参数预测算法；

航空发动机参数预测算法基于长短期记忆神经网络实现；STM模型的输入为当前及历史时间内的发动机运行气路传感器信号，输出为未来一段时间内的发动机气路传感器信号预测值；

S8：将步骤S7中参数预测算法输出的气路传感器信号预测值输入经过误差修正的航空发动机部件级数字孪生体，得到航空发动机在预测时刻的运行状况；

S9：将步骤S8中经过误差修正的航空发动机部件级数字孪生体在预测时刻的运行状况与发动机气路故障特征进行对比，判断是否出现气路故障；若预测时刻的经过误差修正的航空发动机部件级数字孪生体出现故障，说明发动机在经过预测时间之后有极大概率出现相同故障，从而达到故障预测的目的。