專利名稱：基于確定學(xué)習(xí)理論的軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法
基于確定學(xué)習(xí)理論的軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法技術(shù)鄰域本發(fā)明涉及軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法，具體涉及基于確定學(xué)習(xí)理論的 軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法。
背景技術(shù)：
軸流壓氣機(jī)在葉輪機(jī)械中起著重要的作用，是渦輪風(fēng)扇發(fā)動(dòng)機(jī)、渦輪噴氣發(fā)動(dòng)機(jī) 的核心部件之一。軸流壓氣機(jī)的旋轉(zhuǎn)失速不僅會顯著降低發(fā)動(dòng)機(jī)的性能，還會使得發(fā)動(dòng) 機(jī)的渦輪和燃燒室過熱而損壞渦輪葉片等災(zāi)難性的后果，例如飛機(jī)在特定飛行條件時(shí)(爬 升和大機(jī)動(dòng)飛行等)發(fā)生旋轉(zhuǎn)失速容易造成嚴(yán)重的事故；旋轉(zhuǎn)失速還可能引起壓氣機(jī)喘 振(一般將旋轉(zhuǎn)失速視為喘振的先兆)。因此在飛行的過程中必須嚴(yán)格避免發(fā)動(dòng)機(jī)進(jìn)到 旋轉(zhuǎn)失速工況，這就需要辨識并識別壓氣機(jī)的旋轉(zhuǎn)失速。因此對旋轉(zhuǎn)失速的辨識和快速 診斷是一個(gè)極為重要的問題，并且也是一種預(yù)防壓氣機(jī)喘振的有效方法。壓氣機(jī)流場是 一個(gè)無窮維分布參數(shù)系統(tǒng)，系統(tǒng)動(dòng)態(tài)非常復(fù)雜而使得旋轉(zhuǎn)失速的辨識和快速診斷是一個(gè) 具有挑戰(zhàn)的難點(diǎn)問題。到目前為止，已有的分布參數(shù)系統(tǒng)辨識研究幾乎至討論了系統(tǒng)參 數(shù)辨識，邊界辨識和辨識初始條件中的非齊次項(xiàng)(辨識邊界)等，而對未知非線性分布參 選系統(tǒng)辨識卻少有研究。這主要是緣于分布參數(shù)系統(tǒng)是時(shí)空無限維特性，系統(tǒng)中關(guān)聯(lián)的 笛卡爾(Descartes)空間變量是辨識分布參數(shù)系統(tǒng)的難點(diǎn)。對于軸流壓氣機(jī)旋轉(zhuǎn)失速的 發(fā)生機(jī)理和建模自上世紀(jì)中期以來已深入研究。在1986年，Moore和Greitzer從發(fā)動(dòng) 機(jī)整體的氣動(dòng)性出發(fā)，忽略葉片流場的局部流動(dòng)并利用Galerkin逼近方法建立了能描 述旋轉(zhuǎn)失速動(dòng)態(tài)特性的三階Moore-Greitzer模型(見F. K. Morre and Ε. Μ. Greitzer, A theory of post-stalltransients in axial compression systems :Part !-Development of equations, ASMEJournal of Engineering for Gas Turbines and Power,1986,108 68-76)。盡管Moore-Greitzer模型本質(zhì)上捕獲了各種被試驗(yàn)證實(shí)有效的非線性特性，但其 只是一個(gè)一階Galerkin逼近的簡易三階模型，其并不適合用于控制器設(shè)計(jì)。Mansoux et al.用代替指數(shù)系數(shù)的正弦和余弦Fourier序列的實(shí)離散Fourier變化(DFT)矩陣和其 逆變化(IDFT)，將三階Moore-Greitzer模型轉(zhuǎn)換成一個(gè)可以為控制分析和設(shè)計(jì)所用的高 階非線性常微分方程組模型(見 C. A. Mansoux et al, Distributed nonlinear modeling andstability analysis of axial compressor stall and surge, Proceedings of theAmerican Control Conference, 1994 :2305_2316.)。此后，這些軸流壓氣機(jī)旋轉(zhuǎn)失速模型成為系統(tǒng)的研究旋轉(zhuǎn)失速的主動(dòng)控制、辨識 和診斷等問題的理論基礎(chǔ)和重要工具。目前，關(guān)于旋轉(zhuǎn)失速的診斷方法主要是基于壓氣機(jī) 流場壓力信號的行波能力法、時(shí)間序列分析法和頻域數(shù)據(jù)處理法等。行波能量分析法是基 于線性化的流體力學(xué)理論，根據(jù)壓氣機(jī)流場壓力擾動(dòng)信號的空間Fourier系數(shù)作為狀態(tài)量 進(jìn)行診斷；時(shí)間序列分析法是利用壓氣機(jī)流場壓力傳感器測量的數(shù)據(jù)，根據(jù)混沌理論計(jì)算 測量的時(shí)間序列信號的Kol0g0r0v熵、復(fù)雜度和相關(guān)維數(shù)等指標(biāo)進(jìn)行診斷；頻域數(shù)據(jù)處理 法是將壓力傳感器測量的數(shù)據(jù)經(jīng)過FFT、小波變換等確定壓力信號的頻域值，按照頻域值進(jìn)行診斷。隨著神經(jīng)計(jì)算科學(xué)的發(fā)展和人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力以及它與非線性系統(tǒng)理論 中一系列已經(jīng)發(fā)展成熟的工具的融合，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在分類問題、模式識別以及數(shù)字 信號處理等諸多領(lǐng)域中廣泛應(yīng)用并取得了很大的成就。由于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)具 有任意精度的泛函逼近能力和最佳逼近特性，因此其是眾多種神經(jīng)網(wǎng)絡(luò)中最常用之一。但 是在系統(tǒng)辨識、模式識別問題中難以理解神經(jīng)網(wǎng)絡(luò)的物理意義和難以保證神經(jīng)網(wǎng)絡(luò)權(quán)值收 斂到其最優(yōu)值，這使得難以保證神經(jīng)網(wǎng)絡(luò)真正逼近系統(tǒng)的內(nèi)部動(dòng)態(tài)。神經(jīng)網(wǎng)絡(luò)權(quán)值的收斂 性與持續(xù)激勵(lì)條件的滿足緊密相關(guān)。然而，人工神經(jīng)網(wǎng)絡(luò)隱含層輸出遞歸向量的持續(xù)激勵(lì) 條件的滿足是一件非常困難的事情。確定性學(xué)習(xí)理論是運(yùn)用自適應(yīng)控制理論和動(dòng)力學(xué)系統(tǒng)的概念和方法，并結(jié)合人工 神經(jīng)網(wǎng)絡(luò)理論所發(fā)展起來的新方法，該理論具有如下重要特性使其能在系統(tǒng)動(dòng)態(tài)辨識、學(xué) 習(xí)控制、故障診斷等重要領(lǐng)域中得到很好的應(yīng)用(1)采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)；(2)對周期(或回歸)軌跡滿足部分持續(xù)激勵(lì)條件；(3)沿軌跡實(shí)現(xiàn)對非線性系統(tǒng)動(dòng)態(tài)的局部準(zhǔn)確建模；(4)以常值神經(jīng)網(wǎng)絡(luò)方式儲存，并可在動(dòng)態(tài)環(huán)境下用于對動(dòng)態(tài)模式的快速識別。軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷的本質(zhì)是如何有效的保存旋轉(zhuǎn)失速模式，并且在 壓氣機(jī)運(yùn)行的動(dòng)態(tài)過程中對壓氣機(jī)實(shí)時(shí)監(jiān)測并對壓氣機(jī)的模式進(jìn)行快速的識別和分類。

發(fā)明內(nèi)容
本發(fā)明的目的是在于克服上述已有方法對于軸流壓氣機(jī)旋轉(zhuǎn)失速診斷問題中的 缺點(diǎn)和不足，為軸流壓氣機(jī)旋轉(zhuǎn)失速提供一種基于確定學(xué)習(xí)理論的快速診斷方法，該方法 可快速的診斷出旋轉(zhuǎn)失速為發(fā)動(dòng)機(jī)預(yù)警而避免發(fā)動(dòng)機(jī)進(jìn)入旋轉(zhuǎn)失速工況所引起災(zāi)難性后 果?，F(xiàn)在對動(dòng)態(tài)流場的診斷無論是理論分析還是具體的工程實(shí)現(xiàn)都是一個(gè)很難的問題。本 發(fā)明對軸流壓氣機(jī)流場的旋轉(zhuǎn)失速建立一個(gè)模式庫，這個(gè)模式庫包含了大量壓氣機(jī)從失速 前、失速初期到完全失速過程中的動(dòng)態(tài)模式，每一種旋轉(zhuǎn)失速都對應(yīng)模式庫中的一種模式。 這所講述態(tài)模式是由兩個(gè)方面的因素構(gòu)成一是壓氣機(jī)的狀態(tài)軌跡，二是沿壓氣機(jī)狀態(tài)軌 跡的內(nèi)部動(dòng)態(tài)。動(dòng)態(tài)模式可以從歷史數(shù)據(jù)也可以從實(shí)時(shí)數(shù)據(jù)中獲得，并且各種模式的RBF 神經(jīng)網(wǎng)絡(luò)建模過程是根據(jù)確定學(xué)習(xí)理論。本發(fā)明的具體技術(shù)方案通過如下步驟實(shí)現(xiàn)基于確定學(xué)習(xí)理論的軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法，該方法包含如下步 驟(1)建立軸流壓氣機(jī)旋轉(zhuǎn)失速的常值徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)模型軸流壓氣 機(jī)是一個(gè)無限維分布參數(shù)系統(tǒng)，對該系統(tǒng)進(jìn)行有限維近似建模，即首先將無限維分布參數(shù) 系統(tǒng)轉(zhuǎn)換為具有對稱占優(yōu)特性的有限維高階動(dòng)力系統(tǒng)，然后用有限維高階動(dòng)力系統(tǒng)對稱占 優(yōu)部分的系統(tǒng)內(nèi)部動(dòng)態(tài)，采用RBF神經(jīng)網(wǎng)絡(luò)，對軸流壓氣機(jī)失速前、失速初期到完全失速工 況下的整個(gè)動(dòng)態(tài)過程進(jìn)行學(xué)習(xí)訓(xùn)練，該學(xué)習(xí)訓(xùn)練是采用依據(jù)確定學(xué)習(xí)理論的學(xué)習(xí)方法，實(shí) 現(xiàn)動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值收斂到其最優(yōu)值，對軸流壓氣機(jī)失速前、失速初期到完全失速 工況下的整個(gè)動(dòng)態(tài)過程的內(nèi)部動(dòng)態(tài)的RBF神經(jīng)網(wǎng)絡(luò)逼近，并將動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值收斂后的一段時(shí)間內(nèi)的各權(quán)值的均值保存生成常值RBF神經(jīng)網(wǎng)絡(luò)，由此得到描述各種旋轉(zhuǎn)失 速動(dòng)態(tài)的有限維近似模型；(2)建立多種旋轉(zhuǎn)失速的模式庫將步驟(1)中所述權(quán)值收斂后的一段時(shí)間內(nèi)各 權(quán)值的均值作為學(xué)習(xí)訓(xùn)練結(jié)果保存到模式庫中，多種壓氣機(jī)模型參數(shù)產(chǎn)生的多種旋轉(zhuǎn)失速 模式都建立步驟(1)中權(quán)值收斂后的一段時(shí)間內(nèi)各權(quán)值的均值，將這些均值存貯于模式庫 中；(3)建立旋轉(zhuǎn)失速的動(dòng)態(tài)估計(jì)器利用步驟(2)中模式庫中存貯的均值構(gòu)建常值 RBF神經(jīng)網(wǎng)絡(luò)，并用該常值RBF神經(jīng)網(wǎng)絡(luò)建立動(dòng)態(tài)估計(jì)器，每一個(gè)動(dòng)態(tài)估計(jì)器分別對應(yīng)一種 旋轉(zhuǎn)失速模式，當(dāng)動(dòng)態(tài)估計(jì)器所對應(yīng)的旋轉(zhuǎn)失速模式發(fā)生時(shí)，常值RBF神經(jīng)網(wǎng)絡(luò)就能迅速 回憶起已學(xué)到的內(nèi)部動(dòng)態(tài)，并提供該旋轉(zhuǎn)失速模式的內(nèi)部動(dòng)態(tài)；(4)建立殘差將每個(gè)動(dòng)態(tài)估計(jì)器的狀態(tài)分別與壓氣機(jī)運(yùn)行時(shí)的流量狀態(tài)進(jìn)行比 較，并且將它們之間的差值作為殘差；(5)殘差評估對每個(gè)估計(jì)器的殘差取范數(shù)，如果某個(gè)旋轉(zhuǎn)失速模式發(fā)生，那么與 該旋轉(zhuǎn)模式匹配的估計(jì)器的殘差的范數(shù)就會變小，而其他不匹配的估計(jì)器的殘差的I1范數(shù) 就會比較大；并且各估計(jì)器的平均范數(shù)也同樣是與之匹配的估計(jì)器的平均I1范數(shù)會變得很 小而與之不匹配的估計(jì)器的平均I1范數(shù)則變的較大；如果被診斷的壓氣機(jī)與模式庫中某一 旋轉(zhuǎn)失速模式的動(dòng)態(tài)估計(jì)器相匹配，就說明該旋轉(zhuǎn)失速模式發(fā)生并同時(shí)將該旋轉(zhuǎn)失速模式 診斷出來。上述方法中，步驟(1)中利用的是無限維壓氣機(jī)系統(tǒng)有限維近似的對稱占優(yōu)部分 的系統(tǒng)動(dòng)態(tài)信息作為軸流壓氣機(jī)旋轉(zhuǎn)失速的系統(tǒng)內(nèi)部動(dòng)態(tài)，并用其學(xué)習(xí)訓(xùn)練RBF神經(jīng)網(wǎng) 絡(luò)，使得系統(tǒng)信息相對足夠充分但又不超出RBF神經(jīng)網(wǎng)絡(luò)可處理能力。上述方法中，步驟(1)中利用的系統(tǒng)內(nèi)部動(dòng)態(tài)是能最本質(zhì)的反映系統(tǒng)動(dòng)態(tài)行為的 系統(tǒng)信息，其能反映系統(tǒng)隨時(shí)間演化的動(dòng)態(tài)特性；而壓氣機(jī)系統(tǒng)的內(nèi)部動(dòng)態(tài)是指壓氣機(jī)流 場的流量和壓力狀態(tài)在隨時(shí)間演化過程中表現(xiàn)出的動(dòng)態(tài)行為。上述方法中，步驟(1)中權(quán)值收斂有兩種情況一種是沿壓氣機(jī)軌跡的RBF神經(jīng)網(wǎng) 絡(luò)的神經(jīng)元滿足持續(xù)激勵(lì)條件，其權(quán)值收斂到其最優(yōu)值；另一種是遠(yuǎn)離軌跡的RBF神經(jīng)網(wǎng) 絡(luò)的神經(jīng)元不受激勵(lì)而不被調(diào)節(jié)，其權(quán)值基本幾乎為零。上述方法中，步驟(1)中所述逼近是沿壓氣機(jī)軌跡的內(nèi)部動(dòng)態(tài)的逼近，而遠(yuǎn)離軌 跡的內(nèi)部動(dòng)態(tài)則不被逼近。上述方法中，步驟(1)所述的學(xué)習(xí)訓(xùn)練是知識獲得的過程，所述知識是以常值RBF 神經(jīng)網(wǎng)絡(luò)權(quán)值來表達(dá)的，每一組權(quán)值對應(yīng)一種旋轉(zhuǎn)失速模式，作為這種旋轉(zhuǎn)失速模式的靜 態(tài)表達(dá)。上述方法中，步驟(3)所述的動(dòng)態(tài)估計(jì)器是對所述知識的再利用，作為旋轉(zhuǎn)失速 模式的動(dòng)態(tài)表達(dá)，再現(xiàn)所對應(yīng)的旋轉(zhuǎn)失速模式的內(nèi)部動(dòng)態(tài)行為。上述方法中，如果步驟(5)所述殘差評估過程沒有動(dòng)態(tài)估計(jì)器與被診斷壓氣機(jī)狀 態(tài)相匹配，則認(rèn)為有新的壓氣機(jī)運(yùn)行模式發(fā)生，這時(shí)再次啟動(dòng)步驟(1)所述的學(xué)習(xí)訓(xùn)練過 程來學(xué)習(xí)新模式。上述方法中，步驟(3)、(4)和(5)是對壓氣機(jī)旋轉(zhuǎn)失速模式監(jiān)測過程，對所有旋轉(zhuǎn) 失速模式監(jiān)測是并行、動(dòng)態(tài)和實(shí)時(shí)的過程。
上述方法中，步驟(5)所述的匹配是指被診斷壓氣機(jī)狀態(tài)與動(dòng)態(tài)估計(jì)器狀態(tài)之間 具有相似性，其相似性的衡量因素為i)被診斷壓氣機(jī)狀態(tài)與動(dòng)態(tài)估計(jì)器狀態(tài)的差異；ii) 沿著被診斷壓氣機(jī)的軌跡，被診斷壓氣機(jī)的流量內(nèi)部動(dòng)態(tài)與動(dòng)態(tài)估計(jì)器的系統(tǒng)內(nèi)部動(dòng)態(tài)之 間的差異。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和效果1、建立模式庫要比建立單純的數(shù)學(xué)模型可行，因?yàn)槊恳环N模式只是對應(yīng)一種系統(tǒng) 行為，模式庫通過大量的模式對系統(tǒng)的行為進(jìn)行描述，同時(shí)模式庫還可以通過不停的升級 來應(yīng)對新旋轉(zhuǎn)失速模式的發(fā)生。而數(shù)學(xué)模型只是靠一個(gè)模型來表達(dá)系統(tǒng)的行為，這要求訓(xùn) 練時(shí)的數(shù)據(jù)需要遍歷整個(gè)系統(tǒng)的運(yùn)行空間，這樣的數(shù)據(jù)在實(shí)際過程中是很難獲得的，而且 可能是沒必要的有，因?yàn)橄到y(tǒng)可能只是在一條或幾條軌跡上運(yùn)行。另一方面，建立的模式庫 是根據(jù)壓氣機(jī)有限維逼近的占優(yōu)部分的系統(tǒng)動(dòng)態(tài)信息所建立的，可以獲得十分充分的系統(tǒng) 信息，并且可以將其并行處理而當(dāng)數(shù)據(jù)量將十分大時(shí)也不會使得同時(shí)進(jìn)行訓(xùn)練是十分困難 的事情。2、與基于線性化的流體力學(xué)理論的行波能量分析法相比，基于確定學(xué)習(xí)理論的旋 轉(zhuǎn)失速快速診斷方法更全面的存貯了壓氣機(jī)旋轉(zhuǎn)失速的動(dòng)態(tài)信息。壓氣機(jī)流場是一個(gè)具有 很強(qiáng)非線性的無窮維分布參數(shù)系統(tǒng)，線性化過程務(wù)必丟失大量的系統(tǒng)信息，其中包括能反 映系統(tǒng)本質(zhì)特性的大量重要信息。在基于確定學(xué)習(xí)理論的方法中，神經(jīng)網(wǎng)絡(luò)通過確定學(xué)習(xí) 可精確逼近壓氣機(jī)在各種工況下沿系統(tǒng)軌跡的系統(tǒng)內(nèi)部動(dòng)態(tài)，不只包含系統(tǒng)的線性部分信 息而且包含系統(tǒng)重要的非線性部分的內(nèi)部動(dòng)態(tài)，這樣系統(tǒng)的動(dòng)態(tài)行為過程可被完整的保存 下來。因此，基于確定學(xué)習(xí)理論的旋轉(zhuǎn)失速快速診斷方法是一種對壓氣機(jī)進(jìn)行動(dòng)態(tài)監(jiān)測的 方法，可反映壓氣機(jī)瞬態(tài)行為和內(nèi)部重要的非線性特性。3、與時(shí)間序列分析法和頻域數(shù)據(jù)處理法相比，基于確定學(xué)習(xí)理論的旋轉(zhuǎn)失速快 速診斷方法，利用動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)壓氣機(jī)的內(nèi)部動(dòng)態(tài)所建立的模式，不僅包含壓氣 機(jī)流場的壓力信息還包含系統(tǒng)的流量信息，更充分和更全面地獲取和保存了系統(tǒng)的內(nèi)部動(dòng) 態(tài)。在診斷旋轉(zhuǎn)失速時(shí)，常值RBF利用的系統(tǒng)內(nèi)部動(dòng)態(tài)信息比只用流場壓力信息更充分而 提高診斷的準(zhǔn)確性；并且在診斷時(shí)，常值RBF神經(jīng)網(wǎng)絡(luò)就能迅速回憶起已學(xué)到的知識(旋轉(zhuǎn) 失速模式的內(nèi)部動(dòng)態(tài))和對旋轉(zhuǎn)失速模式監(jiān)測是并行過程，這就使得診斷速度較上述方法 更為快速。4、基于確定學(xué)習(xí)理論的旋轉(zhuǎn)失速快速診斷方法可以利用神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)學(xué)習(xí)， 并用最小殘差法自動(dòng)進(jìn)行快速診斷，從而大大提高旋轉(zhuǎn)失速診斷過程的自動(dòng)化程度。5、與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相比，本方法中的神經(jīng)網(wǎng)絡(luò)有具體的物理意義。實(shí)際上它 是建立了沿系統(tǒng)動(dòng)態(tài)軌跡的局部精確模型，所以它能較為精確和全面的得出了壓氣機(jī)的內(nèi) 部動(dòng)態(tài)過程，可以提高快速診斷過程的可靠性。而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不具有物理意義，無 法達(dá)到這樣的技術(shù)效果。6、由于神經(jīng)網(wǎng)絡(luò)有強(qiáng)大的逼近能力，并通過確定學(xué)習(xí)，可對壓氣機(jī)的動(dòng)態(tài)模式進(jìn) 行沿系統(tǒng)軌跡的局部精確建模，所以可以發(fā)現(xiàn)壓氣機(jī)狀態(tài)的微小差異。微小差異的診斷是 旋轉(zhuǎn)失速快速診斷中十分重要的事情，因?yàn)榘l(fā)動(dòng)機(jī)的失速過程時(shí)間很短，一旦發(fā)動(dòng)機(jī)的旋 轉(zhuǎn)失速發(fā)展起來則沒有太多的反應(yīng)時(shí)間了。只有快速的發(fā)現(xiàn)并診斷出旋轉(zhuǎn)失速模式才可避 免發(fā)動(dòng)機(jī)災(zāi)難性事故的發(fā)生。
7、與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練相比，本發(fā)明真正的獲得了知識，并有效的利用了 知識。旋轉(zhuǎn)失速模式的知識是通過確定學(xué)習(xí)來獲得的，這種知識以常值RBF神經(jīng)網(wǎng)絡(luò)來表 達(dá)。利用知識快速診斷旋轉(zhuǎn)失速模式可以是一種并行的、動(dòng)態(tài)的和快速的過程。


圖1是航空渦扇發(fā)動(dòng)機(jī)結(jié)構(gòu)示意簡圖。圖2是RBF神經(jīng)網(wǎng)絡(luò)對壓氣機(jī)系統(tǒng)學(xué)習(xí)的系統(tǒng)結(jié)構(gòu)簡圖。圖3是本發(fā)明所采用的RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意簡圖。圖4是實(shí)施例中第一種旋轉(zhuǎn)失速模式Q。圖5是實(shí)施例中第二種旋轉(zhuǎn)失速模式C2。圖6是實(shí)施例中第三種旋轉(zhuǎn)失速模式C3。圖7是實(shí)施例中學(xué)習(xí)訓(xùn)練階段神經(jīng)網(wǎng)絡(luò)權(quán)值的收斂情況。圖8是實(shí)施例中的測試模式(旋轉(zhuǎn)失速模式C1)。圖9是實(shí)施例中對應(yīng)測試模式(旋轉(zhuǎn)失速模式C1)時(shí)模式庫中的三種旋轉(zhuǎn)失速模 式估計(jì)器的三個(gè)殘差曲線(E1，E2和E3)圖。
具體實(shí)施例方式下面結(jié)合實(shí)施例及附圖，對本發(fā)明的具體實(shí)施方式
作進(jìn)一步地說明，但本發(fā)明的 實(shí)施和保護(hù)范圍不限于此。實(shí)施例航空渦扇發(fā)動(dòng)機(jī)整體結(jié)構(gòu)示意簡圖如圖(1)所示，空氣從發(fā)動(dòng)機(jī)的前端進(jìn)氣口經(jīng) 過導(dǎo)流葉柵近入到壓氣機(jī)中(其中Pt表示外部大氣壓力)，壓氣機(jī)將低壓氣體增壓在燃燒 室中與燃料(如汽油)燃燒形成高溫高壓氣體，高溫高壓氣體從尾噴管噴出形成反彈力給 飛機(jī)提供需要的動(dòng)力。對軸流壓氣機(jī)旋轉(zhuǎn)失速考慮如下的Mansoux模型(有限維高階動(dòng)力 系統(tǒng))
Εφ = -Αφ + ψΧφ)-Τψ< —\ ,,、、，、
、C其中Φ = [(^1 φ2··· Φμ]τ是壓氣機(jī)流場的流量狀態(tài)，是壓氣機(jī)流場的壓力狀 態(tài)，ψ。(φ)和Cl^ = Λ^是流量和壓力狀態(tài)函數(shù)，1。和B是系統(tǒng)的常值參數(shù)，系數(shù)矩陣
分別滿足 E = G-1DeG, A = G-1DaG, 其中S = [1/Μ 1/Μ . · · 1/Μ]，Τ = [1 1 …1]τ ,M = 2Ν+1, θ j = 2 π η/Μ, η = 1, 2，…Μ。若對N = 8，并根據(jù)系統(tǒng)的矩陣E和A的特點(diǎn)和所對應(yīng)三個(gè)壓氣機(jī)失速模SCnC2 和C3的下列系統(tǒng)參數(shù)， 可將系統(tǒng)(1)的流量狀態(tài)轉(zhuǎn)化為如下的形式 其中
成是表示流量φ中除了
外的其它剩余所以的 量分量
是表示包含系統(tǒng)主要信息量的非線性狀態(tài)函數(shù)，
是表示除
外剩余包含系統(tǒng)小量信息的未建模動(dòng)塊，并且我們以i=1為例給出具體的
和
的表達(dá)式； χ = 0.8028 xFcO1)- 0.125 0.4548 {φ2 - φλη) [ο·] - 0.1874 (Ψ^2)+Ψ 力17))gl = 0. 3042 ( Φ 3_ Φ 16) _0· 0577 (Ψε ( Φ 3)+Ψε ( Φ 16))-0. 1835 ( Φ 4_ Φ 15) +0. 0368 (Ψε ( Φ 4)+Ψε ( Φ 15))+0. 1553(Φ5-Φ14) +0. 0186 (Ψε ( Φ 5)+Ψε ( Φ 14))
對其他的流量分量，可以用相同形式的表達(dá)，在此不一一詳細(xì)列出；在旋轉(zhuǎn)失速初 期和完全失速工況下，非線性函數(shù)流量函數(shù)Ψ。(Φ)是控制壓氣機(jī)狀態(tài)最重要的模型參數(shù)，
并且/ft，^7)中的各非線性流量函數(shù)項(xiàng)的系數(shù)和為ο.428而中的各非線性流
量函數(shù)項(xiàng)的系數(shù)和是0.0359 ；因此有
。本例中將/;(^，廠)視為系統(tǒng)動(dòng)態(tài)，
而將\ 視為壓氣機(jī)未建模動(dòng)態(tài)而略去。采用基于確定學(xué)習(xí)理論的旋轉(zhuǎn)失速快速診斷方法的步驟如下(1)建立常值徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)模型采用神經(jīng)網(wǎng)絡(luò)對軸流壓氣機(jī)系統(tǒng)學(xué)習(xí)訓(xùn)練的系統(tǒng)結(jié)構(gòu)簡圖如圖2所示，其中Φ， 分別是壓氣機(jī)的流量和壓力狀態(tài)，f是RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)器的輸出。將所獲得的流量和
壓力狀態(tài)作為神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)采用RBF神經(jīng)網(wǎng)絡(luò)，如圖3所示，其中Xl，X2,…， Xn是神經(jīng)網(wǎng)絡(luò)的輸入，Y1, y2是神經(jīng)網(wǎng)絡(luò)的輸出。本例中神經(jīng)網(wǎng)絡(luò)的輸入是壓氣機(jī)流量Φ 和壓力。高斯徑向基網(wǎng)絡(luò)學(xué)習(xí)器由如下方程表示 但是對于具體的分量i時(shí)，高斯徑向基網(wǎng)絡(luò)學(xué)習(xí)器為 其中<是RBF神經(jīng)網(wǎng)絡(luò)的狀態(tài)，&，7是對應(yīng)的占系統(tǒng)主要部分的流量和壓力， =0.5是設(shè)計(jì)常值，#/5>,(^，^7)是用來逼近占系統(tǒng)(2)的主要部分的非線性狀態(tài)函數(shù) /(IF)Wrbf神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)器(3)中的估計(jì)權(quán)值爐,.用基于李亞普諾夫(Lyapimov)的學(xué)習(xí)
更新率 其中 根據(jù)確定學(xué)習(xí)理論，如圖7所示，靠近系統(tǒng)軌跡的神經(jīng)元的權(quán)值滿足部分持續(xù)激 勵(lì)條件，從而收斂到其最優(yōu)值；而遠(yuǎn)離系統(tǒng)軌跡的神經(jīng)元受激勵(lì)的程度很小而幾乎不被調(diào) 節(jié)，基本上保持在零的小鄰域內(nèi)。另一方面，RBF神經(jīng)網(wǎng)絡(luò)沿系統(tǒng)軌跡逼近被診斷壓氣機(jī)的 系統(tǒng)內(nèi)部動(dòng)態(tài)。(2)建立模式庫當(dāng)RBF神經(jīng)網(wǎng)絡(luò)權(quán)值收斂時(shí)，取收斂后的一段時(shí)間的權(quán)值均值為學(xué)習(xí)結(jié)果
W. = mean ⑴其中tb > ta > ο表示這個(gè)收斂過程后的一段時(shí)間。這樣我們就獲得神經(jīng)網(wǎng)絡(luò)權(quán) 重的常數(shù)向量『,將其保存于模式庫中。本實(shí)施有三種旋轉(zhuǎn)失速模式C1, C2和C3,并且這三種旋轉(zhuǎn)失速模式的的流量狀態(tài) 軌跡分別如圖4圖、5和圖6所示。按步驟(1) (2)對這三種旋轉(zhuǎn)失速模式進(jìn)行學(xué)習(xí)訓(xùn)練，最 后就獲得三組常數(shù)權(quán)值^“1，S= 1，2，3。每組權(quán)值對應(yīng)一種旋轉(zhuǎn)失速模式，作為相對應(yīng)的
旋轉(zhuǎn)失速模式的靜態(tài)表達(dá)。同時(shí)這三組權(quán)值構(gòu)成一個(gè)模式庫。如果學(xué)習(xí)訓(xùn)練更多的旋轉(zhuǎn)失 速模式，模式庫就有更多組權(quán)值。(3)建立動(dòng)態(tài)估計(jì)器從模式庫中調(diào)出權(quán)值，將這些權(quán)值賦值給RBF神經(jīng)網(wǎng)絡(luò)，這樣就建立起三個(gè)常值 RBF神經(jīng)網(wǎng)絡(luò)。這三個(gè)常值RBF神經(jīng)網(wǎng)絡(luò)的表達(dá)形式W；7= 1,2,3利用這三個(gè)常值RBF神經(jīng)網(wǎng)絡(luò)建立動(dòng)態(tài)估計(jì)器。動(dòng)態(tài)估計(jì)器可由如下方程描述 其中是動(dòng)態(tài)估計(jì)器的狀態(tài)，&，7是對應(yīng)的占系統(tǒng)主要狀態(tài)的流量和壓力，設(shè)
計(jì)系數(shù)h >0通常小于 (^在(3)式中給出)?！?Τ\(^，7)是通過確定性學(xué)習(xí)獲得
的常值高斯徑向基神經(jīng)網(wǎng)絡(luò)，當(dāng)動(dòng)態(tài)估計(jì)器對應(yīng)的旋轉(zhuǎn)失速模式發(fā)生時(shí)，常值RBF神經(jīng)網(wǎng) 絡(luò)能快速回憶已學(xué)到的知識，提供該旋轉(zhuǎn)失速模式的內(nèi)部動(dòng)態(tài)。(4)構(gòu)造殘差動(dòng)態(tài)估計(jì)器與被診斷壓氣機(jī)之間的同步誤差作為殘差，其中$，「是系統(tǒng)(2)的 流量和壓力狀態(tài)，7s，i = 1，2，3是動(dòng)態(tài)估計(jì)器的狀態(tài)，]Γ = X 一於是動(dòng)態(tài)估計(jì)器與被
診斷壓氣機(jī)流量狀態(tài)之間的殘差。(5)殘差評估旋轉(zhuǎn)失速快速診斷的思想是如果第k個(gè)旋轉(zhuǎn)失速模式發(fā)生，那么被監(jiān)測系統(tǒng) 與第k個(gè)估計(jì)器匹配，則對應(yīng)的殘差^t(Z)就會變得很小，而其它與其不匹配的估計(jì)
器r的殘差就會比較大。根據(jù)最小殘差原理，我們可以判斷旋轉(zhuǎn)失速模式k發(fā) 生。因此診斷策略為如果對所以r e {1，…，M}/{k}，存在一個(gè)有限時(shí)間tk，使得 對所有Wt > tk，有I廠(廣(廣)|成立，則可判斷旋轉(zhuǎn)失速模式k發(fā)生，其中
O。如圖9所示，旋轉(zhuǎn)失速模式在大約第75秒被診斷出來；而從圖 M “‘
8可知，測試旋轉(zhuǎn)失速模式此時(shí)正處于失速初期。
權(quán)利要求
基于確定學(xué)習(xí)理論的軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法，所述軸流壓氣機(jī)是一個(gè)無限維分布參數(shù)系統(tǒng)，其特征在于包含如下步驟(1)建立軸流壓氣機(jī)旋轉(zhuǎn)失速的常值徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型對所述無限維分布參數(shù)系統(tǒng)進(jìn)行有限維近似建模，首先將無限維分布參數(shù)系統(tǒng)轉(zhuǎn)換為具有對稱占優(yōu)特性的有限維高階動(dòng)力系統(tǒng)，然后用有限維高階動(dòng)力系統(tǒng)的對稱占優(yōu)部分的系統(tǒng)內(nèi)部動(dòng)態(tài)，采用RBF神經(jīng)網(wǎng)絡(luò)，對軸流壓氣機(jī)失速前、失速初期到完全失速工況下的整個(gè)動(dòng)態(tài)過程進(jìn)行學(xué)習(xí)訓(xùn)練，該學(xué)習(xí)訓(xùn)練是采用依據(jù)確定學(xué)習(xí)理論的學(xué)習(xí)方法，實(shí)現(xiàn)動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值收斂到其最優(yōu)值；對軸流壓氣機(jī)失速前、失速初期到完全失速工況下的整個(gè)動(dòng)態(tài)過程的內(nèi)部動(dòng)態(tài)的RBF神經(jīng)網(wǎng)絡(luò)逼近，并將動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值收斂后的一段時(shí)間內(nèi)的各權(quán)值的均值保存生成常值RBF神經(jīng)網(wǎng)絡(luò)，由此得到各種旋轉(zhuǎn)失速動(dòng)態(tài)的有限維近似模型；(2)建立多種旋轉(zhuǎn)失速的模式庫將步驟(1)中所述權(quán)值收斂后的一段時(shí)間內(nèi)各權(quán)值的均值作為學(xué)習(xí)訓(xùn)練結(jié)果保存到模式庫中；多種壓氣機(jī)模型參數(shù)產(chǎn)生的多種旋轉(zhuǎn)失速模式都建立步驟(1)中所述權(quán)值收斂后的一段時(shí)間內(nèi)各權(quán)值的均值，將這些均值存貯于模式庫中；(3)建立旋轉(zhuǎn)失速的動(dòng)態(tài)估計(jì)器利用步驟(2)中模式庫中存貯的均值構(gòu)建常值RBF神經(jīng)網(wǎng)絡(luò)，并用該常值RBF神經(jīng)網(wǎng)絡(luò)建立動(dòng)態(tài)估計(jì)器，每一個(gè)動(dòng)態(tài)估計(jì)器分別對應(yīng)一種旋轉(zhuǎn)失速模式，當(dāng)動(dòng)態(tài)估計(jì)器所對應(yīng)的旋轉(zhuǎn)失速模式發(fā)生時(shí)，常值RBF神經(jīng)網(wǎng)絡(luò)就能迅速回憶起已學(xué)到的內(nèi)部動(dòng)態(tài)，并提供該旋轉(zhuǎn)失速模式的內(nèi)部動(dòng)態(tài)；(4)建立殘差將每個(gè)動(dòng)態(tài)估計(jì)器的狀態(tài)分別與壓氣機(jī)的流量狀態(tài)進(jìn)行比較，并且將它們之間的差值作為殘差；(5)殘差評估對每個(gè)估計(jì)器的殘差取范數(shù)，如果某個(gè)旋轉(zhuǎn)失速模式發(fā)生，那么與該旋轉(zhuǎn)失速模式匹配的估計(jì)器的殘差的范數(shù)就會變小，而其他不匹配的估計(jì)器的殘差的l1范數(shù)就會比較大；并且各估計(jì)器的平均范數(shù)也同樣是與該旋轉(zhuǎn)失速模式匹配的估計(jì)器的平均l1范數(shù)會變得很小而與該旋轉(zhuǎn)失速模式不匹配的估計(jì)器的平均l1范數(shù)則變的較大；如果被診斷的壓氣機(jī)與模式庫中某一旋轉(zhuǎn)失速模式的動(dòng)態(tài)估計(jì)器相匹配，就說明該旋轉(zhuǎn)失速模式發(fā)生并同時(shí)將該旋轉(zhuǎn)失速模式診斷出來。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟(1)中利用的是無限維壓氣機(jī)系統(tǒng)有 限維近似的對稱占優(yōu)部分的系統(tǒng)動(dòng)態(tài)信息作為軸流壓氣機(jī)旋轉(zhuǎn)失速的系統(tǒng)內(nèi)部動(dòng)態(tài)，并用 其學(xué)習(xí)訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，使得系統(tǒng)信息相對足夠充分但又不超出RBF神經(jīng)網(wǎng)絡(luò)可處理能 力范圍。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟(1)中權(quán)值收斂有兩種情況一種是 沿壓氣機(jī)狀態(tài)軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元滿足持續(xù)激勵(lì)條件，其權(quán)值收斂到最優(yōu)值；另 一種是遠(yuǎn)離壓氣機(jī)軌跡的RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元不受到激勵(lì)而權(quán)值幾乎不被調(diào)節(jié)，其權(quán)值 近似為零。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟(1)中所述逼近是沿壓氣機(jī)狀態(tài)軌跡 的內(nèi)部動(dòng)態(tài)的逼近，而遠(yuǎn)離壓氣機(jī)狀態(tài)軌跡的內(nèi)部動(dòng)態(tài)則不被逼近。
5.根據(jù)權(quán)利要求1 3任一項(xiàng)所述的方法，其特征在于步驟(1)所述的學(xué)習(xí)訓(xùn)練是知 識的獲取過程，所述知識是以常值RBF神經(jīng)網(wǎng)絡(luò)來表達(dá)的，每組權(quán)值對應(yīng)一種旋轉(zhuǎn)失速模 式，作為旋轉(zhuǎn)失速模式的靜態(tài)表達(dá)。
6.根據(jù)權(quán)利要求4所述的方法，其特征在于步驟(3)所述的動(dòng)態(tài)估計(jì)器是對所述知識 的再利用，作為軸流壓氣機(jī)旋轉(zhuǎn)失速模式的動(dòng)態(tài)表達(dá)，再現(xiàn)所對應(yīng)的旋轉(zhuǎn)失速模式的動(dòng)態(tài) 行為。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于如果步驟(5)所述殘差評估過程沒有動(dòng)態(tài) 估計(jì)器與被診斷壓氣機(jī)狀態(tài)相匹配，則認(rèn)為有新的旋轉(zhuǎn)失速模式發(fā)生，這時(shí)再次啟動(dòng)步驟 (1)所述的學(xué)習(xí)訓(xùn)練過程來學(xué)習(xí)新的旋轉(zhuǎn)失速模式。
8.根據(jù)權(quán)利要求5所述的方法，其特征在于步驟(3)、(4)和(5)是對壓氣機(jī)旋轉(zhuǎn)失速 的監(jiān)測過程，對所有的旋轉(zhuǎn)失速的監(jiān)測是并行、動(dòng)態(tài)和實(shí)時(shí)的過程。
9.根據(jù)權(quán)利要求5所述的方法，其特征在于步驟(5)所述的匹配是指被診斷壓氣機(jī)與 動(dòng)態(tài)估計(jì)器之間具有相似性，其相似性的衡量因素包括a)被診斷壓氣機(jī)的與動(dòng)態(tài)估計(jì)器 的狀態(tài)的差異；b)沿著被診斷壓氣機(jī)的狀態(tài)軌跡，被診斷壓氣機(jī)的系統(tǒng)內(nèi)部動(dòng)態(tài)與動(dòng)態(tài)估 計(jì)器的系統(tǒng)內(nèi)部動(dòng)態(tài)之間的差異。全文摘要
本發(fā)明公開了基于確定學(xué)習(xí)理論的軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷方法，包括如下步驟建立軸流壓氣機(jī)旋轉(zhuǎn)失速的常值徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)模型；建立多種旋轉(zhuǎn)失速的模式庫(從失速前、失速初期到完全失速模式)；利用常值RBF神經(jīng)網(wǎng)絡(luò)建立旋轉(zhuǎn)失速的動(dòng)態(tài)估計(jì)器；建立動(dòng)態(tài)估計(jì)器的狀態(tài)與被診斷壓氣機(jī)的流量狀態(tài)殘差；對殘差評估，實(shí)現(xiàn)對軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷。該方法適用于軸流壓氣機(jī)旋轉(zhuǎn)失速的快速診斷，可對軸流壓氣機(jī)從正常工況(失速前)到故障工況(完全失速)的整個(gè)過程進(jìn)行學(xué)習(xí)辨識和建立模式庫，從而能實(shí)時(shí)快速的識別出軸流壓氣機(jī)運(yùn)行過程中處于何種工況(失速前、失速初期和完全失速)而實(shí)現(xiàn)對旋轉(zhuǎn)失速的快速診斷。
文檔編號G06F17/50GK101887479SQ20101023747
公開日2010年11月17日 申請日期2010年7月23日 優(yōu)先權(quán)日2010年7月23日
發(fā)明者彭滔, 王勇, 王聰, 袁漢文, 陳填銳 申請人:華南理工大學(xué)