買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國人民解放軍海軍航空大學青島校區申請的專利一種航空發動機建模方法、系統、存儲介質獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114154234B 。

龍圖騰網通過國家知識產權局官網在2025-06-10發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111298806.X，技術領域涉及：G06F30/15；該發明授權一種航空發動機建模方法、系統、存儲介質是由任立坤;秦海勤;謝鎮波;李邊疆;于曉琳;徐可君;謝靜;馬中原設計研發完成，并于2021-11-04向國家知識產權局提交的專利申請。

本一種航空發動機建模方法、系統、存儲介質在說明書摘要公布了：本發明屬于航空發動機建模技術領域，公開了一種航空發動機建模方法、系統、存儲介質。將發動機熱力學過程與飛行數據深度融合，采用神經網絡結構構建航空發動機模型并對構建的航空發動機模型進行訓練與驗證，然后再基于試車數據或飛行數據對對基于深度神經網絡的航空發動機模型再訓練及驗證。實驗結果和分析表明，相比與傳統的熱力學模型，本發明的模型和算法具有更高的準確率與效率，能夠加快航空發動機設計過程的迭代過程，提高航空發動機控制系統的響應時間及監控過程的故障診斷能力。

本發明授權一種航空發動機建模方法、系統、存儲介質在權利要求書中公布了：1.一種基于熱力學過程與深度神經網絡的航空發動機建模方法，其特征在于，所述基于熱力學過程與深度神經網絡的航空發動機建模方法包括：將發動機熱力學過程與飛行數據深度融合，采用神經網絡結構構建航空發動機模型并對構建的航空發動機模型進行訓練與驗證，然后再基于試車數據或飛行數據對對基于深度神經網絡的航空發動機模型再訓練及驗證；所述基于熱力學過程與深度神經網絡的航空發動機建模方法具體包括：S1：結合航空發動機實際飛行包線，利用蒙特卡洛方法產生一系列熱力學模型的輸入量；S2：將S1中的輸入量輸入到現有的航空發動機氣動熱力學模型中，計算各部件截面的氣動熱力學參數，形成多個與輸入量對應的截面輸出量；S3：搭建基于深度神經網絡的航空發動機模型；S4：利用S2產生的輸入輸出量對S3搭建的基于深度神經網絡的航空發動機模型進行訓練；S5：若具備航空發動機試車數據或飛行數據，進一步利用試車數據或飛行數據對S3搭建的基于深度神經網絡的航空發動機模型進行訓練；所述S3具體包括以下步驟：S31：以航空發動機熱力學模型各部件輸入為輸入，輸出為輸出，確定神經網絡層數及各層隱含節點數，構建航空發動機各部件的神經網絡結構；其中，網絡輸入為部件入口總溫、總壓、馬赫數、空氣流量及其他部件相關輸入參數；神經網絡層數為4，各層的隱含節點數為xx；S32：按照航空發動機的氣路流動順序，將S31構建的各部件神經網絡結構頭尾相接，形成航空發動機的神經網絡模型；最終形成的航空發動機神經網絡模型；S33：確定航空發動機的神經網絡模型的輸入為氣動熱力學模型輸入，輸出為各截面的氣動熱力學參數；航空發動機神經網絡模型的輸入為：發動機進口總溫、總壓、流量、環境壓力、高壓轉速、低壓轉速、燃油流量；輸出為：各截面總溫、總壓、馬赫數、空氣燃氣流量；所述S4具體包括以下步驟：S41：確定航空發動機模型訓練過程的訓練步長，批次訓練容量及權重初始化方法；S42：利用S3構建的航空發動機神經網絡模型輸出的截面參數構建航空發動機各部件共同工作滿足的平衡方程，將該平衡方程等式兩邊的差作為神經網絡訓練的熱力學損失函數；對雙轉子混排渦扇發動機的共同工作平衡方程，得到的神經網絡訓練的熱力學損失函數有：lossd＝lossw+lossplossw＝∑win-wex-wcllossp＝∑Pt-Pc-Pex式中，lossw為流量平衡損失：Win為網絡部件單元入口流量，Wex為網絡部件單元出口流量，Wcl為冷卻及其他空氣提取流量，發動機穩定工作時，部件出入口流量應平衡，即Win-Wex-Wcl＝0，用lossw衡量網絡輸出對流量平衡的逼近程度；lossp為功率平衡損失，Pt為網絡計算的渦輪輸出功率，Pc為網絡計算的壓氣機需要功率，Pex為功率提取，發動機穩定工作時，同一轉子上的功率平衡，即Pt-Pc-Pex＝0，用lossp衡量網絡對功率平衡的逼近程度；上式中的各截面流量及高低壓轉子功率均由航空發動機神經網絡模型輸出的各截面氣動熱力學參數表示；S43：采用某種誤差度量，定義訓練過程中模型輸出與S2產生的仿真數據集輸出的相似性損失函數；采用均方誤差作為相似性損失函數： 其中，lossm為相似性損失，yi為訓練樣本中各截面參數的目標值向量，為航空發動機神經網絡模型各截面參數的輸出估計值向量；S44：以一定的權重將S42定義的熱力學損失與S43定義的相似性損失結合作為最終的神經網絡訓練過程的損失函數，利用S24構建的仿真訓練集，以S41給出的訓練過程參數，對S32構建的航空發動機神經網絡模型進行訓練；最終的損失函數為：loss＝lossm+lossd；在S24構建的仿真訓練集上，利用Adam優化方法對航空發動機神經網絡模型進行訓練；訓練過程中，其中每代T5最大誤差定義為： S45：在S24構建的仿真驗證集上驗證航空發動機神經網絡模型的精度與效率；所述S5具體包括以下步驟：S51：對獲得航空發動機的試車數據或飛行數據進行數據預處理，形成航空發動機試車數據集或飛行數據集，將上述數據集分為互不交叉的訓練集與驗證集；訓練集包含2000個穩態點的飛行數據，驗證集包含6970個穩態點的飛行數據；S52：采用與S42相同的方式定義訓練的熱力學損失函數；S53：對數據集中的特定測量截面數據，從航空發動機神經網絡模型中選取對應的氣動熱力學參數，利用S43方法定義相似性損失函數；該飛行數據中僅有渦輪后溫度截面參數，相似性損失函數定義為： 式中，lossm為相似性損失，T5i為訓練樣本中渦輪后溫度的目標值，為航空發動機神經網絡模型輸出的渦輪后溫度估計值；S54：采用與S44相同的方式訓練航空發動機神經網絡模型；S55：采用與S45相同的方式驗證模型精度與效率；模型精度采用平均絕對誤差及最大絕對誤差衡量：

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國人民解放軍海軍航空大學青島校區，其通訊地址為：266041 山東省青島市李滄區四流中路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。