基于確定學習的多級高速壓氣機氣動失穩預警方法及系統

本發明屬于多級高速壓氣機氣動失穩預警相關，尤其涉及基于確定學習的多級高速壓氣機氣動失穩預警方法及系統。

背景技術：

1、本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

2、渦扇發動機是軍用和大型民用飛機最常用的動力裝置，其核心部件——多級高速軸流壓氣機的負荷能力和氣動穩定性對發動機工作效率和安全運行至關重要。隨著渦扇發動機推重比的提升和核心機級數的減少，壓氣機負荷增加使得氣動失穩問題(旋轉失速與喘振等)愈發突出，成為限制發動機性能提升的主要瓶頸之一。因此迫切需要對多級高速軸流壓氣機的氣動失穩進行有效預警和控制，以提高渦扇發動機運行的可靠性和穩定性。

3、mit的e.m.greitzer對氣動失穩機理進行了系統全面的綜述，指出低速單級或多級軸流壓氣機喘振發生初期總是伴有旋轉失速，因而旋轉失速被認為是喘振先兆，及時捕捉旋轉失速信號對于失穩預警非常重要。在旋轉失速試驗中，人們發現了模態波和突尖波兩種失速先兆。前者是一種沿壓氣機周向旋轉的大尺度、小幅值擾動，傳播速度不超過轉子轉速50％；后者是一種小尺度擾動，傳播速度更快，在信號中表現為脈沖，一旦出現便迅速擴張使壓氣機進入失速。然而，在多級高速壓氣機試驗中情況變得更加復雜，壓氣機低速時為突尖型失速，中間轉速時為模態波失速，全轉速時為突尖型失速或驟然喘振。這說明多級高速壓氣機中存在數量繁多的失速/喘振模式。

4、針對失速和喘振先兆的辨識與檢測難題，人們常采用頻域、時域或時頻分析方法直接分析失速初始擾動部分特征進行直接分析，如諧波傅立葉系數法、行波能量法、小波分析法、相關性測量法等。這些方法提取旋轉失速發生時的幅值、相位、能量等部分特征，難以全面刻畫旋轉失速的動態特征，且失速初始擾動因壓氣機不同而呈現多樣化，因而很難得到具有統計意義的先兆。另外，人們嘗試基于壓氣機葉片通道信號的變化來間接預測失速的發生。例如，美國佐治亞理工學院m.dhingra等利用基于隨機過程分析的相關性測量方法來跟蹤這種變化，在ge公司高速壓氣機試驗中實現了突尖型失速先兆提前30ms的檢測。然而，葉片通道信號的不規則性受葉頂間隙和同心度的影響，這些參數在飛行循環中不斷變化，依賴葉片通道信號的不規則性進行失速預警可能無效。

5、綜上所述，盡管軸流壓氣機氣動失穩預警研究已取得一定進展，但在實際復雜場景下，特別是多級高速壓氣機的失穩預警仍面臨諸多挑戰。正如英國工程院院士、劍橋大學i.j.day教授在近期的綜述中指出，經過75年研究，對于一臺新的壓氣機，我們仍無法準確預測其失穩特性。特別是相對于單級低速壓氣機，多級高速壓氣機由于壓比高、加速快，導致氣動失穩先兆發生機理更為復雜，且變化極為迅速。多級高速壓氣機氣動失穩模式的多樣性和復雜性使得旋轉失速和喘振預警在理論、工程上面臨著巨大挑戰。

技術實現思路

1、為克服上述現有技術的不足，本發明提供了基于確定學習的多級高速壓氣機氣動失穩預警方法及系統，根據全環與扇區相結合的多角度測點安裝傳感器采集多級高速軸流壓氣機的脈動壓力信號，利用確定學習建模方法根據脈動壓力數據對氣動失穩內部非線性動態系統進行學習，學習結果能夠刻畫氣動失穩復雜動態現象發展過程中更加本質、全面的動力學特征，具有良好的可解釋性，在此基礎上發展的預警方法僅利用單測點數據就可以實現氣動失穩的在線預警。

2、為了實現上述目的，本發明采用如下技術方案：

3、第一方面，本發明提供基于確定學習的多級高速壓氣機氣動失穩預警方法，包括：

4、在多級高速壓氣機以全環與扇區相結合的多角度方式布置傳感器測點，獲取不同運行工況下不同失穩類型的脈動壓力試驗數據；

5、基于確定學習理論，利用rbf神經網絡對正常模式和失穩先兆模式的脈動壓力試驗數據進行學習訓練，得到壓氣機內部非線性動態的常值rbf神經網絡近似模型；

6、根據不同運行工況下的各種失穩類型，利用正常模式和失穩先兆模式的常值rbf神經網絡近似模型構造動態模式庫；

7、利用待測壓氣機的單測點脈動壓力信號，基于所構造的動態模式庫設計動態估計器，評估待測壓氣機的運行狀態，實現多級高速壓氣機氣動失穩的在線預警。

8、第二方面，本發明提供基于確定學習的多級高速壓氣機氣動失穩預警系統，包括：

9、失穩數據獲取模塊，其被配置為：在多級高速壓氣機以全環與扇區相結合的多角度方式布置傳感器測點，獲取不同運行工況下不同失穩類型的脈動壓力試驗數據；

10、運行模式訓練模塊，其被配置為：基于確定學習理論，利用rbf神經網絡對正常模式和失穩先兆模式的脈動壓力試驗數據進行學習訓練，得到壓氣機內部非線性動態的常值rbf神經網絡近似模型；

11、模式庫構造模塊，其被配置為：根據不同運行工況下的各種失穩類型，利用正常模式和失穩先兆模式的常值rbf神經網絡近似模型構造動態模式庫；

12、氣動失穩預警模塊，其被配置為：利用待測壓氣機的單測點脈動壓力信號，基于所構造的動態模式庫設計動態估計器，評估待測壓氣機的運行狀態，實現多級高速壓氣機氣動失穩的在線預警。

13、第三方面，本發明提供一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成第一方面所述的方法。

14、第四方面，本發明提供一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成第一方面所述的方法。

15、第五方面，本發明提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現完成第一方面所述的方法。

16、以上一個或多個技術方案存在以下有益效果：

17、在本發明中，提出一種全環與扇區相結合的多角度測點布置方案，利用高頻響傳感器對各級葉尖脈動壓力數據進行多通道、高采樣率的并行實時采集，實現了模態波以及突尖波失速先兆周向傳播特性的捕捉，解決復雜環境下多級高速軸流壓氣機氣動失穩先兆動態數據的捕獲難題。

18、在本發明中，通過確定學習理論建模方法能夠根據多級高速軸流壓氣機的脈動壓力數據對氣動失穩內部非線性動態系統進行學習，學習結果作為快時變失穩模式的全息表達，能夠刻畫氣動失穩復雜動態現象發展過程中更加本質、全面的動力學特征，具有良好的可解釋性。

19、與現有工程中的失穩檢測技術相比，本發明所提方法僅利用多級高速壓氣機的單測點脈動壓力數據能夠在失穩發生前給出預警信號，因而具有一定的應用價值，有望為高性能航空發動機安全穩定運行提供具有實際意義的實時監測方法。

20、本發明附加方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。

技術特征：

1.基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，包括：

2.如權利要求1所述的基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，通過在多級高速壓氣機各級以全環與扇區相結合的多角度方式安裝數量不等的傳感器，進行葉尖處脈動壓力信號的多通道、高采樣率采集。

3.如權利要求1所述的基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，基于確定學習理論，利用rbf神經網絡對訓練用的正常模式和失穩先兆模式的脈動壓力試驗數據進行學習訓練，得到壓氣機內部非線性動態的常值rbf神經網絡近似模型，具體為：

4.如權利要求1所述的基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，根據不同運行工況下的各種失穩類型，利用正常模式和失穩先兆模式的常值rbf神經網絡近似模型構造動態模式庫，具體為：

5.如權利要求1所述的基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，對待測壓氣機的單測點脈動壓力信號進行預處理，利用動態模式庫中常值rbf神經網絡構造多個動態估計器；根據動態估計器計算估計殘差，以估計器殘差的平均l1范數作為決策指標監測待測壓氣機的實際運行狀態。

6.如權利要求5所述的基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，所述預處理包括：濾波、下采樣、觀測器擴維和歸一化處理。

7.如權利要求5所述的基于確定學習的多級高速壓氣機氣動失穩預警方法，其特征在于，所述估計殘差用來衡量待測壓氣機實際運行模式與不同訓練模式之間相似性。

8.基于確定學習的多級高速壓氣機氣動失穩預警系統，其特征在于，包括：

9.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-7任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-7任一項所述的方法。

技術總結
本發明提出基于確定學習的多級高速壓氣機氣動失穩預警方法及系統，在多級高速壓氣機以全環與扇區相結合的多角度方式布置傳感器測點獲取氣動失穩試驗中的脈動壓力數據，利用確定學習建模方法根據脈動壓力數據對氣動失穩內部非線性動態系統進行學習，學習結果作為快時變失穩模式的全息表達，能夠刻畫氣動失穩復雜動態現象發展過程中更加本質、全面的動力學特征，具有良好的可解釋性。在此基礎上發展了氣動失穩的在線預警方法，僅利用多級高速壓氣機的單測點脈動壓力數據能夠在失穩發生前給出預警信號，因而具有一定的應用價值，有望為高性能航空發動機安全穩定運行提供具有實際意義的實時監測方法。

技術研發人員：胡競濤,王聰
受保護的技術使用者：山東大學
技術研發日：
技術公布日：2025/3/13