(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210732109.9 (22)申请日 2022.06.27 (65)同一申请的已公布的文献号 申请公布号 CN 114818205 A (43)申请公布日 2022.07.29 (73)专利权人 南京航空航天大 学 地址 210000 江苏省南京市江宁区将军大 道29号 (72)发明人 盛汉霖　刘晟奕　刘通　陈芊　 张杰　 (74)专利代理 机构 北京德崇智捷知识产权代理 有限公司 1 1467 专利代理师 杨楠 (51)Int.Cl. G06F 30/17(2020.01)G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 119/04(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 104697 798 A,2015.0 6.10 CN 110219736 A,2019.09.10 审查员 金兆辰 (54)发明名称 一种航空发动机全生命周期叶尖间隙在线 感知方法 (57)摘要 本发明涉及航空发动机稳定性控制技术领 域， 具体为一种航空发动机全生命周期叶尖间隙 在线感知方法， 本发明通过 发展一种航空发动机 机载工作参数感知机理模型部件特性自修正方 法， 获得极限环境下高精度航空发动机工作参数 机载实时感知基线模型； 再通过合理假设和简化 叶尖间隙的建模 过程， 分析部件变形机理且考虑 材料特性等因素， 建立高置信度的涡 轮叶尖间隙 模型； 最后设计基于涡轮健康估计器实时跟踪发 动机的退化情况， 融合深度卷积网络学习算法建 立叶尖间隙估计器修正叶片、 轮盘和机匣的蠕变 情况， 最终形成一种航空发动机全生命周期叶尖 间隙在线感知方法。 权利要求书3页 说明书7页 附图3页 CN 114818205 B 2022.09.09 CN 114818205 B 1.一种航空发动机全生命周期叶尖间隙在线感知方法， 其特征在于， 包括以下具体步 骤： S1、 建立航空发动机 工作参数机载实时感知基线模型； S11、 通过对发动机整机台架试车试验数据进行性能评估实现机载模型部件特性自修 正； S12、 建立台架试车试验数据库评估获得高置信度的航空发动机机载基线模型， 同时对 航空发动机机载基线模型进行线性化构建离散线性时不变航空发动机状态空间方程， 如下 所述 xk+1=Axk+Buk+Lhk+wk yk=Cxk+Duk+Mhk+vk； 其中下标 k代表离散状态航空发动机模型第 k次时的数据采集， x是航空发动机状态变 量向量包括低压转子转速  Nf和高压转子转速 Nc，u是控制量即输入偏差量包括燃油量 WF和 尾喷口面积 A8；y是测量输出量即实际模型输出包括高低压转速 Nc、Nf； 风扇出口总温总压 T22、 P22压气机出口总温总压 T3、 P3燃烧室出口总压 P4和高压涡轮出口总温总压 T45、 P45， 向量h 代表需要估计 器估计的航空发动机健康参数风扇效率和流 量ηf、 Wf； 压气机效率和流 量 ηc、 Wc， 高压涡轮效率和流 量ηt、 Wt；wk、 vk分别为系统的噪声矩阵和 测量噪声矩阵； 矩阵A、 B、 C、 D、 L、 M均为发动 机线性模型系数； 由向量h表示的健康参数是系统的未知输 入； S2、 构建热力学与转子动力学方程， 计算机匣、 轮盘和叶片的径向变形， 获得实时表征 涡轮叶尖间隙变化的数 学模型即航空发动机叶尖间隙感知模型； S3、 搭建涡轮健康参数估计器和叶尖间隙退化估计器； 通过神经网络对叶尖间隙参考 模型的输出进行补充并最终建立基于模型预测的航空发动机全生命周期叶尖间隙感知模 型； 将基线模型和涡轮健康估计 器联立成如下 形式： ； S301、 涡轮健康估计器启动， 构 建所有健康参数 h的线性组合即模型调整参数向量 q=V* h， 其中V*是一个变换矩阵用于构造调整参数向量， 则健康参数向量 h=V*‑1q， 得V*即可得到健 康参数的估计值； S302、 构造航空发动机模型适配涡轮健康参数估计， 即将S3中的模型改成如下 形式：权　利　要　求　书 1/3 页 2 CN 114818205 B 2； S303、 构建估计 器模型， 通过估计 器模型得到预计的估计 器的输出， 其中 P∞=AxqP∞AxqT‑Axq P∞CxqT（Cxq P∞CxqT+R）‑1Cxq P∞CxqT+Qxq， K∞=P∞CxqT（Cxq P∞CxqT+R）‑1； S304、 估计值 根据S303中K∞、 P∞的计算得 出， ，则 可 以 计 算 误 差 平 方 的 总 和 为 ； S305、 每次迭代中， 评估误差平方总和相对于前一次迭代的变化， 以确定输出误差是否 已实现指定范围内的收敛， 如果收敛， 跳过S3 06并继续执 行S307， 否则进行S3 06更新V*； S306、 通过非线性 最小二乘函数 更新V*， 要求 =1并返回S3 01； S307、 收敛后返回 V*的最优值并结束涡轮健康估计 器中的流 程； S308、 通过涡轮健康估计器输 出的V*带入公式 h=V*‑1q， 计算获得到涡轮健康参数估计 h= { ηf， Wf， ηc， Wc， ηt， Wt}，分别代表风扇、 压气机和高压涡轮的效率和流量， 修正发动机机载基 线模型的健康参数， 同时获得实际基线模型输出 y＇ ={Nc＇,m＇ HPC,T3＇, m＇ core, T4＇}，分别代表 考虑退化后的高压转子转速 Nc＇，压气机引气流量 m＇ HPC，压气机引气温度 T3＇，涡轮进口流量 m＇ core,和涡轮进口温度 T4＇； S309、 考虑机匣外壁、 内壁、 轮盘表面因素建立计算模块， 搭建叶尖间隙参考模型， 通过 实际基线模型的输 出y＇ ={Nc＇,m＇ HPC,T3＇, m＇ core, T4＇}作为叶尖间隙参考模型的输入， 为了方 便区分定义 ={Nc＇,m＇ HPC,T3＇, m＇ core, T4＇}使得 为叶尖间隙模型的输入， 得到叶尖间隙估 计输出  ； S310、 搭建深度卷积神经网络， 学习率设置为0.01， 训练批次为2000， 迭代300次， 输出 层为输出参数叶尖间隙修正值， 隐藏层节点数根据模型训练效果进行调整， 初始值为8， 输 入为实际基线模型输 出y＇ ={Nc＇,m＇ HPC,T3＇, m＇ core, T4＇}， 定义x＇为神经网络模型的输入 ， x＇ = {Nc＇,m＇ HPC,T3＇, m＇ core, T4＇}通过深度 卷积网络对发动机非线性模型的叶尖间 隙进行补偿， 得到叶尖间隙修 正值r'； S311、 叶尖间隙感知模型获得高精度的输入参数 r'后根据搭建的叶尖间隙模型感知模 块中的叶片和机匣的热变形模块计算， 同时加上通过神经网络模型得到的叶尖间隙修正值 最终获得准确的在线叶尖间隙估计数值 ； S312、 搭建台架试验与评估平台来验证参数感知模型对发动机参数感知的准确性， 通 过数据解析和数据存储模块将试车数据进行保存， 每当完成一次发动机试车实验后,以偏 差形式对航空发动机参数感知模型精确度进行评估。权　利　要　求　书 2/3 页 3 CN 114818205 B 3