截面参数自适应评估的航空发动机性能监控方法、系统及介质

1.本发明属于航空发动机性能监控技术领域，尤其涉及一种截面参数自适应评估的航空发动机性能监控方法、系统及介质。


背景技术：

2.目前，航空发动机性能监控方法主要分为两大类：基于物理模型的方法及数据驱动方法。
3.基于物理模型的方法首先建立航空发动机的热力学模型，在模型的部件特性图中引入性能退化因子，通过优化手段，如梯度算法、遗传算法、卡尔曼滤波方法，以降低测量误差为目标，对退化因子进行优化，进而评估各部件的性能退化情况。但是，受限于模型假设误差、部件特性图误差、发动机装配误差及传感器测量误差等因素的干扰，发动机物理模型的误差难以控制，进而影响发动机退化状态的评估精度。因此，基于物理模型的方法已逐渐被数据驱动方法替代。
4.数据驱动的航空发动机性能监控方法降低了模型对部件特性图的依赖，避免了热力学模型耗时的迭代过程，因此，其效率较快，准确率有所提高，成为国内外航空发动机性能监控的研究热点。在外场实际工作中，多采用排温等截面参数对航空发动机性能进行监控。
5.通过上述分析，现有技术存在的问题及缺陷为：
6.现有技术中航空发动机广泛采用的截面参数监控方法仍局限于简单的阈值方法，即在发动机的各个状态上设置相应的阈值，当发动机某个状态下的截面参数超过阈值后，对航空发动机的性能状态进行预警。然而，这种方法存在以下缺点：
7.(1)截面参数阈值方法未考虑发动机飞行条件及工作状态对截面参数的影响。发动机截面参数受到的影响因素众多，目前仅对发动机各个状态进行了粗略的划分(如慢车、循环、中间、小加力、最大等)，即简单考虑了不同工作状态对发动机截面参数的影响。截面参数阈值法未考虑发动机飞行条件如外界温度、马赫数、大气压力等的影响，也未考虑发动机单个转速或燃油流量对截面参数的影响，即没有给出发动机在某个工作点下的截面参数标准值。
8.(2)给出的截面参数阈值相对严格，造成虚警过多。为了保证飞行安全，在缺少精确的截面参数标准值的情况下，截面参数阈值通常给的相对严苛，导致截面参数容易因外界环境变化(如气温上升，吸入尾气)而超标。然而，此时发动机性能并未出现异常，造成了过度维护，增大了经济成本与时间成本。
9.(3)难以对航空发动机性能退化趋势进行监控。由于只是给出了截面参数阈值，该方法只能监测航空发动机的当前工作状态，难以对其性能退化趋势进行全面评估，导致由航空发动机早期性能故障引起的截面参数漂移难以被及时发现，容易造成安全性事故。
10.解决以上问题及缺陷的难度为：截面参数评估是解决上述问题的关键，将发动机
飞行条件及工作过程对截面参数的影响纳入到截面参数的计算过程，得到截面参数计算模型。然而，对发动机性能的评估准确性取决于截面参数模型的建模精度，而传统的热力学建模方法建模自由度较低，难以全面覆盖发动机的整个工作包线及退化过程，无法做到对截面参数的自适应调整。
11.解决以上问题及缺陷的意义为：通过对航空发动机截面参数的自适应评估，充分考虑航空发动机外界条件、退化状态对截面参数的影响，是对航空发动机性能监控的有效手段，对于外场的维护工作、飞机的放飞标准都具有重要的指导意义。
12.鉴于上述截面参数阈值存在的问题、截面参数建模的难点及截面参数评估对航空发动机性能监控的意义，本发明提出了截面参数自适应评估的航空发动机性能监控方法，充分考虑发动机飞行条件与工作点对截面参数的影响因素，给出了合理的截面参数自适应评估方法，能够针对航空发动机截面参数进行实时监控，也能够通过截面参数的变化趋势监控航空发动机的性能退化情况。


技术实现要素：

13.为克服相关技术中存在的问题，本发明公开实施例提供了一种截面参数自适应评估的航空发动机性能监控方法、系统及介质。
14.所述技术方案如下：一种截面参数自适应评估的航空发动机性能监控方法，包括：
15.结合航空发动机工作的热力学模型，并采用神经网络模型获取航空发动机截面参数随飞行条件及工作点的变化规律；基于获取的变化规律作为航空发动机实际使用的监控模型对航空发动机的性能状态进行监控。
16.在一实施例中，利用获取所述监控模型或进行机载化实时监测发动机的性能状态。
17.在一实施例中，所述截面参数自适应评估的航空发动机性能监控方法具体包括：
18.s1，航空发动机仿真数据集的产生：从航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集；
19.s2，航空发动机部件级网络及流量网络的蒙特卡洛训练：利用s1产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练；
20.s3，航空发动机截面参数自适应模型的蒙特卡洛训练：将s2训练完成的航空发动机流量网络接入到s1的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用s1的数据集对该模型进行预训练；
21.s4，航空发动机截面参数自适应模型的飞行数据再训练：从飞行数据中筛选s3建立的自适应模型所需的输入及输出数据并对其进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练；
22.s5，航空发动机截面参数自适应模型的部署：通过对比截面参数自适应模型在标准飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。
23.在一实施例中，所述步骤s1具体包括：
24.s11，基于某型航空发动机部件特性图构建其热力学模型，并利用实际试车或飞行
数据对热力学模型进行修正，最终的航空发动机模型由下式表示：
25.{ti，pi，wi}＝engine(t2，p2，p
amb
，n2，map)}，式中，i为截面编号，ti，pi，wi分别为第i个截面的总温、总压及流量，p
amb
为环境压力，map为该型发动机各部件特性图；
26.s12，利用飞行数据构建该型航空发动机入口总温、总压、环境压力及高压转速的联合概率分布：
27.t2，p2，p
amb
，n2～f(t，p，p
amb
，n2)，
28.以上述概率分布为基础，采用蒙特卡洛方法生成5120个仿真输入数据：
29.t
2j
，p
2j
，p
ambj
，n
2j
～f(t，p，p
amb
，n2)，
30.式中，下标j表示服从联合概率密度f(t，p，p
amb
，n2)的第j个样本，将这些样本集合起来，形成仿真输入数据集：
31.ω
input
＝{t
2j
，p
2j
，p
ambj
，n
2j
}，j＝1，2，
…
，5120；
32.s13，将上述数据集输入到航空发动机热力学模型中，得到航空发动机各截面参数：
33.{t
ij
，p
ij
，w
ij
，wfj，n
1j
}＝engine(t
2j
，p
2j
，p
ambj
，n
2j
，map)}，式中，下标ij表示由第j个输入样本计算的第i个截面参数，wfj为第j个输入样本计算的燃油流量，n
1j
为第j个输入样本计算的低压转速；
34.s14，将s12产生的仿真输入数据集与s13航空发动机热力学模型计算的各截面参数整合为航空发动机仿真数据集，将数据集按照0.8，0.2的比例划分为训练集、验证集：
35.ω
train
＝{t
ij
，p
ij
，w
ij
，p
ambj
，，wfj，n
1j
，n
2j
}，j＝1，2，
…
，4096，
36.ω
val
＝{t
ij
，p
ij
，w
ij
，p
ambj
，，wfj，n
1j
，n
2j
}，j＝1，2，
…
，1024。
37.在一实施例中，所述步骤s2具体包括如下步骤：
38.s21，采用神经网络结构，构建航空发动机部件级模型，所述航空发动机部件级模型输入参数包括：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速，发动机空气流量，内涵空气流量；输出参数为航空发动机各截面参数，包括各截面总温、总压及流量；
39.s22，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的部件级网络的权重；
40.s23，采用神经网络结构，构建航空发动机流量模型，航空发动机流量模型输入参数包括：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速；输出参数包括发动机空气流量，内涵空气流量；
41.s24，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的部件级网络的权重。
42.在一实施例中，所述步骤s3具体包括如下步骤：
43.s31，以s22得到的部件级网络模型为基础，将其输入更换为s24得到的流量网络模型的输出，完成航空发动机截面参数自适应模型的构建过程；构建后的航空发动机截面参数自适应模型输入参数包括：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速；输出参数包括各截面总温、总压及流量；
44.s32，利用s14产生的仿真训练集对s31构建的航空发动机截面参数自适应模型进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的截面参数自
适应模型的权重。
45.在一实施例中，所述步骤s4包括如下步骤：
46.s41，从性能正常退化的全寿命周期内飞行数据中提取发动机相关数据，应至少包含：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速及至少一个截面参数；将外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速作为输入，截面参数作为输出形成飞行数据集；选取全寿命周期的前期数据(如全寿命周期的前10％数据)作为新机标准训练集，后期数据作为标准性能退化集；
47.s42，利用上述新机标准训练集，以sgd优化方法或adam优化方法对s32建立的自适应模型进行再训练，自适应模型的输出仅取飞行数据中包含的截面参数，并选取模型预测值与真实值差距最小(即精度最高)的模型作为最终的航空发动机截面参数自适应模型。
48.在一实施例中，所述步骤s5包括如下步骤：
49.s51，利用s42建立的截面参数自适应模型对s41中标准性能退化集进行截面参数预测，采用绝对误差或相对误差的计算方法计算截面参数预测值与测试集中实际值间的误差，绘制误差随发动机使用时间或循环数变化的标准误差趋势图；
50.s52，每次飞行后，从飞行数据中提取s41所需的数据，利用s42建立的截面参数自适应模型计算截面参数预测值，采用相同的误差计算方法计算其与飞行数据中的截面参数实际值的测试误差；将该测试误差与相近使用时间或循环数的标准误差分布上限作对比，若所有测试误差均低于标准误差分布上限，则截面参数裕度正常，否则截面参数裕度异常；
51.s53，从最近一段时间的飞行数据中s41所需的数据，利用s42建立的截面参数自适应模型计算截面参数预测值，采用相同的误差计算方法计算其与飞行数据中的截面参数实际值的误差，绘制测试误差分布图；将该测试误差分布图与相同使用时间或循环数的标准误差分布图作对比，采用t检验、ks检验方法检验上述两种误差分布图是否属于同一分布，若属于，输出航空发动机截面参数趋势正常的结论信息，否则，输出截面参数趋势异常结论信息。
52.本发明另一目的在于提供一种实施所述截面参数自适应评估的航空发动机性能监控方法的截面参数自适应评估的航空发动机性能监控系统，包括：
53.航空发动机仿真数据集模块，用于航空发动机仿真数据集的产生：从航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集；
54.航空发动机部件级网络及流量网络训练模块，用于航空发动机部件级网络及流量网络的蒙特卡洛训练：利用航空发动机仿真数据集模块产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练；
55.航空发动机截面参数自适应模型预训练模块，用于航空发动机截面参数自适应模型的蒙特卡洛训练：将航空发动机部件级网络及流量网络训练模块训练完成的航空发动机流量网络接入到航空发动机仿真数据集模块的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用航空发动机仿真数据集模块的数据集对该模型进行预训练；
56.航空发动机截面参数自适应模型再训练模块，用于航空发动机截面参数自适应模型的飞行数据再训练：从飞行数据中筛选航空发动机截面参数自适应模型预训练模块建立
的自适应模型所需的输入及输出数据并对其进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练；
57.航空发动机性能及退化趋势获取模块，用于航空发动机截面参数自适应模型的部署：通过对比截面参数自适应模型在标准飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。
58.本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述截面参数自适应评估的航空发动机性能监控方法。
59.结合上述的所有技术方案，本发明所具备的优点及积极效果为：
60.本发明提供一种截面参数自适应评估的航空发动机性能监控方法包括：航空发动机仿真数据集的产生方法；航空发动机部件级网络及流量网络的蒙特卡洛训练方法；航空发动机截面参数自适应模型的蒙特卡洛训练方法；航空发动机截面参数自适应模型的飞行数据再训练方法；航空发动机截面参数自适应模型的部署方法。
61.实验结果和分析表明，相比与传统的截面参数阈值监控方法，本公开发明的模型和算法能够根据发动机不同的飞行条件和工作点计算性能正常退化下的截面参数值，更加合理地对发动机的性能退化状态进行评估，能够降低截面参数虚警率与漏报率，提高航空发动机监控过程的准确性
62.当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。
附图说明
63.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
64.图1是本发明实施例提供的截面参数自适应评估的航空发动机性能监控方法流程图。
65.图2是本发明实施例提供的至少一个实施方式的步骤s21的基于全连接神经网络的航空发动机部件级模型示意图。
66.图3是本发明实施例提供的至少一个实施方式的步骤s23的基于全连接神经网络的航空发动机流量模型示意图。
67.图4是本发明实施例提供的至少一个实施方式的步骤s32的航空发动机截面参数自适应模型示意图。
68.图5是本发明实施例提供的至少一个实施方式的步骤s51的0到730小时某型航空发动机标准性能退化集上的标准排温误差随飞行时间的变化趋势图。
69.图6是本发明实施例提供的至少一个实施方式的步骤s52的第328小时测试排温误差随飞行时间的变化趋势图。
70.图7是本发明实施例提供的至少一个实施方式的步骤s53的第296-306小时测试排温误差随飞行时间的变化趋势图。
71.图8是本发明实施例提供的至少一个实施方式的步骤s53的标准排温误差频率分布图与测试排温误差频率分布图对比图。
72.其中，图8(a)标准排温误差频率分布图；图8(b)测试排温误差频率分布图对比图。
具体实施方式
73.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
74.针对目前单纯截面参数阈值的航空发动机性能监控方法存在虚警过多，难以发现早起故障等问题，本发明提出一种截面参数自适应评估的航空发动机性能监控方法。该方法在充分考虑发动机的飞行条件及工作点的基础上，结合航空发动机工作的热力学模型，采用神经网络模型给出了航空发动机截面参数随飞行条件及工作点的变化规律。本发明可以作为航空发动机实际使用的监控模型对航空发动机的性能状态进行监控，也可以对模型进行机载化实时监测发动机的性能状态。
75.具体地，本发明提供地截面参数自适应评估的航空发动机性能监控方法包括：
76.s1，航空发动机仿真数据集的产生：从航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集。
77.s2，航空发动机部件级网络及流量网络的蒙特卡洛训练：利用s1产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练。
78.s3，航空发动机截面参数自适应模型的蒙特卡洛训练：将s2训练完成的航空发动机流量网络接入到s1的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用s1的数据集对该模型进行预训练。
79.s4，航空发动机截面参数自适应模型的飞行数据再训练：从飞行数据中筛选s3建立的自适应模型所需的输入及输出数据并对其进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练。
80.s5，航空发动机截面参数自适应模型的部署：通过对比截面参数自适应模型在标准飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。
81.本发明还提供一种截面参数自适应评估的航空发动机性能监控系统包括：
82.航空发动机仿真数据集模块，用于航空发动机仿真数据集的产生：从航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集。
83.航空发动机部件级网络及流量网络训练模块，用于航空发动机部件级网络及流量网络的蒙特卡洛训练：利用航空发动机仿真数据集模块产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练。
84.航空发动机截面参数自适应模型预训练模块，用于航空发动机截面参数自适应模型的蒙特卡洛训练：将航空发动机部件级网络及流量网络训练模块训练完成的航空发动机流量网络接入到航空发动机仿真数据集模块的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用航空发动机仿真数据集模块的数据集对该模型进行预训练。
85.航空发动机截面参数自适应模型再训练模块，用于航空发动机截面参数自适应模
型的飞行数据再训练：从飞行数据中筛选航空发动机截面参数自适应模型预训练模块建立的自适应模型所需的输入及输出数据并对其进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练。
86.航空发动机性能及退化趋势获取模块，用于航空发动机截面参数自适应模型的部署：通过对比截面参数自适应模型在标准飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。
87.下面结合实施例及附图对本发明的技术方案作进一步描述。
88.实施例
89.如图1所示，本发明实施例提供一种截面参数自适应评估的航空发动机性能监控方法包含以下步骤：
90.s1，从某型航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集。
91.s2，利用s1产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练。
92.s3，将s2训练完成的航空发动机流量网络接入到s1的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用s1的数据集对该模型进行预训练。
93.s4，从飞行数据中筛选s3建立的自适应模型所需的输入及输出数据并进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练。
94.s5，通过对比截面参数自适应模型在正常飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。
95.根据本发明公开的至少一个实施方式，步骤s1包括如下步骤：
96.s11：基于某型航空发动机部件特性图构建其热力学模型，并利用实际试车或飞行数据对热力学模型进行修正，最终的航空发动机模型可以由下式表示：
97.{ti，pi，wi}＝engine(t2，p2，p
amb
，n2，map)}，
98.式中，i为截面编号，ti，pi，wi分别为第i个截面的总温、总压及流量，p
amb
为环境压力，map为该型发动机各部件特性图；
99.s12：利用飞行数据构建该型航空发动机入口总温、总压、环境压力及高压转速的联合概率分布：
100.t2，p2，p
amb
，n2～f(t，p，p
amb
，n2)，
101.以上述概率分布为基础，采用蒙特卡洛方法生成5120个仿真输入数据：
102.t
2j
，p
2j
，p
ambj
，n
2j
～f(t，p，p
amb
，n2)，
103.式中，下标j表示服从联合概率密度f(t，p，p
amb
，n2)的第j个样本，将这些样本集合起来，形成仿真输入数据集：
104.ωi
nput
＝{t
2j
，p
2j
，p
ambj
，n
2j
}，j＝1，2，
…
，5120；
105.s13：将上述数据集输入到航空发动机热力学模型中，得到航空发动机各截面参数：
106.{t
ij
，p
ij
，w
ij
，wfj，n
1j
}＝engine(t
2j
，p
2j
，p
ambj
，n
2j
，map)}，
107.式中，下标ij表示由第j个输入样本计算的第i个截面参数，wfj为第j个输入样本计算的燃油流量，n
1j
为第j个输入样本计算的低压转速；
108.s14：将s12产生的仿真输入数据集与s13航空发动机热力学模型计算的各截面参数整合为航空发动机仿真数据集，将数据集按照0.8，0.2的比例划分为训练集、验证集：
109.ω
train
＝{t
ij
，p
ij
，w
ij
，p
ambj
，，w
fj
，n
1j
，n
2j
}，j＝1，2，
…
，4096，
110.ω
val
＝{t
ij
，p
ij
，w
ij
，p
ambj
，，wfj，n
1j
，n
2j
}，j＝1，2，
…
，1024；
111.根据本发明公开的至少一个实施方式，步骤s2包括如下步骤：
112.s21：利用如图2所示的全连接神经网络结构构建航空发动机部件级网络模型，模型输入包含：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速，发动机空气流量，内涵空气流量，输出为航空发动机各截面参数，包含各截面总温、总压及流量。
113.s22：采用adam优化方法，步长为0.001，迭代代数为300代，损失函数为均方误差损失，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的部件级网络的权重。
114.s23：利用如图3所示的全连接神经网络结构构建航空发动机流量网络，模型输入包含：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速，输出为发动机空气流量，内涵空气流量。
115.s24：采用adam优化方法，步长为0.001，迭代代数为300代，损失函数为均方误差损失，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的流量网络的权重。
116.根据本发明公开的至少一个实施方式，步骤s3包括如下步骤：
117.s31：如图4所示，以s22得到的部件级网络模型为基础，将其输入更换为s24得到的流量网络模型的输出，完成航空发动机截面参数自适应模型的构建过程。构建后的模型输入为：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速，输出包含各截面总温、总压及流量。
118.s32：采用adam优化方法，步长为0.001，迭代代数为300代，损失函数为均方误差损失，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的截面参数自适应模型的权重。
119.根据本发明公开的至少一个实施方式，步骤s4包括如下步骤：
120.s41：从性能正常的730小时内该型航空发动机飞行数据中提取发动机相关数据，包含：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速及排温。将外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速作为输入，排温作为输出形成含有14786条数据的飞行数据集。取前1500条形成新机标准训练集，后13286条为标准性能退化集。
121.s42：利用上述新机标准训练集，采用adam优化方法，以1e-4为优化步长，迭代代数500代，优化步长每100步衰减20％，以模型预测排温值与数据集实际排温值的均方误差为优化目标，对s32建立的截面参数自适应模型进行再训练。
122.根据本发明公开的至少一个实施方式，步骤s5包括如下步骤：
123.s51：利用s42建立的截面参数自适应模型对s41中标准性能退化集进行排温预测，计算排温预测值与测试集中实际值间的相对绝对值误差，绘制标准误差趋势图，如图5所示。
124.s52：将飞行328小时的飞行数据中提取294条发动机稳态数据，包含外界环境静
压，发动机入口气流总温、总压，燃油流量，高低压转子转速及排温。将外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速作为输入，排温作为输出形成测试数据集。利用s42建立的截面参数自适应模型计算排温预测值，采用与s51相同的误差计算方法计算其与飞行数据中的排温实测值的误差，如图6所示，其测试排温误差上限为0.014；从s51建立的标准误差趋势图中提取到300小时到350小时标准排温误差上限为0.021，可以看出测试排温误差上限低于标准排温误差上限，给出排温裕度正常的结论。
125.s53：从飞行296-306小时的飞行数据中提取1526条发动机稳态数据，包含：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速及排温。将外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速作为输入，排温作为输出形成测试数据集。利用s42建立的截面参数自适应模型计算排温预测值，采用与s51相同的误差计算方法计算其与飞行数据中的排温实测值的误差，如图7所示。
126.计算测试误差分布直方图(图8(a))，将该测试误差分布图与标准误差趋势图中第296小时到306小时的误差分布直方图(图8(b))作对比，经过k-s检验，得出两种误差分布属于同一分布，因此给出该时间点下该台航空发动机排温趋势正常的结论。
127.本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
128.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。

技术特征：
1.一种截面参数自适应评估的航空发动机性能监控方法，其特征在于，所述截面参数自适应评估的航空发动机性能监控方法包括：结合航空发动机工作的热力学模型，并采用神经网络模型获取航空发动机截面参数随飞行条件及工作点的变化规律；基于获取的变化规律作为航空发动机实际使用的监控模型对航空发动机的性能状态进行监控。2.根据权利要求1所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，利用获取所述监控模型或进行机载化实时监测发动机的性能状态。3.根据权利要求1所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，所述截面参数自适应评估的航空发动机性能监控方法具体包括：s1，航空发动机仿真数据集的产生：从航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集；s2，航空发动机部件级网络及流量网络的蒙特卡洛训练：利用s1产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练；s3，航空发动机截面参数自适应模型的蒙特卡洛训练：将s2训练完成的航空发动机流量网络接入到s1的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用s1的数据集对该模型进行预训练；s4，航空发动机截面参数自适应模型的飞行数据再训练：从飞行数据中筛选s3建立的自适应模型所需的输入及输出数据并对其进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练；s5，航空发动机截面参数自适应模型的部署：通过对比截面参数自适应模型在标准飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。4.根据权利要求3所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，所述步骤s1具体包括：s11，基于航空发动机部件特性图构建其热力学模型，并利用实际试车或飞行数据对热力学模型进行修正，最终的航空发动机模型由下式表示：{t
i
，p
i
，w
i
}＝engine(t2，p2，p
amb
，n2，map)}，式中，i为截面编号，t
i
，p
i
，w
i
分别为第i个截面的总温、总压及流量，p
amb
为环境压力，map为该型发动机各部件特性图；s12，利用飞行数据构建航空发动机入口总温、总压、环境压力及高压转速的联合概率分布：t2，p2，p
amb
，n2～f(t，p，p
amb
，n2)，以上述概率分布为基础，采用蒙特卡洛方法生成5120个仿真输入数据：t
2j
，p
2j
，p
ambj
，n
2j
～f(t，p，p
amb
，n2)，式中，下标j表示服从联合概率密度f(t，p，p
amb
，n2)的第j个样本，将这些样本集合起来，形成仿真输入数据集：ω
input
＝{t
2j
，p
2j
，p
ambj
，n
2j
}，j＝1，2，
…
，5120；s13，将上述数据集输入到航空发动机热力学模型中，得到航空发动机各截面参数：{t
ij
，p
ij
，w
ij
，wf
j
，n
1j
}＝engine(t
2j
，p
2j
，p
ambj
，n
2j
，map)}，
式中，下标ij表示由第j个输入样本计算的第i个截面参数，wf
j
为第j个输入样本计算的燃油流量，n
1j
为第j个输入样本计算的低压转速；s14，将s12产生的仿真输入数据集与s13航空发动机热力学模型计算的各截面参数整合为航空发动机仿真数据集，将数据集按照0.8，0.2的比例划分为训练集、验证集：ω
train
＝{t
ij
，p
ij
，w
ij
，p
ambj
，，wf
j
，n
1j
，n
2j
}，j＝1，2，
…
，4096，ω
val
＝{t
ij
，p
ij
，w
ij
，p
ambj
，，wf
j
，n
1j
，n
2j
}，j＝1，2，
…
，1024。5.根据权利要求4所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，所述步骤s2具体包括如下步骤：s21，采用神经网络结构，构建航空发动机部件级模型，所述航空发动机部件级模型输入参数包括：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速，发动机空气流量，内涵空气流量；输出参数为航空发动机各截面参数，包括各截面总温、总压及流量；s22，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的部件级网络的权重；s23，采用神经网络结构，构建航空发动机流量模型，航空发动机流量模型输入参数包括：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速；输出参数包括发动机空气流量，内涵空气流量；s24，利用s14产生的仿真训练集对神经网络权重进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的部件级网络的权重。6.根据权利要求5所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，所述步骤s3具体包括如下步骤：s31，以s22得到的部件级网络模型为基础，将其输入更换为s24得到的流量网络模型的输出，完成航空发动机截面参数自适应模型的构建过程；构建后的航空发动机截面参数自适应模型输入参数包括：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速；输出参数包括各截面总温、总压及流量；s32，利用s14产生的仿真训练集对s31构建的航空发动机截面参数自适应模型进行优化，选取优化过程中s14仿真验证集误差最小的权重作为最终优化完成的截面参数自适应模型的权重。7.根据权利要求6所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，所述步骤s4包括如下步骤：s41，从性能正常退化的全寿命周期内飞行数据中提取发动机相关数据，应至少包含：外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速及至少一个截面参数；将外界环境静压，发动机入口气流总温、总压，燃油流量，高低压转子转速作为输入，截面参数作为输出形成飞行数据集；选取全寿命周期的前期数据作为新机标准训练集，后期数据作为标准性能退化集；s42，利用上述新机标准训练集，以sgd优化方法或adam优化方法对s32建立的自适应模型进行再训练，自适应模型的输出仅取飞行数据中包含的截面参数，并选取模型预测值与真实值差距最小的模型作为最终的航空发动机截面参数自适应模型。8.根据权利要求7所述截面参数自适应评估的航空发动机性能监控方法，其特征在于，
所述步骤s5包括如下步骤：s51，利用s42建立的截面参数自适应模型对s41中标准性能退化集进行截面参数预测，采用误差计算方法计算截面参数预测值与测试集中实际值间的误差，绘制误差随发动机使用时间或循环数变化的标准误差趋势图；s52，每次飞行后，从飞行数据中提取s41所需的数据，利用s42建立的截面参数自适应模型计算截面参数预测值，采用相同的误差计算方法计算其与飞行数据中的截面参数实际值的测试误差；将该测试误差与相近使用时间或循环数的标准误差分布上限作对比，若所有测试误差均低于标准误差分布上限，则截面参数裕度正常，否则截面参数裕度异常；s53，从一段时间的飞行数据中s41所需的数据，利用s42建立的截面参数自适应模型计算截面参数预测值，采用绝对误差或相对误差的计算方法计算其与飞行数据中的截面参数实际值的误差，绘制测试误差分布图；将该测试误差分布图与相同使用时间或循环数的标准误差分布图作对比，采用t检验、ks检验方法检验上述两种误差分布图是否属于同一分布，若属于，输出航空发动机截面参数趋势正常的结论信息，否则，输出截面参数趋势异常结论信息。9.一种实施权利要求1～8任意一项所述截面参数自适应评估的航空发动机性能监控方法的截面参数自适应评估的航空发动机性能监控系统，其特征在于，所述截面参数自适应评估的航空发动机性能监控系统包括：航空发动机仿真数据集模块，用于航空发动机仿真数据集的产生：从航空发动机飞行数据中提取飞行条件及工作点的概率分布，采用蒙特卡洛方法，利用航空发动机热力学模型构建航空发动机仿真数据集；航空发动机部件级网络及流量网络训练模块，用于航空发动机部件级网络及流量网络的蒙特卡洛训练：利用航空发动机仿真数据集模块产生的仿真数据集，对航空发动机部件级网络及流量网络进行训练；航空发动机截面参数自适应模型预训练模块，用于航空发动机截面参数自适应模型的蒙特卡洛训练：将航空发动机部件级网络及流量网络训练模块训练完成的航空发动机流量网络接入到航空发动机仿真数据集模块的航空发动机部件级网络中，替代部件级网络中难以测量的空气流量输入，形成航空发动机截面参数自适应模型，并利用航空发动机仿真数据集模块的数据集对该模型进行预训练；航空发动机截面参数自适应模型再训练模块，用于航空发动机截面参数自适应模型的飞行数据再训练：从飞行数据中筛选航空发动机截面参数自适应模型预训练模块建立的自适应模型所需的输入及输出数据并对其进行处理，形成飞行数据集，对航空发动机截面参数自适应模型进行再训练；航空发动机性能及退化趋势获取模块，用于航空发动机截面参数自适应模型的部署：通过对比截面参数自适应模型在标准飞行数据与待测飞行数据上截面参数误差分布图，给出航空发动机性能及退化趋势是否正常的结论。10.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～8任意一项所述截面参数自适应评估的航空发动机性能监控方法。

技术总结
本发明属于航空发动机性能监控技术领域，公开了截面参数自适应评估的航空发动机性能监控方法、系统及介质。截面参数自适应评估的航空发动机性能监控方法包括航空发动机仿真数据集的产生方法；航空发动机部件级网络及流量网络的蒙特卡洛训练方法；航空发动机截面参数自适应模型的蒙特卡洛训练方法；航空发动机截面参数自适应模型的飞行数据再训练方法；航空发动机截面参数自适应模型的部署方法。相比与传统的截面参数阈值监控方法，本发明的模型和算法能够根据发动机不同的飞行条件和工作点计算性能正常退化下的截面参数值，更加合理地对发动机的性能退化状态进行评估，能够降低截面参数虚警率与漏报率，提高航空发动机监控过程的准确性。过程的准确性。过程的准确性。


技术研发人员：任立坤 秦海勤 谢镇波 李边疆 于晓琳 徐可君 谢静 马中原
受保护的技术使用者：中国人民解放军海军航空大学青岛校区
技术研发日：2021.11.27
技术公布日：2022/3/8