基于试飞数据的航空发动机加力瞬态过程模型辨识

基于深度学习的航空发动机性能评估深度学习在计算机领域的应用日趋广泛，已经在很多领域得到了良好的应用。

航空发动机这一领域也开始尝试应用深度学习来优化其性能评估，提高维修效率、减少能源消耗等方面的问题。

1. 简介航空发动机是飞机的心脏，其性能评估异常重要。

在传统的性能评估方法中，需要大量的数据支持，但是仅凭人类经验来对问题进行决策会导致不确定性增加，因此不太能确保飞机的安全。

有了人工智能和机器学习技术的帮助，可以大大提高对性能评估的准确性和速度。

2. 基于深度学习的航空发动机性能评估概述在传统分析方法中，通常情况下我们使用传感器和仪表来监测航空发动机的实时状态，或依据故障历史和数据分析进行预测。

但当机器的性能表现出现异常时，属于故障范畴，因此需要更加细致的分析。

深度学习可以依靠细密的数据分析和模型优化来识别异常，进而实现精准的性能监测。

基于深度学习的技术可以更进一步的监测发动机的性能，对发动机涉及的部件、系统和机器员相关信息进行收集，进而判断发动机受损位置的具体位置。

具体地，基于深度学习技术的航空发动机性能评估与维修模型需要涵盖以下内容：o 获取实时机器数据的能力；o 基准装置的生产和校准；o 确定每个部件和系统的故障模式；o 特定发动机系统的工作特性；o 分析有关部件、子系统和整体发动机的数据，并提供有关性能参数的准确度评估。

3. 使用深度学习技术优化航空发动机评估随着存储装备成本的降低，云存储服务的普及和大数据技术的发展，航空发动机性能评估与维修技术也相应高速发展。

我们可以通过深度学习技术来对大量数据进行快速的处理和上载。

这需要深度学习网络处理大量数据的能力，以及准确的算法对发动机性能数据以下内容进行处理：o 损坏模式的分析和定位；o 部件、工作特性和故障数据的分析和处理；o 质量的可靠性和其他相关数据的计算；o 为后续的航空机来预测性维护提供数据。

4. 结论无论是在人类思考还是在机器处理方面，航空发动机性能评估是一个十分复杂的问题。

基于任务的航空发动机使用试飞与评估方法
申世才;姜健;高扬
【期刊名称】《燃气涡轮试验与研究》
【年(卷),期】2018(031)006
【摘要】针对航空发动机飞行试验不够贴近作战使用的问题,以使用需求为牵引,提出了一种基于任务的航空发动机使用试飞与评估方法.通过对典型作战任务剖面的分解,提取试验环境和发动机操纵动作,进而融合构建试验矩阵,并利用使用能力和技术指标关联模型进行发动机使用能力评估.针对该方法,提出了使用能力和技术指标关联模型构建、试验环境构建及基于衰减和故障情况下的发动机使用能力降级修正等四项关键技术及解决方法,为进一步开展研究和试验验证奠定了基础.基于任务的航空发动机使用试飞与评估方法,是面向作战使用的航空发动机飞行试验方法的探索,将为飞行试验与部队试验有效衔接及进一步完善试验与鉴定技术提供参考.【总页数】5页(P42-46)
【作者】申世才;姜健;高扬
【作者单位】中国飞行试验研究院发动机所,西安710089;中国飞行试验研究院发动机所,西安710089;中国飞行试验研究院发动机所,西安710089
【正文语种】中文
【中图分类】V231.1
【相关文献】
1.试飞阶段航空武器可靠性评估方法研究 [J], 苏明;刘祎萍
2.航空企业动态联盟任务分解评估方法研究 [J], 王诗源;王仲奇;康永刚
3.基于PCA-BPNN的航空发动机使用经济性模型 [J], 张银锋;常文兵;肖依永;黄兆东
4.基于试飞的察打一体无人机任务效能评估方法 [J], 杜梓冰;段亚;陈敬志;张洁
5.基于试飞的察打一体无人机任务效能评估方法 [J], 杜梓冰;段亚;陈敬志;张洁;因版权原因，仅展示原文概要，查看原文内容请购买。

442023年5月上 第09期 总第405期信息技术与应用China Science & Technology Overview1 现状为应对复杂多变的威胁环境，促进复杂系统设计和交付的转型，美国国防部系统工程司在2018年6月公布了数字工程战略计划，目的是为了实现3个转变：一是主要依托数据模型进行采办；二是利用高逼真度数字样机支撑装备设计、研制和作战试验，最大程度上减少实物样机研发试验的工作量和成本；三是利用数字装备模型支撑运用与保障。

在美军数字工程的牵引下，国外多家大型军工企业在产品全生命周期的业务上开展“基于模型的数字工程”应用，如洛克希德·马丁公司的“星驱”项目，打造了包括数字织锦、集成设计平台、数字孪生、数字样机等技术，使产品装配时间减少70%，初始质量提高95%；波音公司基于2CES 平台的构建打造未来数字工程体系，整合、简化企业的各个系统，减少系统之间大量的孤岛式点对点的连接和数据复制；空客公司构建面向数字工程的DDMS 数字化研制体系，降低成本，加快产品上市进程；罗·罗公司建设了“航空发动机健康管理”系统，实现对航空发动机进行远程维修或进行预防性维护；普惠商用航空发动机服务平台EngineWise 依托大数据，改善与客户的沟通，建立与客户之间更加透明、更加紧密联系的工作方式；GE 公司致力于打造“传感器+大数据”的工业互联网模式，帮助航空发动机监控团队捕捉更多的数据，使数据分析变得更精确、更快捷[1]。

国内企业也在数字工程建设方面取得了一定进展，在基于模型的系统工程（MBSE）方面，国内紧跟国外脚步，航空工业、航天科技、航天科工、中船、中国商飞的众多院所以及国防科大、清华、北航等高校，都开展了深入的研究和应用，对载人航天、运载火箭、商用飞机、大型舰艇等领域的发展产生了重要影响。

中国航发集团建立了中国航发运营管理系统（AEOS），初步构建了一整套覆盖产品全生命周期的业务流程和管理规范，已经初步形成IPT 团队组织模式，以需求为牵引的研制规划、基于产品数据中心的协同研发与管控，完成了基于文档的系统工程建设。

基于深度学习的航空发动机部件故障诊断彭军;郭晨阳;张勇;张赟;杨欣毅【摘要】引入深度学习理论,利用深度置信网络算法对由仿真软件生成的航空发动机部件性能衰退故障数据进行求解.与反向传播(BP)神经网络算法和径向基函数(RBF)神经网络算法的比较结果表明:虽然深度学习训练耗费较长时间,但是深度置信网络算法结构克服了浅层网络算法结构的不足,其计算结果能够达到更高诊断精度,并具有较好的抗噪性能.【期刊名称】《系统仿真技术》【年(卷),期】2018(014)001【总页数】5页(P20-24)【关键词】航空发动机;故障诊断;神经网络;深度学习【作者】彭军;郭晨阳;张勇;张赟;杨欣毅【作者单位】海军航空大学岸防学院,山东烟台264001;96917部队,河北邢台054100;海军航空大学航空基础学院,山东烟台264001;海军航空大学航空基础学院,山东烟台264001;海军航空大学航空基础学院,山东烟台264001【正文语种】中文【中图分类】V263.6航空发动机是由风扇、压气机、燃烧室和涡轮等气路部件组成的复杂机械系统,气路部件的性能对于航空发动机的稳定性具有重要意义。

由于气路部件长时间工作在高温、高转速及大应力的恶劣条件下,加上侵蚀、腐蚀以及外来物打伤等问题,因此气路部件容易出现性能衰退故障,从而使发动机的性能受到影响。

实现对发动机气路部件故障的识别,可以帮助地勤维护人员发现早期异常,从而达到有针对性地按状态或视情形维修,使维修成本大大降低。

目前,对于航空发动机气路部件的故障诊断方法主要分为基于仿真模型、基于数据和基于知识规则等3类[1]。

在很多情况下,由于种种条件的限制,难以获得准确的发动机部件特性,并且不容易建立准确的单机数学模型,因此无法采用基于仿真模型的故障诊断技术。

然而,测量数据容易得到,因此可采用数据驱动方法进行航空发动机的故障诊断。

目前数据驱动的故障诊断方法主要有反向传播(BP)神经网络算法、径向基函数(RBF)神经网络算法和支持向量机等。

基于数据挖掘的航空发动机故障预测与诊断方法研究航空发动机是飞机飞行过程中最关键的组件之一，发动机故障可能导致严重的事故。

因此，准确预测和诊断发动机故障成为飞行安全和运营的重要任务。

本文基于数据挖掘技术，研究了航空发动机故障预测与诊断的方法。

首先，本文采用了大量的实时监测数据来构建发动机故障预测模型。

这些数据包括温度、压力、振动等多种参数，可以全面地反映发动机的状态和性能。

通过对这些数据进行挖掘和分析，可以发现与故障相关的模式和规律。

其次，本文提出了一种基于机器学习的发动机故障预测方法。

该方法首先利用监督学习算法建立模型，通过训练集中的故障数据和正常数据来学习故障模式。

然后，使用测试集的数据对模型进行验证和评估，以预测发动机是否存在故障。

最后，根据预测结果，及时采取相应的维修和保养措施，以保证飞机的安全运行。

此外，本文还探讨了基于数据挖掘的发动机故障诊断方法。

通过对故障数据的特征提取和建模，可以识别出不同类型的故障，并进行准确的诊断。

这将有助于维修人员更好地了解故障原因，快速采取修复措施，提高故障的处理效率和准确性。

在实验阶段，本文采用了真实的航空发动机数据进行验证。

通过与传统方法和其他数据挖掘算法的比较，实验结果表明，本文提出的方法在发动机故障预测和诊断方面具有良好的性能和准确性。

最后，本文总结了基于数据挖掘的航空发动机故障预测与诊断方法的优点和局限性。

虽然该方法可以有效地提高故障的预测准确率和故障诊断的精度，但对大量高质量的实时数据依赖性较高。

此外，还需要进一步研究如何实现故障预测与诊断的实时性和可靠性。

总体而言，本文基于数据挖掘技术研究了航空发动机故障预测与诊断的方法。

通过大量的实时监测数据和机器学习算法的应用，可以准确地预测和诊断发动机故障，提高飞行安全和运营效率。

然而，还需要进一步的研究和实践，以适应日益复杂和多变的航空工业需求。

航空发动机燃烧过程的数值模拟航空发动机作为现代飞行器的核心动力装置，其性能的优劣直接影响着飞行器的飞行速度、航程、可靠性以及经济性等关键指标。

而燃烧过程作为航空发动机工作中的核心环节之一，对发动机的整体性能有着至关重要的影响。

为了更好地理解和优化航空发动机的燃烧过程，数值模拟技术应运而生。

航空发动机燃烧过程是一个极其复杂的物理化学过程，涉及到燃料的喷射、雾化、蒸发、混合以及化学反应等多个环节。

在实际的燃烧过程中，高温、高压、高速流动等极端条件使得直接通过实验手段来研究燃烧过程变得异常困难且成本高昂。

数值模拟作为一种有效的研究手段，可以在一定程度上弥补实验研究的不足。

数值模拟的基本原理是基于流体力学、热力学、化学动力学等相关理论，通过建立数学模型和数值求解方法，来模拟燃烧室内的流动、传热和化学反应等过程。

在进行数值模拟时，首先需要对燃烧室内的几何形状进行精确的描述，并将其划分成大量的小网格单元。

然后，根据相关的物理和化学定律，建立描述燃烧过程的控制方程，如质量守恒方程、动量守恒方程、能量守恒方程以及组分守恒方程等。

接下来，选择合适的数值求解方法对控制方程进行求解。

常见的数值求解方法包括有限差分法、有限体积法和有限元法等。

这些方法通过将连续的控制方程离散化，转化为一系列代数方程，然后通过计算机进行求解，得到燃烧室内各个位置的参数分布，如速度、温度、压力、组分浓度等。

在航空发动机燃烧过程的数值模拟中，燃料的喷射和雾化过程是一个重要的研究内容。

燃料的喷射特性直接影响着燃料与空气的混合质量，从而对燃烧效率和污染物排放产生重要影响。

通过数值模拟，可以对燃料喷射的速度、角度、粒径分布等参数进行优化，以提高燃料的雾化效果和混合质量。

燃料的蒸发过程也是燃烧模拟中不可忽视的环节。

燃料在燃烧室内需要迅速蒸发形成可燃混合气，蒸发速度的快慢会影响燃烧的稳定性和燃烧效率。

数值模拟可以考虑燃料的物性参数、燃烧室内的温度和压力等因素，对燃料的蒸发过程进行准确预测。

航空发动机试飞趋势监控模型数据样本容量优化高扬;潘鹏飞;马明明【摘要】建立了数据样本库任意两点之间的欧式距离.基于遗传算法对样本容量进行优化,确保满足模型预测精度条件下最大化样本之间的欧式距离,以此确定发动机建模所需的最小数据样本库.在航空发动机实际科研试飞推广应用中,通过有针对性地安排试飞内容,只需要5～6个架次即可建立发动机全状态趋势监控模型,大幅缩短了仿真建模周期.该技术可提高趋势监控模型在非样本点上的表现性能,对后续发动机实时趋势监控的实施有很大的借鉴和指导作用.【期刊名称】《燃气涡轮试验与研究》【年(卷),期】2018(031)003【总页数】4页(P43-46)【关键词】航空发动机;飞行试验;动态模型辨识;最小样本库;神经网络【作者】高扬;潘鹏飞;马明明【作者单位】中国飞行试验研究院,西安710089;中国飞行试验研究院,西安710089;中国飞行试验研究院,西安710089【正文语种】中文【中图分类】V232.21 引言基于试飞数据的模型辨识技术在航空发动机飞行试验中的作用越来越大，已成为“预测—飞行—比较”试飞模式的重要基础[1-3]。

数据的质和量是决定航空发动机试飞数据模型好坏的关键因素，一方面需要高质量的试飞数据，即试飞数据中要包含尽可能多的发动机技术状态信息；另一方面需要尽可能提升每一个技术状态中所包含的数据量，使发动机试飞数据模型既能在预测包线内性能优异，又有可能在非样本点上具有更好的推广性能[4-10]。

航空发动机飞行试验是在真实条件下对发动机工作质量进行检验，通常参加试飞的发动机的技术状态仍处在不断完善和调整过程中，意味着不同技术状态下的试验数据样本库有限，试验数据具有很大的不均匀性，实际应用中会导致不必要的建模误差[1-5]。

数据样本容量和特征分布是数据驱动模型精度的主要影响因素，已有学者针对数据驱动建模中的样本充分性、特征完备性进行了深入研究[3-7，9-12]。