摘要
为解决航空发动机在出现性能退化时模型精度下降的问题,提出了一种基于在线径向基函数神经网络(online radial basis function neural network,Online-RBFNN)的航空发动机动态模型.采用连续K均值(K-Means)算法和FTRL(follow the regularized leader)在线学习算法,对典型RBFNN进行改进,实现在线学习功能.以某型涡扇发动机正常退化数据为原始样本,建立低压涡轮机(low pressure turbine,LPT)出口总温度动态模型,并与其他多种算法建立的模型进行对比,动态模型的平均绝对误差、均方根误差和校正决定系数分别为0.59、1.7和0.9978;将所建立的动态模型在同型号但不同飞行包线区域、不同退化形式的发动机运行数据上进行测试,模型输出结果的误差可分别控制在[-9,8]K和[-10,9]K范围内.研究结果表明,基于Online-RBFNN的动态模型能有效避免模型精度下降的问题,且具有良好的自适应能力.
基金项目
国家重点研发计划制造基础技术与关键部件重点专项(2018YFB2003300)
国家科技期刊平台
NSTL
万方数据