买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中国人民解放军海军航空大学青岛校区申请的专利一种航空发动机建模方法、系统、存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114154234B 。

龙图腾网通过国家知识产权局官网在2025-06-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111298806.X，技术领域涉及：G06F30/15；该发明授权一种航空发动机建模方法、系统、存储介质是由任立坤;秦海勤;谢镇波;李边疆;于晓琳;徐可君;谢静;马中原设计研发完成，并于2021-11-04向国家知识产权局提交的专利申请。

本一种航空发动机建模方法、系统、存储介质在说明书摘要公布了：本发明属于航空发动机建模技术领域，公开了一种航空发动机建模方法、系统、存储介质。将发动机热力学过程与飞行数据深度融合，采用神经网络结构构建航空发动机模型并对构建的航空发动机模型进行训练与验证，然后再基于试车数据或飞行数据对对基于深度神经网络的航空发动机模型再训练及验证。实验结果和分析表明，相比与传统的热力学模型，本发明的模型和算法具有更高的准确率与效率，能够加快航空发动机设计过程的迭代过程，提高航空发动机控制系统的响应时间及监控过程的故障诊断能力。

本发明授权一种航空发动机建模方法、系统、存储介质在权利要求书中公布了：1.一种基于热力学过程与深度神经网络的航空发动机建模方法，其特征在于，所述基于热力学过程与深度神经网络的航空发动机建模方法包括：将发动机热力学过程与飞行数据深度融合，采用神经网络结构构建航空发动机模型并对构建的航空发动机模型进行训练与验证，然后再基于试车数据或飞行数据对对基于深度神经网络的航空发动机模型再训练及验证；所述基于热力学过程与深度神经网络的航空发动机建模方法具体包括：S1：结合航空发动机实际飞行包线，利用蒙特卡洛方法产生一系列热力学模型的输入量；S2：将S1中的输入量输入到现有的航空发动机气动热力学模型中，计算各部件截面的气动热力学参数，形成多个与输入量对应的截面输出量；S3：搭建基于深度神经网络的航空发动机模型；S4：利用S2产生的输入输出量对S3搭建的基于深度神经网络的航空发动机模型进行训练；S5：若具备航空发动机试车数据或飞行数据，进一步利用试车数据或飞行数据对S3搭建的基于深度神经网络的航空发动机模型进行训练；所述S3具体包括以下步骤：S31：以航空发动机热力学模型各部件输入为输入，输出为输出，确定神经网络层数及各层隐含节点数，构建航空发动机各部件的神经网络结构；其中，网络输入为部件入口总温、总压、马赫数、空气流量及其他部件相关输入参数；神经网络层数为4，各层的隐含节点数为xx；S32：按照航空发动机的气路流动顺序，将S31构建的各部件神经网络结构头尾相接，形成航空发动机的神经网络模型；最终形成的航空发动机神经网络模型；S33：确定航空发动机的神经网络模型的输入为气动热力学模型输入，输出为各截面的气动热力学参数；航空发动机神经网络模型的输入为：发动机进口总温、总压、流量、环境压力、高压转速、低压转速、燃油流量；输出为：各截面总温、总压、马赫数、空气燃气流量；所述S4具体包括以下步骤：S41：确定航空发动机模型训练过程的训练步长，批次训练容量及权重初始化方法；S42：利用S3构建的航空发动机神经网络模型输出的截面参数构建航空发动机各部件共同工作满足的平衡方程，将该平衡方程等式两边的差作为神经网络训练的热力学损失函数；对双转子混排涡扇发动机的共同工作平衡方程，得到的神经网络训练的热力学损失函数有：lossd＝lossw+lossplossw＝∑win-wex-wcllossp＝∑Pt-Pc-Pex式中，lossw为流量平衡损失：Win为网络部件单元入口流量，Wex为网络部件单元出口流量，Wcl为冷却及其他空气提取流量，发动机稳定工作时，部件出入口流量应平衡，即Win-Wex-Wcl＝0，用lossw衡量网络输出对流量平衡的逼近程度；lossp为功率平衡损失，Pt为网络计算的涡轮输出功率，Pc为网络计算的压气机需要功率，Pex为功率提取，发动机稳定工作时，同一转子上的功率平衡，即Pt-Pc-Pex＝0，用lossp衡量网络对功率平衡的逼近程度；上式中的各截面流量及高低压转子功率均由航空发动机神经网络模型输出的各截面气动热力学参数表示；S43：采用某种误差度量，定义训练过程中模型输出与S2产生的仿真数据集输出的相似性损失函数；采用均方误差作为相似性损失函数： 其中，lossm为相似性损失，yi为训练样本中各截面参数的目标值向量，为航空发动机神经网络模型各截面参数的输出估计值向量；S44：以一定的权重将S42定义的热力学损失与S43定义的相似性损失结合作为最终的神经网络训练过程的损失函数，利用S24构建的仿真训练集，以S41给出的训练过程参数，对S32构建的航空发动机神经网络模型进行训练；最终的损失函数为：loss＝lossm+lossd；在S24构建的仿真训练集上，利用Adam优化方法对航空发动机神经网络模型进行训练；训练过程中，其中每代T5最大误差定义为： S45：在S24构建的仿真验证集上验证航空发动机神经网络模型的精度与效率；所述S5具体包括以下步骤：S51：对获得航空发动机的试车数据或飞行数据进行数据预处理，形成航空发动机试车数据集或飞行数据集，将上述数据集分为互不交叉的训练集与验证集；训练集包含2000个稳态点的飞行数据，验证集包含6970个稳态点的飞行数据；S52：采用与S42相同的方式定义训练的热力学损失函数；S53：对数据集中的特定测量截面数据，从航空发动机神经网络模型中选取对应的气动热力学参数，利用S43方法定义相似性损失函数；该飞行数据中仅有涡轮后温度截面参数，相似性损失函数定义为： 式中，lossm为相似性损失，T5i为训练样本中涡轮后温度的目标值，为航空发动机神经网络模型输出的涡轮后温度估计值；S54：采用与S44相同的方式训练航空发动机神经网络模型；S55：采用与S45相同的方式验证模型精度与效率；模型精度采用平均绝对误差及最大绝对误差衡量：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军海军航空大学青岛校区，其通讯地址为：266041 山东省青岛市李沧区四流中路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。