面向实际飞行条件的涡轴发动机动力学的监督式机器学习方法

涡轴发动机是高度复杂的非线性热力学系统,在不同环境和飞行条件下运行。模拟其动力学对于设计、故障诊断和恶化控制阶段至关重要,需要可靠的控制系统来估计飞行包络内的发动机性能。然而,基于数值模拟构建详细的发动机物理模型是一个极具挑战性的任务,因为驱动发动机的物理过程复杂且交织。 在这种情况下,数据驱动的机器学习技术对航空发动机领域具有极大的兴趣,因为它们能够描述非线性系统的动态行为,并实现在线性能估计,在准确性方面与最先进技术相当。在本文中,我们探索了不同的神经网络架构来对 Leonardo AW189P4 原型机的涡轴发动机进行建模,旨在预测发动机扭矩。模型在包含多种运行机动动作、不同飞行条件下的大型真实飞行测试数据库上进行训练,为该发动机性能提供了全面表征。为补充神经网络方法,我们应用稀疏识别非线性动力学 (SINDy) 从可用数据中推导出低维动力学模型,描述燃料消耗与发动机扭矩之间的关系。所得模型展示了 SINDy 能够恢复发动机动力学背后实际物理的能力,并证明了其在探索发动机更复杂方面具有潜力。结果表明,数据驱动的发动机模型可以利用超过标准传递函数方法的更广参数范围,从而实现在不同发动机和直升机上进行非线性效应建模的训练方案。