基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

小涵道比涡扇发动机吞鸟能力仿真评估与验证

军用航空发动机的吞鸟能力须满足国军标和适航相关规定,可靠的发动机吞鸟能力评估方法是开展吞鸟试验的基础,可降低试验风险、提高试验成功率。以国内某涡扇发动机研制中的吞鸟能力仿真与验证项目为基础,提出基于仿真分析、动量类比法和接触应力类比法的发动机吞鸟能力评估方法。根据相关标准规范,确定试验要求,开展整机吞鸟试验验证,通过4 次整机吞鸟试验,验证了本文提出的发动机吞鸟能力评估方法的准确性,获得了发动机吞鸟能力底数。试验结果和评估方法可为其他涡扇发动机型号研制提供参考。