(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111315645.0 (22)申请日 2021.11.08 (71)申请人 西北工业大 学 地址 710000 陕西省西安市友谊西路127号 (72)发明人 肖洪　王奉明　林志富　唐轲　 王栋欢　李爽　于艾洋　 (74)专利代理 机构 成都坤伦厚朴专利代理事务 所(普通合伙) 51247 代理人 杨敬禹 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) (54)发明名称 一种航空发动机数字 工程模型的构建方法 (57)摘要 本发明属于数字工程技术领域， 具体涉及一 种航空发动机数字工程模型的构建方法。 具体技 术方案为： 一种数字工程模型构建方法， 基于数 字工程对象所属的待构建模型对应实物和该实 物实际工作匹配 关系， 构建与物理架构完全对应 的智能数字工程模型。 本发明公布的数字工程模 型具备物理规则运行、 性能紧密 跟踪和动态极速 响应的特点， 并能同时运用整机试验 数据和部件 系统级试验 数据， 有效提高了航空发动机数字工 程的精度与速度。 权利要求书1页 说明书7页 附图3页 CN 113987686 A 2022.01.28 CN 113987686 A 1.一种数字工程模型构建方法， 其特征在于： 基于数字工程对象所属的待构建模型对 应实物和该实物实际工作匹配关系， 构建与物理架构完全 对应的智能数字 工程模型。 2.根据权利要求1所述的数字工程模型构建方法， 其特征在于： 将待构建模型对应实物 的结构从大到小划分为： 系统、 部件。 3.根据权利要求2所述的数字 工程模型构建方法， 其特 征在于： 包括如下步骤： (1)根据数字对象所属的航空发动机类型， 列出 所要考虑的系统、 部件； (2)对步骤(1)所述的部件和系统建立各自对应的子网络； (3)通过待构建模型对应实物的实际工作匹配关系对步骤(2)所构建的主线系统、 部件 的子网络进行 连接； (4)根据数字工程模型的构建目的， 在步骤(3)建立的数字工程模型的输入最前端添加 机体网络训练层表征动态特征或者直接输入试车、 高空台试验环境参数特征， 在模型 的最 终输出端添加特 征映射网络作为 最终输出参数， 形成部件系统级 整机数字 工程模型。 4.根据权利要求3所述的数字工程模型构建方法， 其特征在于： 将待构建模型对应实物 的结构从大到小划分为： 系统、 部件、 元件。 5.根据权利要求3或4所述的数字工程模型构建方法， 其特征在于： 依据 数据来源， 将待 构建模型对应实物测量 参数根据测量 位置归类至对应部件、 系统或元件。 6.根据权利要求5所述的数字工程模型构建方法， 其特征在于： 根据数字模型构建目的 进行特征筛选， 除去冗余 参数变量， 降低复杂度。 7.根据权利要求3或4所述的数字工程模型构建方法， 其特征在于： 步骤(4)输入特征或 输入参数为基于待构建模型对应实物的连接结构或工作流程顺次将对应的输入参数呈时 序序列逐批 激活。 8.根据权利要求6所述的数字工程模型构建方法， 其特征在于： 基于部件系统级整机数 字工程模型， 对部件或系统的试验数据进行细化， 将处理对象由部件、 系统转至元件， 依据 元件组成结构和工作匹配关系将元件网络进行连接， 形成细化部件系统子网络， 从而获得 元件级整机数字 工程模型。 9.根据权利要求8所述的数字 工程模型构建方法， 其特 征在于： 以元件级整机数字工程模型为基础， 依据数据来源， 将待构建模型对应实物测量参数 根据测量位置归类至对应元件， 并根据数字模型目的进 行特征筛选， 除去冗余参数变量， 降 低复杂度； 再基于待构建模型对应实物测量连接结构或工作流程顺次将对应的输入参数呈 时序序列逐批 激活。 10.权利要求1 ‑9任意一项所述数字工程模型构建方法在构建航空发动机数字工程模 型中的应用。权　利　要　求　书 1/1 页 2 CN 113987686 A 2一种航空发动机数字工 程模型的构建 方法 技术领域 [0001]本发明属于数字工程技术领域， 具体涉及 一种航空发动机数字工程模型的构建方 法。 背景技术 [0002]航空发动机的数字化转型是其产品研发、 生产制造和保障模式革新换代的重要技 术途径， 而航空发动机数字工程模型是数字化转型的核心内容之一。 在论证阶段， 数字工程 模型可接入模拟环 境生成设计方案， 根据效能、 成本和风险等对方案进 行权衡分析， 得到最 优备选方案。 在研制阶段， 数字工程模 型基于装备设计方案依次开展 数字化试验鉴定， 可加 快研制进程。 在装备生产阶段， 数字工程模型依据自动采集分析生产数据建立数字化的质 量保证流程， 对制 造过程进行优化和控制， 提升制 造成熟度水平。 在装备保障阶段， 数字工 程模型依据自动获知的装备状态信息， 实现基于预测性分析的装备精确维修保障。 [0003]但航空发动机工作原理复杂， 控制参数众多， 结构化数据和非结构化数据交叉融 合， 参数采集的频率高、 体量大、 结构多样、 时效性强， 因此， 如何运用运维数据建立数字工 程模型是一个巨大挑战。 [0004]传统的航空发动机模型先以试验数据或仿真数据为基础， 建立部件、 系统或元件 的部件特性， 再通过部件法根据航空发动机物理工作机理建立各部件连接关系， 通过共同 工作方程迭代寻找匹配工作点。 以涡扇发动机气路模型为例， 即通过进气道、 风扇、 压气 机、 燃烧室、 高压涡轮、 低压涡轮、 外涵道、 混合室、 加力燃烧室、 尾喷管等各部件共同工作方程 在各自特性图上寻找匹配工作点。 空气系统模型以引气和冷却、 封严终端参数为基础， 通过 各流路元件的流量和能量平衡为共同工作方程在元件特性数据上寻找匹配工作点。 但该方 法很难将气路、 空气、 滑油、 附件和控制系统耦合在统一模型框架。 且各部件特性建立后固 定不变， 不能跟踪航空发动机的性能衰减， 从而无法用于航空发动机全寿命周期的数字工 程。 另外， 以传统航空发动机模 型为基础的自适应模型能部分调整部件特性， 但不能调整全 部的部件、 系统和元件特性， 不能用于航空发动机机载数字模型。 同时， 传统航空发动机模 型也不能体现个性 化差异， 不能用于数字化试验。 [0005]现有技术中还有使用数据驱动建立的航空发动机模型， 将航空发动机试验或仿真 数据输入“黑匣子”智能网络， 训练航空发动机模型网络。 其根据所要建立的航空发动机模 型的结构， 采集航空发动机状态变量模型的输入、 输出、 状态变量数据； 对数据去噪后作为 训练数据对神经网络模型进行训练， 得到航空发动机智能网络模型； 基于所建立的航空发 动机智能网络模型， 根据所要建立的航空发动机模型参数 的偏导数表达， 以链式求导法则 进行输出量到输入量的偏导数计算， 从而建立基于数据驱动的航空发动机状态变量模型。 但该方法收到航空发动机物理规则限制， 会出现超限物理规则的危害， 而且所需采集和处 理的数据量巨大。 [0006]现有技术中还存在数据加物理模型驱动的航空发动机模型， 其基本思路是对传统 方法建立的航空发动机模型进行校正， 再通过深度学习技术搭建数据驱动模型； 或者通过说　明　书 1/7 页 3 CN 113987686 A 3