Динамическая модель газотурбинного двигателя на основе структуры LSTM с изменяемой памятью

Основным способом повышения эффективности газотурбинных двигателей является увеличение параметров цикла. Однако рост степени повышения температуры и давления по тракту двигателя приводит к усилению тепловой нагрузки на лопатки соплового аппарата турбины, что значительно снижает ресурс. Задача сохранения ресурса особенно важна для малоразмерных газотурбинных двигателей, поскольку их ограниченные габариты не позволяют реализовать многие мероприятия по охлаждению лопаток соплового аппарата. В сложившихся условиях возрастает роль контроля тепловой нагруженности элементов таких двигателей, что ужесточает требования к точности управления по основным регулируемым параметрам (оборотам ротора двигателя и температуре газа за турбиной). Повышение качества управления в современных газотурбинных двигателях решается за счёт использования бортовых математических моделей двигателя. Рабочие процессы, описываемые такими моделями, характеризуются быстротечностью и значительным перерегулированием, что предъявляет высокие требования к точности моделирования. Однако вопросы точного и в то же время ресурсосберегающего расчёта быстропеременных процессов изменения оборотов ротора и температуры газа за турбиной остаются малоизученными. В работе использовались нейросетевые методы для моделирования нестационарных режимов малоразмерных газотурбинных двигателей. С использованием данных, полученных в результате огневых испытаний двигателя JetCat P-60, создана его регрессионная нейросетевая модель. Главным вопросом, возникшим при создании модели, было описание динамики быстропеременных процессов с ярко выраженным перерегулированием. Для этого была проведена модификация архитектуры классической LSTM сети, суть которой сводилась к добавлению функциональной зависимости выходного узла от тензора памяти. Это позволило сделать размер памяти независимым от количества выходов модели и тем самым повысило точность моделирования. Разработанной архитектуре было предложено новое название – VMLSTM сеть. В результате сравнения с традиционной сетью Элмана и классической LSTM сетью разработанная VMLSTM сеть показала наименьшее значение средней ошибки при сопоставимом количестве изменяемых параметров модели. Кроме этого, в отличие от существующих нейросетей, разработанная сеть продемонстрировала возможность моделирования забросов температуры газа за турбиной в моменты изменения режима работы двигателя. Разработанная архитектура нейросети повысила достоверность моделирования динамики малоразмерного газотурбинного двигателя как объекта управления, что в условиях экономного использования вычислительных ресурсов открыло возможности её применения в бортовых электронно-вычислительных машинах.