高性能航空发动机的气动稳定性问题主要来自压气机,压气机的工作负荷能力和稳定性对整个发动机的工作效率和安全性至关重要。由于压气机中不稳定流动先兆发生机理极为复杂且变化极为迅速,因此压气机流动失稳建模与预测技术一直是压气机流动稳定性研究的关键难点。本文针对压气机失稳预测的特点和难点,创新性地引入深度学习方法,主要开展了以下几个方面的工作:1.基于压气机喘振实验数据的压气机失速特性分析。通过观察失速形态判断失速类型多为突尖型失速,在10000rpm～13000rpm的高转速下,随着转速提高,突尖型失速先兆与失速的时间间隔变小,且数量减少。通过快速傅里叶变换分析频谱,发现失速频率处于60Hz～110Hz范围,且随着转速提高线性增加。采用小波分解检测失速先兆,结果表明,小波分解能够提前检测到失速先兆,但需要结合大量的主观判断,因此小波分析适合做离线数据分析,但实现通用的自动的在线失速检测和预测还存在一定的局限性。2.基于扩张因果卷积理论的压气机失速预测模型的研究。根据对实验数据的分析,构建了LR-Wave Net失速预测模型,该模型包含两个分支网络,分别是以扩张因果卷积理论为基础的Wave Net分支网络和以逻辑回归理论为基础的LR分支网络,两个分支网络的输入分别为一定时间步内的时序数据和时域特征,通过stacking算法将两个分支网络模块融合,最终输出该时间步对应的失速预测概率。由于扩张因果卷积具有自回归特性,所以可以用于时间序列预测任务,同时卷积网络可以并行计算,速度优于传统的循环神经网络,更能满足失速预测任务的实时性要求。此外,针对失速预测任务的特点改进了损失函数,增加正样本误分类的损失影响,使得期望风险最小。3.压气机失速预测模型的仿真验证。分析对比了本文所提出的LR-Wave Net模型和现有的LR、Wave Net、LSTM以及传统的时域方差分析和小波分析在八种不同失速形态数据上的预测效果。结果表明,在不同形态失速数据下,LR-Wave Net模型都具有较好的预测精度和稳定性,其综合预测效果最优,同时能够实时预测失速发生概率,为失稳主动控制提供理论基础。因此,LR-Wave Net模型适合作为压气机失速预测的核心模型。4.压气机失速预测仿真软件的开发。在确定软件的开发需求基础上,设计软件架构并进行功能开发。软件采用本文所研究的深度学习预测模型,可以实现失速预测的界面操作。软件功能包括数据文件导入及处理、参数设置、模型选择、结果展示及保存等,该软件具有功能全面、界面清晰、操作简便的特点。