一种用于涡轮试验部件不稳定工作边界的数字化试验方法与流程

1.本发明属于涡轮试验部件数字化试验技术领域，具体涉及一种用于涡轮试验部件不稳定工作边界的数字化试验方法。


背景技术：

2.航空发动机涡轮部件试验是国内外涡轮部件研制过程中用于验证设计方法、设计技术以及获得技术成熟度提升的通用做法。其主要是通过测功器对涡轮主要性能参数进行测量，并进行实验状态控制。高速水力测功器由于其内部系统组成复杂，系统机理与参数间关系尚不明确，造成维修风险大、维护困难且费用高等问题。为降低设备的运营和维护成本，有必要建立测量参数间的映射关系，获取水力测功器的真实不稳定工作边界及工作特性曲线，预防其在非安全的模式下工作，并充分发挥其性能优势。
3.水力测功器具有体积小、功力储备量大、准确度高等优点，在航空发动机试验以及动力旋转机械测试中被广泛使用。水力测功器主要由转子、定子、轴、外壳等组成，如图1所示，水力测功器轴与涡轮轴采用连轴器连接，从而进行水力测功系统与涡轮系统间功率的传递，主轴带动转子转动时，进入测功器的水会与转子之间产生摩擦以及快速地冲击作用，将涡轮试验件输出的机械能转变为水的热能并由水带走。功率由邻近转子和静子表面边界层中的粘性剪切力吸收，由此产生的阻力对旋转施加了阻尼，并以同等的作用力施加到测功器壳体上，通过测功器壳体上布置的扭矩传感器结合轴转速便可计算得出涡轮试验件的功率。此外，滑油系统被同时用来给测功器以及涡轮本体中高速转动的轴承提供油润滑及冷却。
4.高速水力测功器的工作包线通常由功率和转速特性曲线表示，理论上其边界表达为如图2五条曲线段。每一段曲线都由一个决定性参数和数个次要参数耦合共同影响。精确地标示航空发动机涡轮试验部件的工作包线边界，便于测试过程中实验设备的健康维护和管理，延长测试器的使用寿命，减少维修成本，充分发挥水力测功器的性能潜力，进而提升涡轮实验过程的稳定性、安全性和经济性。因此，精确地标示涡轮试验部件的工作包线边界非常重要。
5.根据技术人员的工程经验、出于设备保护和试验需要，水力测功器在运行过程中往往会格外注意控制各参数处于一般工况状态，因此很少会接近乃至超出理论工作包线范围，这直接导致了不稳定工作边界附近区域数据的匮乏，缺乏工作包线的指导水力测功器无法工作至性能曲线的包线附近，很难充分发挥自身全部的测量优势。
6.其次，工作包线通常受到多参数共同作用和影响，在可利用数据局限性较大的情况下其趋势很难通过简单拟合得到置信度较高的内插外推结果。测试员难以通过界定模糊的工作包线图结合测试过程中的监控参数来判断测试过程是否出现问题，进而做出设备的启停或者调整等反应动作来保障实验准确安全地运行。这对于人工方式的测试监控提出了更严格的要求，培养一名相关技术人员需要长期的时间和资源投入；同时，这种主观经验的方法在某些方面对于复杂问题并不能提供一个正确且有效的结果。
7.对于现有的数字孪生建模技术，传统的做法是采用纯数据驱动，不引入实际物理模型，而实际的涡轮部件测试系统中，涡轮热动力系统、转子传动系统、水动力系统以及滑油系统之间共同构成了一种复杂的相互耦合关系，因而若采用传统的纯数据驱动方式，计算结果容易跳出现实的物理规律。针对纯数据驱动的方法，深度学习模型中并未引入发动机物理模型和物理架构，因而其缺乏实际物理规则限制，因而训练出来的结果脱离实际的物理规律，进而导致模拟出来的目标值误差较大且不具备可解释性。


技术实现要素：

8.为解决上述技术问题，本发明提出了一种用于涡轮试验部件不稳定工作边界的数字化试验方法。
9.为实现上述发明目的，本发明所采用的技术方案是：一种用于涡轮试验部件不稳定工作边界的数字化试验方法，构建水力测功器数字孪生模型，根据水力测功器理论工作包线特性训练水力测功器数字孪生模型；将若干输入参数通过遍历的方法生成数据集，代入水力测功器数字孪生模型，获得预测目标值；将水力测功器数字孪生模型对应的输入-输出数据集筛选后，得到功率-转速性能图上的等目标值曲线簇，获得不稳定工作边界。
10.优选的：所述水力测功器数字孪生模型根据水力测功器的理论工作包线特性，分为多个子模型，每一子模型对应每一段理论工作包线的边界。
11.优选的：根据水力测功器理论工作包线特性，将理论工作包线影响因子作为水力测功器数字孪生模型的输入，将理论工作包线决定性影响因素作为水力测功器数字孪生模型的输出。
12.优选的：所述水力测功器数字孪生模型包括五个子模型，分别为结构特性段子模型、最大扭矩特性段子模型、最大功率吸收段子模型、极限转速段子模型、最低吸收功率特性段子模型。
13.优选的：所述结构特性段子模型的影响因子包括转子直径、进水压力；所述最大扭矩特性段子模型的影响因子包括轴承规格、轴径、轴材料强度、材料热处理及扭转刚度；所述最大功率吸收段子模型的影响因子包括外部冷却水量、进出水温差、热平衡；所述极限转速段子模型的影响因子包括轴承类型、润滑条件、密封状态、动平衡精度、转子动力学、临界转速、主轴材料强度刚度；所述最低吸收功率特性段子模型的影响因子包括进水压力、进水流量、进水阀开度、进排水结构、定转子结构。
14.优选的：所述水力测功器数字孪生模型包括依次连接的物理信息输入网络层、物理信息与时间信息耦合网络层、映射网络层；所述物理信息与时间信息耦合网络层采用时序网络结构，将物理信息输入网络层输入的信息通过时间空间的依次顺序连接起来，提取涡轮水力测功器测试参数间的物理关联及物理特征。
15.优选的：基于水力测功器数字孪生模型构建并训练性能衰退补偿修正模型，向性能衰退补偿修正模型输入未衰退目标值，获得衰退后的目标值，获得性能衰退后的同目标值曲线簇，获得性能衰退后的不稳定工作边界。
16.优选的：所述性能衰退补偿修正模型通过预测未衰退目标值和真实衰退目标值获得系统的衰退信息，预测未衰退目标值由所述水力测功器数字孪生模型获得，真实衰退目标值由衰退数据集经过数据清洗层获得。
17.与现有技术相比，本发明具有以下有益效果：（1）本发明根据水力测功器理论工作包线特性训练水力测功器数字孪生模型，将水力测功器数字孪生模型对应的输入-输出数据集筛选后，得到功率-转速性能图上的等目标值曲线簇，获得不稳定工作边界。其得到的不稳定工作边界特性图可对测试系统健康管理，充分发挥系统性能优势，避免在不稳定工况下工作，从而提高测试系统的安全性、稳定性和经济性。本发明测绘不稳定工作边界提出的基础数字孪生模型是综合涡轮水力测功系统的物理机理和理论工作包线的影响因子搭建的，其相对于纯数据的模型方法具有更高的精度，同时需求的数据量更小。
18.（2）考虑到测试系统在实际运行过程中受到性能衰退的影响，本发明在水力测功器数字孪生模型的基础上引入了修正补偿模型，充分训练系统的性能衰退信息，使得不稳定工作边界获得随性能衰退修正补偿的能力，获得的不稳定边界更可靠精确。
附图说明
19.图1为本发明水力测功器结构原理图；图2为本发明高速水力测功器的工作包线理论图；图3为本发明基于涡轮水力测功器工作原理+数据驱动的数字化试验流程图；图4为本发明考虑性能衰退的水力测功器的数字化试验流程图；图5为本发明修正补偿模型网络层内部结构图；图6为本发明实施例1中最低吸收功率特性段子模型图。
20.附图中标记：壳体1、轴承2、主轴3、水轮4、冷却手臂5。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
22.如图3-6所示，本发明公开了一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其核心思想：构建水力测功器数字孪生模型，根据水力测功器理论工作包线特性训练水力测功器数字孪生模型；将若干输入参数通过遍历的方法生成数据集，代入水力测功器数字孪生模型，获得预测目标值；将水力测功器数字孪生模型对应的输入-输出数据集筛选后，得到功率-转速性能图上的等目标值曲线簇，获得不稳定工作边界。
23.进一步的，所述水力测功器数字孪生模型架构分为三层：第一层为物理信息输入网络层s01,第二层为物理信息与时间信息耦合网络层s02，最后一层为映射网络层s03。
24.所述物理信息与时间信息耦合网络层s02采用时序网络结构，将物理信息输入网络层s01输入的信息通过时间空间的依次顺序连接起来，提取涡轮水力测功器测试参数间的物理关联及物理特征，并存入到神经网络中。物理信息与时间信息耦合网络层s02的输入为物理信息输入网络层s01各个子网络的输出，输入网络节点数为物理信息输入网络层s01
子网络数量。
25.映射网络层s03的功能是将物理信息与时间信息耦合网络层s02的信息映射到最终的目标输出值上，该层的输入节点数为物理信息与时间信息耦合网络层s02的输出节点数，其值会根据实际学习数据量而有所不同。优选的，映射网络层s03的输入节点数大于物理信息与时间信息耦合网络层s02输入节点数，数值为2的幂次数。
26.为确保训练数据的可靠性，需对采集数据进行细致的数据清洗工作，排除数据中的坏点。准备工作完成后，就可以将训练数据放入数字孪生模型中进行训练了。根据理论工作包线的特性，将影响因子（包括转速、转矩）作为输入参数，决定性影响因素作为目标值训练水力测功器数字孪生模型。
27.将各输入参数通过遍历的方法生成数据集，放入训练好的水力测功器数字孪生模型中得到对应决定性影响因素的预测目标值。此时对该输入-输出的采集数据点集进行二次筛选分类即可得到分布在功率-转速性能图上的等目标值曲线簇，从而找到不稳定工作边界。
28.进一步的，根据水力测功器的理论工作包线特性，将水力测功器数字孪生模型分为多个子模型，每一子模型对应每一段理论工作包线的边界。
29.具体地，所述水力测功器数字孪生模型包括五个子模型，分别为结构特性段子模型、最大扭矩特性段子模型、最大功率吸收段子模型、极限转速段子模型、最低吸收功率特性段子模型。所述结构特性段子模型的影响因子包括转子直径、进水压力等。所述最大扭矩特性段子模型的影响因子包括轴承规格、轴径、轴材料强度、材料热处理及扭转刚度等。所述最大功率吸收段子模型的影响因子包括外部冷却水量、进出水温差、热平衡等。所述极限转速段子模型的影响因子包括轴承类型、润滑条件、密封状态、动平衡精度、转子动力学、临界转速、主轴材料强度刚度等。最低吸收功率特性段子模型的影响因子包括进水压力、进水流量、进水阀开度、进排水结构、定转子结构等。
30.训练完成的水力测功器数字孪生模型不受运行时间影响，将维持在一定水平工作，因此其不稳定工作边界将保持稳定，然而在实际工作中，水力测功器的性能必将随运行时间增加而产生衰退，其不稳定工作边界也将发生收缩，因此需要通过补偿模型来修正不稳定工作边界。
31.为此，本发明还公开了一种具有性能衰退后的用于涡轮试验部件不稳定工作边界的数字化试验方法，其核心思想是：在上述水力测功器数字孪生模型的基础上，增加了性能衰退后的不稳定工作边界补偿修正模型。具体为：基于水力测功器数字孪生模型构建并训练性能衰退补偿修正模型，向性能衰退补偿修正模型输入未衰退目标值，获得衰退后的目标值，获得性能衰退后的同目标值曲线簇，获得性能衰退后的不稳定工作边界。性能衰退补偿修正模型为bp神经网络模型。
32.进一步的，性能衰退补偿修正模型通过预测未衰退目标值和真实衰退目标值获得系统的衰退信息，预测未衰退目标值由水力测功器数字孪生模型获得，真实衰退目标值由衰退数据集经过数据清洗层获得。
33.本发明还公开了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的用于涡轮试验部件不稳定工作边界的数字化试验方法。该实施例中的
电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda（个人数字助理）、pad（平板电脑）、pmp（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。
34.本发明还公开了一种计算机可读介质，所述可读介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述的用于涡轮试验部件不稳定工作边界的数字化试验方法。本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图3-5所示的方法的程序代码。
35.需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。
36.在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
37.在一些实施方式中，客户端、服务器可以利用诸如http（hypertext transfer protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“lan”），广域网（“wan”），网际网（例如，互联网）以及端对端网络（例如，adhoc端对端网络），以及任何当前已知或未来研发的网络。
38.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
39.实施例1 绘制性能未衰退的涡轮试验部件不稳定工作边界首先，根据水力测功器理论工作包线特性，将水力测功器数字孪生模型分为多个子模型，每个子模型对应每一段理论包线的边界。所述水力测功器数字孪生模型包括五个子模型，分别为结构特性段子模型（oa段）、最大扭矩特性段子模型（ab段）、最大功率吸收段子模型（bc段）、极限转速段子模型（cd段）、最低吸收功率特性段子模型（od段），如图2所示。
40.所述结构特性段子模型的影响因子主要有转子直径、进水压力等。所述最大扭矩特性段子模型的影响因子主要有轴承规格、轴径、轴材料强度、材料热处理及扭转刚度等。所述最大功率吸收段子模型的影响因子主要有外部冷却水量、进出水温差、热平衡等。所述极限转速段子模型的影响因子主要有轴承类型、润滑条件、密封状态、动平衡精度、转子动力学、临界转速、主轴材料强度刚度等。最低吸收功率特性段子模型的影响因子主要有进水
压力、进水流量、进水阀开度、进排水结构、定转子结构等。
41.以最低吸收功率特性段子模型为例进行详细说明。
42.根据最低吸收功率特性段的影响因子构建最低吸收功率特性段子模型的物理信息输入网络层s01，将其分为水系统网络层s011、涡轮网络层s012、轴功系统网络层s013，如图6所示。
43.由于测试系统中涡轮系统为驱动系统，而其主要分为进气管路与涡轮部件两部分组成，因此将涡轮网络层s012放在最前，其输入参数主要为部署在涡轮部件中传感器采集的涡轮核心参数，如涡轮进出口温度压力、涡轮转速、涡轮轴内滑油温度压力等。水系统网络层s011是水力测功器几个主要部件系统之一，其核心参数为进/排水流量、进/排水温度。轴功网络层s013的输入参数为功率以及扭矩。
44.通过上述描述可知，物理信息输入网络层s01的排布同时考虑了涡轮水力测功系统的工作排布次序和理论工作包线的影响因子，使得模型架构完美地匹配物理测试机理以及结构布局，物理信息与时间信息耦合层s02以沿轴方向上的部件参数为数字媒介，按次序排列部件特征参数，形成物理信息输入层的内部特征融合关系。
45.模型结构图中的目标值应为影响不稳定工作边界趋势的决定性参数，对于最低吸收功率特性段子模型，此处核心参数可取进/出口排水阀开度。最低吸收功率特性段子模型输出为进/出口排水阀开度，通过遍历的输入参数（输入中包含转速和功率）可得到对应的开度值，同开度值即可在功率-转速图上绘制等开度线，得到曲线簇，其中靠近不稳定边界的曲线为该段的不稳定工作线（即工作包线）。
46.由于测量传感器错误及上级调控等因素，进/出口排水阀开度的初始数据呈现类阶梯型，上级调控体现为输入参量在一定范围变化时进/出口排水阀开度在未知规律调节下能够保持相对的稳定，这部分数据会对模型训练产生较为严重的干扰。此外，由于od段的特性，水力测功器测试过程中的采集数据接近甚至超过不稳定工作边界的情况时有发生，这些数据不受上级完全调控，呈现出较混乱的参数状态，对模型收敛和精度都存在较大影响。
47.综上需要对其进行细致的数据清洗工作，一是排除进/出口排水阀开度随时间导数较小的采集数据点，二是排除部分失稳采集数据点，保留部分以便在绘制等目标值曲线簇后判断不稳定工作边界。
48.处理好的数据即可加入数字孪生模型中进行训练，训练完成后即可加入遍历的各输入参数得到对应的进/出口排水阀开度值，从而绘制出等开度曲线簇，找出不稳定工作边界。
49.需要说明的是，本实施例中模型的训练数据来源为涡轮试验部件的真实试验数据，真实的试验数据肯定包含有性能衰退信息，但是在一段时间内的数据几乎没有衰退，这样的数据使用在容差内，故这部分真实试验数据认为是未衰退的数据集。
50.对于结构特性段子模型、最大扭矩特性段子模型、最大功率吸收段子模型、极限转速段子模型的构建过程类似，将该模型的各影响因子作为模型输入，该模型的决定影响因子作为模型输出，如最大扭矩特性段子模型输出为扭矩；结构特性段子模型输出为进水压力；最大功率吸收段子模型输出为功率；极限转速段子模型输出为转速。
51.实施例2 绘制性能衰退后的涡轮试验部件不稳定工作边界
在实施例1的基础上，在水力测功器数字孪生模型输出后接入性能衰退补偿修正模型。性能衰退补偿修正模型采用bp神经网络模型。
52.性能衰退补偿修正模型通过预测未衰退目标值和真实衰退目标值来得到系统的衰退信息。举例来说，预测未衰退目标值为衰退数据的初始参数输入训练完成的未衰退水力测功器数字孪生模型得到，真实衰退目标值则由衰退数据集经过数据清洗层直接得到，性能衰退补偿修正模型目的在于寻找这两个参数之间关系。
53.具体地实施过程如下：s1、搭建新的包含性能衰退的预测模型t：将实施例1训练好的水力测功器数字孪生模型与性能衰退补偿修正模型连接。
54.s2、将包含性能衰退的试验数据制成性能衰退数据集，将该数据集作为训练集训练s1中搭建的预测模型t。具体地，此处水力测功器数字孪生模型是实施例1中已经训练好的模型，不再参与实例2中的训练。处理好的衰退数据集（比如实例1采用的装置工作了较长时间以后的数据集）中各个阶段对应子模型的各影响因子输入实例一模型，可以得到未衰退的预测目标值，这个值作为修正补偿模型输入，该模型的输出预测值再与对应衰退数据的真实目标值拟合，达到训练修正补偿模型的目的。
55.s3、将遍历的各输入参数输入训练完成的预测模型t，获得对应决定性影响因素衰退后的预测目标值，对该输入输出的采集数据点集进行二次筛选分类，可得到分布在功率-转速性能图上的等目标值曲线簇，从而找到不稳定工作边界。
56.性能衰退补偿修正模型是由全连接层和dropout层交替组成的，其输入为实例1模型输出值（未性能衰退的目标值），输出为性能衰退后的目标值。
57.由于性能衰退补偿修正模型的输入输出较少，为防止过拟合加入了dropout层l2和l4。修正模型训练完成后，向其中输入未衰退目标值即可输出衰退后的目标值，结合衰退数据容易做出性能衰退后的同目标值曲线簇，找出性能衰退后补偿修正的不稳定工作边界图。特别地，dense层的取值任意，但不宜过大，否则容易造成过拟合。
58.以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：构建水力测功器数字孪生模型，根据水力测功器理论工作包线特性训练水力测功器数字孪生模型；将若干输入参数通过遍历的方法生成数据集，代入水力测功器数字孪生模型，获得预测目标值；将水力测功器数字孪生模型对应的输入-输出数据集筛选后，得到功率-转速性能图上的等目标值曲线簇，获得不稳定工作边界。2.根据权利要求1所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：所述水力测功器数字孪生模型根据水力测功器的理论工作包线特性，分为多个子模型，每一子模型对应每一段理论工作包线的边界。3.根据权利要求2所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：根据水力测功器理论工作包线特性，将理论工作包线影响因子作为水力测功器数字孪生模型的输入，将理论工作包线决定性影响因素作为水力测功器数字孪生模型的输出。4.根据权利要求3所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：所述水力测功器数字孪生模型包括五个子模型，分别为结构特性段子模型、最大扭矩特性段子模型、最大功率吸收段子模型、极限转速段子模型、最低吸收功率特性段子模型。5.根据权利要求4所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：所述结构特性段子模型的影响因子包括转子直径、进水压力；所述最大扭矩特性段子模型的影响因子包括轴承规格、轴径、轴材料强度、材料热处理及扭转刚度；所述最大功率吸收段子模型的影响因子包括外部冷却水量、进出水温差、热平衡；所述极限转速段子模型的影响因子包括轴承类型、润滑条件、密封状态、动平衡精度、转子动力学、临界转速、主轴材料强度刚度；所述最低吸收功率特性段子模型的影响因子包括进水压力、进水流量、进水阀开度、进排水结构、定转子结构。6.根据权利要求5所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：所述水力测功器数字孪生模型包括依次连接的物理信息输入网络层、物理信息与时间信息耦合网络层、映射网络层；所述物理信息与时间信息耦合网络层采用时序网络结构，将物理信息输入网络层输入的信息通过时间空间的依次顺序连接起来，提取涡轮水力测功器测试参数间的物理关联及物理特征。7.根据权利要求1-6任意一项所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：基于水力测功器数字孪生模型构建并训练性能衰退补偿修正模型，向性能衰退补偿修正模型输入未衰退目标值，获得衰退后的目标值，获得性能衰退后的同目标值曲线簇，获得性能衰退后的不稳定工作边界。8.根据权利要求7所述的一种用于涡轮试验部件不稳定工作边界的数字化试验方法，其特征在于：所述性能衰退补偿修正模型通过预测未衰退目标值和真实衰退目标值获得系统的衰退信息，预测未衰退目标值由所述水力测功器数字孪生模型获得，真实衰退目标值由衰退数据集经过数据清洗层获得。

技术总结
本发明属于涡轮试验部件数字化试验技术领域，具体涉及一种用于涡轮试验部件不稳定工作边界的数字化试验方法。具体技术方案为：构建水力测功器数字孪生模型，根据水力测功器理论工作包线特性训练水力测功器数字孪生模型；将若干输入参数通过遍历的方法生成数据集，代入水力测功器数字孪生模型，获得预测目标值；将水力测功器数字孪生模型对应的输入-输出数据集筛选后，得到功率-转速性能图上的等目标值曲线簇，获得不稳定工作边界。可对测试系统健康管理，充分发挥系统性能优势，避免在不稳定工况下工作，从而提高测试系统的安全性、稳定性和经济性。定性和经济性。定性和经济性。


技术研发人员：陈果 张晓东 李俊 姜雷博 肖洪
受保护的技术使用者：中国航发四川燃气涡轮研究院
技术研发日：2023.07.07
技术公布日：2023/8/13