对于航空发动机来说,其气动稳定性问题主要来自于压气机,旋转失速和喘振是两种主要的失稳现象,这些现象对于发动机的性能和安全性带来了极大的威胁。通常认为旋转失速是喘振发生的先兆,因此对压气机的旋转失速现象开展研究,做到对旋转失速的提前检测,对于预防喘振发生,降低发动机的运行安全隐患具有重大意义。确定学习是利用径向基函数神经网络对具有周期或回归轨迹的动态系统进行局部辨识的理论。利用该方法可以对压气机非线性动态系统进行辨识,并将动态特征以常值神经网络的方式保存,然后基于已学习的信息,实现对待测压气机的系统动态的快速动态模式识别。之前对旋转失速检测的相关研究工作都是基于Matlab或Labview等实现,存在可移植性差、对硬件环境要求高的缺点,而C++可以实现跨平台开发,可移植性强、运行环境要求简单、代码保护性强,对于提高软件的生命周期,节约研究成本有重要意义。本文使用C++设计了基于确定学习的轴流压气机旋转失速研究平台,主要工作如下:1.基于Eigen+MKL实现了旋转失速提前检测并行算法。该算法的理论基础是基于确定学习引出的动态模式识别方法,其中包含了大量的矩阵运算。本文经过研究和分析,选择使用Eigen和底层库MKL配合使用来实现该算法,其矩阵计算能力甚至超过Matlab。这为实现旋转失速提前检测算法提供了新思路。为进一步提升性能,本文深入分析了失速检测原理,找出该算法存在的大量可并行化部分,设计了基于open MP的多线程方案。2.设计用户数据库和压气机数据库,并实现了基于QT的失速研究平台数据管理模块。通过对用户数据库进行管理可以对该平台的用户访问权限进行控制。针对轴流压气机数据具有时序性、数据规模庞大的特点,基于TDengine设计了压气机时序数据库,可以实现对压气机数据的管理和存储。本文还针对压气机数据库设计了性能测试方案,验证了基于TDengine的压气机数据库的优越性能。3.研究多模式下的动态模式识别算法,并实现对旋转失速提前检测的子系统。该部分可以对压气机进行旋转失速提前检测,包括9个模式的基础版本和模式库扩充后的99个模式的失速检测模块。通过优化并行模式组的设计方案以及设计改进的二级判断准则,使系统在应对99个模式的计算时依然能够保持识别过程的快速性和准确性。本文所设计的旋转失速研究平台可以很方便的对压气机旋转失速现象进行研究,并实现对旋转失速的提前检测,具备了一定的工程应用价值。