基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机（QPSO-ELM）的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明：燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机（ELM）、支持向量机（SVM）和反向传播（BP）神经网络。     

补燃循环发动机强迫起动过程

以补燃循环液氧煤油发动机系统为研究对象,对其强迫起动特性进行了研究.建立了描述补燃循环发动机瞬变过程的数学模型,提出了求解推进剂供应管路瞬变流控制方程的Chebyshev伪谱方法.采用新的面向对象仿真语言Modelica,建立了可扩展的发动机仿真模型库,在MWorks平台上,利用模型库搭建了补燃循环液氧煤油发动机仿真模型.对发动机强迫起动过程进行了仿真计算,计算结果与试车数据基本相符,其中稳态相对误差小于4%,动态相对误差小于10%,初步验证了模型的正确性.进一步分析了火药起动器工作时间、阀门打开时序等因素对发动机起动过程的影响.结果表明,为保证该发动机可靠起动,发生器点火应在氧化剂头腔充填完成后,火药起动器工作时间应持续到发生器点火.      

航空发动机起动过程摩擦阻力矩计算分析

扭矩特性分析是航空发动机起动仿真数学模型建立的重要环节,其中摩擦阻力矩因缺少相应的经验公式难以确定。为了得到起动过程的摩擦阻力矩,借助于某型发动机台架试车数据,根据转速变化率与扭矩的关系,在冷态和热态2种条件下分别对转速变化率和阻力矩进行计算,得到了冷、热态下发动机起动过程摩擦阻力矩,并分析了大气温度对冷态阻力矩的影响规律。以此建立起动过程数值仿真模型,完成了摩擦阻力矩对起动过程转速的影响分析。计算结果表明:摩擦阻力矩随着发动机转速的增加呈减小趋势;在冷态条件下,随着大气温度的降低,摩擦阻力矩逐渐增大;起动过程转速变化率随之减小。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

某型涡扇发动机起动和加速过程数值模拟

借助国内外涡扇发动机过渡态数值模拟研究的最新成果,开展了某型涡扇发动机起动加速过程的数值模拟研究。首先参照风机和泵类机械低转速部件特性相似理论,结合指数外插法,成功地发展了航空燃气涡轮发动机低转速部件特性扩展方法和计算程序;其次,基于燃气涡轮发动机部件匹配原理,写出描述部件内动态流动过程的三个基本方程：动量守恒方程（功率平衡方程）、流量连续方程和能量守恒方程;最后发展了具有一定计算精度的涡扇发动机起动加速过程的数值计算模型和程序,对某型涡扇发动机的起动和加速过程进行了数值分析,并与试验数据进行了对比分析。结果表明,给出的数值计算结果与试验数据具有较好的一致性,表明发展的模拟涡扇发动机起动加速过程的数学模型和程序是合理的。     

基于逐级叠加法的航空发动机起动模型研究

建立起动过程数学模型的主要困难在于缺少发动机低转速部件特性。提出一种逐级叠加与试验数据相结合的方法计算低转速部件特性,并综合考虑了燃烧室效率变化和部件的热惯性对起动过程的影响,成功地把发动机慢车以上的部件法建模应用到发动机起动过程的性能模拟。通过对某型涡轴发动机仿真结果与试验数据的对比表明,这种低转速部件特性的计算方法具有一定的精度,建立的起动模型可满足研究起动供油规律及估算起动性能的需要。     

一种通用涡轴发动机起动过程建模方法研究

涡轴发动机可靠、快速的起动过程是进入驱动旋翼飞行器安全工作的前提,高置信度的发动机起动过程模型不仅可以对起动过程进行分析与优化控制,而且减少了代价昂贵的发动机台架试车次数。本文针对起动过程复杂非线性特性的建模难题,提出一种通用的建模方法:即基于级累叠方法,根据进口条件计算各级气体流动参数来获得压气机低转速特性数据,同时根据相似原理外推出燃气涡轮、自由涡轮低转速部件特性,并将冷转动模型和部件级模型相结合。最后,建立了涡轴发动机起动模型,进行了地面状态起动过程的数字仿真,并与试车数据进行对比,最大误差小于10%,结果表明所建立的模型能准确模拟涡轴发动机的起动过程。