基于Kriging方法的航空发动机压气机特性元建模

针对求解航空发动机数学模型时,使用传统的压气机二维特性曲线进行插值计算精度较差的问题,引入了优化技术中元建模的思想,对压气机特性进行模型重构.根据压气机特性数据空间分布的特点,定义元模型的输入输出维数,采用Kriging算法建立了流量和效率特性的代理模型.以某型涡扇发动机为例进行了压气机特性元建模的仿真计算,设定了满足...     

一种应用滑动最小二乘求取压气机特性的方法

发动机性能仿真需要对压气机等部件特性进行离散和插值计算, 通常低转速范围的特性还需要外推.对此提出改进, 用三维曲面代替转速线表达压气机特性.从某小流量发动机起动加速试验数据中提取压气机低转速特性数据.以这些数据和已知特性数据为依据, 利用滑动最小二乘法拟合计算获得压气机特性曲面.该方法能够获得全部转速范围内的压气机特性, 精度高, 且不需插值计算, 非常适用于发动机起动加速过程的仿真计算.      

一种应用滑动最小二乘求取压气机特性的新方法(修改稿)

发动机性能仿真需要对压气机等部件特性进行离散和插值计算,通常低转速范围的特性还需要外推。对此提出改进,用三维曲面代替转速线表达压气机特性。从某小流量发动机起动加速实验数据中提取压气机低转速特性数据。以这些数据和已知特性数据为依据,利用滑动最小二乘法拟合计算获得压气机特性曲面。该方法能够获得全部转速范围内的压气机特性,精度高,且不需插值计算,非常适用于发动机起动加速过程的仿真计算。     

指数外推法和支持向量机相结合的压气机特性扩展方法

针对航空发动机起动建模中压气机低转速特性计算精度较低的问题,提出了指数外推法和支持向量机(SVM)相结合的特性扩展计算方法.首先分析了指数外推法的计算方法及其局限性,然后将压气机已知的高转速特性作为SVM的训练集,以指数外推法获取的低转速特性作为测试集,同时将压气机特性转换为按出口气流参数表示以降低SVM原始数据的非线性,利用交叉验证算法选择SVM参数并进行模型训练,预测并获得压气机低转速特性.通过与单纯使用指数外推法获取的特性对比分析表明:指数外推法和SVM相结合的压气机特性扩展计算方法,最大相对误差减小了约2.8%,有效提高了特性扩展计算精度.      

某涡扇发动机考虑级间引气的二维数值模拟

针对采用S₂流面流场模拟软件(AES-S2),对某涡扇发动机风扇、压气机(考虑级间引气)和整机进行地面0km及高空21km低雷诺数工况下转速特性的评估和流场分析.AES-S2数值仿真模型由带有黏性项的二维欧拉方程、燃烧模型和损失模型构成;采用任意曲线坐标系,可保证复杂几何边界的计算精度;采用隐式高阶精度Godunov求解格式,数值稳定性高,可自动捕捉激波.仿真结果表明:AES-S2计算稳定性好,收敛速度快;风扇和压气机的计算精度高于整机;整机二维计算满足工程精度需求,可为部件研制和整机部件匹配提供性能参数依据.      

依据试验数据求取航空发动机部件特性的新方法

介绍了通用的依据已知发动机部件特性求取所需部件特性的耦合法,并指出该方法的不足。以压气机部件特性为例提出求取部件特性的新方法。该方法利用发动机试验数据得到转速线与共同工作线的交点,把转速线近似为指数函数曲线,由PSO算法结合所得的交点数据拟合出每条转速曲线。以试验数据为依据,保证了特性的真实和有效性,而PSO算法则提高了特性线拟合的精度。计算结果表明所提出的方法比传统的耦合法更为准确,有利与提高发动机工作过程仿真精度。     

一种多级轴流压气机特性预测的工程方法

基于多级轴流压气机部件设计点气动参数与相应几何尺寸,发展了一种计算发动机高、低压压气机部件特性近似方法,完成了相应的计算程序编制,并将其应用于三个多级轴流压气机部件特性预测.计算结果与实验数据比较表明,该方法作为一种近似方法具有可接受的工程精度,尤其适合于预测发动机压气机部件小转速特性,为涡扇/涡喷发动机起动过程分析与计算提供模型基础.      

基于QPSO算法的压气机特性代理模型优化

考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。     

基于BP神经网络的涡扇发动机部件特性研究

针对发动机特性计算中数据插值精度不高和部件特性的小转速数据难以获得的问题．建立了对部件特性数据进行识别学习的BP神经网络，从而实现了精确插值和对未知特性数据的推测。通过对网络输出结果的分析，表明该网络具有较强的实用性和准确性。     

一种多级轴流压气机特性预测工程方法

基于多级轴流压气机部件设计点气动参数与相应几何尺寸,发展了一种计算发动机高、低压压气机部件特性近似方法, 并将其应用于某型涡扇/涡喷发动机风扇和高、低压压气机部件特性预测,计算结果与实验数据比较表明,本方法作为一种近似方法具有可接受的工程精度,尤其适合于预测发动机压气机部件小转速特性,为涡扇/涡喷发动机起动过程分析与计算提供模型基础。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于灰色神经网络组合模型的航空发动机磨损趋势预测

航空发动机的磨损机理十分复杂,且受到诸多不确定因素影响,单一预测模型难以对其变化趋势进行有效预测。针对该问题提出了一种BP网络与改进灰色模型相融合的组合预测模型,并引入混沌理论的C—C方法确定BP网络的嵌入参数和时间延时。仿真结果显示,该组合模型相比单一的神经网络模型和灰色模型精度更高,更客观地反映出发动机滑油中金属含量的变化趋势,可为科学制定发动机维修决策提供重要依据。     

基于样条曲线的压气机特性内插算法研究

针对压气机特性曲线中未知转速数据难以精确计算问题,提出了基于样条曲线的内插算法。在分析压气机性能曲线特点基础上,通过制作压比/效率-流量、流量-转速2组辅助线,并使用样条曲线对其进行拟合,基于拟合结果计算测试转速下的特性数据,进而完成了对某型压气机压比/效率特性的内插计算。结果表明:基于样条曲线的内插算法比RBF神经网络算法准确性更高,并具有良好的工程应用价值。     

基于替代模型的高超声速前体/进气道一体化优化

采用基于替代模型的渐进优化策略对二维高超声速前体/进气道进行一体化设计优化,采用拉丁超立方试验设计法选择样本点,采用二维粘性CFD方法计算进气道流场来建立样本数据库,综合运用了多项式响应面、Kriging模型、BP神经网络和径向基神经网络等替代模型.相对于基准构型,前体/进气道的优化构型在设计态时提高了流量捕获与来流压缩能力,提高了总压恢复性能,同时减小了阻力系数,综合性能提高了5.3%;在非设计态时优化构型的综合性能也有不同程度的改善.      

基于相空间重构和神经网络的压气机机匣静压预测

建立了基于相空间重构和径向基神经网络的压气机机匣静压的预测模型。对试验数据进行相空间重构,分析其混沌特性,根据重构相空间的最小嵌入维数确定网络输入参数的个数,采用K均值聚类的方法优化网络的拓扑结构,根据时间序列的最大李亚普诺夫指数确定预测模型的最大有效预测步数,利用径向基神经网络的强大非线性映射能力,实现对时间序列的非线性预测,试验结果证明了该方法的有效性。该方法对压气机趋势监控具有一定的参考价值。      

基于面向对象方法的压气机性能计算

提出一套预测压气机未知特性的方法,并基于面向对象思想采用变比热容计算方法进行压气机性能计算的分析和编程.结合粒子群优化（PSO）的全局寻优能力和反向传播（BP）神经网络的局部寻优能力提出基于PSO的BP神经网络（PSO-BP神经网络）预测压气机特性,分析了其预测误差和拟合误差:拟合误差基本都小于0.5%,预测误差基本都小于0.8%.其拟合精度和预测精度满足要求.采用变比热容计算方法来计算压气机性能,并采用面向对象方法编写了压气机性能计算程序.对几个压气机变工况点进行验证,各输出参数的最大误差为1.12%.因此,特性预测方法和性能计算的数学模型适用于压气机性能计算,这套方法同样适用于燃气轮机性能计算.      

基于深度学习的滑油监测方法研究

针对传统的数据特征提取方法难以提取航空发动机滑油监测数据有效特征的缺陷,提出了一种基于多尺度卷积神经网络(Multi-scales convolutional neural network,MSCNN)、长短期记忆(Long short-term memory,LSTM)神经网络和BP网络的单通道网络模型MSCNN-LSTM-BP。将多尺度学习融入CNN,MSCNN和LSTM以串行方式提取数据在空间维度和时间维度的二维特征。实验结果表明:3尺度的MSCNN-LSTM-BP对数据样本的分类准确率达到98.2%,单组电容数据采集测试时间仅为2.1986ms,综合分类率F1达到98.57%,总体性能优于CNN,LSTM和传统的多尺度特征提取方法。MSCNN-LSTM-BP满足航空发动机滑油监测对于实时性和准确性的要求,具有良好的适用性。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑，运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论，建立航空发动机性能趋势预测的神经网络模型，同时，针对神经网络的结构设计困难问题，建立了基于遗传算法的结构自适应神经网络预测模型，实现了神经网络结构的优化。最后，利用三组民航飞机发动机的性能数据进行了预测分析，验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。