涡轴发动机部件特性修正及更新方法

针对由航空发动机零部件制造、装配及性能退化引起的发动机模型与实际发动机之间的性能不匹配问题,提出1种基于粒子群优化算法(PSO)的发动机部件特性自动修正及更新方法。根据发动机部件级模型的输出数据和发动机性能分析软件GasTurb计算结果,以发动机关键测量参数所定义的目标函数最小为优化目标,利用PSO获取不同相对换算转速下的部件特性修正因子,并在线完成特性图的自动更新。并以某型涡轴发动机为对象进行仿真验证,结果表明:该方法可有效提高涡轴发动机部件级模型的精度,并直接输出更新后的部件特性。     

基于微分进化算法的航空发动机模型修正

为了提高航空发动机性能仿真模型精度,采用微分进化算法对发动机部件特性进行修正.对微分进化算法进行改进,提出折线式交叉变量变化方式,提高了算法的寻优能力.提出变步长牛顿-拉夫逊迭代算法,基于平衡方程残差范数变化趋势,改变牛顿-拉夫逊算法迭代计算步长,提高了模型的收敛性和收敛速度.在设计点,对各部件特性、引气系数、总压恢复系数进行修正,使修正后的模型输出与试验数据相匹配.仿真结果表明:改进后的牛顿-拉夫逊迭代算法收敛性更强、计算速度更快,修正后的各输出参数的最大建模误差减小到1.3762％,满足建模误差需求.     

基于整机试验数据辨识的雷诺数对涡扇发动机的性能影响

为了研究雷诺数对涡扇发动机性能的影响并提升稳态性能模型在工作包线内的计算精度,提出了一种基于整机试验数据辨识的计算分析方法。选取用于气路分析的测量参数,提升辨识算法的收敛性和计算结果的有效性;结合非线性气路分析算法辨识计算出各试验点的部件性能修正因子,统计分析雷诺数和各部件性能修正因子的变化关系,定量得到雷诺数对发动机各部件性能的影响程度;修正基线稳态性能模型,并对计算精度进行验证对比。结果表明:对比试验结果,修正后的稳态性能模型各参数计算偏差不大于2.5%。对比基线稳态性能模型各参数计算结果,计算精度平均提升2.3%,最大提升9.2%。      

航空发动机自适应建模技术研究

本文介绍了航空发动机自适应建模方法,并根据某型发动机高空试验实测数据对该型发动机数学模型及其部件特性进行了自适应修正,修正后的发动机模型计算结果与实测结果十分吻合,证明利用本文所介绍的方法可获得更为准确的发动机数学模型     

基于遗传算法的发动机气路性能模型修正研究

确定部件修正参数和目标性能参数作为模型修正基础,结合稳态模型的平衡方程,构造修正发动机非线性模型的代价函数,修正发动机稳态模型。计算了在不同工况修正后的特性参数,并与用影响系数矩阵方法所得结果进行对比,经遗传算法修正后参数精度有了较大提高。利用部件修正参数组合对发动机稳态模型进行修正,其结果表明敏感性参数在模型修正中起关键作用。所用修正方法对发动机性能模型修正、提高模型精度有一定指导意义。     

基于部件特性的航空发动机性能模型修正

研究了基于部件特性修正的航空发动机稳态性能模型修正方法,并通过对部件特性的研究总结了部件特性修正因子选择原则。以此为基础,提出了基于多状态试验数据的发动机性能模型修正方法,并采用双轴涡扇发动机地面试验节流特性数据对稳态性能模型进行修正。结果表明,采用单个试验状态数据修正后的稳态性能模型不能完全满足工程使用要求,使用基于多状态试验数据修正后的节流特性转速范围内模型计算精度与修正前相比有很大提高,验证了该方法的有效性和实用性。     

基于整机试验数据的发动机部件特性修正方法研究

本文主要研究了一种通过修正部件特性使航空发动机仿真模型与参考数据相匹配的方法,旨在提供一种通用的基于参考数据的部件特性修正技术,以达到减小建模误差,提高模型精度的目的。在对发动机模型分析的基础上,选取调整参数,利用参考数据和优化算法调整部件特性,使得仿真模型在非设计点的仿真输出与参考数据满足匹配精度。仿真结果表明,采用基于数据的发动机匹配技术,还原了发动机稳态部件特性,提高了模型仿真精度,同时可以实现非直接测量参数仿真。     

涡扇发动机部件特性的滤波自动修正更新方法

针对航空发动机部件制造装配以及性能蜕化引起的平均模型与个体发动机之间的性能不匹配问题,提出一种基于非线性滤波算法的发动机部件特性自动修正方法。根据发动机部件级平均模型输出与个体量测数据的残差,利用数据处理策略结合无迹卡尔曼滤波算法的不可测部件特性变化估计,自动更新发动机部件特性,建立发动机个体物理模型。通过小涵道比涡扇发动机仿真验证,结果表明该方法可自动修正发动机部件特性,相比较平均模型,通过该方法修正的发动机个体模型中各截面温度、压力计算偏差均在0.5%以内,有效提高涡扇发动机个体物理模型稳态、动态精度。     

结合不确定度的发动机模型辨识气路诊断

针对航空发动机气路诊断中测量参数个数小于待诊断参数个数的不适定问题,利用了发动机平衡技术,结合非线性的发动机数学模型,并综合考虑了测量参数的不确定度和理论模型部件性能的不确定度,建立了一种结合不确定度的发动机气路故障诊断辨识算法——变分加权最小二乘法,并将该算法应用于某发动机的诊断分析中.结果表明:运用该方法可分析出测量数据和模型计算数据之间的差别,同时,利用所得的故障参数修正量修正原发动机数学模型,使模型计算推力与试验测量推力最大偏差由8.25%减小到1.66%,耗油率最大偏差由6.25%减小到1.50%.      

基于燃气发生器法的小型中涵道比发动机性能计算分析

为了研究小型中涵道比分排涡扇发动机装机性能,建立了基于燃气发生器法的性能计算模型。由CFD数值模拟计算喷管特性,由发动机地面台架试验及针对小型中涵道比的特点发展的修正方法获取内外涵喷管进口总压和总温的修正系数曲线,经高空模拟台试验验证,发动机最大状态下的推力计算误差≤0.5%。再基于飞行试验测试数据,计算得到发动机在装机条件下的空气流量与飞行推力,与发动机设计厂家的模型计算结果相比,发动机各状态下推力最大误差≤1.3%,流量最大误差≤2.5%。结果表明：发展的性能模型修正方法适用于小型中等涵道比涡扇发动机的装机性能确定;同时修正中等涵道比分排发动机的内外涵喷管进口压力可提高模型推力计算精度;同时修正小流量分排发动机内外涵喷管进口温度可提高流量计算精度。     

熵判别粒子群优化算法在发动机模型修正中的应用

因生产、安装工艺差别导致单台发动机部件特性的差异,使得模型计算结果与单台发动机的性能差异较大,提出了一种基于熵判别粒子群优化算法.通过判别粒子群的熵值,调整种群的多样性,对适应度差的粒子进行迁移,克服了易陷入局部极小点的缺陷.从仿真结果可知:基于熵判别粒子群优化算法的修正效果显然优于影响系数矩阵的修正方法.经验证,模型修正后的低压涡轮出口温度等8个目标性能参数的误差在1%以内,达到较好的修正效果,使单台发动机模型能够与真实发动机进行匹配.      

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。     

基于数据的发动机模型匹配方法研究

针对在使用环境条件下发动机部件特性未知的问题,为获得在实际装机条件下的发动机部件特性,采用1种基于参考数据的发动机部件级模型匹配方法,在对测量数据和模型特征分析的基础上,选取适当调整参数,以模型在非设计点的仿真输出与参考数据的匹配精度为目标,通过迭代方法求解部件特性。仿真数据表明:采用基于数据的发动机匹配技术得到的发动机模型,其仿真输出与参考数据的偏差均在允许范围内。利用该方法可以得到在使用条件下的发动机部件特性,为装机状态发动机的仿真预测提供技术支撑。     

A new component maps correction method using variable geometric parameters

Accurate engine performance models are important for model-based performance evaluation of aero engine. The accuracy of the model often depends on engine component maps, so there is a need for a method that can accurately correct the component maps of the model over a wide range. In this paper, a new method for modifying component maps is proposed, this method combines the correction of the scaling factors with the solution process of the off-design working point, and uses the adjustment of the variable geometric parameters of the engine to change the position of the working line, in order to obtain more correction results and guarantee high accuracy in a wider range. The method is validated by taking the main fan of the Adaptive Cycle Engine (ACE), an ideal power unit for a new generation of multi-purpose and ultra-wide working range aircraft, as an example. The results show that the maximum error between the corrected component maps and the target maps is less than 1%. New possibility for more precise component maps can be realized in this paper.     

液体火箭发动机动态特性数学模型的验证

用试车数据检验某泵压液体火箭发动机动态特性非线性数学模型的准确度,考虑了发动机参数实际测量的误差范围。计算结果表明：在整个过渡过程中,所有可以实际测量的发动机参数的计算值与实测值之间的偏差均在±７．１％以内。     

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。     

基于混合算法的涡轴发动机稳态性能仿真模型

以自由涡轮式涡轴发动机为研究对象,建立了涡轴发动机的稳态性能仿真模型,提出了基于天牛须算法和N+1点残量法的求解发动机模型的混合算法(BAS-N+1混合算法),利用发动机台架试车数据对仿真计算结果进行了验证。结果表明,该稳态性能仿真模型各参数的求解误差在3%以内。与PSO-N+1混合算法相比,BASN+1混合算法求解精度更高,收敛更快。BAS-N+1混合算法既保留了智能算法对初猜值误差的包容性,也拥有接近经典迭代算法的收敛速度和精度,能够实现涡轴发动机稳态仿真模型的高精度大范围快速收敛。     

基于Hankel阵的荧光油膜灰度与厚度预测模型改进

针对荧光油膜灰度与厚度关系数据采集方法较为繁琐、耗时耗力这一问题,研究了基于Hankel阵的系统辨识算法,并在此基础提出了Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型等两种改进方法,利用了极少数据量建立模型,实现了对其余未知荧光油膜厚度值的预测,且保持了较高的精度。试验结果表明:基于极少数据量建模以预测该数据量外的数据点这一特殊背景下,插值法的外插能力显得并不适用。而传统Hankel阵预测模型的预测精度为76.69%,Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型的预测精度分别为85.69%和89.25%,较之传统方法预测精度分别提高了9%和12.56%,为荧光油流技术领域针对荧光油膜灰度与厚度建模问题提供了一种可行技术路线,具有一定的实际工程应用意义。