基于ADE-ELM的涡轴发动机建模方法

提出了基于自适应微分进化-极端学习机(ADE-ELM)求解平衡方程的高精度涡轴发动机实时部件级模型建立方法.基于牛顿-拉夫逊(N-R)迭代模型,以迭代计算前模型平衡方程残差为输入,迭代收敛后平衡方程猜值修正量为输出,训练极端学习机,并采用自适应微分进化(ADE)算法优化极端学习机(ELM)参数,提高猜值修正量映射精度.ADE算法中采用sigmoid型自适应缩放因子,提高了微分进化算法的寻优能力.在涡轴发动机不同飞行状态下的测试结果表明,以N-R迭代算法模型为基准,基于ADE-ELM的发动机模型,最大建模误差约为一次通过算法的1/3,运算耗时约为一次通过算法的1/3,验证了算法的有效性.      

涡轴发动机高精度实时部件级模型研究

提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。     

基于改进的混合粒子群算法的变循环发动机模型求解

为了降低变循环发动机模型求解时对初始值的依赖性,提升算法的全局收敛性,同时提高模型求解的效率,提出了一种基于改进的混合粒子群算法的变循环发动机模型求解思路。首先建立了变循环发动机的部件级模型,并建立了发动机的共同工作方程组;然后采用Broyden法对牛顿-拉夫森算法中的雅可比矩阵进行更新计算,在经典粒子群算法的基础上引入粒子中心,作为干扰项,并引入限制因子和自适应时变惯性系数;最后,综合了两种改进的算法,提出改进的混合粒子群算法。实验结果表明:该算法不仅继承了牛顿-拉夫森算法的高计算效率,还吸收了改进的粒子群算法的全局收敛优点,可实现模型大范围收敛。     

基于混合遗传算法的航空发动机数学模型解法

针对发动机模型现有平衡方程迭代解法存在不收敛或计算效率差的不足,以涡轮风扇发动机为对象,结合遗传算法与牛顿-拉夫逊法的优点,设计了在模型不收敛点采用遗传算法与牛顿-拉夫逊法交替计算的平衡方程求解混合算法。理论分析与数值仿真结果表明,对于整个模型而言,该算法既保持了牛顿-拉夫逊法的高计算效率,又吸收了遗传算法全局收敛的优点,可实现模型大范围收敛。     

遗传算法在航空发动机非线性数学模型中的应用

收敛性是航空发动机非线性数学模型的重要指标。现有发动机平衡方程迭代解法还不能保证模型大范围收敛。以某涡扇发动机为对象,采用遗传算法求解发动机非线性数学模型,将模型中的发动机平衡方程求解转换为极小值优化问题,建立了遗传算法计算模型,重点分析了采用遗传算法求解的适应度函数设计方法。数值仿真结果表明,与牛顿-拉夫逊解法相比,采用遗传算法方法可实现模型大范围收敛。     

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。     

基于改进牛顿法的航空发动机起动建模技术

为进行涡扇发动机起动过程性能仿真研究,在发动机慢车以上部件级模型的基础上,通过指数外推法获得低转速部件特性,在建立起动附件模型的同时,修正起动过程各部件总压恢复系数,从而建立起包含地面起动过程的全状态性能模型。在求解发动机各部件共同工作非线性方程组时,采用基于传统牛顿拉夫森迭代求解方法的改进方法,即在第1次完成中心差分得到Jacobian矩阵后,使用修正项迭代更新上一步的Jacobian矩阵。结果表明:该建模方法可以有效地建立起动过程性能模型,并大幅改善模型的执行效率、提高模型仿真求解速度。     

基于热力学的涡扇发动机神经网络建模方法

由于无法掌握不同发动机的真实部件特性，传统热力学模型对在翼涡扇发动机的建模存在较大的建模误差；同时，热力学模型在特性图边界线附近迭代时，容易迭代到特性图之外，造成迭代过程的不收敛。针对上述问题，本论文提出基于热力学过程的涡扇发动机神经网络建模方法，在神经网络模型的训练过程中充分考虑对部件共同工作热力学约束的优化，提高发动机建模的准确性。通过构建部件级网络结构、部件共同工作损失函数及融合训练过程，将基于部件特性图的传统热力学模型迭代过程转化为部件级神经网络的多目标优化与训练过程，提高了模型的收敛性及建模准确性。模型在26 970条发动机实际飞行数据上进行了训练及测试，结果表明，在相当宽松的准稳态数据下，论文提出的建模方法最大误差可以达到7%左右，比基于部件特性图的热力学模型低5%左右。     

改善航空发动机特性计算收敛性的方法

详细分析了航空涡轮发动机部件共同工作的非线性方程组的求解收敛性问题,统计出不收敛的类型并分析了不收敛的机理.针对常见的不收敛问题,以牛顿迭代法为基础,分别提出了以发动机部件特性图为基础的独立变量值限制法、独立变量初值拟合法、变步长牛顿法以及部件特性扩展法等解决措施.特性计算程序中采取这些改进的方法后,对某型定几何单轴涡喷发动机和某型尾喷管喉部面积可调的变几何双轴涡扇发动机特性计算结果表明,发动机特性计算的收敛性和收敛速度得到大幅度提高.      

基于粒子群算法的涡扇发动机气路性能修正

针对由于建模过程中条件简化及发动机零部件的差异性导致的发动机数学模型计算结果与整机性能实测数据偏差较大的问题,提出基于粒子群算法(PSO)的发动机模型修正方法,运用修正因子提高模型计算精度。将修正后发动机模型的计算结果与实测数据对比,结果表明:运用PSO算法对模型进行的修正能够显著提高模型的精度,修正前模型计算值与实测值的最大误差达4.85%,修正后最大误差只有0.97%,修正效果良好,且涡轮等后端部件比压气机等前端部件精度提高更为明显。     

求解航空发动机数学模型的混合智能方法

针对传统求解方法收敛性不强而遗传算法求解效率较低的问题,利用BP神经网络逼近发动机平衡方程的反函数,将求解结果作为Newton-Raphson法的初值,提出了求解模型的混合智能方法。仿真结果表明,该方法可以保证非线性数学模型在整个飞行包线范围内收敛,与遗传算法相比又提高了求解效率。     

基于簇特征加权的航空发动机状态监视方法

提出了基于簇特征加权模糊C-均值聚类算法(FWFCM)的航空发动机状态监视模型,该模型主要分为离线学习和在线监视两个部分,离线学习模块计算出模型参数输出到在线监视模块,在线监视模块根据模型参数对实时数据进行分类,实时数据又输入到离线学习模块中参与更新模型参数.结果表明:相比基于数据加权策略的模糊聚类算法(DWFCM)以及经典模糊C-均值聚类算法(FCM),该方法平均离线状态识别率和在线状态识别率分别提高了5.233%和8.358%.实验证明此方法性能好且有很好的鲁棒性和泛化能力,对于不确定性的航空发动机在线状态监视有较好的应用价值.      

1 种航空发动机增广模型的建立方法

精确完整的发动机线性模型对于现代航空发动机控制系统的设计与故障诊断至关重要。提出了1种用差分进化算法提取包含发动机主要特征量及其执行机构状态变量的增广发动机状态变量模型的方法,其状态变量包括发动机转速、执行机构位移、速度、控制压力等特征,并包含了执行机构的输入饱和限制,与实际系统相一致。仿真结果表明:利用该方法建立的增广发动机状态变量模型与非线性模型动态响应过程吻合良好且稳定终值一致,可用于具有工程应用价值的控制器设计及包含执行机构的发动机故障诊断。     

粒子群混合算法在变导向器面积计算中的应用

求解非线性方程组经典方法具有严格的局部收敛性;粒子群等进化算法解决了全局收敛的问题,但计算效率偏低,存在最优解不稳定的问题。结合经典Newton-Raphson法的超线性收敛速度和粒子群算法全局收敛能力的粒子群混合算法具备2类算法的优点。在迭代初期采用粒子群算法获得的近似全局解作为Newton-Raphson算法的初始值,以确定高精度的解。利用粒子群混合算法在发动机变导向器面积的大偏离计算中获得了较好的收敛效果,解决了常规Newton-Raphson法不收敛的问题。     

基于自适应步长选择的周期格型线搜索估计

稀疏、含噪观测条件下周期点过程的周期估计是一个经典的信号处理问题。针对该问题,提出了一种格型线搜索(LLS)算法,该算法通过数值方式搜索似然函数的最大值,但其性能取决于人为预先选取的搜索步长。推导了一个步长计算公式,并利用该公式改进了LLS算法。改进的LLS算法能够自适应选择搜索步长,其达到的克拉美-罗界(CRLB)的信噪比(SNR)门限与最大似然估计(MLE)算法一致,但计算复杂度比后者低一个多的数量级。性能分析与仿真实验表明,所提算法比已有算法能更好地实现估计精度与复杂度的折中。     

固定鸭舵二维修正弹比例导引律参数优化

针对固定鸭舵二维修正机构控制力有限和比例导引法控制末段需用过载变化过大的问题,提出了一种基于重力补偿比例导引律的过载阈值控制策略。分析了固定鸭舵二维修正机构的控制力及力矩,以落点弹目距离最小为目标函数,选取纵向和横向平面导引系数及过载阈值为设计变量,在重力补偿比例导引律的基础上建立了导引律参数优化模型,并采用差分进化算法（DE）对其进行优化。最后通过外弹道仿真分别从控制段飞行稳定性、控制效率、控制机构过载及控制精度几个方面与传统比例导引律进行对比分析,同时使用蒙特卡洛法验证了控制策略的有效性。结果表明：与传统比例导引律相比,使用该控制策略提高了二维弹道修正迫弹的控制效率,有效降低了控制末段需用过载,弹道控制段飞行稳定性明显提高。     

利用多状态试车数据修正发动机部件特性

针对经典的航空发动机部件特性修正因子法的不足,提出一种于多状态试车数据的修正方法.利用发动机部件匹配模型方程以及试车参数计算值和实测值的差值组成目标方程组,采用改进的免疫粒子群算法优化求解获得部件特性修正系数.以多个不同状态下的修正系数为基础,利用滑动最小二乘方法拟合修正系数曲面,进而得到修正的部件特性图.数值试验表明:综合利用不同状态下发动机试车数据进行部件特性修正,克服了传统方法的不足.提高了修正部件特性在整个工作范围的精度.      

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。