求解涡扇发动机数学模型的有限域搜索方法

提出一种基于N-R迭代方法的有限域优化搜索法,用于求解涡扇发动机数学模型。该方法不仅具有N-R优化迭代求解特色,还具有将初猜解附近划定域进行泛搜能力,使迭代运算具有强收敛性和平稳性。该方法所定义的迭代因子可通过编程自动调整,进而可以确定最小迭代次数及此意义下的最优迭代因子。      

粒子群优化算法求解航空发动机模型的应用

将粒子群优化(PSO)算法引入到发动机模型的求解中,利用粒子群优化算法所具有的群体智能和记忆功能,能够较快地求解模型,克服了N-R法求解发动机模型时对初值的敏感以及需要函数求导的困难.计算结果表明,粒子群优化算法求解发动机模型比N-R法具有更好的收敛性和更高的精度.     

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.      

涡喷发动机H_∞控制参数化Ricati方程的解

由分块矩阵的奇异值不等式关系，给出了初猜值γ０、λ０的对半求解法，在此基础上直接给出带参数的Ｒｉｃｃａｔｉ方程迭代求解法。用此方法对涡喷发动机不确定性系统设计了控制器，并在发动机气动热力学非线性模型上进行了仿真验证，结果表明控制系统能够取得满意的鲁棒性能、抗干扰性能和伺服跟踪性能。     

基于Matlab/Simulink的航空发动机稳态求解方法研究

基于Matlab/Simulink仿真环境,结合GSP软件提供的通用部件特性,建立了某型大涵道比涡扇发动机的部件级模型.以此模型为基础,建立流量平衡与功率平衡的非线性方程组,并选取高低压转速以及发动机各部件压比为初猜值,对发动机设计点进行稳态求解.对比分析了牛顿-拉夫僧法、拟牛顿法和最速下降法的求解数据,最终选择拟牛顿法作为本发动机模型的稳态求解方法.     

涡喷发动机H∞控制参数化Riccati方程的解

由分块矩阵的奇异值不等式关系,给出了初猜值γ０、λ０的对半求解法,在此基础上直接给出带参数的Ｒｉｃｃａｔｉ方程迭代求解法。用此方法对涡喷发动机不确定性系统设计控制器并在发动机气动热务学非线性模型上进行了仿真验证,结果表明控制系统能够取得满意的鲁棒性能,抗干扰性能和伺服跟踪性能。     

一种弹用涡喷发动机风车起动数值仿真方法

对弹用涡喷发动机风车起动过程进行仿真求解:点火前风车过程用径向基函数神经网络(RBFN)建模,引入相关先验知识对网络输入变量加以变换,以满足小样本情况下网络建模;依据试验数据运用滑动最小二乘法(MLS)获得压气机特性;对于点火加速过程的动态模型,采用改进的粒子群优化(PSO)算法求解.解决了N-R(Newton-Raphson)法受初值影响不易收敛的问题.计算结果与试验数据吻合较好,可作为发动机起动过程性能分析和优化的理论依据.      

涡扇发动机高空起动性能模拟

用部件法建立双轴混排不加力涡扇发动机高空起动模型,并采取迭代法进行求解,仿真计算时考虑了发动机高空起动时的高低压转子匹配关系以及起动初猜值的选取,解决了迭代法对初值敏感的问题,仿真结果表明所建立的模型有较快的收敛速度并能较准确地模拟高空起动过程。     

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。     

线搜索增强的率相关晶体塑性本构积分算法及数值实现

建立在晶体微观变形机制上的晶体塑性本构理论提供了研究细观尺度上晶体材料力学行为的理论与方法。在率相关晶体塑性本构积分方法中，Newton-Raphson（N-R）迭代方法往往是迭代求解剪切应变增量的核心算法。为了提高采用N-R迭代算法的晶体塑性本构积分方法的效率，本文在理论上采用线搜索方法对N-R迭代方法的迭代步长进行再规划并编写了采用传统N-R迭代方法和采用线搜索增强N-R迭代方法的晶体塑性本构积分方法子程序，采用不同子程序对镍基高温合金多晶体的高温单调拉伸力学行为进行限元模拟，比较了采用不同子程序的模拟结果与计算效率。结果表明，采用传统N-R迭代方法与线搜索增强N-R迭代方法的晶体塑性本构子程序均能有效地模拟镍基高温合金的单轴拉伸行为且计算结果一致，并且采用线搜索增强N-R迭代方法的总有效增量步数目和计算耗时分别为前者的1/5和1/6。     

基于混合遗传算法的航空发动机PID控制参数寻优

结合某型航空发动机的比例积分微分控制(PID)参数整定与优化问题, 提出了一种全局最优且与初值无关的优化算法.算法采用与单纯形相结合的混合遗传算法, 结合了遗传算法良好的全局收敛性和单纯形算法的优秀的局部搜索能力, 提高了搜索速度与精度.仿真结果表明这种方法具有较好的收敛性与稳定性.      

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。     

基于遗传算法的航空发动机PI控制器参数优化方法

P ID控制器参数整定与优化一直是自动控制领域研究的问题。采用遗传算法进行的PID参数整定与优化是一种全局最优且与初值无关的优化方法。本文结合某型航空发动机,利用遗传算法对发动机单变量及双变量P I控制器参数进行优化。仿真结果表明:该方法对PI参数整定具有比较好的综合控制性能,不失为一种具有较好实用价值的航空发动机P I控制器参数整定与优化方法。      

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。     

自适应变搜索域遗传算法及其在发动机模型中的应用

针对发动机数学模型中非线性方程插值解法的不足,提出非线性方程自适应变搜索域遗传算法解法。论文详细分析了方程求解转化为遗传算法优化的数学描述、依据方程解临域特征的自适应变搜索域机理及算法的具体实现技术。实例计算与发动机仿真结果说明:所设计的变搜索域遗传算法可作为通用的非线性方程解法,相比较于简单遗传算法,能成倍提高计算效率;替代插值解法应用于发动机模型,可有效提高模型的收敛性。     

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。     

基于混合优化的运载器大气层内上升段轨迹快速规划方法

针对运载器大气层内的最优轨迹快速规划问题,提出一种将求解最优控制问题的间接法与直接法相结合的混合优化方法。首先,基于最优控制问题的一阶必要条件,将运载器大气层内的三维最优上升问题转化为Hamiltonian两点边值问题;然后,采用直接法中能以较少的节点获得较高求解精度的Gauss伪谱法进行求解,提高算法的求解效率;最后,采用真空解析解初值及密度同伦技术,解决初值猜测与算法收敛困难的问题。仿真结果表明,混合优化算法能够准确、快速地对运载器大气层内的最优上升轨迹问题进行求解,并在计算精度与效率上均优于间接法,可应用于运载器的轨迹在线规划与闭环制导。     

基于人工蜂群算法与NURBS的吸附式叶型优化设计

为提高轴流压气机吸附式叶型优化设计的质量,设计了一套基于人工蜂群(ABC)算法和非均匀有理B样条(NURBS)的自动优化设计系统.对人工蜂群算法的运行机制进行了深入分析,并与目前广泛使用的遗传算法(GA)进行了对比.对比发现人工蜂群算法可以更好地逼近全局最优值且收敛效率提高50%.使用NURBS对叶型进行参数化,并研究了参数化过程中的畸变问题.将抽吸参数与叶栅参数同时作为优化变量,使用该系统对一吸附式叶栅进行了优化.结果显示:抽吸槽设置在58.44%轴向弦长位置处流动损失下降明显,与优化前未抽吸叶型相比流动损失降低64.8%,气流分离得到有效抑制.     

前向神经网络快速学习算法在发动机模型辨识中的应用

介绍一种采用前向神经网络辨识发动机非线性模型的快速学习方法,与现有同类方法相比,该方法采用矩阵的QR分解求解线性方程组,解决了维数过高的矩阵直接求逆带来的解失真问题,并把这种方法应用于航空发动机的非线性模型辨识。算例仿真验证了算法的可行性。      

基于Levenberg-Marquardt算法的航空发动机模型求解混合算法

为了降低航空发动机非线性模型求解的收敛性要求，将模型非线性方程组的求解问题转化为最小二乘问题，提出了基于Levenberg-Marquardt(L-M)算法的混合算法。为了使L-M算法跳出局部解，混合算法使用动力学方法修正局部解；为了提高计算效率，利用Broyden拟牛顿法加速L-M算法。以涡扇发动机为研究对象，应用混合算法、L-M算法、牛顿法和Broyden拟牛顿法进行稳态和瞬态仿真。结果表明：在稳态工况下，L-M算法和混合算法收敛范围更大，在随机初值条件下能达到90%以上的收敛率，远高于牛顿法和Broyden拟牛顿法不到20%的收敛率，且混合算法计算速度与Broyden拟牛顿法相当。在瞬态工况下，L-M算法和混合算法能够在牛顿法和Broyden拟牛顿法都不收敛的强瞬变工况收敛，且混合算法瞬态计算时间仅为Broyden拟牛顿法的1.13倍。仿真结果表明该算法在航空发动机模型求解上具有良好的适用性。