基于遗传算法的航空发动机状态变量模型建立方法

提出了一种采用遗传算法建立用于航空发动机控制系统设计的小偏差状态变量模型的方法,即根据发动机稳态工作点处的线性化数学模型的动态响应应该与该稳态工作点处的非线性数学模型动态响应一致的原则来构造遗传算法的适应度函数,通过优化算法,得出系统的状态变量模型.该方法不受系统模态及模型阶次的限制.应用该方法建立某型涡扇发动机的小偏差状态变量模型,具有较高的建模精度,根据该状态变量模型设计鲁棒控制器取得了良好的控制效果,从而验证了该方法的有效性.     

基于改进拟合法的涡扇发动机状态变量模型建立方法

为解决拟合法建立涡扇发动机状态变量模型时初值难以选取的问题和有效提高模型的精度,研究了一种改进的优化拟合方法.针对拟合法初值难以选取的问题,采用改进偏导数法获得的优化迭代初值;根据发动机稳态工作点线性化模型的动态响应与该点处的非线性模型动态响应一致的原则,采用线性最小二乘优化拟合法建立某型涡扇发动机状态变量模型.通过在不同状态工作点、采用不同模型结构,与改进偏导数法和非线性部件级模型仿真结果相比较表明:该方法能有效保证模型收敛性,具有较高的建模精度,并适用于高阶系统建模.     

航空发动机状态变量模型的QPSO寻优混合求解法

针对航空发动机控制和故障诊断中的状态变量模型求解存在的系数矩阵精度不高的问题,结合阶跃响应法和拟合法的基础上,提出了一种基于量子粒子群寻优（QPSO）求取发动机状态变量模型的混合求解法。QPSO优化算法求解A,C矩阵使得状态变量模型和非线性模型在动态过程具有较好的吻合,阶跃响应法求取B,D矩阵保证了模型稳态响应一致。利用混合求解法建立了某型涡轴发动机在某一稳态工作点下的小偏离状态变量模型。仿真结果表明,这种方法不仅增强了状态变量模型的求解精度,相对于单纯的拟合法缩短了求解时间,精确的状态变量模型为进一步的故障诊断和控制系统设计提供了条件。     

状态变量模型建立方法

为了克服小扰动方法精度不高、稳态终值响应法动态过程不一致以及传统拟合法的随着维数增加精度下降和拟合时间长等缺点,综合了3种算法（小扰动法、稳态终值响应法和传统拟合法）的优点,设计了基于变尺度法的混合求解方法建立了航空发动机状态变量线性模型。仿真结果表明：建立的航空发动机状态变量线性模型与非线性部件级模型在动态过程响应中吻合良好,而且具有较高的稳态精度,能够保证航空发动机最终稳定值的一致性。     

基于改进粒子群算法的航空发动机状态变量建模

为了克服现有航空发动机状态变量建模过程中的不足,采用了一种改进粒子群算法建立航空发动机状态变量模型。首先改进了粒子群算法,提出一种每个粒子根据自身适应值动态调整其惯性系数方法来平衡搜索性能;对群体最优位置进行实时的代内更新以提高搜索速度;为避免陷入局部最优,在最优个体附近进行随机搜索。其次利用该算法建立航空发动机状态变量模型,根据航空发动机在稳态点处的线性化模型应与在该同一稳态工作点处的非线性模型响应一致的原则构造适应值函数,仿真结果表明所建立的状态变量模型不论是稳态过程还是动态过程都与非线性模型响应基本一致,建模精度较高,建立过程简便。     

基于变尺度寻优混合求解算法的航空发动机状态变量模型建立方法

为了克服小扰动方法精度不高、稳态终值响应法动态过程不一致以及传统拟合法的随着维数增加精度下降和拟合时间长等缺点,综合了3种算法(小扰动法、稳态终值响应法和传统拟合法)的优点,设计了基于变尺度法的混合求解方法建立了航空发动机状态变量线性模型。仿真结果表明:建立的航空发动机状态变量线性模型与非线性部件级模型在动态过程响应中吻合良好,而且具有较高的稳态精度,能够保证航空发动机最终稳定值的一致性。     

航空发动机故障诊断的机载自适应模型

提出了复合拟合法建立状态变量模型,该方法应用于建立高维状态变量模型时,具有较高的精度.将健康参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计得到健康参数.为了减少自适应模型与真实发动机之间的建模误差,在自适应模型中加入神经网络对稳态基点模型进行修正,从而提高了故障诊断系统的置信度.     

航空发动机小偏差状态变量模型的建立方法

采用最小二乘拟合法建立用于航空发动机鲁棒控制系统设计的小偏差状态变量模型，即根据发动机非线性模型的小偏差动态响应数据直接拟合出其小偏差状态变量模型。由于建模误差在最小二乘意义下最小，因而应用该方法可以保证所建模型具有较高精度。此外该方法亦不受模型阶次的限制。应用该方法建立某型涡记扇发动机的小偏差状态变量模型，具有较高的精度，从而验证了该方法的有效性。     

一种求取发动机状态变量模型的改进拟合法

采用的拟合辨识方法是直接对根据状态变量模型中各变量间的线性关系对系数矩阵进行拟合,并且实现对稳态过程和瞬态过程进行分步拟合,从而消除瞬态误差对稳态精度的影响．本方法有接近传统最小二乘法的精度,并且无需求解状态变量模型微分方程或使用迭代算法,只需要进行简单的矩阵运算即可得到各系数矩阵,因此计算效率远高于传统最小二乘法．同时,该方法也可与其他拟合方法结合使用从而进一步提高拟合精度．最后,应用该方法建立了某涡轴发动机的小偏差状态变量模型,通过与非线性模型仿真结果比较,验证了该方法的有效性,即使对象非线性较强,该方法也能得到精度较高的拟合效果．     

自寻优求解法建立涡轴发动机状态变量模型

采用自寻优求解法建立小偏差状态变量模型(SVM),即先任意给定A,B,C,D矩阵,然后根据发动机非线性模型与状态变量模型的小偏差动态响应对比直接寻优A,B,C,D矩阵.求解目的为使状态变量模型与非线性模型的小偏差动态响应吻合,因而应用该方法可以保证所建模型具有较高的精度.此外该方法不受模型阶次的限制.应用该方法建立了某型涡轴发动机的小偏差状态变量模型,通过与非线性模型仿真结果比较,验证了该方法的有效性和准确性,所建立的状态变量模型可用于航空发动机控制系统设计与故障诊断.     

某型飞机燃油系统数值建模方法与仿真分析

基于Flowmaster2软件建立了某型飞机燃油系统的整体仿真模型,并进行了瞬态和稳态分析。在瞬态分析中得到几个压力值较大的节点,在稳态分析中得到个别流速流量均出现较大幅值的元件,并且得到发动机入口流量完全符合设计要求。分析结果均可以对该整体系统较好的进行流体力学行为描述,同时为改进和优化设计燃油系统提供了新思路和方法。     

用于控制器分区设计的发动机飞行包线区域最优划分

结合最优化理论和线性系统理论,对控制问题中航空发动机飞行包线区域划分方法展开了研究.首先基于小偏离线性动态模型,根据线性系统理论,将发动机动态特性的摄动归为线性模型的状态矩阵特征值和稳态增益的摄动来表征.然后在此基础上,定义了一种广义距离以表征发动机动态特性的摄动程度,并以定义了区域的划分原则.继而提出将飞行包线区域划分问题转化为一个基于该广义距离的最优化问题.最后就某型涡扇发动机情形,对其飞行包线区域进行了划分计算,并对划分区域内发动机线性模型摄动进行了比较,结果表明该区域划分和标称点选择方法的有效性.     

卫星地面站资源配置的SVM回归模型

针对卫星地面站资源配置问题输入输出关系的复杂性,提出支持向量机（SVM）回归模型。在模型学习过程中,利用正交设计抽样抽取小数量样本对SVM进行训练,求解二次规划问题,根据测试结果对模型参数进行调整以实现较小的预测误差。实验结果表明,该方法具有较好的拟合精度和泛化能力。     

某型双轴加力涡扇发动机实时性能仿真模型

对飞行模拟机用的多变量控制的双轴加力涡扇发动机实时性能仿真模型进行了研究。根据某型发动机的控制规律、各部件间的共同工作关系及大量的实验数据 ,结合飞行模拟机的发动机模型的特点 ,研究了数据拟合 ,表格插值 ,公式推导 ,正交设计等数学方法在发动机模型中的应用 ,采用 C+ +语言 ,在计算机上实现了一台双轴混排加力涡扇发动机的实时仿真 ,模拟了发动机的工作状况。稳态模型误差小于 2 % ,动态模型误差小于 5 % ,完成一次计算任务时间小于 4ms     

Unsteady aerodynamic modeling at high angles of attack using support vector machines

Accurate aerodynamic models are the basis of flight simulation and control law design.Mathematically modeling unsteady aerodynamics at high angles of attack bears great difficulties in model structure determination and parameter estimation due to little understanding of the flow mechanism.Support vector machines(SVMs)based on statistical learning theory provide a novel tool for nonlinear system modeling.The work presented here examines the feasibility of applying SVMs to high angle-of-attack unsteady aerodynamic modeling field.Mainly,after a review of SVMs,several issues associated with unsteady aerodynamic modeling by use of SVMs are discussed in detail,such as selection of input variables,selection of output variables and determination of SVM parameters.The least squares SVM(LS-SVM)models are set up from certain dynamic wind tunnel test data of a delta wing and an aircraft configuration,and then used to predict the aerodynamic responses in other tests.The predictions are in good agreement with the test data,which indicates the satisfying learning and generalization performance of LS-SVMs.