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.      

Z-pin高效拉挤用双马来酰亚胺树脂改性

为了满足双马来酰亚胺树脂（BMI）应用于Z-pin高效拉挤的需求,要求其具有低黏度（500 $\mathrm{m}\mathrm{P}\mathrm{a}?\mathrm{s}$）、耐热（玻璃化转变温度大于200 ℃）、固化快以及韧性好等性能。使用TDE-85环氧树脂（EP）降低BMI黏度,并进一步加入改性剂提高树脂的耐热性和力学性能。分别采用黏度测试、差示扫描量热分析、热重分析、力学性能测试等方法研究树脂固化工艺、固化反应动力学、耐热性以及基本力学性能,筛选最佳树脂体系制备Z-pin并进行性能测试与分析。研究结果表明:TDE-85环氧树脂的加入可以有效降低树脂体系的黏度,满足高效拉挤工艺性需求。加入改性剂二苯甲烷二异氰酸酯（MDI）提高了EP-BMI体系的韧性和耐热性,玻璃化转变温度为251 ℃,综合性能达到最优。浇铸体拉伸强度、冲击强度分别为66 MPa、21 kJ/m2,分别提高了38%、53%。Z-pin短梁剪强度为67 MPa,与基体结合强度为31.2 MPa。改性树脂体系充分满足Z-pin高效拉挤的工艺需求和性能要求,具有良好的工程应用价值。      

基于需要轨道的导弹最优迭代制导方法

提出了一种基于需要轨道的导弹最优迭代制导方法,以标准弹道上某点建立需要轨道并确定入轨点参数,通过弹上迭代制导实现最优入轨控制,给出了计算模型。该制导方法无需修正地球扁率和再入阻力的影响,可减小方法误差。仿真计算结果证明方法正确。     

基于IFA-ELM的航空发动机自适应PID控制新方法

针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.