排序方式: 共有50条查询结果,搜索用时 109 毫秒
1.
针对发动机限制保护控制问题,提出了一种基于数据驱动的改进无模型自适应限制保护控制方法。以主回路闭环系统为设计对象,通过在常规无模型自适应控制律的准则函数中增加误差变化率,使超限保护系统具有更快的响应速度,给出了改进后系统的稳定性条件,并采用临界比例度法进行了控制器参数整定。仿真结果表明:在不同工作点,所设计的改进无模型自适应限制保护控制器相比常规无模型自适应限制保护控制器,最大超限平均减小2.97%,响应时间平均缩短2.30s,实现了发动机超限后的迅速回调,保证了发动机系统的安全运行。 相似文献
2.
针对退化发动机加速性能下降的现象,提出一种变喘振裕度约束的模型预测控制方法。通过分析退化发动机在加速过程中的工作特点,将加速过程分为三个阶段,在不同阶段采取不同的喘振裕度约束。鉴于模型预测控制能够显式处理约束、采用在线滚动优化来获取最优控制输入,采取模型预测控制方法,并采用具有较高实时性的交替方向乘子法求解优化问题,实现了退化发动机加速性能的恢复。数字仿真结果表明,采用本文所提出的加速性能恢复控制方法后,相比退化发动机,加速过程中所耗费的时间缩短了35%以上。 相似文献
3.
短距起飞/垂直降落发动机建模技术研究 总被引:2,自引:1,他引:1
参考常规双轴涡扇发动机数学模型,建立了适用于短距起飞/垂直降落(STOVL)飞机的变循环发动机部件级数学模型;通过特性外推,建立了轴驱动升力风扇数学模型;采用神经网络映射涵道总压损失的方法,建立了滚转喷管和外涵模型.根据STOVL发动机结构和部件变化特点,建立了稳态和动态共同工作方程.参照国外文献仿真数据进行设计点计算,并按照Bevilaqua提出方法开展了由常规涡轮风扇模式到悬停涡轮轴模式的过渡态仿真.仿真结果表明:建立的数学模型在悬停状态设计点和高空巡航点与国外文献数据相比误差均小于1.5%,推力达到悬停状态要求,符合STOVL发动机的设计特点,验证了该建模方法的有效性. 相似文献
4.
针对基于Kalman的故障诊断算法响应速度慢、多故障诊断及非设计点诊断精度低的问题,提出一种基于改进Broyden算法求解方程组的航空发动机气路故障诊断方法。针对涡轴发动机,以模型输出跟踪发动机输出为准则确定3个方程,结合发动机模型中的2个平衡方程,构建气路故障诊断方程组,通过改进Broyden算法求解方程组以获得部件性能退化因子及模型猜值。数字仿真结果表明,所提出的基于Broyden算法求解方程组的航空发动机气路故障诊断方法,在包线内的单故障和多故障诊断稳态误差均小于0.35%,且诊断过程算法单步运行最大耗时小于2ms,具有良好的实时性,远优于Kalman滤波方法,验证了算法的先进性。 相似文献
5.
6.
7.
针对XTE76变循环发动机的控制结构问题,研究了2分块之间进行解耦的控制方法。基于内模原理,设计状态反馈控制器结构,以无超调快速跟踪和耦合抑制为目标,提出了改进的非支配序自组织迁移(NS-SOMA)多目标优化算法,在每代中按照与领导者的欧式距离均匀选择粒子进行迁移,提高了算法的收敛速度和精度,以此优化控制器参数,有效抑制了分块之间的耦合。同时研究了变循环发动机不分块的3变量控制方法,直接通过多目标优化抑制回路之间的耦合效应。在某型变循环发动机部件级模型上进行仿真验证,结果表明:不分块结构优于其他2种结构,相比分块控制结构,引起的最大耦合降低了30%,说明多变量综合控制更能充分利用现代控制理论解决回路之间的耦合问题。 相似文献
8.
高职高专大学英语口语教学模式探索与实践 总被引:3,自引:0,他引:3
探索适应高职高专大学英语口语教学的模式不仅是《高职高专大学英语大纲》的要求,也是推动高职高专英语口语教学改革的关键。论文以培养学生的职业能力、实现学生的可持续就业能力为目标,提出了大学英语口语教学模式及在教学中的具体实施策略。 相似文献
9.
为解决涡轴发动机退化模式多、故障样本大、分类困难的问题,将梯度提升决策树(GBDT)算法应用于涡轴发动机气路健康评估。首先对涡轴发动机故障标签进行了拆解,针对每一类标签设计了一个分类器。通过特征重要度排序筛选了6个分类标签的输入特征,有效降低模型复杂度。通过遍历确定树的最优数量和深度,确保了分类的准确性。仿真结果表明,特征筛选减少测试时间16%~35%;相比广泛使用的支持向量机(SVM)算法,在特征数量相同条件下,GBDT测试时间缩短了31.88%~65.28%,相比极限学习机(ELM),误诊样本数量低于其千分之一。可见GBDT算法在涡轴发动机大样本故障评估中表现出更高的分类精度,验证了其在发动机气路健康评估上的有效性。 相似文献
10.
针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17%和单一极端学习机最大14.5%的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性. 相似文献