排序方式: 共有16条查询结果,搜索用时 250 毫秒
1.
2.
3.
4.
5.
6.
7.
基于QPSO-ELM的某型涡轴发动机起动过程模型辨识 总被引:1,自引:0,他引:1
针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机(QPSO-ELM)的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明:燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机(ELM)、支持向量机(SVM)和反向传播(BP)神经网络。 相似文献
8.
一种弹用涡喷发动机风车起动数值仿真方法 总被引:3,自引:2,他引:1
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. 相似文献
9.
连分式扩充的粒子群神经网络压气机特性重构方法 总被引:1,自引:0,他引:1
对航空发动机压气机原始二维等转速线的数据点进行连分式扩充,通过两次网络训练,增加转速特性数据,在三维空间中进行BP(back propagation)网络模型重构.根据压气机特性数据空间分布的特点,引入压力比函数,调整计算区域,定义网络的输入输出数据,利用试探法确定隐含层维数.采用基于趋利避害原则的粒子群算法对网络的初始权值和阈值进行优化,建立了压气机压比和效率特性的整体代理模型.最后以某型发动机的低压压气机为例进行了压气机特性模型的重构.通过模型的校核与验证表明:采用这种方法建立的模型精度较高,优于普遍采用的传统二维插值方法和普通BP神经网络模型.最终建立的重构模型对于采用选配法、坐标法和部件法等以压气机通用特性曲线为基础的发动机模型的求解,可提高计算精度和迭代速度,具有一定的工程应用价值. 相似文献
10.
发动机性能仿真需要对压气机等部件特性进行离散和插值计算,通常低转速范围的特性还需要外推。对此提出改进,用三维曲面代替转速线表达压气机特性。从某小流量发动机起动加速实验数据中提取压气机低转速特性数据。以这些数据和已知特性数据为依据,利用滑动最小二乘法拟合计算获得压气机特性曲面。该方法能够获得全部转速范围内的压气机特性,精度高,且不需插值计算,非常适用于发动机起动加速过程的仿真计算。 相似文献