涡轮基组合循环发动机分布式控制系统通信网络混合拓扑结构优化方法

涡轮机组合循环(Turbine based combined cycle,TBCC)发动机控制系统通信网络拓扑结构是其分布式控制系统方案设计的重要部分,优化网络拓扑结构可提高发动机推重比和控制系统可靠性。本文基于智能优化算法提出TBCC分布式控制系统网络拓扑结构优化方法。基于图论建立TBCC几何模型和网格模型,以重量和可靠性为优化性能指标,同时考虑发动机表面高温区域以及控制节点的工作可靠性,分别采用粒子群算法和遗传算法优化星形结构中智能中央节点位置、中央节点的环形拓扑结构,获得星形-环形混合拓扑结构。仿真实例表明,基于本文方法优化所得的混合拓扑结构相较于星形集中式控制结构,系统重量降低了51.9%。     

姿态遥控模式下的无人机短周期特性辨识仿真研究

为了探索姿态遥控模式下的无人机纵向短周期模态计算方法,本文以某型机为例建立了姿态遥控模式下的无人机动力学模型,并采用纵向倍脉冲信号对无人机进行了激励。根据响应结果,基于低阶等效拟配法,采用遗传算法对无人机的阻尼、频率特性进行了辨识,对比分析了时域以及频域辨识方法的结果,最后将所得方法应用于某型无人机纵向短周期模态特性辨识。结合飞行员评价表明,频域辨识拟配得出的频域特性比时域特性好,拟配精度更高;所采用的低阶等效拟配方法适用于姿态遥控模式下的无人机纵向短周期特性评价。     

基于6σ设计的复合推力高速直升机总体参数多目标优化

针对复合推力高速直升机总体设计阶段总体参数的选择问题,提出一种提高可靠性和鲁棒性的基于6σ设计的改进多目标遗传算法优化方法。采用叶素理论和数值积分的方法分析计算了复合推力高速直升机气动及飞行性能,并以此为基础建立了约束函数和初步目标函数模型;将6σ设计融入改进的多目标遗传算法中,构造最终目标函数;在给定有效载荷设计要求下,对复合推力高速直升机总体参数进行了多目标优化设计。该方法获得了所需的Pareto解,优化后的复合推力高速直升机飞行性能相对原机有了较大改善,算例结果表明该方法有效可行。     

快速响应卫星电子系统等寿命设计方法

与传统卫星不同,快速响应卫星的任务具有很强的时效性,采用传统的按重要程度分配部件可靠性的设计方式,难以在最大程度上降低成本。因此引入工业领域的等寿命设计理念,以预定寿命为基础进行星载电子系统的部件选择和集成,使系统的生命周期与成本成正比,达到"快、智、廉"的目标。进一步,提出了一种基于遗传算法的即插即用星载电子系统等寿命优化方法,通过建立系统的非线性混合整数规划模型,对部件可靠性均方差和价格成本进行优化。此外针对卫星总体方案分配的体积、重量和可靠性约束,为算法设计了归一化满意度函数和Pareto解共享函数。仿真结果表明,算法表现出较好的收敛性和稳定性,在预定寿命期间能够在部件级有效消除可靠性短板,并实现良好的成本控制。     

新能源接入配电网经济性与可靠性优化研究

为寻求新能源配电网的可靠性和经济性最优,实现新能源电源的优化配置,本文提出将可靠性和经济性同时作为两个优化目标,运用自适应粒子群优化法,对新能源电源进行多目标优化配置。以IEEE-RBTS Bus 6主馈线F4为例,通过系统仿真找到新能源配电系统可靠性与经济较均衡的Pareto最优解集,可根据决策者的偏好选择最优方案。本文的研究为新能源电力系统可靠性和经济评估提供了一个新的研究思路。     

CFRP反射器型面主动控制和作动器位置优化

研究了运用压电陶瓷作动器对碳纤维增强复合材料（CFRP）格栅反射器的型面主动控制。首先，采用了一种具有独立电压自由度的梁单元，以及考虑高阶剪切变形的板单元，对主控格栅反射器进行有限元建模；运用能量变分哈密尔顿原理推导了主控格栅反射器的有限元控制方程，并给出了反射面型面残余均方根（RMS）误差最小的电压最优控制方法。然后，研究了在典型载荷下，反射面残余RMS误差最小的PZT作动器位置分布的优化配置问题；提出了一种将遗传算法和梯度投影方法相结合的改进优化方法，用来求出在限定作动器数量的条件下，作动器几何位置的优化配置，使控制后反射面的残余RMS误差最小；给出的数值算例验证了方法的正确性和有效性。最后，研制了格栅反射器型面主动控制的实验样机，针对反射器的初始制造误差进行了型面主动控制，验证了控制方法的可行性和有效性。     

基于流形结构重建的多目标气动优化算法

在多目标优化中，Pareto解集是一个分段连续的k维流形，这一规律被传统进化算法所忽略。本文提出了一种基于流形结构重建的多目标优化算法，首先利用流形结构重建方法完成解集分布从目标空间到设计空间的映射，建立解集的概率分布，并在目标空间中扩展流形结构，从而借助解集在目标空间的推进来指导优化算法的快速演化。数值算例表明本文算法对于具有不同特征的Pareto前沿具有很好的适应性，能够极大提高算法的收敛效率。多目标气动优化算例验证，本文算法相比于常规多目标进化算法能够减少约80%的计算量，极大程度缩短了气动设计的周期。