涡轴发动机性能退化数学建模研究

分析了航空发动机各部件性能退化原理;分别建立了压气机、燃烧室、涡轮性能退化的部件模型;根据航空自由涡轮式涡轴发动机的工作和使用特点,建立了性能退化的涡轴发动机数学模型;利用该模型,仿真研究了不同部件性能退化对涡轴发动机性能参数的影响。结果表明,建立的模型正确反映了部件退化对涡轴发动机的影响。     

某型涡轴发动机性能衰减与部件退化评估

为在某型涡轴发动机持久试验中进行性能健康检查,采用多点匹配方法建立了个体发动机性能衰减计算模型,基于非线性气路分析方法对部件性能退化进行了计算,集合已有经验确定性能偏离部件,完成了某型发动机持久试验中不同阶段的性能衰减评估.结果表明,某型发动机性能衰减及部件性能退化成阶段性分布,前期压气机和燃气涡轮性能变化最快,随后处于相对稳定阶段,动力涡轮性能在目前试验时数范围内基本无变化.该方法的验证为涡轴发动机使用过程中的性能健康与评估提供了有益的经验.      

涡轴发动机部件特性修正及更新方法

针对由航空发动机零部件制造、装配及性能退化引起的发动机模型与实际发动机之间的性能不匹配问题,提出1种基于粒子群优化算法(PSO)的发动机部件特性自动修正及更新方法。根据发动机部件级模型的输出数据和发动机性能分析软件GasTurb计算结果,以发动机关键测量参数所定义的目标函数最小为优化目标,利用PSO获取不同相对换算转速下的部件特性修正因子,并在线完成特性图的自动更新。并以某型涡轴发动机为对象进行仿真验证,结果表明:该方法可有效提高涡轴发动机部件级模型的精度,并直接输出更新后的部件特性。     

基于优化智能网络的发动机推力指令模型

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.     

多变量多目标涡轴发动机最优加速控制

基于压气机几何可调的自由涡轮式涡轴发动机部件级动态数学模型,利用可行性序列二次规划（FSQP）算法对多优化目标进行线性加权,提出了多变量多目标的涡轴发动机最优加速控制算法。仿真结果表明,提出的优化算法改善了涡轴发动机加速过程的品质;选择恰当权重的目标函数能大大缩短加速时间,进而改善发动机的动态性能,进一步发挥发动机的性...     

航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。     

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.      

基于决策树的涡轴发动机气路健康评估方法

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(GB?DT)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...     

基于试飞数据的涡轴发动机性能建模技术

为了实现军用涡轴发动机在装机状态下的虚拟预测试飞，通过罚函数法求解超定非线性方程组的最小二乘解，并采用回归分析对部件特性耦合因子进行曲线拟合，优化基准稳态模型，构建了某型涡轴发动机稳态性能计算模型；在此基础上，应用发动机加减速试飞数据，综合考虑部件容腔效应、转动部件的转子动力学和高温部件的传热效应，开发了涡轴发动机部件级过渡态性能计算模型。采用该模型对包线范围内不同工况的发动机稳态和过渡态工作过程进行了仿真预测，结果表明：与真实装机试验结果相比，发动机各工作参数的稳态预测精度在4.2%以内，过渡态预测精度在9.2%以内，满足工程精度要求。该模型能够满足虚拟预测试飞的技术需求，对涡轴发动机的设计、试飞和使用具有重要作用。     

基于混合算法的涡轴发动机稳态性能仿真模型

以自由涡轮式涡轴发动机为研究对象,建立了涡轴发动机的稳态性能仿真模型,提出了基于天牛须算法和N+1点残量法的求解发动机模型的混合算法(BAS-N+1混合算法),利用发动机台架试车数据对仿真计算结果进行了验证。结果表明,该稳态性能仿真模型各参数的求解误差在3%以内。与PSO-N+1混合算法相比,BASN+1混合算法求解精度更高,收敛更快。BAS-N+1混合算法既保留了智能算法对初猜值误差的包容性,也拥有接近经典迭代算法的收敛速度和精度,能够实现涡轴发动机稳态仿真模型的高精度大范围快速收敛。