基于粒子群算法的涡扇发动机气路性能修正

针对由于建模过程中条件简化及发动机零部件的差异性导致的发动机数学模型计算结果与整机性能实测数据偏差较大的问题,提出基于粒子群算法(PSO)的发动机模型修正方法,运用修正因子提高模型计算精度。将修正后发动机模型的计算结果与实测数据对比,结果表明:运用PSO算法对模型进行的修正能够显著提高模型的精度,修正前模型计算值与实测值的最大误差达4.85%,修正后最大误差只有0.97%,修正效果良好,且涡轮等后端部件比压气机等前端部件精度提高更为明显。     

基于改进量子粒子群的发动机部件特性修正

为提高发动机部件特性修正的精度,在分析修正因子法的求解条件以及目标方程的选取原则的基础上,利用部件特性删除法,直接以各部件特性参数作为被优化变量进行特性修正。对于目标函数,提出利用量子粒子群(QPSO)算法优化求解,并针对算法存在早熟收敛的问题进行。改进以涡扇发动机试车试验数据为依据,分别利用改进算法和其他典型算法进行部件特性修正计算。计算和试验结果对比表明,算法要明显优于其他被比较的算法。     

粒子群优化算法求解航空发动机模型的应用

将粒子群优化(PSO)算法引入到发动机模型的求解中,利用粒子群优化算法所具有的群体智能和记忆功能,能够较快地求解模型,克服了N-R法求解发动机模型时对初值的敏感以及需要函数求导的困难.计算结果表明,粒子群优化算法求解发动机模型比N-R法具有更好的收敛性和更高的精度.     

基于云粒子群算法的航空发动机性能衰退模型研究

压气机和涡轮是发动机的关键部件,其性能下降对发动机性能有重要影响。本文研究了压气机和涡轮的性能衰退,将部件性能衰退等价转化为部件失效因子,修正部件特性,建立了某型涡扇发动机的非线性性能衰退计算模型;提出了云粒子群优化算法,以改善迭代收敛速度慢、计算时间长的问题。基于非线性发动机性能衰退模型,进行了部件性能衰退对发动机性能影响的定量计算,所得结论为发动机状态监控提供了依据。     

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。     

利用多状态试车数据修正发动机部件特性

针对经典的航空发动机部件特性修正因子法的不足,提出一种于多状态试车数据的修正方法.利用发动机部件匹配模型方程以及试车参数计算值和实测值的差值组成目标方程组,采用改进的免疫粒子群算法优化求解获得部件特性修正系数.以多个不同状态下的修正系数为基础,利用滑动最小二乘方法拟合修正系数曲面,进而得到修正的部件特性图.数值试验表明:综合利用不同状态下发动机试车数据进行部件特性修正,克服了传统方法的不足.提高了修正部件特性在整个工作范围的精度.      

基于部件特性的航空发动机性能模型修正

研究了基于部件特性修正的航空发动机稳态性能模型修正方法,并通过对部件特性的研究总结了部件特性修正因子选择原则。以此为基础,提出了基于多状态试验数据的发动机性能模型修正方法,并采用双轴涡扇发动机地面试验节流特性数据对稳态性能模型进行修正。结果表明,采用单个试验状态数据修正后的稳态性能模型不能完全满足工程使用要求,使用基于多状态试验数据修正后的节流特性转速范围内模型计算精度与修正前相比有很大提高,验证了该方法的有效性和实用性。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

航空发动机部件特性修正技术研究

针对传统部件特性修正方法未考虑发动机多状态导致修正精度不高的问题,提出了1种基于粒子群优化和滑动最小二乘法的某型发动机部件特性修正方法。该方法利用粒子群优化算法分别求得在发动机不同状态下的修正系数,并以这些系数为基础,采用滑动最小二乘方法拟合修正系数曲面,从系数曲面上获取原有部件特性图上各点对应的修正系数,从而得到修正特性。试验结果表明:该方法克服了传统方法的不足,提高了特性修正精度,为开展单机监控和视情维修提供准确的部件数据基础。     

基于云自适应粒子群算法的高压转子复杂接触有限元模型参数修正

为建立更加准确的航空发动机高压转子的有限元模型,提出一种修正有限元模型描述航空发动机复杂接触的方法.将修正问题转化为求解定义在时域的误差函数的极小值,运用云自适应方法动态调整粒子群算法的惯性权重,使得算法在接近较优解时,惯性因子分布在云低端,有利于收敛得到更优解;当问题解较差时,其惯性因子分布在云顶端,有利于跳出局部极小点,扩大搜索范围.以仿真算例和实际航空发动机高压转子模型为例,通过与相关算法的修正结果比较,证明该算法是可行且有效的.      

基于改进的粒子群优化算法的无人作战飞机航路规划

事先针对敌方防御区内的威胁部署和目标的分布情况,对无人作战飞机的飞行航路进行整体规划设计,可以综合减小被敌方发现和反击的可能性、降低耗油量,从而显著提高UCAV执行对地攻击(或侦察)任务的成功率.在对粒子群优化技术研究的基础上,将一种用于解决TSP的PSO算法加以改进,引入模拟退火的策略思想,借以克服PSO算法易陷局部最优的早熟现象,并在UCAV航路规划中加以运用.仿真实验表明,该算法简易而有效,用其优化出的航路能够满足UCAV飞行任务规划的需要.     

自适应PSO网络整定的航空发动机全程滑模控制

针对现代航空发动机是一个具有不确定性的强非线性系统,提出了一种基于自适应PSO网络整定的航空发动机全程滑模控制方法。设计了一类全程滑模面非线性函数,函数中含有变参数指数函数,其参数由一种新的自适应粒子群学习算法(PSO)结合RBF神经网络来整定。全程滑模控制保证了控制系统的全程鲁棒性,同时,由稳态误差收敛速度和滑模抖振幅度建立参数优化指标,用自适应PSO神经网络快速搜索当前的全局最优点。仿真结果表明,所设计的控制器取得了良好的效果,削弱了抖振。     

基于PSO算法的航空发动机起动燃油控制

针对航空发动机起动过程燃油流量优化控制的实时性要求, 提出一种新的航空发动机起动燃油控制方法——基于粒子群优化（PSO）算法的非线性预测控制.该方法在建立最小二乘支持向量机（LS-SVM）预测模型的基础上, 运用PSO算法实现其滚动优化功能.经实例验证, 燃油流量经过PSO算法优化控制后, 高低压转子转速的超调量减小, 并且其稳定的时间比没有经过优化控制的要快上56 s.由仿真结果可知, 该方法可以用于航空发动机起动过程燃油控制, 当给定的约束条件足够精确时, 能以较高的精度计算出最佳供油规律.      

Model parameters estimation of aero-engine based on hybrid optimization algorithm

A hybrid optimization algorithm for the time-domain identification of multivariable,state space model for aero-engine was presented in this paper.The optimization procedure runs particle swarm optimization (PSO) and least squares optimization (LSO) "in series".PSO starts from an initial population and searches for the optimum solution by updating generations.However,it can sometimes run into a suboptimal solution.Then LSO can start from the suboptimal solution of PSO,and get an optimum solution by conjugate gradient algorithm.The algorithm is suitable for the high-order multivariable system which has many parameters to be estimated in wide ranges.Hybrid optimization algorithm is applied to estimate the parameters of a 4-input 4-output state variable model (SVM) for aero-engine.The simulation results demonstrate the effectiveness of the proposed algorithm.      

基于PSO算法的舰载机舰面布放调度方法研究

基于智能粒子群(PSO)算法对戴高乐航母舰载机舰面布放调度问题的解决方法进行了研究。首先,分析了舰载机舰面布放调度的必备条件,包括设置舰面战位;测量计算舰载机由各个停机战位分别到2个准备战位的近似移动距离;分析了舰载机正常的出动流程;设计了不同数量舰载机的出动时间计算公式等。其次,将舰载机舰面布放调度问题转换为带有约束条件的多目标函数求最小解问题,并给出了数学模型。再次,分析PSO算法本身的特点、优点,给出其用于解决舰载机舰面布放调度问题的可行性,并具体分析了解决思路。最后,通过编制程序对该解决方法予以实现。实验结果表明,基于PSO算法的舰载机舰面布放调度问题解决方法是可行的,与实际要求也基本一致。     

粒子群算法在装配序列规划中的应用方法研究

将粒子群优化算法引入到装配序列规划中,详细讨论了粒子群算法在装配规划中的数学表示,给出了适应度函数评价方法,并实现了装配干涉矩阵的构建,以发动机化油器装配为例,分析了粒子群算法在装配序列规划中的具体应用.     

基于EFFD方法的自然层流短舱优化设计

采用extended free-form deformation(EFFD)方法研究了自然层流(natural laminar flow,NLF)短舱的气动外形优化设计方法.使用基于Bernstein基函数的EFFD方法完成了NLF短舱剖面的参数化,利用基于k-εSST(shear stress transport)两方程湍流模型的γ-θ转捩模型进行自然转捩预测,结合EFFD、一种混合动网格方法、Kriging代理模型和改进的粒子群算法(particle swarm optimization,PSO)建立了针对NLF短舱气动外形的优化设计框架.采用该框架分别对通气NLF短舱和带动力NLF短舱进行优化设计.单独通气NLF短舱优化结果的外表面实现48%的层流,阻力系数比初始通气NLF短舱减小了0.0003.带动力NLF短舱的优化结果外表面保持了41%的层流.这些结果表明采用相关技术建立的优化设计框架在NLF短舱设计中具有一定应用价值.