基于支持向量机的涡扇发动机起动性能估算研究

针对不同大气条件尤其是高原和高、低温条件,及不同起动机和负载扭矩特性下涡扇发动机起动过程的数值模拟问题,给出了通用起动模型状态空间描述形式,研究了基于支持向量机的起动模型辨识和起动性能仿真方法。以某型涡扇发动机为例,给定某些条件下的起动试验数据,采用模型逐次递推的方式,估算了其它条件下的起动性能。提出的方法能够保证估算结果的准确度,适合于工程应用。     

基于改进BP网络的航空发动机起动过程辨识

利用某型发动机地面试验数据作为学习样本,采用改进BP神经网络的方法,建立了航空发动机起动过程动态模型。利用所建立的模型对起动性能进行了估算,估算结果与试验数据基本相符。结果表明,将改进BP神经网络用于起动模型的辨识是可行的,该模型具有精度高,推广性好的优点。对于用BP神经网络对发动机进行起动性能计算具有一定的理论指导意义和应用价值。     

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

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。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

基于逐级叠加法的航空发动机起动模型研究

建立起动过程数学模型的主要困难在于缺少发动机低转速部件特性。提出一种逐级叠加与试验数据相结合的方法计算低转速部件特性,并综合考虑了燃烧室效率变化和部件的热惯性对起动过程的影响,成功地把发动机慢车以上的部件法建模应用到发动机起动过程的性能模拟。通过对某型涡轴发动机仿真结果与试验数据的对比表明,这种低转速部件特性的计算方法具有一定的精度,建立的起动模型可满足研究起动供油规律及估算起动性能的需要。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

基于改进PSO-SVM参数优化的发动机起动过程辨识

针对影响支持向量机辨识性能的核函数及相关参数,找出使辨识结果最佳的核函数;结合两种措施改进粒子群算法,优化相关参数,选择最佳的参数组合.对比 BP 神经网络和支持向量机对发动机起动过程的辨识结果,得到支持向量机的辨识精度和收敛时间优于 BP 神经网络,与起动数据基本一致.在训练样本存在噪声的情况下,验证了所建辨识模型具...     

基于辨识法的核心机起动过程数学模型

为了提高航空发动机核心机起动过程数学仿真模型的计算精度,提出了辨识法建模的思路,主要借助核心机试车数据, 通过求解转子扭矩平衡方程和燃气扭矩特性方程,建立核心机起动数学模型。在燃气扭矩特性的计算求解中,创新性地提出了起 动加速过程“虚拟稳态”的概念。利用辨识模型对某型核心机的起动过程进行了仿真计算,并利用试车数据对辨识模型的计算结 果进行了校核。结果表明：辨识法可用于建立核心机起动数学模型,且辨识模型具有较高的计算精度,计算结果与实际试车数据 之间的误差小于2%,因此辨识模型可作为核心机试车调试的辅助手段。随着核心机试车数据库的完善,辨识模型还将进一步发 展,其计算能力和计算精度还将继续提高。     

离心压气机温升效应对涡轴发动机起动性能的影响

介绍了涡轴发动机起动过程中部件材料温升对离心压气机效率影响的数学模型。按照某涡轴发动机起动供油规律,利用建立的数学模型计算了此发动机起动性能,并和发动机试验结果进行比较,以验证模型建立的准确性。然后,利用建立的数学模型分析部件材料温升对燃气涡轮轴发动机起动性能的影响。      

计算涡扇发动机风车起动特性的辨识模型

针对高空风车条件下涡扇发动机起动性能估算问题, 提出了运用约简遗传规划算法进行模型结构自动选择的思路, 对基于约简遗传规划的风车起动模型进行了研究.以某型涡扇发动机为例, 运用该算法对给定条件下该型发动机的风车起动过程进行了建模仿真, 得到了起动过程的估算结果.将估算结果与试验数据对比, 验证了方法的正确性、可行性.      

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

某型涡扇发动机起动和加速过程数值模拟

借助国内外涡扇发动机过渡态数值模拟研究的最新成果,开展了某型涡扇发动机起动加速过程的数值模拟研究。首先参照风机和泵类机械低转速部件特性相似理论,结合指数外插法,成功地发展了航空燃气涡轮发动机低转速部件特性扩展方法和计算程序;其次,基于燃气涡轮发动机部件匹配原理,写出描述部件内动态流动过程的三个基本方程：动量守恒方程（功率平衡方程）、流量连续方程和能量守恒方程;最后发展了具有一定计算精度的涡扇发动机起动加速过程的数值计算模型和程序,对某型涡扇发动机的起动和加速过程进行了数值分析,并与试验数据进行了对比分析。结果表明,给出的数值计算结果与试验数据具有较好的一致性,表明发展的模拟涡扇发动机起动加速过程的数学模型和程序是合理的。     

遗传算法在航空发动机非线性数学模型中的应用

收敛性是航空发动机非线性数学模型的重要指标。现有发动机平衡方程迭代解法还不能保证模型大范围收敛。以某涡扇发动机为对象,采用遗传算法求解发动机非线性数学模型,将模型中的发动机平衡方程求解转换为极小值优化问题,建立了遗传算法计算模型,重点分析了采用遗传算法求解的适应度函数设计方法。数值仿真结果表明,与牛顿-拉夫逊解法相比,采用遗传算法方法可实现模型大范围收敛。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。     

涡扇发动机消喘系统设计与试验研究

在某型涡扇发动机气动失稳特征的基础上,建立了航空发动机失速/喘振特征工程数学模型,研制出发动机消喘系统数字仿真平台,完成了消喘系统的方案优化设计,并在地面台架和飞行台试验中得到了验证。其气动失稳工程数学模型、数字仿真优化设计技术和试验验证方法可广泛应用于航空发动机、地面和舰船燃气轮机、以及其它民用叶轮机械气动失稳测控设计领域,同时也为制定航空发动机消喘系统设计规范奠定了坚实的技术基础。     

基于多项式平方和规划的涡扇发动机切换控制

针对航空发动机动态特性随飞行状态和飞行条件的变化范围大,单一控制器很难保证全包线内控制效果的问题,在航空发动机LPV模型基础上提出1种平滑过渡的切换控制方法。该方法根据发动机进口条件对飞行包线区域进行划分,按照多项式平方和规划理论以及平滑过渡切换律求取各子区域的Lyapunov函数及LPV控制器。在某型涡扇发动机上进行仿真验证,结果表明:所设计的切换LPV控制器在不同高度、马赫数和转速条件下均具有良好的性能和控制精度,可以实现平滑切换。     

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。     

涡扇发动机炮式起动数学模型及起动特性研究

 利用发动机通用起动模型 ,并对通用起动模型中低压转子影响效应的考虑方法进行了改进与完善 ,通过对某型涡扇发动机起动过程的模拟计算结果与试验数据的对比表明 ,改进后的起动模型能很好地揭示影响该类型发动机炮式起动成功的主要因素 ,其中一些影响因素是通用起动模型不能够考虑到的。改进模型对采用炮式起动的其他航空燃气轮机的起动过程研究有一定参考价值。