高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

试车台供气压缩机组并网控制方法

针对中国试车台供气压缩机组并网主要采用人工操作的现状,提出一种基于规则的专家系统,开展了供气压缩机组的并网仿真及相关验证实验。基于某型试车台供气压缩机组的结构,构建机组中压缩机、管网、换热器以及各个不同口径蝶阀的动态仿真模型;基于蝶阀连续动作阀位信号构建蝶阀执行机构动态模型;分析历史运行数据,构建基于规则的专家系统。在MATLAB/Simulink平台上搭建试车台供气压缩机组的并网仿真模型,进行并网控制仿真,并进行实验验证。实验结果表明,压缩机入口压力平均相对误差为3.12%,压缩机出口压力平均相对误差为0.44%,压比平均相对误差为3.23%。并网过程中实际机组最大压比为3.69,最小压比为2.27,满足机组安全要求,证明该控制策略具备可靠性。     

高空试车台供气压缩机组动态仿真建模方法研究

针对国内高空试车台研究中缺少对供气压缩机组动态仿真研究方法的现状,提出了一种适用于该热力系统的动态仿真建模方法。基于守恒方程,获得了压缩机、管网、换热器、调节阀的动态仿真计算模型;将Greitzer压缩机模型应用到复杂热力系统的动态建模中;在容腔模型的基础上增加流动损失计算模块,提出了“容腔-损失”管网模型。在Matlab/Simulink平台上搭建了某试车台供气压缩机组动态仿真模型。将仿真结果与实验结果对比,验证压缩机、管网等部件动态仿真模型的可靠性。其中,压力、温度的仿真结果的平均误差均小于1%;与传统的容腔模型相比,“容腔-损失”管网模型误差明显减小。证明了该建模方法的精确度与可靠性。     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

高空模拟试车台抽气系统控制结构优化设计

随着航空发动机研制技术的发展,试验发动机的流量瞬变特性越来越强,高空模拟试车台抽气总管模拟式压力控制系统动态调节特性差的问题也越来越显著。为此,在保留原模拟控制器的基础上,提出一种数字化改造及优化设计方法。优化设计的主要措施有高精度位置随动控制和前馈控制两种算法。从调试结果看,这两种算法可切实提高控制系统的调节精度,缩短调节时间,抑制大幅流量扰动,更加有效地保障抽气系统的工作安全。     

基于自适应神经模糊推理算法的无人机电推进燃料电池供气系统性能优化

本文针对某无人机基于聚合物交换膜燃料电池和锂离子电池的混合动力电推进系统的应用,研究开发了一种基于自适应神经模糊推理系统的电源管理系统控制技术,以控制混合动力电力推进系统,同时优化燃料电池供气系统的性能。本文以所建立的某无人机混合电推进系统数学模型为研究对象,研究了燃料电池电流与燃料电池供气系统压缩机功率之间的关系,建立了燃料电池电流与最佳压缩机功率关系的参考模型。在参考模型的基础上,引入自适应控制器来优化燃料电池供气系统的性能。基于自适应神经模糊推理系统的控制器将压缩机的实际运行功率动态调整到参考模型中定义的最佳值。自适应控制器的在线学习和训练能力用来辨识燃料电池电流的非线性变化,并产生压缩机电机电压的控制信号,以优化燃料电池供气系统的性能。在Matlab 仿真环境中开发了质子交换膜燃料电池和锂离子混合动力电推进系统模型并对所设计的控制器进行了仿真分析,结果表明基于自适应神经模糊推理系统的控制器为燃料电池供气系统压缩机性能优化提供了一种新颖而全面的途径,使燃料电池供气系统获得最大净功率输出。将燃料电池系统的净功率输出与最佳压缩机功率和恒定压缩机功率进行了比较,结果表明优化的压缩机功率配置比恒定的压缩机功率配置节能2.62%。同时,燃料电池自适应神经模糊推理系统控制器优化了燃料电池供气系统的能量利用。     

基于DNN的飞机俯仰运动响应预测研究

针对人工智能的辨识方法在飞行器模型辨识应用中存在间接依赖数学模型以及泛化能力较低的局限性问题,基于深度学习思想,提出了一种新的数据处理方式,完成飞行器的系统模型辨识。首先,针对飞行器动态模型的特点,提出一种基于时序性的飞行数据处理方式;其次,采用交叉熵损失函数进一步优化深度神经网络;最后,针对飞行器纵向非线性模型进行仿真计算。仿真结果表明,训练好的模型成功提取了飞行器输入与输出之间的非线性映射关系,使得基于深度神经网络的飞行器模型能够对未知输入进行状态预测,克服了目前基于神经网络辨识算法的局限性。     

基于RBF网络辨识的航空发动机模糊神经网络解耦控制

对航空发动机的多变量解耦控制方法进行了研究,提出了一种基于RBF网络辨识的航空发动机模糊神经网络解耦控制方法。该方法利用RBF网络辨识航空发动机的实时模型,为模糊神经网络控制器参数的调整提供了Jacobian信息,解决了模糊神经网络自适应控制器在被控对象不能精确建模情况下应用的问题。仿真结果表明,系统鲁棒性强．在设计点和偏离设计点处,均具有良好的动态特性和解耦特性。     

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ISIGHT 软件的地面台架试车条件下涡扇发动机部件特性辨识方法

为获得地面台架试车条件下涡扇发动机部件特性,基于ISIGHT 软件搭建了部件特性辨识平台,提出了1 种工程上通用 的辨识方法。通过试验设计对可调参数进行了敏感性分析,获得地面台架试车条件下需辨识的主要部件特征参数,并结合优化算法 获得精度高的辨识结果。对该辨识方法进行了验证,并基于某发动机地面台架试车数据,进行了实例应用。结果表明：验证结果中的 辨识误差在0.22%以下,在实例应用中,个别参数辨识误差在4%以下,其余均在2.5%以下,满足精度要求,验证了该辨识方法的正确 性,为涡扇发动机部件特性辨识提供了1 种高效的方法。     

优选小波神经网络在周跳探测与修复中的应用

北斗导航定位过程中,传统的周跳探测与修复方法缺乏检验环节,无法保证修复结果的可靠性。为此,提出了一种级联式小波变换结合NARX神经网络多步循环预测修复的方法处理周跳问题。该方法通过构造载波相位双差模型检验量,探测周跳发生历元,采用NARX神经网络预测方法修复周跳,利用优选小波基函数进行周跳修复效果检验。实验证明,相较于经验模态分解和变分模态分解等模态分解法,优选小波神经网络周跳探测与修复方法可用于小周跳探测并判断出周跳正负性;构造的NARX神经网络周跳修复模型,解决了普通神经网络模型和传统多项式拟合法容易造成的二次奇异值问题。相较于长短期记忆(LSTM)和门控循环单元(GRU)深度学习神经网络模型,周跳预测精度分别提高了45.2%和55.9%。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

基于深度学习的超临界裂解煤油流量特性研究

为了明晰超临界裂解煤油的流量特性,实现对超临界裂解煤油流量的准确预测,采用实验方法测量了较大压力和温度范围内超临界裂解煤油的流量,对超临界裂解煤油流量特性进行了分析,基于多元线性回归方法,多元多项式回归方法和深度学习方法分别建立了超临界裂解煤油流量预测模型并给出了模型评估指标。研究结果表明,超临界裂解煤油流量主要与压降和温度有关,并且流量与压降和温度之间存在着很强的非线性关系;基于深度学习方法的深度神经网络模型性能优于多元线性回归模型和多元多项式回归模型,能够更加准确地刻画超临界裂解煤油的流量特性,其平均相对预测误差在1.1%左右,最大相对预测误差在7%以下。     

基于动态云BP网络的液体火箭发动机故障诊断方法

将云模型与BP(back propagation)神经网络以串联方式有机结合,首先利用云变换方法进行网络的结构辨识和云模型的特征提取,同时通过在输入层引入单位延时环节描述发动机工作过程动态特性,研究提出了基于动态云BP网络的液体火箭发动机故障诊断方法.结合实际试车数据的验证结果表明,该方法能够准确识别发动机已有的3种故障模式,通过在试车数据中添加0期望、0.2标准差的随机噪声的方法来模拟环境噪声和测试过程中产生的随机噪声,根据持续性原则,方法仍能够正确进行故障检测与分类.方法单步运行时长为1.124×10-4s,完全能够满足实时性要求.      

飞机燃料电池的离心空气压缩机特性研究

本文研究了基于离心压缩机的飞机燃料电池空气管理系统。离心式空气压缩机将高速旋转的动能转化为压力,具有体积小、重量轻的优点。通过建立离心压缩机高空环境模型,研究其在高空环境下的工作特性,分析高度变化对压力、流量的影响,得出工作区间内高度、压力、流量以及转速之间的特性曲线及耦合特性。采用动态模型分析了在高度变化时,压缩机压力、流量及转速的动态特性。基于一个用于氢燃料电池的1k W高速离心式压缩机,对其进行了建模、仿真,并验证了离心空气压缩机在高空环境下的压力与流量工作特性。     

一种大口径蝶阀流量特性的坐标定位回归算法

大口径蝶阀是高空模拟试车台的一个重要设备,其数学模型建立依赖于大口径蝶阀的流量特性。为获得大口径蝶阀的流量特性,提出了一种基于特征坐标,从大稀疏分散试验数据中提取连续特征信息的大口径蝶阀流量特性的坐标定位回归算法。即先对无规律的试验数据过滤预处理,再基于特征坐标对预处理数据在特征坐标轴上进行压缩、合并。在此基础上提出了迭代扩充回归流量特性系数的算法,从而获得所需的大口径蝶阀的流量特性。与高空模拟试车台的试验数据对比表明,利用建立的大口径蝶阀流量特性所计算的蝶阀流量与测量流量之间的稳态误差均在5%以内。     

基于深度学习的超临界裂解煤油流量特性研究

为了明晰超临界裂解煤油的流量特性,实现对超临界裂解煤油流量的准确预测,采用实验方法测量了较大压力和温度范围内超临界裂解煤油的流量,对超临界裂解煤油流量特性进行了分析,基于多元线性回归方法,多元多项式回归方法和深度学习方法分别建立了超临界裂解煤油流量预测模型并给出了模型评估指标。研究结果表明,超临界裂解煤油流量主要与压降和温度有关,并且流量与压降和温度之间存在着很强的非线性关系;基于深度学习方法的深度神经网络模型性能优于多元线性回归模型和多元多项式回归模型,能够更加准确地刻画超临界裂解煤油的流量特性,其平均相对预测误差在1.1%左右,最大相对预测误差在7%以下。     

一种基于参数辨识的微小型无人直升机建模方法

 针对具有高度非线性、复杂动力学特性的微小型无人直升机,提出了一种基于参数辨识的建模方法。该方法结合了机理建模和系统辨识的优点,通过严格的机理推导建立了微小型无人直升机横纵向通道通用的参数化模型,建模过程着重考虑了主旋翼、平衡杆和机身的耦合对飞行动态特性的影响。利用基于偏相干分析法的频域辨识获得某型无人直升机的关键参数,进而确定模型。模型预测数据和飞行试验数据的比较表明,所建模型很好地反映了该型无人直升机在悬停状态下的动态特性,可以在该状态下以此模型进行自主飞行控制器设计。     

封严流对预旋供气系统温降特性影响的数值研究

为获得封严流对预旋供气系统温降特性的影响,基于三维稳态数值模拟方法,针对内封严出气流量,内封严进气流量,内封严进气温度和内封严进气旋转比四个因素进行了研究。结果表明：在保持供气流量和供气压力一定的条件下,封严流流出预旋腔对预旋供气系统温降特性影响微小;而封严流流入预旋腔的影响显著。内封严进气流量从0增大到喷嘴流量的20%时,温降效率降低31.3%;内封严进气温度升高37K时,温降效率降低29.2%;内封严进气旋转比从0提高到0.8时,温降效率提高15.6%。     

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。