基于发动机非线性响应的辨识线性模型方法

研究利用航空发动机的非线性响应，辩识多个基准状态下线性模型的方法。将发动机的非线性动态模型描述为Volterra级数模型，利用一种鲁棒的自适应辨识算法实现它的辩识，将模型的高阶部分去掉，就得到了发动机的小偏差脉冲响应函数模型，然后可将其转化为其它形式的线性动态模型。利用某型涡扇发动机仿真对方法进行检验，求出若干基准状态下的线性模型，对比表明，得到的线性模型比较准确。可实现利用飞参数据辨识发动机多状态的线性模型。     

基于动态RBF网络的发动机起动过程模型辨识

针对航空发动机在起动过程中各截面气流处于亚临界状态 ,难以利用传统的气动热力学方法进行建模的问题 ,本文利用发动机地面试验数据作为学习样本 ,采用动态径向基 (RBF)神经网络的方法 ,建立了航空发动机起动过程动态模型。仿真结果表明 ,利用该方法建立的发动机模型具有动态性好 ,精度高的优点 ,开辟了发动机中小转速建模的新途径     

基于模糊神经网络的涡扇发动机加速控制

采用模糊神经网络对某型涡扇发动机加速过程进行自适应控制，为了进一步提高系统性能，采用遗传算法和BP算法相结合的方式，对系统分别进行了离线和在线优化。仿真结果表明，设计的模糊神经网络控制器具有良好的性能。     

可视化航空发动机性能仿真模型

介绍了一种图形化的发动机总体性能仿真模型.该模型可以通过模块化的图形方式,由用户选择发动机部件,自由灵活地组装任意合理结构形式的航空发动机,方便地进行航空发动机稳态与过渡态性能的计算.对该仿真模型的编程思想和编程方法做了具体介绍,并通过对具体发动机进行试计算证明通用模型计算逻辑的正确性以及可视化图形界面的实用性.      

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T-S模糊模型的航空发动机模型辨识

提出了一种航空发动机的Takagi-Sugeno(T-S)模糊模型辨识方法,该方法通过最小二乘法辨识模糊模型的后件参数,通过反向传播法辨识模糊模型的前件参数,并实现了模糊模型结构的自适应优化。以航空发动机机载记录数据为依据,通过对输入输出数据的学习建立了航空发动机的T-S模糊辨识模型,通过该模型对机载记录数据的辨识,结果表明该模糊辨识模型具有辨识精度高、鲁棒性强、容错性好等特点。     

飞行模拟训练器中发动机起动过程模型的建立和仿真

在飞行模拟训练器的研制中 ,发动机的起动过程是需要重点研究和模拟的过程之一。本文根据发动机起动工作过程的具体特点 ,采用三段积分法建立了仿真模型并进行了仿真研究。所得结论基本达到了训练器的要求。     

采用BP网络辨识航空发动机数学模型

运用ＢＰ网络和实测数据作为学习样本，对某型航空发动机的数学模型进行了辨识研究。辨识模型输出的结果与实测数据比较误差较小。这种方法收敛速度快、精度高，结果表明用ＢＰ网络辨识方法能够得到比较精确的发动机数学模型。     

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。     

单轴航空涡扇发动机数学模型辨识

依据某型单轴航空涡扇发动机试车数据辨识建立了发动机的全包线、全工况实时动态数学模型。由于试车数据所含噪声较大,辨识方法采用了先建立稳态模型,进而建立实时动、静态数学模型的方法,这种方法可以通过辨识稳态点来消除噪声。验模表明,所建模型精确度很高,且能准确反映发动机性能,并满足实时性需求。     

某涡扇发动机加速过程仿真研究

对航空发动机控制系统进行仿真是航空发动机可靠性工程的研究方向之一.本研究针对发动机在加速过程中必须保证发动机不会发生喘振、不出现超温的情况,对加速过程进行了分析.采用部件法建立了分开排气的涡轮风扇发动机加速过程的稳态模型和动态模型.利用Matlab语言及其函数库编写了基于Newton-Raphson的稳态算法,并进行了稳态仿真,得出了高压转速、低压转速、推力等性能参数与供油量之间的关系.研究了迭代法,利用Matlab (Simulink)实现了涡扇发动机的动态仿真,给出了不同加速供油情况下的性能变化情况.最后对3种不同加速时间下的喘振裕度进行了分析,得出了不同加速时间对喘振的影响.     

可变喷管涡扇发动机加速性和稳定性预测

为研究可变喷管调节规律对涡扇发动机加速性和稳定性的影响，基于某型涡扇发动机变几何部件特性，应用变比热容方法建立了发动机加速动态仿真模型，针对不同的喷管调节方案对发动机加速性和稳定性进行了计算和综合分析，结果表明，所建立的仿真模型不仅可用于可变喷管涡扇发动机加速过程的加速性及稳定性预测，也可用于可变喷管涡扇发动机加速过程喷管调节规律的优化设计。     

飞行试验数据驱动的涡扇发动机模型辨识

为实现航空发动机飞行试验实时监控,分析整理了涡扇发动机实际飞行试验数据,并以三层前向人工神经网络为基础,通过引入输出层反馈至输入层,形成该涡扇发动机的NNARX模型。对包括高压转子转速在内的11个发动机关键参数变化模型进行研究,并在额外架次全程飞行试验数据上验证和讨论辨识模型的推广能力。结果表明,辨识模型样本点上最大相对误差在5%以内,辨识模型可以应用到该型发动机的试飞实时监控中,同时也可为后续建立涡扇发动机的全包线自适应实时监控模型提供参考。     

基于非线性系统平衡流形的某型涡扇发动机建模研究

基于非线性系统平衡流形式建模理论,直接利用涡扇发动机试车数据,通过辨识计算,建立了各主要状态参数与燃油流量和高压转子转速的状态方程关系式,由此建立了某型涡扇发动机的实时动态仿真模型.并且仿真结果与试验吻合好,且其单步计算耗时较短,从而为该涡扇发动机开展实时性仿真、进一步完善发动机性能分析和改进其控制系统设计奠定了良好的基础.      

基于FSQP算法的涡扇发动机多变量最优加速控制

深入研究了新的非线性规划算法———FSQP算法。提出了一种基于FSQP算法的涡扇发动机多变量最优加速控制方法。该方法可以提高发动机的加速性能并满足加速过程中的各项约束条件。最后,通过仿真表明了该控制算法的可行性和良好的控制效果。     

带推力矢量的涡扇发动机实时数学模型研究

利用流场计算结果建立了轴对称矢量喷管的实是数学模型。将发动机部件热力参数间的关系用显式的解析式关系表示，从而去掉部件计算机的迭代过程，以此方法建立了涡扇发动机实时数学模型。在以上两个模型的基础上建立了带轴对称矢量喷管的涡扇发动机数学模型。利用此模型研究了矢量喷管对涡扇发动机工作参数的影响。结果表明，该模型可完成带推力矢量的涡扇发动机静态及动态计算，并可用于推力矢量控制研究。矢量喷管的偏转对涡扇发动机工作具有一定影响。     

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。     

基于遗传算法的涡扇发动机多变量加速寻优控制

研究了变几何涡扇发动机不等式约束下的遗传算法最优加速控制规律，在全飞行包线内进行了仿真计算。通过分析多变量变几何涡扇发动机加速过程的特点和性能要求，用离散化加速模型结合遗传算法，使得加速过程最优。仿真计算表明该控制律可以保证变几何涡扇发动机在全飞行包线内稳定工作，且加速时间最短。     

防喘控制系统对发动机工作过程影响的数值仿真

应用考虑混合室、加力燃烧室、主燃烧室和外涵道容积效应和变几何通道、主燃烧室供油量等控制因素的发动机动态过程的仿真模型,对某型变几何混排涡扇发动机防喘调节系统工作时发动机的工作过程进行了仿真,并研究了防喘调节系统调节精度对发动机过渡工作过程的影响。仿真结果与实际试车数据比较吻合,验证了模型的有效性。仿真结果表明:高压压气机导流叶片调节通道产生的影响大于喷管临界面积调节通道产生的影响;高压压气机导流叶片调节通道对高压转子的影响比低压转子大,而喷管临界面积调节通道对低压转子的影响比对高压转子大;各变几何通道有个调节最佳值。仿真模型与方法可为防喘调节系统的设计和功效评定提供理论基础。