基于改进的混合粒子群算法的变循环发动机模型求解

为了降低变循环发动机模型求解时对初始值的依赖性,提升算法的全局收敛性,同时提高模型求解的效率,提出了一种基于改进的混合粒子群算法的变循环发动机模型求解思路。首先建立了变循环发动机的部件级模型,并建立了发动机的共同工作方程组;然后采用Broyden法对牛顿-拉夫森算法中的雅可比矩阵进行更新计算,在经典粒子群算法的基础上引入粒子中心,作为干扰项,并引入限制因子和自适应时变惯性系数;最后,综合了两种改进的算法,提出改进的混合粒子群算法。实验结果表明:该算法不仅继承了牛顿-拉夫森算法的高计算效率,还吸收了改进的粒子群算法的全局收敛优点,可实现模型大范围收敛。     

基于粒子群算法的飞机总体参数优化

 现有的飞机总体参数优化方法在效率和适应性上存在不足。考虑到粒子群算法是一种基于群智能方法的演化计算技术,它对不同复杂约束条件下的多目标优化问题较常规方法更具简便性和适用性。因此,提出了使用非数值计算的粒子群算法来改进飞机总体参数优化效率。详细研究了粒子群算法在飞机总体参数优化上的应用方法,并着重于3个方面：①以航程、商载和起降距离为优化目标的粒子群算法构建;②粒子群算法中因子的自适应修正方法;③基于粒子群算法的飞机总体参数优化流程。计算结果与文献结果相比具有较好的一致性和合理性,所提出的方法可有效地应用于飞机总体参数优化。     

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

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。     

基于飞发一体化的自适应循环发动机参数优化研究

为提升先进多用途战斗机的飞行性能,以自适应循环发动机为研究对象,建立了基于飞机/发动机性能模型联合的多目标优化模型。通过对先进多用途战斗机的约束分析和任务分析研究,确定了自适应循环发动机的多航段优化目标和性能约束条件,利用改进的多目标全面学习粒子群算法,对发动机的设计点参数匹配和非设计点下的变几何部件调节规律进行了优化计算。计算结果的对比表明,优化后的自适应循环发动机比基准状态总耗油量降低9.5%,超声速作战状态下的推力增大了9.6%,飞机的航程和作战性能收益明显,分析方法对近未来先进多用途战斗机的一体化分析提供了借鉴。     

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.     

粒子群混合算法在变导向器面积计算中的应用

求解非线性方程组经典方法具有严格的局部收敛性;粒子群等进化算法解决了全局收敛的问题,但计算效率偏低,存在最优解不稳定的问题。结合经典Newton-Raphson法的超线性收敛速度和粒子群算法全局收敛能力的粒子群混合算法具备2类算法的优点。在迭代初期采用粒子群算法获得的近似全局解作为Newton-Raphson算法的初始值,以确定高精度的解。利用粒子群混合算法在发动机变导向器面积的大偏离计算中获得了较好的收敛效果,解决了常规Newton-Raphson法不收敛的问题。     

基于相似理论的航空发动机风扇转速换算方法的改进

基于相似理论提出一种通过变指数因子计算航空发动机风扇换算转速的改进方法.收集不同公司的某型航空发动机的巡航数据建立数据样本.采用支持向量回归机方法建立指数因子与大气温度的数学模型并利用遗传算法对模型参数进行寻优,进而得到由风扇指示转速和大气温度计算风扇换算转速的变指数因子模型.使用该模型对样本数据进行计算,并把结果与定指数因子方法求解的风扇换算转速进行对比,对改进算法与定指数法换算结果进行了误差分析.结果表明:改进后的变指数因子模型计算的航空发动机风扇换算转速具有更高的精度,同时具有良好的推广泛化性能,该方法是航空发动机风扇换算转速的一种有效算法,在航空发动机性能预测也具有实际的指导意义.      

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.      

低排放燃烧室化学反应器网络模型的参数化

为了掌握低排放燃烧室的污染物排放情况,对其化学反应网络器(CRN)模型的参数化进行研究.对爬升工况下燃烧室CFD数值模拟结果进行分析,划分燃烧室的结构,得到燃烧室的CRN模型.再利用自编程软件对燃烧室的结构参数和进口参数进行参数化定义,并把参数化的CRN模型在不同工况下的模拟结果与试验结果分别比较.结果表明:在慢车工况下二者相差不大,在爬升工况下二者差异也在允许误差范围之内.验证了该模型可行性较好,该参数化CRN模型可用于预测低排放燃烧室的污染物排放量和出口温度.     

AP聚类改进免疫算法用于航空发动机故障诊断

在免疫算法训练过程中引入近邻传播(AP)聚类与熵权法,对训练样本进行聚类与权值计算,将权值引入免疫算法中样本选择阈值的计算,以解决训练过程采用固定选择阈值所造成的检测器在部分区域过拟合,部分区域欠拟合的问题。结果表明:改进的免疫算法用于典型非线性函数的寻优时,迭代性能均优于传统免疫算法,并在大部分情况下优于粒子群算法与量子遗传算法,在进行某型发动机故障诊断的实例实验时,改进后的算法的诊断准确率达到98.06%,高于传统免疫算法的92.60%。      

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IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

基于改进粒子群算法的矢量水听器多目标方位估计

为了研究单矢量水听器多目标方位估计能力,分别利用互谱声强法、MUSIC算法及信号统计量方法对多个目标方位进行估计。互谱声强法可以估计出多个不同频的单频目标方位,但对于频谱混叠的目标无法分辨;MUSIC算法可以分辨单频和宽带目标,但利用单矢量水听器最多可估计 2个目标方位。为此,针对文章提出的信号统计量方法,构建了声压和振速的统计量模型,将其与粒子群优化算法及改进算法相结合,实现了基于改进粒子群算法的多目标方位估计。对多个单频和宽带信号目标进行仿真分析,结果表明,进粒子群算法具有良好的估计效果;对 3种方法的估计结果进行比较,验证了改进粒子群算法有较好的适用性。通过对 2022年千岛湖试验数据的处理再一次验证了算法的有效性。     

基于分布式粒子群算法的翼型优化设计

采用求解N-S方程作为优化算法中的CFD分析方法,基于标准粒子群优化算法(PSO),将其与遗传算法中的选择机制相结合,形成了一种改进的基于自然选择的粒子群算法(SELPSO),以提高算法的求解精度和改善算法的全局收敛性。为改善串行粒子群算法效率低,耗机时等缺点,文中将分布式计算引入到优化设计过程中,实现了基于分布式粒子群算法的翼型设计优化系统,设计实践表明,文中发展的优化算法对优化设计系统质量和效率都有着大幅度的提高,在工程中具有很好的实用价值。     

基于改进PSO算法的PID控制器参数优化

针对PID控制器参数设计问题,提出了一种基于改进PSO算法的优化方法。该方法将初始的粒子群分成两组搜索方向相反、相互协同的主、辅子群,在保持种群小规模情况下,增强算法全局探索能力,实现高精度的优化结果。仿真结果表明,该方法相比于传统算法,所得到的控制器参数使控制系统获得了更好的动态响应特性和满意的控制效果。