排序方式: 共有50条查询结果,搜索用时 234 毫秒
11.
12.
基于遗传算法的航空发动机部件特性修正 总被引:5,自引:0,他引:5
研究了航空发动机部件特性修正技术,提出了一种基于变适应度函数的模型优化算法,以达到减小总体建模误差,提高模型精度的目的.在稳态模型的基础上,对引气系数、总压恢复系数和各部件的特性进行了修正,使修正后的模型输出与实验数据相一致.采用改进遗传算法,对交叉率和变异率进行了非线性自适应调整,并根据误差大小调整适应度加权系数,避免算法陷入局部最优,同时减小最大建模误差.仿真结果表明,修正后各实验参数平均误差从2.420 8%减小到0.321 7%,模型满足稳态误差小于2%的要求. 相似文献
13.
基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上. 相似文献
14.
15.
基于DMOM算法的航空发动机性能寻优控制 总被引:3,自引:0,他引:3
提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下, DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势. 相似文献
16.
基于ADE-ELM的涡轴发动机建模方法 总被引:2,自引:0,他引:2
提出了基于自适应微分进化-极端学习机(ADE-ELM)求解平衡方程的高精度涡轴发动机实时部件级模型建立方法.基于牛顿-拉夫逊(N-R)迭代模型,以迭代计算前模型平衡方程残差为输入,迭代收敛后平衡方程猜值修正量为输出,训练极端学习机,并采用自适应微分进化(ADE)算法优化极端学习机(ELM)参数,提高猜值修正量映射精度.ADE算法中采用sigmoid型自适应缩放因子,提高了微分进化算法的寻优能力.在涡轴发动机不同飞行状态下的测试结果表明,以N-R迭代算法模型为基准,基于ADE-ELM的发动机模型,最大建模误差约为一次通过算法的1/3,运算耗时约为一次通过算法的1/3,验证了算法的有效性. 相似文献
17.
航空发动机气路部件故障融合诊断方法研究 总被引:6,自引:0,他引:6
针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。 相似文献
18.
为了提高航空发动机性能仿真模型精度,采用微分进化算法对发动机部件特性进行修正.对微分进化算法进行改进,提出折线式交叉变量变化方式,提高了算法的寻优能力.提出变步长牛顿-拉夫逊迭代算法,基于平衡方程残差范数变化趋势,改变牛顿-拉夫逊算法迭代计算步长,提高了模型的收敛性和收敛速度.在设计点,对各部件特性、引气系数、总压恢复系数进行修正,使修正后的模型输出与试验数据相匹配.仿真结果表明:改进后的牛顿-拉夫逊迭代算法收敛性更强、计算速度更快,修正后的各输出参数的最大建模误差减小到1.3762%,满足建模误差需求. 相似文献
19.
提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。 相似文献
20.