实用航空发动机LQR权阵选取方法

为了简化航空发动机LQR方法权阵的选取,基于优化理论提出了一种新的目标函数选取方法。该目标函数同时反映控制性能与控制能量的影响,因此,通过优化该目标函数得到的权阵设计出的LQR控制器不仅性能优良,还能保证控制能量在可接受的范围内。此外,该目标函数中包含且只包含了一个可调参数,可简化控制器参数调节过程,使设计者能轻松地在控制性能与控制能量间找到合理的折中。线性仿真、非线性仿真及半物理仿真试验均验证了按此方法设计的控制器的性能。     

协同多目标攻击空战决策的启发式粒子群优化算法

利用协同多目标攻击战术的特定知识,并结合粒子群算法,提出了一种用于空战决策的启发式粒子群算法。该算法利用粒子群算法对解空间探索能力强,容易跳出局部最优陷井及启发式算法局部搜索能力强的优点,快速、高效地对全局最优值进行搜索。该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验结果表明。本文算法对最优空战决策方案的搜索性能明显优于普通粒子群算法及其他两种遗传算法。     

基于相空间重构的网络流量RBF神经网络预测

应用混沌理论,分析了网络流量,用单变量的网络流量时闯序列重构与网络动力系统等距同构的相空间,进而计算了实际网络的关维数和Lyapunov指数,并证实了网络流量存在混沌特性;据此建立了基于径向基函数（RBF）神经网络的模型,并对实际网络数据流进行了预测。仿真结果表明,相对于其他前馈神经网络预测,基于混沌理论的RBF神经网络预测方法学习速度快,预测精度高。     

基于优化最小二乘支持向量机的襟翼趋势预测

将最小二乘支持向量机(LS-SVM)应用于飞机襟翼状态趋势研究。首先,通过分析飞机襟翼故障与襟翼动作耗时参数的关系,提出了利用动作耗时趋势来确定该系统未来状态的方法。然后,使用最小二乘支持向量机建立耗时回归预测模型,采用最终预报误差(FPE)准则确定回归模型嵌入维数,提出了自适应网格搜索法,优化最小二乘支持向量机的建模参数,从而实现比现有方法精度高,泛化性能好的预测模型。训练和测试样本取自飞行数据记录系统(QAR)中译码襟翼参数值。与神经网络模型的比较实践表明,该方法具有实用价值。     

基于反电势形状函数法的无刷直流电动机直接转矩控制

采用两相导通模式时通过逆变器开关状态不能确定电压空间矢量,现有方案是通过实时测量3个相电压来解决这一问题,但系统变得复杂;此外现有方案在转矩观测中包含的微分项会降低控制精度,增大计算量,影响系统实时性。针对这两点不足,提出反电势形状函数法,在软件中实现了相电压的实时计算,使转矩观测变得简洁,更易于工程实用。最后给出的仿真与实验结果证明了反电势形状函数法用于无刷直流电机直接转矩控制中的可行性与有效性。     

面向代理模型的机翼变形计算方法

按照机翼结构设计的原则,对内部结构还未确定的机翼提出了一种通用的变形计算方法。机翼的平面形状可看作由多个梯形组成,机翼弯曲变形为三次函数,扭转变形为一次函数。只要给定翼梢挠度与扭转角,即可计算机翼变形情况下的几何模型,使代理模型能够预测变形后机翼的气动载荷分布。文中给出了两个实际机翼的算例。算例结果表明,本文模型预测的变形与实际结构有限元分析给出的变形吻合较好。     

Towards intelligent design optimization: Progress and challenge of design optimization theories and technologies for plastic forming

Plastic forming is one of enabling and fundamental technologies in advanced manufacturing chains. Design optimization is a critical way to improve the performance of the forming system, exploit the advantages of high productivity, high product quality, low production cost and short time to market and develop precise, accurate, green, and intelligent (smart) plastic forming technology. However, plastic forming is quite complicated, relating to multi-physics field coupling, multi-factor influence, multi-defect constraint, and triple nonlinear, etc., and the design optimization for plastic forming involves multi-objective, multi-parameter, multi-constraint, nonlinear, high-dimensionality, non-continuity, time-varying, and uncertainty, etc. Therefore, how to achieve accurate and efficient design optimization of products, equipment, tools/dies, and processing as well as materials characterization has always been the research frontier and focus in the field of engineering and manufacturing. In recent years, with the rapid development of computing science, data science and internet of things (IoT), the theories and technologies of design optimization have attracted more and more attention, and developed rapidly in forming process. Accordingly, this paper first introduced the framework of design optimization for plastic forming. Then, focusing on the key problems of design optimization, such as numerical model and optimization algorithm, this paper summarized the research progress on the development and application of the theories and technologies about design optimization in forming process, including deterministic and uncertain optimization. Moreover, the applicability of various modeling methods and optimization algorithms was elaborated in solving the design optimization problems of plastic forming. Finally, considering the development trends of forming technology, this paper discusses some challenges of design optimization that may need to be solved and faced in forming process.     

基于响应面法的超燃冲压发动机进气道多目标优化

基于响应面法进行了二维混合压缩超燃冲压发动机进气道的多目标优化研究.采用均匀试验设计确定试验方案,运用计算流体动力学求解进气道的性能.根据分析结果构造了响应面近似模型,该模型采用了完全二阶多项式模型.通过响应面近似模型的优化,实现了超燃冲压发动机进气道优化,得到了Pareto最优集.结果表明,采用均匀试验设计和响应面法可以大大减小数值模拟的计算量,提高优化效率.     

风扇转子叶片周向积叠的三维气动优化设计

为了研究优化环境对优化结果的影响,利用商业软件NUMECA对某风扇第一级转子叶片进行了气动优化设计,并对比研究了第一级转子单排叶片的优化及其在整级环境中的优化结果。研究发现．单叶排优化后．虽然能提高整级风扇的效率,但是由于匹配的原因,整级风扇在整个流量范围内总压比都比优化前的有所减小;在级环境中优化后,该级风扇的效率和稳定工作范围都扩大了,且保证了级压比不变,其优化效果比单叶排的优化效果好。     

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。