RBCC-RKT两级入轨飞行器起飞质量估算方法

针对液体火箭发动机真空比冲基本不变,火箭基循环组合发动机(RBCC)比冲随着飞行条件不断变化的特点,提出了将增广拉格朗日遗传算法优化第一级飞行弹道与传统液体火箭质量估算方法估算第二级起飞质量相结合,获得水平起飞两级入轨RBCC-RKT飞行器第一级起飞质量的估算方法,为总体方案初步设计论证提供参考.通过算例,分析了一级RBCC飞行器惰性质量比、最高动压,气动特性与起飞质量之间的关系.计算表明,降低RBCC飞行器惰性质量比、提高一级飞行器最大飞行动压、提高飞行器升阻比,都能有效地降低一级起飞质量.     

面向数字化车间的工装配送方法研究

工装配送是数字化车间智能物流的关键环节,工装配送的及时、准确直接决定着生产运行的顺利与稳定。针对制造资源有限约束情况下的数字化车间,提出了包括车间现场互借以及车间工装库配送的工装配送模式。提出了一种改进的遗传算法,建立包括工位满意度、工装相似度和配送车辆数的目标函数,求解带模糊预约时间的多工位混合配送的配送方案,实现数字化车间中工装的精准配送。最后通过一个具体的生产排程,验证了算法的有效性。     

基于遗传算法的并联贮箱平衡排放调节方法研究

为了解决双组元推进系统的并联贮箱推进剂消耗不平衡问题,根据气路系统的压力输出特点,提出了一种基于遗传算法的平衡排放主动调节方法。引入多方方程,建立了调节模型,首先使用先进多目标遗传算法NSGA-Ⅱ进行了修正参数的优化选取,然后通过参数优化后的调节模型对预调节参数进行了求解。仿真计算结果与试验数据的对比分析表明,调节前后的压力及调节量等参数的相对误差在千分之五之内,该并联贮箱平衡排放调节计算方法正确、有效。最后,通过算例,分析了贮箱压力及气体容积对平衡排放控制能力的影响,计算表明,推进剂的消耗有益于提高单次平衡排放调节幅度,调节时间主要与调节量及贮箱压差相关。     

支持向量机时间序列预测模型的参数影响分析与自适应优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善.本文运用支持向量机建立时间序列预测模型,研究影响模型预测精度的相关参数,在分析参数对时间序列预测精度的影响基础上,提出用遗传算法建立支持向量机预测模型的参数自适应优化算法.最后,用太阳黑子数据和航空发动机油样光谱数据进行了预测分析.算例表明了本文算法的正确性.     

单级压气机气动优化设计

针对单排叶片气动优化设计难以保证级性能的问题,对一单级跨声速压气机进行了动静叶匹配的同时优化设计。以动叶中的掠、倾,静叶中的弯为设计自由度,对NASA Stage35进行了以气动设计点与峰值效率点为优化点的多工况气动优化设计,得到了动叶前掠、静叶向压力面侧弯曲的优化压气机级,其全工况性能均有不同程度的改善。     

高负荷低速轴流风扇数值优化设计与实验研究

应用基于自适应遗传算法和复合形法发展的混合遗传算法数值设计平台ADOP,对某高负荷低速轴流风扇TA36A实施气动数值优化。该风扇设计转速2.9kr/min,三维数值结果近设计点流量7.482kg/s,绝热效率为84.54%,失速裕度为16.38%;优化设计后风扇TA36B数值模拟结果失速裕度提高了1.6个百分点,气动效率为85.31%,比原型略有提高。气动性能试验风扇TA36B失速裕度达18.84%,具有较宽的稳定工作范围。     

多级涡轮多目标气动优化设计流程

在准三维设计基础上,采用多目标优化设计方法,给出一个多级涡轮气动优化设计流程,优化联合采用人工神经网络和遗传算法,流场计算采用全三维粘性流N-S方程求解。此优化设计流程有三个特点:针对每列叶栅的气动特性进行局部优化;各列叶栅反复多次优化;粗细网格交替使用。并采用此设计流程对一三级涡轮进行优化设计,效率提高1%,说明此方法可以有效的用于多级涡轮气动优化设计。     

PLZT光致伸缩层合梁的非接触形状控制

以光电层合梁非接触形状控制问题为研究对象,阐述了PLZT光致伸缩驱动器的工作机理,建立了光-电-力-热耦合情况下的光电有限元模型,通过引入加强假定应变模式和假定自然应变法改善了单元的性能。在此基础上,以光致伸缩驱动器所受到的光强大小为设计变量,以光电层合梁的期望形状与控制形状的差值函数为目标函数,应用有限元法和遗传算法建立了求解基于PLZT光致伸缩驱动器层合梁非接触形状控制问题的一般方法。数值模拟的结果验证了该方法有效,表明该方法能够很好地实现光电层合梁结构的非接触形状控制。     

基于遗传算法和神经网络的梁板结构可靠性优化

基于结构系统静强度可靠性分析、神经网络和遗传算法,对空间梁板结构系统进行了可靠性分析和基于可靠性的优化设计。结构可靠性分析中,给出了安全余量以及安全余量对各变量敏度的显性表达式,便于各安全余量间相关性计算和可靠性计算精度提高。结构优化中,用神经网络和遗传算法,每代遗传操作中只需用传统方法计算1次结构系统可靠性指标,将该代最优解对应的数据加入神经网络的训练样本,从训练样本中删除最次样本,使训练样本不断处于更新状态。数值算例表明：该法收敛平稳、用时较少,具较好的收敛性和较高的计算效率。     

基于遗传算法的寻优解卫星星座优化设计策略

卫星星座优化设计与直接部署卫星或普通迭代计算后部署卫星等方法不同,目的 是在有限的资源中达到更好的星座观测效果.通过使用遗传算法(Genetic Algorithm),在卫星星座构型模型的基础上,得到星座种群内对目标观测实效性较强、重访周期较短的卫星个体,并使用较优的卫星个体生成Walker星座组网,实现了生成的星座对目标区域的高精度观测与覆盖.这种方法避免了复杂的计算与主观上的加权计算,在经济成本和观测效果相互制约的前提下,得到了更加高效的卫星星座构型设计策略.将此优化设计策略用于选定的卫星星座构型中,通过仿真实验表明,基于遗传算法优化后的"深圳一号"卫星星座相较于其优化前的部署,其对目标区域及全球区域的整体观测性能提升了90％以上.