基于飞行试验数据的双转子航空发动机 加减速瞬态模型辨识

为辨识航空发动机飞行过程中加减速瞬态模型,通过对某型航空发动机慢车至中间以及中间至慢车过程的飞行试验数据进行分析整理,将发动机上述加、减速过程简化为静态参数预测过程,利用3层前向人工神经网络,建立了某型发动机加、减速瞬态过程中的发动机关键参数预测模型,对发动机参数预测模型预测结果与飞行试验记录数据进行了对比分析,同时利用额外的飞行试验数据验证了辨识模型的泛化能力.结果表明:辨识得到的发动机模型在油门杆稳定时参数预测相对误差不超过3％,在油门杆动作期间参数预测相对误差不超过5％;验证点上辨识模型参数预测误差不超过3％.证明该型发动机参数预测模型可以很好地预测发动机瞬态过程中的参数变化情况.该方法为建立发动机其他状态的加、减速过程参数变化模型奠定了基础,也能为建立全包线范围内发动机瞬态参数预测模型提供参考.     

航空发动机试飞关键参数趋势监控的实现及应用

为了实现航空发动机滑油压力、滑油温度、振动值在试飞中的趋势监控,采用神经网络方法对某型发动机大量试飞数据进行训练和验证,获得了这几个参数全过程较为准确的计算模型。计算模型应用于该型号另1台发动机参数趋势监控中,在应用前,利用有限架次试飞数据修正了这几个参数的计算模型,采用动态链接库形式实现计算模型与原有实时监控系统的协同工作,进行了模型计算结果和试飞结果趋势实时对比监控。结果表明:模型计算结果和试飞结果变化趋势吻合良好,说明了神经网络计算模型的准确性以及在关键参数趋势监控中的工程实用性。     

基于数据的发动机模型匹配方法研究

针对在使用环境条件下发动机部件特性未知的问题,为获得在实际装机条件下的发动机部件特性,采用1种基于参考数据的发动机部件级模型匹配方法,在对测量数据和模型特征分析的基础上,选取适当调整参数,以模型在非设计点的仿真输出与参考数据的匹配精度为目标,通过迭代方法求解部件特性。仿真数据表明:采用基于数据的发动机匹配技术得到的发动机模型,其仿真输出与参考数据的偏差均在允许范围内。利用该方法可以得到在使用条件下的发动机部件特性,为装机状态发动机的仿真预测提供技术支撑。     

基于遗传算法的航空发动机部件特性修正

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.      

涡扇发动机空中减速过程转速预测

以某型涡扇发动机为研究对象,对其空中减速的试验数据进行深度挖掘,分析了减速过程中低压和高压转速的变化规律,得到该型发动机空中减速过程中转速的预测关系式,并对预测结果进行验证。结果表明,通过预测关系式计算所得结果与飞行试验数据吻合良好,可用作该型发动机空中减速过程的转速预测。     

超燃冲压发动机内外流场三维燃烧数值模拟

以某型煤油燃料超燃冲压发动机整机模型为研究对象,对发动机外流场的流动与发动机内的流动燃烧过程开展了耦合三维数值模拟研究.燃烧室壁面静压计算结果与实验数据吻合良好,平均相对误差为4.9%,验证了数值方法的有效性.结果表明:内流场的流动燃烧状况既受到外流场捕获空气流量的限制,又会反过来影响着外流场的激波结构;泄压孔对保持发动机中各部件流量匹配起到关键作用;由于进气道内激波与边界层的相互作用以及泄压孔诱发的斜激波的影响,流场在第1处燃油喷射孔附近呈现出燃烧流场不对称特征.      

基于微分进化算法的航空发动机模型修正

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.     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

涡扇发动机加速过程转速预测模型

以某型涡扇发动机为研究对象,深入研究了不同条件下加速瞬态过程的飞行试验数据,通过分析转速的变化特性,建立了该型发动机加速瞬态过程的转速预测模型,同时结合飞行试验数据对发动机预测模型进行了验证,结果表明预测模型计算与飞行试验数据吻合度较高,可用于该型发动机加速瞬态过程的转速预测。     

航空发动机试飞趋势监控模型数据样本容量优化

建立了数据样本库任意两点之间的欧式距离。基于遗传算法对样本容量进行优化,确保满足模型预测精度条件下最大化样本之间的欧式距离,以此确定发动机建模所需的最小数据样本库。在航空发动机实际科研试飞推广应用中,通过有针对性地安排试飞内容,只需要5~6个架次即可建立发动机全状态趋势监控模型,大幅缩短了仿真建模周期。该技术可提高趋势监控模型在非样本点上的表现性能,对后续发动机实时趋势监控的实施有很大的借鉴和指导作用。