CN107748493A - Tbcc分布式控制***通信网络混合拓扑结构优化方法 - Google Patents
Tbcc分布式控制***通信网络混合拓扑结构优化方法 Download PDFInfo
- Publication number
- CN107748493A CN107748493A CN201710809804.XA CN201710809804A CN107748493A CN 107748493 A CN107748493 A CN 107748493A CN 201710809804 A CN201710809804 A CN 201710809804A CN 107748493 A CN107748493 A CN 107748493A
- Authority
- CN
- China
- Prior art keywords
- engine
- tbcc
- node
- central node
- intelligent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了TBCC分布式控制***通信网络混合拓扑结构的优化方法,包括以下步骤:步骤1)建立TBCC发动机几何模型和网格模型;步骤2)基于粒子群算法优化智能中央节点位置;步骤3)利用遗传算法优化智能中央节点的通信网络拓扑结构。本发明将TBCC发动机中各智能节点的拓扑连接转化为最短距离和商旅问题优化求解问题,通过图论知识以及粒子群和遗传算法优化节点间的连接方式,获取节点间连接总线束最短的分布式控制***拓扑网络。
Description
技术领域
本发明属于航空航天组合发动机控制技术领域,具体涉及一种TBCC分布式控制***通信网络混合拓扑结构优化方法。
背景技术
高超声速飞行器是现代军事领域中最重要的研究项目之一,以美国、俄罗斯、德国、澳大利亚、英国等为代表的一些国家率先进行关于高超声速飞行器的研究,并诞生了Hype-X,HyFky等项目和计划。实现高超声速飞行的关键是发动机的性能,而当今航空涡轮发动机的飞行马赫数一般在0~3,亚燃冲压发动机飞行马赫数为2~6,超燃冲压发动机飞行马赫数大于6。可见,任意一种单一的吸气式发动机均不能满足以上要求,因此,以涡轮和冲压发动机为基础的涡轮基组合循环发动机(TBCC)是实现高超声速飞行的最佳动力方案。组合循环推进***则是将各种推进单元有机地组合到一起,融为一体,在功能上相互补充。这就注定组合循环***必定要经历不同的工作模态,以达到最佳的发动机性能,同时这种组合循环***还有利于飞行器的结构更简单紧凑。TBCC发动机单位推力大,能采用普通的燃料和润滑剂,成本低。以TBCC为动力的飞行器能够水平起飞和着陆,从而大大减少费用和提高***的安全性。是未来很有前途的高超声速动力概念之一。
TBCC的控制***仍然采用分布式航空发动机控制***。为了提高发动机的推进性能,现代发动机使用电子控制***取代机械机液压式***来提高推重比。相对于集中式控制***,航空发动机分布式电子控制***有利于减少推进***控制器和附件***重量,增加***通用性、可靠性,其最显著的特点是其工作中的空间结构。对于TBCC分布式控制***,合理的通讯网络拓扑结构有利于控制***的减重,增加控制***的可靠性,但是在实际应用中拓扑结构有总线、星型、环型以及三者混合型等多种形式,其构架受到***特性和物理限制条件的约束。
首先,TBCC控制***通讯网络中各控制节点的重要性是不同的,即控制节点的工作可靠性的需求存在差异。控制节点的工作可靠性不仅取决于节点本身,也取决于此节点的位置环境和与节点的连线冗余程度。后者对通讯网络的拓扑结构的构架形成制约。其次,航空发动机机匣表面情况复杂,存在发动机附件等较大部件的安装区域或者温度较高的区域,这些区域通讯总线都应避开绕行,这对控制节点之间通讯总线的连接路径的设置形成一定的制约,影响通讯网络控制***的拓扑结构的构架。因而,需要在考虑各种***特性需求和约束调节前提下,开展TBCC分布式控制***网络拓扑结构优化研究。
发明内容
发明目的:为了克服现有TBCC集中式控制***拓扑结构设计技术中存在的不足,本发明提出一种涡轮基组合循环发动机(TBCC)分布式控制***通信网络的拓扑结构优化方法。考虑TBCC控制***中节点特性和温度限制,通过建立TBCC控制***几何模型、网格模型、网络拓扑模型和网络结构优化指标函数,采用GA算法和PSO算法优化拓扑网络。采用上述方法,可获得节点间线束长度最短的星型和总线型构成的TBCC发动机分布式控制网络混合拓扑结构。
一种TBCC分布式控制***通信网络的混合拓扑结构优化方法,包括以下步骤:
步骤1)建立TBCC发动机几何模型和网格模型;
步骤2)基于粒子群算法优化智能中央节点位置;
步骤3)利用遗传算法优化智能中央节点的通信网络拓扑结构。
进一步的,所述步骤1)中的具体步骤如下:
步骤1.1),建立空间3维坐标系,TBCC发动机机匣表面的曲面数学模型为
其中x轴方向为发动机轴向方向,y和z轴方向均为发动机径向方向,单位为cm。基于该数学模型绘制TBCC发动机壳体几何模型。
步骤1.2),按照发动机的实际尺寸和精度要求对发动机几何模型划分网格,对划分的网格进行编号,其基本方法是:沿轴向每1cm取一个截面圆,每个截面圆被分为100等分。取第一个截面圆上某一点为起始点,依次用自然数进行编号;在当前截面圆的周向位置编号完成后,再对下一个周向网格进行编号,以此类推,其中每一个周向网格编号的第一位在同一轴向位置;
步骤1.3),排除不可通行区域,计算每个网格点与其相邻的网格点之间的距离,由上述结果可以得到网格的邻接矩阵M,获得TBCC几何模型;邻接矩阵M是一个稀疏矩阵,其行数和列数对应所有网格的编号;如果相邻两个网格点i和j之间相连,则将两个相邻节点间的距离赋值给稀疏矩阵M(i,j),如果相邻两个网格点i和j之间不相连,将矩阵M(i,j)值置0。
进一步的,所述步骤2)中的具体步骤如下:
步骤2.1),确定发动机各个节点的位置,利用网格编号表示;
步骤2.2),避开发动机高温区,确定4个星型结构智能中央节点位置的选取范围;
步骤2.3),在中央节点位置选取范围内利用粒子群算法优化得到4个智能中央节点的位置;
进一步的,所述步骤2.3)中的具体步骤如下:
步骤2.3.1),确定发动机所有节点的网格编号,星型结构智能中央节点使用N1,N2,N3,N4来表示;在中央节点位置选取范围内,初始随机生成4个中央节点的位置;
步骤2.3.2),利用Floyed算法计算每个发动机节点到四个中央节点的距离并进行比较,将每个发动机节点与距离最短的中央节点连接;与中央节点N1相连接的发动机节点用N1-1,N1-2,…表示,以此类推;
步骤2.3.3),计算4个星型结构中央节点到各自从节点的距离之和作为目标函数,如果生成的中央节点的位置处于高温区,则在目标函数上施加温度惩罚函数。再根据粒子群的迭代公式计算生成新的中央节点的位置;
步骤2.3.4),重复步骤2.3.2)和步骤2.3.3)直至目标函数收敛;
步骤2.3.5),多次利用粒子群算法进行优化,来降低局部最优对优化结果的影响,对比不同结果求得中央节点的最优位置。
进一步的,所述步骤3)中的具体步骤如下:
步骤3.1),由步骤2)得到发动机智能中央节点的位置,用各个节点所在的网格编号表征节点的位置;
步骤3.2),基于步骤1)中得到的发动机网格邻接矩阵M,利用最短路径Floyed算法求解所有智能中央节点两两之间的最短路径以及路径长度,得到智能中央节点的距离矩阵D,矩阵D的行数和列数对应所有智能节点的编号,矩阵的值为对应行和列的两个智能节点之间的距离;
步骤3.3),确定连接智能中央节点与智能节点的总线方式;
步骤3.4),利用遗传算法优化由智能中央节点构成的TBCC分布式控制网络的总线拓扑结构。
进一步的,所述步骤3.4)中的遗传算法的优化方法具体步骤如下:
步骤3.4.1),确定总线上的智能中央节点及其编号,智能中央节点用N1,N2,…来表示;
步骤3.4.2),将总线上所有节点的连接方式用二进制编码,确定遗传算法交叉概率χ、变异概率δ、目标函数F以及冗余度惩罚值pu;
步骤3.4.3),利用遗传算法对上述编码进行优化;
步骤3.4.4),多次利用遗传算法进行优化尽可能避免算法陷入局部最优对结果的影响,对比不同结果求得最优拓扑结构。
有益效果:本发明提供的涡轮基组合循环发动机分布式控制***通信网络混合拓扑结构优化方法,采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明目的是对涡轮基组合循环发动机(TBCC)分布式控制***通信网络的拓扑结构进行优化,进一步减少推进***控制器和附件***重量和增加***通用性、可靠性。
(2)本发明采用环型总线和星型的混合拓扑结构作为TBCC分布式控制***的网络拓扑结构,并且使得星型结构的中央节点远离高温区,减少了所需总线束的长度,提高了通信网络的可靠性。
(3)本发明利用粒子群算法优化星型中央节点的位置以及利用遗传算法优化了总线结构的各节点连接方式。
附图说明
图1是TBCC结构示意图。
图2是TBCC几何模型。
图3是基于粒子群算法的优化过程。
图4是基于遗传算法的优化流程。
图5是TBCC混合拓扑网络的示意图。
图6是拓扑网络优化的遗传算法编码方式。
图7是TBCC混合拓扑网络最优连接方式。
图8是TBCC混合拓扑网络立体图。
图9是本发明的方法流程图。
具体实施方式
本发明为一种涡轮基组合循环发动机(TBCC)分布式控制***通信网络混合拓扑结构优化方法,包括以下步骤:步骤1)建立TBCC发动机几何模型和网格模型;步骤2)基于粒子群算法优化智能中央节点位置;步骤3)利用遗传算法优化智能中央节点的通信网络拓扑结构。本发明将TBCC发动机中各智能节点(含控制器、智能传感器和智能执行机构)的拓扑连接转化为最短距离和商旅问题优化求解问题,通过图论知识和遗传算法优化节点间的连接方式,获取节点间连接总线束最短的分布式控制***拓扑网络。
一种TBCC分布式控制***通信网络的混合拓扑结构优化方法,如图9所示,包括以下步骤:
步骤1)建立TBCC发动机几何模型和网格模型;
步骤1.1),建立空间3维坐标系,TBCC发动机机匣表面的曲面数学模型为
其中x轴方向为发动机轴向方向,y和z轴方向均为发动机径向方向,单位为cm。基于该数学模型绘制TBCC发动机壳体几何模型。
步骤1.2),按照发动机的实际尺寸和精度要求对发动机几何模型划分网格,对划分的网格进行编号,其基本方法是:每个截面圆被分为100等分,沿轴向每1cm取一个截面圆,取第一个截面圆上某一点为起始点,依次用自然数进行编号。在当前截面圆的周向位置编号完成后,再对下一个周向网格进行编号,以此类推,其中每一个周向网格编号的第一位在同一轴向位置。例如对一个长为6m,直径为0.8m的发动机表面几何模型进行网格划分,沿轴向每1cm取一个截面圆共600个截面圆。沿每个截面圆的周向位置将截面圆的表面划分为100等分的网格,每一个网格可以近似平面的矩形。对600个截面圆沿周向划分总共可以得到6×104等分的网格。从第一个截面圆的某一网格开始沿着周向编号,总共100等分。再从第二个截面圆中与第一个截面圆编号为1相邻的网格开始编号,编号为101,并且周向编号的顺序与第一个截面的编号顺序一致。对以后每个截面圆的编号重复上述步骤,最后一个网格编号为6×104。
步骤1.3),排除不可通行区域,计算每个网格点与其相邻的网格点之间的距离,由上述结果可以得到面向TBCC网格模型的邻接矩阵M,获得TBCC几何模型。邻接矩阵M是一个稀疏矩阵,其行数和列数对应所有网格的编号,例如由步骤1.2)所述,邻接矩阵M的行数和列数均为6×104,矩阵元素内容为行数与列数对应网格点之间的距离。如果相邻两个网格点i和j之间相连,则将两个相邻节点间的距离赋值给稀疏矩阵M(i,j),如果相邻两个网格点i和j之间不相连,将矩阵M(i,j)值置0。
步骤2)基于粒子群算法优化智能中央节点位置;
步骤2.1),确定发动机各个节点的位置,利用网格编号表示;
步骤2.2),避开发动机高温区,确定4个星型结构智能中央节点位置的选取范围;
步骤2.3),在中央节点位置选取范围内利用粒子群算法优化得到4个智能中央节点的位置;
步骤2.3.1),确定发动机所有节点的网格编号,星型结构智能中央节点使用N1,N2,N3,N4来表示;在中央节点位置选取范围内,初始随机生成4个中央节点的位置;
步骤2.3.2),利用Floyed算法计算每个发动机节点到四个中央节点的距离并进行比较,将每个发动机节点与距离最短的中央节点连接;与中央节点N1相连接的发动机节点用N1-1,N1-2,…表示,以此类推;
步骤2.3.3),计算4个星型结构中央节点到各自从节点的距离之和作为目标函数,如果生成的中央节点的位置处于高温区,则在目标函数上施加温度惩罚函数。再根据粒子群的迭代公式计算生成新的中央节点的位置x,迭代的差分方程为
xi,j=xi,j-1+vi,j
vi,j=wvi,j-1+φprp(pi,j-xi,j)+φgrg(g-xi,j)
其中i表示粒子群中第i个粒子,j表示当前迭代次数;w为保持上一次迭代速度量的系数,称为惯性权重;φp和φg分别为局部搜索和全局搜索跟踪最优解的权重系数,rp和rg是[0,1]区间内的随机数。为了更快更准确地得到最优解,需要对上述三个权重系数进行合理设置。当粒子靠近最优解时,式中第二个等式右边后两项的值趋近于0,所以对φp和φg均取为定值2;对惯性权重的取值的目的是当粒子靠近最优解时,w值趋向于0以保证解得精度,当例子远离最优解时,w值稍大些可以使粒子更快的靠近最优解;对于w的具体取值采用非线性权值递减策略,取值公式为
其中MaxW=0.95为最大的惯性权重,即初代粒子种群惯性权重w的值,相应的MinW=0.4为最小的惯性权重,即末代粒子种群惯性权重w的值;CurCount表示当前种群迭代次数,LoopCount表示粒子群算法所需迭代的总次数;
步骤2.3.4),重复步骤2.3.2)和步骤2.3.3)直至目标函数收敛;
步骤2.3.5),多次利用粒子群算法进行优化,来降低局部最优对优化结果的影响,对比不同结果求得中央节点的最优位置;
步骤3)利用遗传算法优化智能中央节点的通信网络拓扑结构;
步骤3.1),由步骤2)得到发动机智能中央节点的位置,用各个节点所在的网格编号表征节点的位置;
步骤3.2),基于步骤1)中得到的发动机网格邻接矩阵,利用最短路径Floyed算法求解所有智能节点两两之间的最短路径以及路径长度,得到智能节点的距离矩阵,矩阵的行数和列数对应所有智能节点的编号,矩阵的值为对应行和列的两个智能节点之间的距离;
步骤3.3),确定连接智能中央节点与智能节点的总线方式;
步骤3.4),利用遗传算法优化由智能中央节点构成的TBCC分布式控制网络的总线拓扑结构;
步骤3.4.1),确定总线上的智能中央节点及其编号,智能中央节点用N1,N2,…来表示;
步骤3.4.2),将总线上所有节点的连接方式用二进制编码,确定确定遗传算法交叉概率χ、变异概率δ、目标函数F以及冗余度惩罚值pu;
步骤3.4.3),利用遗传算法对上述编码进行优化;
步骤3.4.4),多次利用遗传算法进行优化尽可能避免算法陷入局部最优对结果的影响,对比不同结果求得最优拓扑结构。
实施例
下面结合附图和实施例对本发明作更进一步的说明。
根据下述实施例,可以更好的理解本发明。然而,本领域的技术人员容易理解,实施例所描述的具体的物料配比、工艺条件及其结果仅用于说明本发明,而不应当也不会限制权利要求书中所详细描述的本发明。
TBCC发动机是将涡轮发动机与亚燃/超燃冲压发动机有机组合的推进装置,实现变循环工作过程,使飞行器在不同的飞行条件(亚声速、超声速、高超声速)下都能得到良好的推进性能。图1所示为本发明方法所应用的串联方式TBCC结构示意图,串联布局的特点是,冲压发动机置于涡轮发动机后方,两种发动机共用进气道、加力/冲压燃烧室和喷管。在进气道下游,设置气流调节阀门。低速飞行时,发动机完全以涡轮模态工作,而在高马赫数条件下,发动机完全以冲压模态工作。在涡轮模态或冲压模态下,TBCC发动机均存在位于燃烧室周围的高温区。由于电子元器件对温度敏感,高温下容易发生故障,所以在安置节点时尽量远离高温区。
图2所示为TBCC的简化模型,其中黑色部分为发动机的高温区,中央节点以及智能节点应尽量避免安置在这一区域。将发动机机匣表面按照轴向每1cm,周向每3.6度划分为网格,由左往右依次将发动机机匣表面所划分的网格进行编号。
如步骤2)所述,用4个星型结构连接所有发动机节点,由每个星型结构的中央节点位置决定星型结构的从节点,即每个从节点都会与距离较近的中央节点相连组成星型结构。利用粒子群算法优化4个中央节点的位置具有快速准确的优点,对中央节点的位置采用圆柱轴向坐标和圆周角度来表示。在计算出轴向和周向位置后,将位置信息转换为网格编号。
粒子群算法中每个粒子都有一个位置和速度,例如对上述4个智能中央节点进行优化,粒子群的位置量编码为
x=[z1,θ1,…,z4,θ4] (1)
其中zi表示粒子的轴向位置,θi表示粒子的径向位置。对粒子速度量编码为
粒子优劣的评价标准是由适应度函数决定的,选取智能中央节点位置评价的适应度函数为
其中n=26为星型结构从节点的个数,dk为从节点到各个智能中央节点的距离集合,min()表示集合中最小的值,dz为智能中央节点总线连接方式,pt为温度惩罚函数。本实施例采用分步优化的方法,先优化星型结构中央节点位置使得星型结构所需线束长度最短,再优化4个中央节点环型总线拓扑结构,即粒子群算法的目标函数暂不考虑dz的影响。由于中央节点的位置要避开高温区,当优化位置在高温区温度惩罚函数取值pt=100。所以本此适应度函数只以线束长度和节点可靠性作为评价标准,若对其他条件进行限制,可以在适应度函数上加上相应惩罚值。
利用粒子群算法对智能节点位置优化过程如图3所示,优化得到各智能中央节点的位置如表1所示,各智能中央节点所连接的从节点如表2~表5所示。
表1智能中央节点优化后的信息
表2数据集中器1各节点信息
表3数据集中器2各节点信息
表4数据集中器3各节点信息
表5数据集中器4各节点信息
将***级控制器放置在智能中央节点N1节点处,利用遗传算法对四个智能中央节点和***级控制器的环型总线拓扑结构进行优化,遗传算法优化过程如图4所述。图5所示为由步骤1)、步骤2)和步骤3)所述混合拓扑结构示意图。基于本实施例的拓扑结构优化方法用星型结构的智能中央节点连接传感器与执行机构节点,***级控制器直接与智能中央节点通信,大大降低线束总长度,并且改善电子元器件的工作温度,增加可靠度。
将发动分布式控制***通信总线中各智能节点和传输线路组成抽象图,通过抽象图的顶点和边的关系反映该通信总线中各节点的关系。设抽象图G=(V,E)为TBCC分布式控制***通信总线,其中假设发动机中4个总线节点的集合为
V={V1,V2,V3,V4} (4)
其中,Vi(i=1,2,3,4)表示网络中各节点。相应地,抽象图中边的集合为
其中,(V1,V2)表示节点V1和节点V2所构成的边。将抽象图转化为矩阵,用数据结构方法优化网络。为了描述抽象图G中节点与节点的邻接关系,定义抽象图邻接矩阵
X=[x(Vi,Vj)]4×4 (6)
其中
由于邻接矩阵只能表示各个边的关联关系和拓扑特性,在优化的过程中还需对每条边赋以一个实数的权值,形成能够表示线路长度的加权图,加权值组成的对称矩阵D=[d(Vi,Vj)]4×4称为距离矩阵。采用图论的方法计算距离矩阵D,即将发动机模型网格化,在此网格的基础上用图论中的最短路径法计算出节点Vi到节点Vj之间的最短长度d(Vi,Vj)。
假设发动机分布式控制***通信总线中节点的位置固定,基于遗传算法针对发动机分布式通信网络,开展如下优化。
步骤A、个体的选取及编码。邻接矩阵是一个对称矩阵,且x(Vi,Vi)=0,i=1,2,3,4,所以个体p选择为
具体编码方式如图6所示,这种选取表明每个个体都是发动机分布式控制***通信总线的一种可能拓扑结构。个体中每个基因x(Vi,Vj)就代表相应地邻接关系,其值见式(7),所以此种个体不需要编码,只需随机产生只有0和1的一组序列。考虑到TBCC分布式控制***中X个节点的优化计算时间和收敛程度,取种群中个体数目为100。
步骤B、目标函数的确立及适应度的计算。优化中,目标函数选为线束总长度,即
考虑拓扑结构中节点间连接的可靠性,对目标进行一定的约束,约束条件为任意的两个节点之间存在两条独立路径(即两条路径没有相交的部分),若不满足约束条件,对个体施以惩罚值pu
pu=1000×L (10)
则每个个体的适应度值为
F=L-pu (11)
将种群中每个个体进行解码并代入目标函数中进行计算,并判断是否满足约束条件,根据判断的结果计算个体的适应度值。
步骤C、选择操作。按个体适应度值与所有个体适应度值总和的比值大小决定其子孙遗留的可能性。若某个体i(某个通信网络拓扑结构)其适应度为fi,则其被选取的概率表示为
步骤D、交叉与变异。遗传算法对控制参数的选取非常敏感。全局优化遗传算法中控制参数的选取将影响优化效果和优化速度,考虑到算法的计算速度和收敛程度,选择交叉概率为0.8,变异概率为0.3进行染色体交叉、变异,则交叉、变异过程如下。
设发生交叉的两个父代个体为p1 f和p2 f,两个个体的长度都为n×(n-1)/2=6(n表示节点数)。随机生成两个不大于6的整数c1和c2,其中c1<c2。对p1 f和p2 f进行交叉操作,生成的新个体是p1 s和p2 s。
设发生变异的父代个体为p3 f,个体的长度为6。随机生成两个不大于6的整数m1和m2,其中m1+1<m2,个体变异生成的新个体为p3 s,则
对父代个体进行交叉和变异操作产生新的个体,新的个体与父代个体合并新的个体群。
步骤E、优化流程。重复步骤A~步骤D。
如图7所示为利用遗传算法优化得到由步骤1)、步骤2)和步骤3)所述的涡轮基组合循环发动机分布式控制***通信网络混合拓扑结构最优连线方式,其中***级控制器与节点N1放置在同一位置。其拓扑结构立体图如图8所示,其中黑点表示智能中央节点,灰点表示所有的从节点,实线为智能中央节点环型总线,虚线为4个星型结构中智能中央节点与对应从节点的连线。4个星型结构以及环型总线所需的线束长度如表6所示。
表6连接线束长度
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种TBCC分布式控制***通信网络的混合拓扑结构优化方法,其特征在于:包括以下步骤:
步骤1)建立TBCC发动机几何模型和网格模型;
步骤2)基于粒子群算法优化智能中央节点位置;
步骤3)利用遗传算法优化智能中央节点的通信网络拓扑结构。
2.根据权利要求1所述的TBCC分布式控制***通信网络的混合拓扑结构优化方法,其特征在于:所述步骤1)中的具体步骤如下:
步骤1.1),建立空间3维坐标系,TBCC发动机机匣表面的曲面数学模型为
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>z</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<msup>
<mn>50</mn>
<mn>2</mn>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>600</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中x轴方向为发动机轴向方向,y和z轴方向均为发动机径向方向,单位为cm。基于该数学模型绘制TBCC发动机壳体几何模型。
步骤1.2),按照发动机的实际尺寸和精度要求对发动机几何模型划分网格,对划分的网格进行编号,其基本方法是:沿轴向每1cm取一个截面圆,每个截面圆被分为100等分。取第一个截面圆上某一点为起始点,依次用自然数进行编号;在当前截面圆的周向位置编号完成后,再对下一个周向网格进行编号,以此类推,其中每一个周向网格编号的第一位在同一轴向位置;
步骤1.3),排除不可通行区域,计算每个网格点与其相邻的网格点之间的距离,由上述结果可以得到网格的邻接矩阵M,获得TBCC几何模型;邻接矩阵M是一个稀疏矩阵,其行数和列数对应所有网格的编号;如果相邻两个网格点i和j之间相连,则将两个相邻节点间的距离赋值给稀疏矩阵M(i,j),如果相邻两个网格点i和j之间不相连,将矩阵M(i,j)值置0。
3.根据权利要求1所述的TBCC分布式控制***通信网络的混合拓扑结构优化方法,其特征在于:所述步骤2)中的具体步骤如下:
步骤2.1),确定发动机各个节点的位置,利用网格编号表示;
步骤2.2),避开发动机高温区,确定4个星型结构智能中央节点位置的选取范围;
步骤2.3),在中央节点位置选取范围内利用粒子群算法优化得到4个智能中央节点的位置;
4.根据权利要求1所述的TBCC分布式控制***通信网络的混合拓扑结构优化方法,其特征在于:所述步骤2.3)中的具体步骤如下:
步骤2.3.1),确定发动机所有节点的网格编号,星型结构智能中央节点使用N1,N2,N3,N4来表示;在中央节点位置选取范围内,初始随机生成4个中央节点的位置;
步骤2.3.2),利用Floyed算法计算每个发动机节点到四个中央节点的距离并进行比较,将每个发动机节点与距离最短的中央节点连接;与中央节点N1相连接的发动机节点用N1-1,N1-2,…表示,以此类推;
步骤2.3.3),计算4个星型结构中央节点到各自从节点的距离之和作为目标函数,如果生成的中央节点的位置处于高温区,则在目标函数上施加温度惩罚函数。再根据粒子群的迭代公式计算生成新的中央节点的位置;
步骤2.3.4),重复步骤2.3.2)和步骤2.3.3)直至目标函数收敛;
步骤2.3.5),多次利用粒子群算法进行优化,来降低局部最优对优化结果的影响,对比不同结果求得中央节点的最优位置。
5.根据权利要求1所述的TBCC分布式控制***通信网络的混合拓扑结构优化方法,其特征在于:所述步骤3)中的具体步骤如下:
步骤3.1),由步骤2)得到发动机智能中央节点的位置,用各个节点所在的网格编号表征节点的位置;
步骤3.2),基于步骤1)中得到的发动机网格邻接矩阵M,利用最短路径Floyed算法求解所有智能中央节点两两之间的最短路径以及路径长度,得到智能中央节点的距离矩阵D,矩阵D的行数和列数对应所有智能节点的编号,矩阵的值为对应行和列的两个智能节点之间的距离;
步骤3.3),确定连接智能中央节点与智能节点的总线方式;
步骤3.4),利用遗传算法优化由智能中央节点构成的TBCC分布式控制网络的总线拓扑结构。
6.根据权利要求4所述的TBCC分布式控制***通信网络的混合拓扑结构优化方法,其特征在于:所述步骤3.4)中的遗传算法的优化方法具体步骤如下:
步骤3.4.1),确定总线上的智能中央节点及其编号,智能中央节点用N1,N2,…来表示;
步骤3.4.2),将总线上所有节点的连接方式用二进制编码,确定遗传算法交叉概率χ、变异概率δ、目标函数F以及冗余度惩罚值pu;
步骤3.4.3),利用遗传算法对上述编码进行优化;
步骤3.4.4),多次利用遗传算法进行优化尽可能避免算法陷入局部最优对结果的影响,对比不同结果求得最优拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710809804.XA CN107748493B (zh) | 2017-09-11 | 2017-09-11 | Tbcc分布式控制***通信网络混合拓扑结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710809804.XA CN107748493B (zh) | 2017-09-11 | 2017-09-11 | Tbcc分布式控制***通信网络混合拓扑结构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107748493A true CN107748493A (zh) | 2018-03-02 |
CN107748493B CN107748493B (zh) | 2020-02-07 |
Family
ID=61255177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710809804.XA Active CN107748493B (zh) | 2017-09-11 | 2017-09-11 | Tbcc分布式控制***通信网络混合拓扑结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748493B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009710A (zh) * | 2019-02-21 | 2019-07-12 | 李婉彤 | 一种基于粒子群优化算法的网络拓扑图形自动生成方法 |
CN112185116A (zh) * | 2020-09-29 | 2021-01-05 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203906118U (zh) * | 2014-03-31 | 2014-10-29 | 冯加伟 | 涡轮基组合循环发动机用气体冷却*** |
US20150007550A1 (en) * | 2006-12-18 | 2015-01-08 | Aerojet Rocketdyne, Inc. | Combined Cycle Integrated Combustor and Nozzle System |
CN105156229A (zh) * | 2015-09-29 | 2015-12-16 | 清华大学 | 一种液体喷射辅助式涡轮冲压组合循环发动机 |
CN106451429A (zh) * | 2016-10-19 | 2017-02-22 | 合肥工业大学 | 一种基于博弈论的含电动汽车入网的配电网重构方法 |
-
2017
- 2017-09-11 CN CN201710809804.XA patent/CN107748493B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150007550A1 (en) * | 2006-12-18 | 2015-01-08 | Aerojet Rocketdyne, Inc. | Combined Cycle Integrated Combustor and Nozzle System |
CN203906118U (zh) * | 2014-03-31 | 2014-10-29 | 冯加伟 | 涡轮基组合循环发动机用气体冷却*** |
CN105156229A (zh) * | 2015-09-29 | 2015-12-16 | 清华大学 | 一种液体喷射辅助式涡轮冲压组合循环发动机 |
CN106451429A (zh) * | 2016-10-19 | 2017-02-22 | 合肥工业大学 | 一种基于博弈论的含电动汽车入网的配电网重构方法 |
Non-Patent Citations (3)
Title |
---|
宋军强等: "航空发动机分布式控制拓扑结构优化方法", 《航空动力学报》 * |
宋军强等: "航空发动机分布式控制***技术分析及***方案", 《航空动力学报》 * |
汤丽丽等: "航空发动机分布式控制通讯网络拓扑结构优化", 《航空发动机》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009710A (zh) * | 2019-02-21 | 2019-07-12 | 李婉彤 | 一种基于粒子群优化算法的网络拓扑图形自动生成方法 |
CN112185116A (zh) * | 2020-09-29 | 2021-01-05 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
CN112185116B (zh) * | 2020-09-29 | 2021-11-23 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107748493B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022061871A1 (zh) | 一种基于混合自适应差分进化的航空发动机模型迭代算法 | |
CN112131670B (zh) | 一种基于混合自适应差分进化的航空发动机模型迭代算法 | |
CN111680357B (zh) | 一种变循环发动机机载实时模型的部件级无迭代构建方法 | |
CN114626573B (zh) | 基于改进多元宇宙算法优化极限学习机的负荷预测方法 | |
Qu et al. | Pipe routing approach for aircraft engines based on ant colony optimization | |
CN109634107B (zh) | 一种发动机动态控制规律优化方法 | |
CN107748493A (zh) | Tbcc分布式控制***通信网络混合拓扑结构优化方法 | |
CN111416356A (zh) | 基于交替方向乘子法及最优潮流的输配电网联动优化方法 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN105221270A (zh) | 多变量前馈控制 | |
CN113638841A (zh) | 一种基于神经网络预测控制的双风轮风力机变桨控制方法 | |
CN110688744A (zh) | 一种应用于热电耦合网络的异步分布式状态估计方法 | |
Kaba et al. | Multi-dimensional energetic performance modeling of an aircraft engine with the aid of enhanced least–squares estimation based genetic algorithm method | |
CN116772880A (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
Zhou et al. | Research based on lee algorithm and genetic algorithm of the automatic external pipe routing of the aircraft engine | |
CN107566180B (zh) | 涡轮基组合循环发动机分布式控制***通信网络拓扑结构优化方法 | |
CN109325288A (zh) | 一种基于不确定性优化的固体运载器总体参数确定方法及*** | |
Pagano et al. | Multi-objective aeroacoustic optimization of an aircraft propeller | |
CN110985216B (zh) | 一种含在线修正的航空发动机智能多变量控制方法 | |
Gaiddon et al. | Multicriteria design optimization of integrated three-dimensional supersonic inlets | |
Wei et al. | An energy-saving regulation approach based on economic rotational speed and power split feature for more electric turboshaft engine | |
CN115358167A (zh) | 一种考虑发动机参数的飞发一体气动伴随优化设计方法 | |
Al-Amyal et al. | Multistage ant colony algorithm for economic emission dispatch problem | |
CN107168052A (zh) | 一种mmc‑hvdc***控制参数优化方法 | |
Oonsivilai et al. | Gas turbine optimal PID tuning by genetic algorithm using MSE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |