CN112446098B - 海洋装备中推进器的极限性能模拟方法 - Google Patents
海洋装备中推进器的极限性能模拟方法 Download PDFInfo
- Publication number
- CN112446098B CN112446098B CN202011414100.0A CN202011414100A CN112446098B CN 112446098 B CN112446098 B CN 112446098B CN 202011414100 A CN202011414100 A CN 202011414100A CN 112446098 B CN112446098 B CN 112446098B
- Authority
- CN
- China
- Prior art keywords
- propeller
- performance
- parameter
- parameters
- function
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种海洋装备中推进器的极限性能模拟方法,该方法包括:采集推进器的环境参数、材料参数和性能参数;建立推进器极限性能模拟的神经网络模型,通过所述神经网络获得推进器的极限性能模拟系数;所述神经网路将环境参数与推进器的性能参数的相关参数和材料参数与性能参数的相关参数作为输入向量,输出推进器的性能参数变化函数;将输出推进器的性能参数变化函数通过线性拟合得到极限环境下对材料参数与性能参数的对应关系。本发明的模拟方法能够模拟出极限环境下推进器的结构和性能系数,从而利于针对推进器进行改进,避免在实际的极限环境下时出现安全隐患,并为推进器的设计提供数据依据。
Description
技术领域
本发明涉及海洋装备中的推进器,具体地指一种海洋装备中推进器的极限性能模拟方法。
背景技术
海洋设备例如海洋核动力平台,需要在海洋环境中面对各种恶劣环境,因此对于海洋设备中各部件的性能要求比较高。其中,船舶中的推进器作为动力设备,是海洋核动力平台的重要设备,其推力、功率、转速和航速等性能以及在各种环境下的耐用性具有重要的作用,特别是在极寒的环境下,推进器的是否还能保持正常环境下的性能对于行驶和安全性具有相当重要的影响。
因此,为了推进器在避免在极限环境下出现故障,有必要对推进器在极限环境下的性能进行模拟计算,以便根据计算出推进器的状况,对推进器可能出现的问题进行解决。
发明内容
本发明目的在于克服上述现有技术的不足而提供一种海洋装备中推进器的极限性能模拟方法,该模拟方法能够模拟出极限环境下推进器的结构和性能系数,从而利于针对推进器进行改进,避免在实际的极限环境下时出现安全隐患。
实现本发明目的采用的技术方案是:一种海洋装备中推进器的极限性能模拟方法,该方法包括:
采集推进器的环境参数、材料参数和性能参数;
建立推进器极限性能模拟的神经网络模型,通过所述神经网络获得推进器的极限性能模拟系数;所述神经网路将环境参数与推进器的性能参数的相关参数γ和材料参数与性能参数的相关参数ξ作为输入向量,输出推进器的性能参数变化函数;
将输出推进器的性能参数变化函数通过线性拟合得到极限环境下对材料参数与性能参数的对应关系。
在上述技术方案中,所述神经网络模型的网络输出表达式为:
Y=f2[W2·f1(W1·X-B1)-B2]
W1、B1分别为输入层到隐层的权值矩阵和偏差矩阵,W2、B2分别为隐层到输出层的权值矩阵和偏差矩阵,f1、f2分别为隐层和输出层的神经元传输函数,输出向量Y为推进器的极限性能函数,其输入向量X为环境参数、材料参数和性能参数的函数,其中:
X=f(A,V,C,K)
式中,A为环境参数函数、V为材料参数函数、C为性能参数函数,K为相关函数;其中,A=K1(Loc,T1,T2,S),Loc,T1,T2,S分别表示为地理位置、环境温度、空气湿度、风速;V=K2(L,M,N,O),L,M,N和O分别为推进器中部件的硬度、强度、脆性和塑性;C=K3(F,P,S1,S2),F,P,S1,S2分别为推进器的推力、功率、转速和航速这四个参数;K={γ,ξ},γ为环境参数A与性能参数C的相关系数,ξ为材料参数V与性能参数C的相关系数,其中,
表示C的共轭;
表示C的共轭。
本发明方法将推进器的性能参数的相关参数γ和材料参数与性能参数的相关参数ξ作为输入向量,通过神经网络计算出,不同环境参数下,推进器中各部件的材料参数以及推进器的性能参数的推进器性能变化函数,再将输出推进器的性能参数变化函数通过线性拟合得到极限环境下材料参数与性能参数的对应关系,从而模拟出极端环境下,推进器中各部件所需材料的参数,以及推进器的工作性能是否符合标准,是否存在安全隐患等,并为极限环境下运行的推进器材料、工艺和性能的改进和优化提供可靠的数据依据。
附图说明
图1为本发明海洋装备中推进器的极限性能模拟方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,本发明海洋装备中推进器的极限性能模拟方法包括:
S1、采集推进器的环境参数、材料参数和性能参数;
S2、建立推进器极限性能模拟的神经网络模型,通过所述神经网络获得推进器的极限性能模拟系数;所述神经网路将环境参数与推进器的性能参数的相关参数γ和材料参数与性能参数的相关参数ξ作为输入向量,输出推进器的性能参数变化函数。
具体地,本实施例所建立的神经网络的网络输出表达式为:
Y=f2[W2·f1(W1·X-B1)-B2]
W1、B1分别为输入层到隐层的权值矩阵和偏差矩阵,W2、B2分别为隐层到输出层的权值矩阵和偏差矩阵,f1、f2分别为隐层和输出层的神经元传输函数,输出向量Y为推进器的极限性能函数,其输入向量X为环境参数、材料参数和性能参数的函数,其中:
X=f(A,V,C,K)
式中,A为环境参数函数、V为材料参数函数、C为性能参数函数,K为相关函数;其中,A=K1(Loc,T1,T2,S),Loc,T1,T2,S分别表示为地理位置、环境温度、空气湿度、风速;V=K2(L,M,N,O),L,M,N和O分别为推进器中部件的硬度、强度、脆性和塑性;C=K3(F,P,S1,S2),F,P,S1,S2分别为推进器的推力、功率、转速和航速这四个参数;K={γ,ξ},γ为环境参数A与性能参数C的相关系数,ξ为材料参数V与性能参数C的相关系数,其中,
表示C的共轭;
表示C的共轭。
输出向量Y为推进器的极限性能函数。
本实施例利用上一个正常工况下推进器的状态参数对所建立的神经网络进行网络训练,根据输出值和正常工况下输出值之间的误差,不断调整隐含层函数、神经元个数以及权值,直到其误差满足要求;所述正常工况为推进器的状态参数满足标准条件下的环境。
本实施例通过BP算法对所述神经网络进行网络训练,具体包括:
BP算法分为向前传播阶段和向后传播阶段,在向前传播阶段中,信息从输入层经过逐级的变换,传送到输出层,该过程也是网络在完成训练后正常运行时执行的过程;向后传播阶段根据绩效化误差调整权矩阵阶段;
取网络关于第p个样本的误差测度:
式中:m为输出层的神经元个数;ypj表示第p个样本第j个元素的理想输出向量,Ypj为第p个样本第j个元素的网络输出值,最后将网络关于整个样本集的误差测定为:
E=∑Ep
根据上式计算至该整个样本集的误差在规定的阈值范围内,阈值范围即在常规环境下,推进器的性能指标。
S3、将输出推进器的性能参数变化函数通过线性拟合得到极限环境下对材料参数与性能参数的对应关系。
通过下式计算:
式中,an为环境参数函数,xi为推进器中部件i的材料参数函数,yi为推进器中部件i的性能参数函数,∑xiyi为推进器中部件i不同环境参数下对材料参数与性能参数的对应关系式。
通过上式性拟合得到极限环境下材料参数与性能参数的对应关系函数,从而能过模拟出极端环境下,推进器中各部件所需材料的参数,以及推进器的工作性能是否符合标准。例如在极寒环境下(温度-40℃),通过对应关系函数,计算出推进器中各部件的材料参数硬度、强度、脆性和塑性的参数是否在正常的标准数据范围之内,如超出范围,则存在安全隐患,需要对推进器的材料进行测试改进,同时通过推进器性能变化函数,计算出推进器的推力、功率、转速和航速是否产生影响,为推进器的优化设计和改进提供数据支持。
Claims (4)
1.一种海洋装备中推进器的极限性能模拟方法,其特征在于,包括:
采集推进器的环境参数、材料参数和性能参数;
建立推进器极限性能模拟的神经网络模型,通过所述神经网络获得推进器的极限性能模拟系数;所述神经网路将环境参数与推进器的性能参数的相关参数γ和材料参数与性能参数的相关参数ξ作为输入向量,输出推进器的性能参数变化函数;所述神经网络模型的网络输出表达式为:
Y=f2[W2·f1(W1·X-B1)-B2]
W1、B1分别为输入层到隐层的权值矩阵和偏差矩阵,W2、B2分别为隐层到输出层的权值矩阵和偏差矩阵,f1、f2分别为隐层和输出层的神经元传输函数,输出向量Y为推进器的极限性能函数,其输入向量X为环境参数、材料参数和性能参数的函数,其中:
X=f(A,V,C,K)
式中,A为环境参数函数、V为材料参数函数、C为性能参数函数,K为相关函数;其中,A=K1(Loc,T1,T2,S),Loc,T1,T2,S分别表示为地理位置、环境温度、空气湿度、风速;V=K2(L,M,N,O),L,M,N和O分别为推进器中部件的硬度、强度、脆性和塑性;C=K3(F,P,S1,S2),F,P,S1,S2分别为推进器的推力、功率、转速和航速这四个参数;K={γ,ξ},γ为环境参数A与性能参数C的相关系数,ξ为材料参数V与性能参数C的相关系数,其中,
表示C的共轭;
表示C的共轭;
将输出推进器的性能参数变化函数通过线性拟合得到极限环境下对材料参数与性能参数的对应关系。
2.根据权利要求1所述海洋装备中推进器的极限性能模拟方法,其特征在于:利用上一个正常工况下推进器的状态参数对所建立的神经网络进行网络训练,根据输出值和正常工况下输出值之间的误差,不断调整隐含层函数、神经元个数以及权值,直到其误差满足要求;所述正常工况为推进器的状态参数满足标准条件下的环境。
3.根据权利要求2所述海洋装备中推进器的极限性能模拟方法,其特征在于:通过BP算法对所述神经网络进行网络训练,所述BP算法分为向前传播阶段和向后传播阶段,在向前传播阶段中,信息从输入层经过逐级的变换,传送到输出层;向后传播阶段根据绩效化误差调整权矩阵阶段;
取网络关于第p个样本的误差测度:
式中:m为输出层的神经元个数;ypj表示第p个样本第j个元素的理想输出向量,Ypj为第p个样本第j个元素的网络输出值,最后将网络关于整个样本集的误差测定为:
E=∑Ep
根据上式计算至该整个样本集的误差在规定的阈值范围内。
4.根据权利要求1-3任一所述海洋装备中推进器的极限性能模拟方法,其特征在于所述将输出推进器的性能参数变化函数通过线性拟合得到不同环境参数下对材料参数与性能参数的对应关系通过下式计算:
式中,an为环境参数函数,xi为推进器中部件i的材料参数函数,yi为推进器中部件i的性能参数函数,∑xiyi为推进器中部件i不同环境参数下对材料参数与性能参数的对应关系式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011414100.0A CN112446098B (zh) | 2020-12-03 | 2020-12-03 | 海洋装备中推进器的极限性能模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011414100.0A CN112446098B (zh) | 2020-12-03 | 2020-12-03 | 海洋装备中推进器的极限性能模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446098A CN112446098A (zh) | 2021-03-05 |
CN112446098B true CN112446098B (zh) | 2023-08-25 |
Family
ID=74739671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011414100.0A Active CN112446098B (zh) | 2020-12-03 | 2020-12-03 | 海洋装备中推进器的极限性能模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446098B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2791446A1 (fr) * | 1999-03-26 | 2000-09-29 | Renault | Procede d'initialisation d'un reseau de neurones |
US6574613B1 (en) * | 1998-02-27 | 2003-06-03 | Jorge Moreno-Barragan | System and method for diagnosing jet engine conditions |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN110077525A (zh) * | 2019-05-08 | 2019-08-02 | 河海大学 | 一种船舶的双桨推进性能辨识方法 |
CN110910531A (zh) * | 2019-10-21 | 2020-03-24 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
CN111144001A (zh) * | 2019-12-26 | 2020-05-12 | 湖南科技大学 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10201018B4 (de) * | 2002-01-11 | 2004-08-05 | Eads Deutschland Gmbh | Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens |
CN105550744A (zh) * | 2015-12-06 | 2016-05-04 | 北京工业大学 | 一种基于迭代的神经网络聚类方法 |
-
2020
- 2020-12-03 CN CN202011414100.0A patent/CN112446098B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6574613B1 (en) * | 1998-02-27 | 2003-06-03 | Jorge Moreno-Barragan | System and method for diagnosing jet engine conditions |
FR2791446A1 (fr) * | 1999-03-26 | 2000-09-29 | Renault | Procede d'initialisation d'un reseau de neurones |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN110077525A (zh) * | 2019-05-08 | 2019-08-02 | 河海大学 | 一种船舶的双桨推进性能辨识方法 |
CN110910531A (zh) * | 2019-10-21 | 2020-03-24 | 同济大学 | 一种基于车载obd信息的路面摩擦系数快速检测方法 |
CN111144001A (zh) * | 2019-12-26 | 2020-05-12 | 湖南科技大学 | 一种基于bp神经网络的矿山井筒工程tbm控制方法 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
Non-Patent Citations (1)
Title |
---|
海洋核动力平台大破口事故下安全壳压力控制与影响;谭美等;船舶工程(第11期);29-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN112446098A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102129259B (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制***和方法 | |
CN110554606B (zh) | 一种用于高超音速飞行器的自适应容错控制方法 | |
CN111650830A (zh) | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 | |
CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN102054199A (zh) | 基于bp神经网络算法对涂层老化的分析方法 | |
Xu et al. | Dynamic decoupling and compensating methods of multi-axis force sensors | |
CN111638034B (zh) | 基于深度学***温度梯度误差补偿方法及*** | |
CN106597852A (zh) | 一种基于rbf神经网络的mems陀螺仪温度补偿方法 | |
CN115688288A (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN112446098B (zh) | 海洋装备中推进器的极限性能模拟方法 | |
CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
US20030216896A1 (en) | System and method for modeling dynamic systems using large scale parameter estimation | |
CN113370208A (zh) | 一种可重构机械臂子***的控制方法及*** | |
CN104899642A (zh) | 基于混合神经网络模型的大变形柔性体动态应力补偿方法 | |
CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 | |
CN112052551A (zh) | 一种风机喘振运行故障识别方法及*** | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN113219841B (zh) | 基于自适应鲁棒的水下多关节液压机械臂非线性控制方法 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
CN116449360A (zh) | 一种基于长短时间记忆网络的机动目标跟踪方法 | |
CN114791334A (zh) | 一种压力传感器的标定简化方法 | |
CN107292015B (zh) | 基于神经网络算法的水下航行器均衡潜浮模型评估方法 | |
CN108509684B (zh) | 舵机与动态负载模拟器匹配设计方法 | |
RU2662331C1 (ru) | Моделирующий комплекс для отладки системы управления автономным подвижным объектом | |
CN105867114B (zh) | 一种新型的电动加载***控制方法 |
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 |