CN113569319B - 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 - Google Patents
基于pso_de智能算法的航空发动机模型自适应修正器设计方法 Download PDFInfo
- Publication number
- CN113569319B CN113569319B CN202110868756.8A CN202110868756A CN113569319B CN 113569319 B CN113569319 B CN 113569319B CN 202110868756 A CN202110868756 A CN 202110868756A CN 113569319 B CN113569319 B CN 113569319B
- Authority
- CN
- China
- Prior art keywords
- engine
- model
- pso
- algorithm
- parameters
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013461 design Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 55
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 14
- 238000012821 model calculation Methods 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Civil Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,步骤如下:在现有某型航空发动机的典型部件特性及模型的基础上,结合发动机整机试验数据,通过混合粒子群(PSO)与自适应差分(DE)进化算法的PSO_DE算法寻优计算,计算出不同工作环境下的最佳部件特性,再将部件特性转化为基于典型部件特性条件下的修正因子并将其应用于现有发动机模型中,实现了航空发动机根据不同工作环境下部件特性的自适应获取进而修正发动机模型的任务。本发明克服了发动机典型部件特性与真实发动机因为使用环境不同而导致的部件特性差异大的问题;提高了发动机的建模精度,为修正航空发动机模型提供了一种高效可靠的修正器设计方法。
Description
技术领域
本发明涉及航空发动机建模仿真与人工智能相关领域,特别是涉及一种基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法。
背景技术
随着现代飞行器相关技术的革新,未来飞行器对航空发动机的性能需求越来越严格,航空发动机相关领域的技术需求也越来越高。随着航空、航天技术的快速发展,航空发动机相关技术一直备受各国相关学者与工程应用人员的广泛关注。发动机建模仿真作为发动机设计制造的关键环节,对发动机的设计生产周期以及实现成本都具有很大的影响。在发动机建模仿真过程中,发动机相关部件特性的准确性直接影响发动机模型的精度。对于不同的发动机其部件特性差异较大,甚至同一型号同一批次的发动机,因为其制造以及安装工艺的差别以及发动机工作时间及工作环境的改变都会影响发动机部件特性,进而导致发动机性能的差异。因此,基于发动机的试验数据,结合发动机模型仿真结果,开展发动机根据不同使用环境进行发动机自适应修正的模型修正器设计工作具有很好的研究价值。
随着人工智能相关技术的发展,“发动机智能化”的相关研究越来越受到国内外相关学者与工程人员的关注。智能优化算法一般应用于解决最优化问题。针对发动机建模仿真中因为部件特性偏差而导致的发动机模型精度问题可以转化为寻找不同条件下最佳发动机部件特性的优化问题,进而根据已有的部件特性对其进行修正后应用于发动机进而提高发动机的建模精度。
现阶段,国内外相关学者针对修正发动机部件特性来改善发动机模型精度问题展开了一些工作。国外学者Stamatis提出了经典的修正因子法,可根据试验数据,采用优化算法求出符合预期结果的部件特性;Kong等基于***辨识方法和遗传算法完成了发动机部件特性修正的研究;Li等使用遗传算法结合最小二乘法等进行耦合因子函数系数项寻优,对发动机部件特性进行了修正;国内学者董桢应用PSO算法对涡轴发动机部件特性修正展开了研究并取得较好效果,但未对此方法是否适合涡扇发动机进行验证;陈义成基于PSO算法对某型涡扇发动机模型修正进行了研究并取得了一定的成果,但未对算法容易陷入局部而导致的修正结果具有很强的随机性问题进行深入探讨。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,使用PSO_DE智能算法充分发挥了DE算法的全局搜索能力强以及PSO算法的收敛速度快的优点,在保证提高全局收敛性的情况下维持了理想的计算效率。通过此算法在航空发动机模型修正器中的应用,高效解决了算法容易陷入局部而导致的修正结果具有很强的随机性问题。
为了达到上述目的,本发明所采用的具体技术方案如下:
一种基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,具体包括以下步骤:
S1,获取典型的发动机模型试验数据,根据不同工作环境的输入条件得到对应的模型仿真参数,计算发动机在相同工作环境的真实试验数据并与模型仿真参数进行误差计算,得到发动机在不同工作环境下的模型误差;
S2,根据发动机工作环境,采用粒子群混合自适应差分进化算法寻找模型误差最小的发动机部件特性,粒子群混合自适应差分进化算法具体指的是采用PSO算法初始化粒子群中每个粒子的位置和速度,采用DE算法对更新的位置进行变异、交叉操作,生成新的种群并重新计算种群的个体最优和全局最优,迭代完成后输出最优结果;
S3,获取发动机模型中可调整的发动机部件特性参数,并通过PSO DE智能算法搜索出与发动机工作环境对应的部件特性最优参数,得到修正系数并应用至发动机部件特性曲线中,更新特性曲线以完成发动机模型的自适应工作环境修正;
S4,根据航空发动机工作需求输入工作条件,初始化修正后的发动机模型参数,利用PSO_DE智能算法搜索出最佳目标值,分类保存并应用,完成航空发动机模型自适应修正器设计。
优选的,还包括以下步骤:
S5,对航空发动机模型自适应修正器进行仿真验证。
优选的,步骤S1具体包括以下步骤:
S101,获取典型的发动机模型试验数据,试验数据为发动机在不同工作环境下的试验数据,将与试验相同的发动机工作环境的输入条件:高度、马赫数、尾喷管面积、主燃烧室燃油、加力燃烧室燃油输入到现有发动机模型中,获取发动机模型计算结果;
S102,将真实发动机试验数据与模型计算结果中的发动机主要性能参数进行误差计算,并将误差结果作为评判混合算法寻优计算的目标适应度函数。
优选的,步骤S102中发动机主要性能参数为发动机推力、高压转子转速、低压转子转速、压气机后压力、压气机后温度、低压涡轮后压力、低压涡轮后温度,误差计算函数为式中Fi,i=1,2…7分别表示发动机推力,高压转子转速,低压转子转速,压气机后压力,压气机后温度,低压涡轮后压力,低压涡轮后温度,下标s,f分别表示试验值和模型仿真计算值。
优选的,步骤S101中,发动机模型为基于部件级的方式建立。
优选的,步骤S2具体包括以下步骤:
S201,PSO_DE算法参数初始化,其中PSO算法涉及的初始化参数包括粒子的位置x和速度v、种群数量M、变量个数N、最大迭代次数L、最大搜索速度vmax、最小搜索速度vmin、学习因子c1、c2、惯性权重w、粒子位置限制上下限值ub、lb;DE算法涉及的初始化参数包括最大迭代次数LDE、种群数量MDE、变量个数N、交叉概率CRDE以及变异概率FDE;
S202,采用PSO算法随机生成种群规模为M×N的粒子群,粒子的范围由设置的上下限确定;其中M为种群数量,N为变量个数,计算粒子的适应度值,初始化每个粒子的最优位置Pbest和全局最优位置Gbest;
S203,更新每个粒子的位置和速度,
其中,w=wmax-l·((wmax-wmin)/L),wmax、wmin为常数,l、L分别为迭代次数、最大迭代次数;为第(i,j)个粒子在k次迭代时的自身历史最优位置,Gbestk为种群迭代k次后的全局最优位置,rand是随机生成的0到1之间的数;/>表示经过k次迭代(i,j)处的粒子位置,/>表示经过k+1次迭代(i,j)处的粒子速度;
S204,对更新的位置进行变异、交叉操作,生成新的种群;
S205,计算新生成的种群的适应度值并按照适应度值作为判断条件重新计算种群的个体最优与全局最优,更新后进行下一步迭代操作;
S206,根据设计的迭代次数,重复执行S203至S205直至达到设计的迭代最大值后计算出最优结果。
优选的,步骤S3具体包括以下步骤:
S301,获取发动机模型中可调整的发动机部件特性参数,可调整的发动机部件包括压气机和风扇,其部件特性参数包括:流量、效率、压比三个参数变量;
S302,通过PSO_DE智能算法搜索出与发动机工作环境对应的部件特性最优参数,得到修正系数并应用至发动机部件特性曲线中,更新特性曲线以完成发动机模型的自适应工作环境修正。
优选的,模型初始状态的通用部件特性参数分别按照100%作为参考值进行设置,根据设置的上下限,寻优的修正系数在初始值的基础上设有上下20%的浮动。
优选的,步骤S4具体包括以下步骤:
S401,根据航空发动机工作需求输入工作条件,初始化修正后的发动机模型参数,包括高度、马赫数、尾喷管面积、主燃烧室燃油、加力燃烧室燃油;
S402,将PSO_DE智能算法生成的每一组参数代入到发动机模型获取模型计算结果,按照适应度函数,分别求取每一组模型计算结果与试验真实值的误差,并分别将每一组误差值与局部最优和全局最优进行对比,完成局部最优与全局最优的更新迭代,直至迭代结束输出最佳目标值;
S403:将搜索出的最佳目标值按照航空发动机的工作环境分类保存,并将其应用于对应的工作环境中,完成航空发动机模型自适应工作环境的修正任务。
本发明的有益效果在于:使用PSO_DE智能算法充分发挥了DE算法的全局搜索能力强以及PSO算法的收敛速度快的优点,在保证提高全局收敛性的情况下维持了理想的计算效率。通过此算法在航空发动机模型修正器中的应用,高效解决了算法容易陷入局部而导致的修正结果具有很强的随机性问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法原理图。
图2是基于部件级建模方法的航空发动机模型设计示意图。
图3是PSO_DE混合智能算法寻优计算流程图。
图4是0.8Ma、9.91Km两种算法误差(绝对值)对比柱状图。
图5是0.8Ma、9.91Km两种算法适应度函数寻优迭代效果对比图。
图6是0.8Ma、9.91Km采用PSO_DE混合算法修正误差(绝对值)效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的基本思想为:首先,基于典型发动机模型试验数据,计算出不同工作环境下发动机模型输出结果与试验数据之间误差;其次,在发动机模型中添加修正因子,通过修正因子可以实现部件特性的修正输入任务;然后,基于粒子群混合自适应差分优化算法(PSO_DE)在整个目标区间对部件特性进行寻优计算,找出相同工作环境下最接近真实发动机试验结果的部件特性;最后,将寻优计算得到的部件特性应用到发动机模型,完成发动机模型自适应工作环境的修正任务。
如图1所示,本发明提出了一种基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,首先,根据发动机试验数据中不同工作环境(高度、马赫数、尾喷管面积、燃油流量)的输入条件计算出模型输出结果,并计算出模型仿真值与发动机真实试验数据的误差;其次,在现有发动机模型中添加修正因子模块,实现通过更改修正因子实现更改部件特性的任务;之后,根据粒子群(PSO)算法和差分进化(DE)算法理论设计出性能更优的粒子群混合自适应差分算法的PSO_DE混合算法,并将此算法对部件特性参数进行寻优计算,计算出不同工作环境下的最优结果;最后,将寻优结果进行验证更新,并将最优结果转化为修正因子应用到发动机模型中,完成发动机模型自适应工作环境的误差修正工作。
具体包括以下步骤:
S1,获取典型的发动机模型试验数据,根据不同工作环境的输入条件得到对应的模型仿真参数,计算发动机在相同工作环境的真实试验数据并与模型仿真参数进行误差计算,得到发动机在不同工作环境下的模型误差;
步骤S1具体包括以下步骤:
S101,获取典型的发动机模型试验数据,试验数据为发动机在不同工作环境下的试验数据,将与试验相同的发动机工作环境的输入条件:高度(H)、马赫数(Ma)、尾喷管面积(A8)、主燃烧室燃油(Wfm)、加力燃烧室燃油(wfa)输入到现有发动机模型中,获取发动机模型计算结果;
其中发动机模型为基于部件级的方式建立,模型建立计算流程图如图2所示。
S102,将真实发动机试验数据与模型计算结果中的发动机主要性能参数进行误差计算,并将误差结果作为评判混合算法寻优计算的目标适应度函数。
优选的,步骤S102中发动机主要性能参数为发动机推力、高压转子转速、低压转子转速、压气机后压力、压气机后温度、低压涡轮后压力、低压涡轮后温度,误差计算函数为
式中Fi,i=1,2…7分别表示发动机推力,高压转子转速,低压转子转速,压气机后压力,压气机后温度,低压涡轮后压力,低压涡轮后温度,下标s,f分别表示试验值和模型仿真计算值。
S2,根据发动机工作环境,采用粒子群混合自适应差分进化算法寻找模型误差最小的发动机部件特性,粒子群混合自适应差分进化算法具体指的是采用PSO算法初始化粒子群中每个粒子的位置和速度,采用DE算法对更新的位置进行变异、交叉操作,生成新的种群并重新计算种群的个体最优和全局最优,迭代完成后输出最优结果;
该步骤根据发动机工作环境,应用智能混合算法寻找误差最小的发动机部件特性,其中使用PSO_DE混合算法的目的是利用DE算法的不跟随最优解的高效随机搜索能力克服PSO算法的作为群智能算法容易陷入局部最优的缺陷,提高全局收敛性并维持理想的计算效率。其中,PSO_DE算法的计算过程如图3所示,下面将按照流程图,将算法的计算实施过程做详细说明。
优选的,步骤S2具体包括以下步骤:
S201,PSO_DE算法参数初始化,其中PSO算法涉及的初始化参数包括位置(x)和速度(v)、种群数量M、变量个数N、最大迭代次数L、最大搜索速度vmax、最小搜索速度vmin、学习因子c1、c2、惯性权重w、粒子位置限制上下限值ub、lb;DE算法涉及的初始化参数包括最大迭代次数LDE、种群数量MDE、变量个数N、交叉概率CRDE以及变异概率FDE;
S202,采用PSO算法随机生成种群规模为M×N的粒子群,粒子的范围由设置的上下限确定;其中M为种群数量,是自行设置的常数,本设计中M为50,N为变量个数,本设计中N为6,计算粒子的适应度值,初始化每个粒子的最优位置(Pbest)和全局最优位置(Gbest).
S203,更新每个粒子的位置和速度,
其中,w=wmax-l·((wmax-wmin)/L),wmax、wmin为常数,l、L分别为迭代次数、最大迭代次数;为第(i,j)个粒子在k次迭代时的自身历史最优位置,Gbestk为种群迭代k次后的全局最优位置,rand是随机生成的0到1之间的数;/>表示经过k次迭代(i,j)处的粒子位置,/>表示经过k+1次迭代(i,j)处的粒子速度;c1、c2为S201步设置的常数值。
其中在速度更新时可能会出现超出更新速度范围的情况,此时粒子群速度更新处理方式如公式(4)所示;
上述公式中vmax、vmin均为设置的常数。
S204,对更新的位置进行变异、交叉操作,生成新的种群;其中变异操作按公式(5)执行、交叉操作按公式(7)执行;
x′i,j=xr1,j+FDE·(xr2,j-xr3,j) (5)
上述公式中r1,r2,r3是1至种群数量MDE中随机选择的不同整数,xi,j为变异后粒子,FDE是缩放因子,其计算方式见公式(6)。
其中,F为自行设置的0到1之间的常数初值。
其中,r是0到1之间的随机数,CRDE是交叉概率,是自行设置的0到1之间的常数,xi,j、x′i,j分别为PSO更新后的位置信息和变异后生成的位置信息。因为变异操作可能会生成超出限制的情况发生,因此对交叉后生成的位置信息按公式(8)进行操作。
ui,j=rand(lb,ub)if ui,j<lb or ui,j>ub (8)
ub、lb为上下限制值,根据需要自行设置,rand(lb,ub)随机生成一个上下限值范围内的数。
S205,计算新生成的种群的适应度值(按照公式(1)计算)并按照适应度值作为判断条件重新计算种群的个体最优(Pbest)与全局最优(Gbest),更新后进行下一步迭代操作;
S206,根据设计的迭代次数,重复执行S203至S205直至达到设计的迭代最大值后计算出最优结果。
S3,获取发动机模型中可调整的发动机部件特性参数,并通过PSO_DE智能算法搜索出与发动机工作环境对应的部件特性最优参数,得到修正系数并应用至发动机部件特性曲线中,更新特性曲线以完成发动机模型的自适应工作环境修正;
优选的,步骤S3具体包括以下步骤:
S301,获取发动机模型中可调整的发动机部件特性参数,可调整的发动机部件包括压气机(C)和风扇(Fan),其部件特性参数包括:流量(Wa)、效率(η)、压比(π)三个参数变量;
假设修正前后的参数分别为(Waf,ηf,πf)和(Wanew,ηnew,πnew)则可以通过求取出最优的风扇和压气机的流量、效率、压比,并将其转化为修正系数,之后将修正系数应用到模型中完成修正器的设计,其中修正系数(ΔCη,ΔCWa,ΔCπ,ΔFanη,ΔFanWa,ΔFanπ)根据下述公式计算:
其中,带上标s表示试验值,上标f表示模型仿真计算值,new表示新生成的部件特性,分别表示为压气机效率试验值、压气机效率仿真值、修正后新生成的压气机效率值,/>分别表示为风扇效率试验值、风扇效率仿真值、修正后新生成的风扇效率值,其余参数表示方式与此相同。
S302,通过PSO_DE智能算法搜索出与发动机工作环境对应的部件特性最优参数,得到修正系数并应用至发动机部件特性曲线中,更新特性曲线以完成发动机模型的自适应工作环境修正。
在第二步(S2)中已经根据设计的算法完成了依据试验数据在限制值范围内随机搜索出与工作环境相匹配的最优的风扇、压气机部件特性参数(Cη,CWa,Cπ,Fanη,FanWa,Fanπ),再按照公式(9)和公式(10)将寻优结果转换为修正系数,并将修正系数应用至发动机部件特性曲线中,将特性曲线进行更新,实现发动机模型的自适应工作环境修正任务。
其中模型初始状态的通用部件特性参数分别按照1(100%)作为参考值进行设置,根据设置的上下限,寻优的修正系数在初始值的基础上可以有上下20%的浮动。
S4,根据航空发动机工作需求输入工作条件,初始化修正后的发动机模型参数,利用PSO_DE智能算法搜索出最佳目标值,分类保存并应用,完成航空发动机模型自适应修正器设计。
优选的,步骤S4具体包括以下步骤:
S401,根据航空发动机工作需求输入工作条件,初始化修正后的发动机模型参数,包括高度、马赫数、尾喷管面积、主燃烧室燃油、加力燃烧室燃油;
S402,将PSO_DE智能算法生成的每一组参数代入到发动机模型获取模型计算结果,按照适应度函数,分别求取每一组模型计算结果与试验真实值的误差,并分别将每一组误差值与局部最优和全局最优进行对比,完成局部最优与全局最优的更新迭代,直至迭代结束输出最佳目标值;
S403:将搜索出的最佳目标值按照航空发动机的工作环境分类保存,并将其应用于对应的工作环境中,完成航空发动机模型自适应工作环境的修正任务。
优选的,还包括以下步骤:
S5,对航空发动机模型自适应修正器进行仿真验证。
通过模型计算结果和试验数据的对比,得知已有数据中H=9.91Km、Ma=0.8工作环境下的未修正模型计算误差较大,选取此工况对修正效果进行验证。
S501:将H=9.91Km、Ma=0.8对应工作环境下的输入条件输入至自适应工作环境修正器工况输入模块中,用以完成针对不同工作环境下的模型计算。
S502:将发动机真实试验数据录入到自适应修正器适应度函数计算处中,以备计算、验证智能算法的寻优结果。
S503:调用智能算法(PSO或PSO_DE)子程序,智能算法会根据设置的适应度函数寻优计算出最优结果,将此结果应用至发动机模型即完成了模型修正。为了验证PSO_DE混合算法的优越性,验证阶段分别调用了PSO算法和PSO_DE算法随机进行5次寻优计算,结果对比如图4、图5所示,其中图4的结果为两种算法随机进行5次寻优计算的误差绝对值均值,图5为选取PSO算法典型的陷入局部最优的1次结果和1次较好的结果,PSO_DE算法5次寻优结果偏差较小,随机展示出两次结果。图4表明相同条件下PSO_DE算法的寻优结果误差更小,图5表示PSO算法有时会陷入局部最优、不能搜索出全局最优值。因为发动机的工作环境变化差异非常大,发动机非线性很强,在特殊工作环境下PSO算法可能不能计算出较好的部件特性,为了满足发动机的实际使用需求,设计性能更好的PSO_DE混合算法是必要的。为了验证PSO_DE混合算法的普遍适用性,对此算法的应用结果进行了检验。如图6所示,经过PSO_DE混合算法寻优结果对模型进行修正。结果表明,修正前推力误差(参考左轴)为5.797%、高压转子误差为4.296%、低压转子误差为8.972%、压气机后压力误差为2.6033%、压气机后温度误差为-3.4437%(图中使用的是误差绝对值)、低压涡轮后压力误差为7.6696%、低压涡轮后温度误差为1.7685%;修正后上述参数的适应度函数值(误差绝对值(参考右轴)总和)为0.09897%,可见有效减小了模型误差。此外,为了验证修正器的修正能力对发动机整个工作包线内的普遍适应性,对已有数据的工作环境分别进行了验证,得出的结果是修正后的发动机主要性能参数误差总和均在1%以内,即设计的修正器可以完成发动机模型对不同工作环境的自适应修正任务。
本发明的有益效果在于:使用PSO_DE智能算法充分发挥了DE算法的全局搜索能力强以及PSO算法的收敛速度快的优点,在保证提高全局收敛性的情况下维持了理想的计算效率。通过此算法在航空发动机模型修正器中的应用,高效解决了算法容易陷入局部而导致的修正结果具有很强的随机性问题。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,本领域技术人员完全可以在不偏离本发明技术思想的范围内,进行多样的变更以及修改。本发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求书范围来确定其技术性范围。
Claims (9)
1.一种基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,具体包括以下步骤:
S1,获取典型的发动机模型试验数据,根据不同工作环境的输入条件得到对应的模型仿真参数,计算发动机在相同工作环境的真实试验数据并与模型仿真参数进行误差计算,得到发动机在不同工作环境下的模型误差;将真实发动机试验数据与模型仿真参数中的发动机主要性能参数进行误差计算,并将误差结果作为评判混合算法寻优计算的目标适应度函数;发动机主要性能参数为发动机推力、高压转子转速、低压转子转速、压气机后压力、压气机后温度、低压涡轮后压力、低压涡轮后温度;
S2,根据发动机工作环境,采用粒子群混合自适应差分进化算法寻找模型误差最小的发动机部件特性,粒子群混合自适应差分进化算法采用PSO算法初始化粒子群中每个粒子的位置和速度,采用DE算法对更新的位置进行变异、交叉操作,生成新的种群并重新计算种群的个体最优和全局最优,迭代完成后输出最优结果;
S3,获取发动机模型中可调整的发动机部件特性参数,并通过PSO_DE智能算法搜索出与发动机工作环境对应的部件特性最优参数,得到修正系数并应用至发动机部件特性曲线中,更新特性曲线以完成发动机模型的自适应工作环境修正;获取发动机模型中可调整的发动机部件特性参数,可调整的发动机部件包括压气机和风扇,其部件特性参数包括:流量、效率、压比三个参数变量;
S4,根据航空发动机工作需求输入工作条件,初始化修正后的发动机模型参数,利用PSO_DE智能算法搜索出最佳目标值,分类保存并应用,完成航空发动机模型自适应修正器设计;将搜索出的最佳目标值按照航空发动机的工作环境分类保存,并将其应用于对应的工作环境中,完成航空发动机模型自适应工作环境的修正任务。
2.根据权利要求1所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,还包括以下步骤:
S5,对航空发动机模型自适应修正器进行仿真验证。
3.根据权利要求1所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,步骤S1还包括以下步骤:
获取典型的发动机模型试验数据,试验数据为发动机在不同工作环境下的试验数据,将与试验相同的发动机工作环境的输入条件:高度、马赫数、尾喷管面积、主燃烧室燃油、加力燃烧室燃油输入到现有发动机模型中,获取发动机模型计算结果作为模型仿真参数。
4.根据权利要求3所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,误差计算函数为式中Fi,i=1,2…7分别表示发动机推力,高压转子转速,低压转子转速,压气机后压力,压气机后温度,低压涡轮后压力,低压涡轮后温度,下标s,f分别表示试验值和模型仿真计算值。
5.根据权利要求3所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,步骤S101中,发动机模型为基于部件级的方式建立。
6.根据权利要求3所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,步骤S2具体包括以下步骤:
S201,PSO_DE算法参数初始化,其中PSO算法涉及的初始化参数包括粒子的位置x和速度v、种群数量M、变量个数N、最大迭代次数L、最大搜索速度vmax、最小搜索速度vmin、学习因子c1、c2、惯性权重w、粒子位置限制上下限值ub、lb;DE算法涉及的初始化参数包括最大迭代次数LDE、种群数量MDE、变量个数N、交叉概率CRDE以及变异概率FDE;
S202,采用PSO算法随机生成种群规模为M×N的粒子群,粒子的范围由设置的上下限确定;其中M为种群数量,N为变量个数,计算粒子的适应度值,初始化每个粒子的最优位置Pbest和全局最优位置Gbest;
S203,更新每个粒子的位置和速度,
其中,w=wmax-l·((wmax-wmin)/L),wmax、wmin为常数,l、L分别为迭代次数、最大迭代次数;为第(i,j)个粒子在k次迭代时的自身历史最优位置,Gbestk为种群迭代k次后的全局最优位置,rand是随机生成的0到1之间的数;/>表示经过k次迭代(i,j)处的粒子位置,/>表示经过k+1次迭代(i,j)处的粒子速度;
S204,对更新的位置进行变异、交叉操作,生成新的种群;
S205,计算新生成的种群的适应度值并按照适应度值作为判断条件重新计算种群的个体最优与全局最优,更新后进行下一步迭代操作;
S206,根据设计的迭代次数,重复执行S203至S205直至达到设计的迭代最大值后计算出最优结果。
7.根据权利要求1所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,步骤S3还包括以下步骤:
通过PSO_DE智能算法搜索出与发动机工作环境对应的部件特性最优参数,得到修正系数并应用至发动机部件特性曲线中,更新特性曲线以完成发动机模型的自适应工作环境修正。
8.根据权利要求1或7所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,模型初始状态的通用部件特性参数分别按照100%作为参考值进行设置,根据设置的上下限,寻优的修正系数在初始值的基础上设有上下20%的浮动。
9.根据权利要求1所述的基于PSO_DE智能算法的航空发动机模型自适应修正器设计方法,其特征在于,步骤S4还包括以下步骤:
S401,根据航空发动机工作需求输入工作条件,初始化修正后的发动机模型参数,包括高度、马赫数、尾喷管面积、主燃烧室燃油、加力燃烧室燃油;
S402,将PSO_DE智能算法生成的每一组参数代入到发动机模型获取模型计算结果,按照适应度函数,分别求取每一组模型计算结果与试验真实值的误差,并分别将每一组误差值与局部最优和全局最优进行对比,完成局部最优与全局最优的更新迭代,直至迭代结束输出最佳目标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868756.8A CN113569319B (zh) | 2021-07-29 | 2021-07-29 | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868756.8A CN113569319B (zh) | 2021-07-29 | 2021-07-29 | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569319A CN113569319A (zh) | 2021-10-29 |
CN113569319B true CN113569319B (zh) | 2023-12-29 |
Family
ID=78169300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110868756.8A Active CN113569319B (zh) | 2021-07-29 | 2021-07-29 | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569319B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296343B (zh) * | 2021-11-16 | 2023-10-27 | 南京航空航天大学 | 一种基于深度强化学习的航空发动机压缩部件特性修正方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004007598A1 (de) * | 2004-02-17 | 2005-09-01 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Korrektur eines Messfehlers |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN108304652A (zh) * | 2018-02-01 | 2018-07-20 | 中国人民解放军海军航空大学 | 一种基于改进qpso-elm的涡轴发动机起动过程模型辨识方法 |
CN110850740A (zh) * | 2019-11-21 | 2020-02-28 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
CN111079290A (zh) * | 2019-12-17 | 2020-04-28 | 中国人民解放军海军航空大学 | 一种基于改进多元宇宙算法的发动机模型修正方法 |
CN112507477A (zh) * | 2020-11-05 | 2021-03-16 | 南京航空航天大学 | 一种航空发动机变导叶部件特性自适应修正方法 |
-
2021
- 2021-07-29 CN CN202110868756.8A patent/CN113569319B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004007598A1 (de) * | 2004-02-17 | 2005-09-01 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Korrektur eines Messfehlers |
CN107992648A (zh) * | 2017-11-15 | 2018-05-04 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
CN108304652A (zh) * | 2018-02-01 | 2018-07-20 | 中国人民解放军海军航空大学 | 一种基于改进qpso-elm的涡轴发动机起动过程模型辨识方法 |
CN110850740A (zh) * | 2019-11-21 | 2020-02-28 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
CN111079290A (zh) * | 2019-12-17 | 2020-04-28 | 中国人民解放军海军航空大学 | 一种基于改进多元宇宙算法的发动机模型修正方法 |
CN112507477A (zh) * | 2020-11-05 | 2021-03-16 | 南京航空航天大学 | 一种航空发动机变导叶部件特性自适应修正方法 |
Non-Patent Citations (1)
Title |
---|
涡轴发动机部件特性修正及更新方法;董桢;周文祥;潘慕绚;黄开明;;航空发动机(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569319A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019144337A1 (zh) | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 | |
CN108647428B (zh) | 一种涡扇发动机自适应部件级仿真模型构建方法 | |
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 | |
CN109162813B (zh) | 一种基于迭代学习修正的航空发动机智能转速控制方法 | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
CN110502840B (zh) | 航空发动机气路参数在线预测方法 | |
CN111079290B (zh) | 一种基于改进多元宇宙算法的发动机模型修正方法 | |
CN110262248B (zh) | 一种微型燃气轮机故障鲁棒自适应重构方法 | |
WO2021088160A1 (zh) | 一种基于随机配置网络的涡扇发动机健康参数估计方法 | |
CN109800449B (zh) | 一种基于神经网络的航空发动机压缩部件特性修正方法 | |
CN109472062A (zh) | 一种变循环发动机自适应部件级仿真模型构建方法 | |
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 | |
CN113569319B (zh) | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 | |
CN105389427A (zh) | 基于自适应粒子滤波的航空发动机气路部件故障检测方法 | |
WO2021097696A1 (zh) | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 | |
CN109871653B (zh) | 航空发动机数学模型部件特性修正方法 | |
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 | |
Tsoutsanis et al. | Non-linear model calibration for off-design performance prediction of gas turbines with experimental data | |
CN116106021A (zh) | 一种用于航空发动机性能数字孪生的精度提升方法 | |
Vasilopoulos et al. | CAD-based aerodynamic optimization of a compressor stator using conventional and adjoint-driven approaches | |
CN112947064A (zh) | 考虑气路部件故障的航空发动机最大推力控制优化方法 | |
CN112507477A (zh) | 一种航空发动机变导叶部件特性自适应修正方法 | |
CN203499824U (zh) | 一种挖掘航空发动机的加速潜能的控制*** | |
CN112879165A (zh) | 考虑气路部件故障的航空发动机加速过程最优控制方法 | |
CN112948961A (zh) | 考虑气路部件故障的航空发动机最低油耗控制优化方法 |
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 |