CN107566180B - 涡轮基组合循环发动机分布式控制系统通信网络拓扑结构优化方法 - Google Patents
涡轮基组合循环发动机分布式控制系统通信网络拓扑结构优化方法 Download PDFInfo
- Publication number
- CN107566180B CN107566180B CN201710809805.4A CN201710809805A CN107566180B CN 107566180 B CN107566180 B CN 107566180B CN 201710809805 A CN201710809805 A CN 201710809805A CN 107566180 B CN107566180 B CN 107566180B
- Authority
- CN
- China
- Prior art keywords
- node
- intelligent
- engine
- tbcc
- grid
- 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.)
- Expired - Fee Related
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 102100040255 Tubulin-specific chaperone C Human genes 0.000 claims abstract 12
- 108010093459 tubulin-specific chaperone C Proteins 0.000 claims abstract 12
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004080 punching Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 208000020442 loss of weight Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种涡轮基组合循环发动机分布式控制系统通信网络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)、优化星型结构智能中央节点位置;步骤3)、优化TBCC发动机总线‑星型混合拓扑结构。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系统拓扑网络。
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,具体涉及一种涡轮基组合循环发动机分布式控制系统通信网络混合拓扑结构优化方法。
背景技术
高超声速飞行器已成为未来飞行器的主要战略发展方向,其飞行范围十分宽广,飞行马赫数从亚声速、跨声速、超声速一直扩展到高超声速。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,因此从上世纪六十年代开始,国外对组合动力展开了广泛而深入的研究。高超声速技术是当前各航天航空大国积极研发的关键技术之一,涡轮基组合循环发动机(TBCC)作为可用于高超声速飞行器的推进系统之一,其相关发展成为各国关注的焦点。根据目前TBCC组合发动机技术的发展趋势,相信TBCC组合发动机在未来的军用和民用领域会有广阔的应用前景。
TBCC的控制系统依旧采用当今航空发动机的分布式控制系统。在过去的30年中,航空发动机控制系统已经从最初的机械液压式系统逐步过渡到今天的全权限数字电子控制,随着军用航空科技的竞争日趋激烈,对航空发动机数字控制器性能以及减重需求进一步提高,集中式控制构架已经难以满足发展需求,分布式控制逐渐成为研究热点。航空发动机分布式控制系统有利于减少推进系统控制器和附件系统重量,增加系统通用性、可靠性,其最显著的特点是其工作中的空间结构。到本世纪初,发动机分布式控制系统结构已有多种形式,如过渡分布式控制系统,部分分布式控制系统和完全分布式控制。其中,完全分布式控制系统是分布式控制系统的发展方向。完全分布式控制系统是由智能传感器、智能执行机构、子控制器等控制节点构成的一个网络,每个节点都直接与通讯总线相连,连接方式构成航空发动机分布式控制系统通讯总线的拓扑结构。对于航空发动机分布式控制系统,通讯网络环形拓扑结构更有利于控制系统的减重,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,其构架受到系统特性和物理限制条件的约束。
实际控制系统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。另外,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,影响通讯网络控制系统的拓扑结构的构架。
发明内容
发明目的:为了克服涡轮基组合循环发动机(TBCC)现有分布式控制系统拓扑结构设计技术中存在的不足,本发明提出一种TBCC分布式控制系统通信网络的拓扑结构优化方法。考虑TBCC控制系统中节点特性和温度限制,通过建立TBCC控制系统几何模型、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。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种涡轮基组合循环发动机分布式控制系统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)优化星型结构智能中央节点位置;
步骤3)优化TBCC发动机总线-星型混合拓扑结构。
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TBCC实际尺寸和精度要求对其几何模型划分网格,对划分的网格进行编号,其基本方法是:沿TBCC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),将所有节点的按照功能划分为传感器节点、执行机构节点以及智能节点,其中智能节点指部分作动系统节点集成总线控制器的功能。
步骤2.2),将传感器节点和执行机构节点分别与智能传感器中央节点和智能执行机构中央节点连接,形成两个星型结构;
步骤2.3),避开高温区的网格点,遍历TBCC网格模型上除高温区外的所有网格点,利用Floyed算法计算每个网格点与各个星型节点的距离之和,记录该距离之和最小时所对应的网格点,取该点作为星型结构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),确定发动机各个智能节点以及智能中央节点(Vi,i=1,2,L,n)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 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节点和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),确定总线上的节点及其编号,其中智能节点采用node1,node2,…,node6表示,智能中央节点采用N1X,N2X表示,星型结构的从节点用N1X1,N1X2,…, N2X1,N2X2,…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系统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)分布式控制系统通信网络的拓扑结构进行优化,进一步减少推进系统控制器和附件系统重量和增加系统通用性、可靠性。
(2)本发明采用总线和星型的混合拓扑结构作为TBCC分布式控制系统的网络拓扑结构,并且使得星型结构的中央节点远离高温区。
(3)本发明采用总线-星型的混合拓扑结构,减少了所需总线束的长度同时,降低由于系统所有传感器和执行机构节点都采用智能节点带来系统复杂性、兼容性和成本的增加。
附图说明
图1是TBCC结构示意图。
图2是TBCC几何模型。
图3是基于遗传算法的优化流程。
图4是拓扑网络优化的遗传算法编码方式。
图5是TBCC混合拓扑网络的示意图。
图6是TBCC混合拓扑网络最优连接方式。
图7是TBCC混合拓扑网络三维图。
图8是本发明方法流程图。
具体实施方式
本发明为一种涡轮基组合循环发动机(TBCC)分布式控制系统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)、优化星型结构智能中央节点位置;步骤3)、优化TBCC发动机总线-星型混合拓扑结构。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系统拓扑网络。
一种TBCC分布式控制系统通信网络的混合拓扑结构优化方法,如图8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TBCC实际尺寸和精度要求对其几何模型划分网格,对划分的网格进行编号,其基本方法是:沿TBCC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。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)优化星型结构智能中央节点位置;
步骤2.1),将所有节点的按照功能划分为传感器节点、执行机构节点以及智能节点,其中智能节点指部分作动系统节点集成总线控制器的功能;将传感器节点和执行机构节点分别与智能传感器中央节点和智能执行机构中央节点连接,形成两个星型结构;
步骤2.2),避开高温区的网格点,遍历TBCC网格模型上除高温区外的所有网格点,利用Floyed算法计算得到每个网格点与各个星型节点的距离之和,记录该距离之和最小的网格点,取该点作为星型结构中央节点的最优位置;
步骤3)优化TBCC发动机总线-星型混合拓扑结构;
步骤3.1),确定发动机各个智能节点以及智能中央节点(Vi,i=1,2,L,n)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 D,矩阵D的行数和列数对应所有智能节点的编号,矩阵元素的值为对应行和列的两个智能节点之间的距离;
步骤3.3),采用环型总线的方式连接智能中央节点与智能节点,其中环型总线上的所有节点都是双冗余设计,即总线上每两个节点之间的通信都有两条独立的通道;
步骤3.4),利用遗传算法优化由智能节点和智能中央节点构成的TBCC分布式控制网络的总线拓扑结构,具体步骤如下:
步骤3.4.1),确定总线上的节点及其编号,其中智能节点采用node1,node2,…,node6表示,智能中央节点采用N1X,N2X表示,星型结构的从节点用N1X1,N1X2,…, N2X1,N2X2,…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。
实施例
下面结合附图和实施例对本发明作进一步说明。
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,先确定星型结构节点。按照TBCC发动机控制要求,按照节点的功能划分,可确定2个星型结构的节点信息,分别如表1和表2所示,其中系统级控制器与进气锥作动系统在同一位置可近似看做一个节点。避开发动机高温区,遍历发动机的所有网格点,计算每个点到星型结构1和2所包含的节点距离之和,距离最小的点即为星型结构的智能中央节点的最优位置。如步骤3所述,将计算得到的中央节点与其他智能节点用总线方式连接,并使用遗传算法对总线拓扑结构进行优化,如图3所示。
表1 智能传感器星型结构各节点信息
表2 电磁阀作动器星型结构各节点信息
将发动分布式控制系统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分布式控制系统通信总线,其中假设发动机中8个总线节点的集合为
V={V1,V2,V3K,V8} (1)
其中,Vi(i=1,2,...,8)表示网络中节点。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)]8×8 (3)
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)]8×8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系统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=1K 8,所以个体p的选择为
具体编码方式如图4所示,这种选取表明每个个体都是发动机分布式控制系统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(4),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。考虑到计算时间和收敛程度,取种群中个体数目为100(按照实际节点数确定)。
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 (7)
则每个个体的适应度值为
F=L-pu (8)
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χ为0.8,变异概率δ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=28(n表示节点数,本实例中为8)。随机生成两个不大于28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28,也是随机生成两个不大于28的整数m1和m2,其中m1+1<m2,个体变异生成的新个体为p3 s
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。
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,图6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系统通信网络混合拓扑结构最优连线方式,其中系统级控制器与节点node1放置在同一位置。
图7所示为由步骤1)、步骤2)和步骤3)得到的涡轮基组合循环发动机分布式控制系统通信网络拓扑结构立体图,其中黑色节点表示智能总线节点(包含智能节点和智能中央节点),粗实线表示环形总线拓扑结构,虚线表示传感器星型结构,点线表示执行机构星型结构。TBCC总线结构节点信息如表3所示。如表4所示,本发明实施例的方案所需的线束总长度低。
表3 TBCC总线结构节点信息
表4 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 (4)
1.一种涡轮基组合循环发动机分布式控制系统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;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TBCC实际尺寸和精度要求对其几何模型划分网格,对划分的网格进行编号,其基本方法是:沿TBCC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,由上述计算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;
步骤2)优化星型结构智能中央节点位置;
步骤3)优化TBCC发动机总线-星型混合拓扑结构。
2.根据权利要求1所述的涡轮基组合循环发动机分布式控制系统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),将所有节点按照功能划分为传感器节点、执行机构节点以及智能节点,其中智能节点指部分作动系统集成总线控制器的功能节点;
步骤2.2),将传感器节点和执行机构节点分别与智能传感器中央节点和智能执行机构中央节点连接,形成两个星型结构;
步骤2.3),避开高温区的网格点,遍历TBCC网格模型上除高温区外的所有网格点,利用Floyed算法计算每个网格点与各个星型节点的距离之和,记录该距离之和最小时所对应的网格点,取该点作为星型结构中央节点的最优位置。
3.根据权利要求1所述的涡轮基组合循环发动机分布式控制系统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),确定发动机各个智能节点以及智能中央节点(Vi,i=1,2,…,n)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节点和智能中央节点构成的TBCC分布式控制网络的总线拓扑结构。
4.根据权利要求3所述的涡轮基组合循环发动机分布式控制系统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),确定总线上的节点及其编号,其中智能节点采用node1,node2,…,node6表示,智能中央节点采用N1X,N2X表示,星型结构的从节点用N1X1,N1X2,…,N2X1,N2X2,…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 |
---|---|---|---|
CN201710809805.4A CN107566180B (zh) | 2017-09-11 | 2017-09-11 | 涡轮基组合循环发动机分布式控制系统通信网络拓扑结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710809805.4A CN107566180B (zh) | 2017-09-11 | 2017-09-11 | 涡轮基组合循环发动机分布式控制系统通信网络拓扑结构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107566180A CN107566180A (zh) | 2018-01-09 |
CN107566180B true CN107566180B (zh) | 2019-08-16 |
Family
ID=60980555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710809805.4A Expired - Fee Related CN107566180B (zh) | 2017-09-11 | 2017-09-11 | 涡轮基组合循环发动机分布式控制系统通信网络拓扑结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107566180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955993B (zh) * | 2019-11-22 | 2020-09-01 | 湖南城市学院 | 一种微压传感器梁膜结构优化设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105156228A (zh) * | 2015-09-29 | 2015-12-16 | 清华大学 | 一种引射辅助式涡轮冲压组合循环发动机 |
CN105262656A (zh) * | 2015-09-22 | 2016-01-20 | 南京航空航天大学 | 航空发动机分布式控制系统时间触发通信总线的实现方法 |
CN106444425A (zh) * | 2016-10-24 | 2017-02-22 | 南京航空航天大学 | 面向航空发动机分布式控制的ttp/c总线控制器设计方法 |
CN106647253A (zh) * | 2016-09-28 | 2017-05-10 | 南京航空航天大学 | 航空发动机分布式控制系统多性能鲁棒跟踪控制方法 |
-
2017
- 2017-09-11 CN CN201710809805.4A patent/CN107566180B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105262656A (zh) * | 2015-09-22 | 2016-01-20 | 南京航空航天大学 | 航空发动机分布式控制系统时间触发通信总线的实现方法 |
CN105156228A (zh) * | 2015-09-29 | 2015-12-16 | 清华大学 | 一种引射辅助式涡轮冲压组合循环发动机 |
CN106647253A (zh) * | 2016-09-28 | 2017-05-10 | 南京航空航天大学 | 航空发动机分布式控制系统多性能鲁棒跟踪控制方法 |
CN106444425A (zh) * | 2016-10-24 | 2017-02-22 | 南京航空航天大学 | 面向航空发动机分布式控制的ttp/c总线控制器设计方法 |
Non-Patent Citations (2)
Title |
---|
"航空发动机分布式控制拓扑结构优化方法";宋军强等;《航空动力学报》;20160630;1435-1440 |
"航空发动机分布式控制系统技术分析及系统方案";宋军强等;《航空动力学报》;20131031;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN107566180A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222401A (zh) | 航空发动机非线性模型建模方法 | |
CN107885891B (zh) | 一种航空发动机总体性能优化方法 | |
CN102495924B (zh) | 客机与涡扇发动机一体化性能优化计算机辅助设计装置及其方法 | |
CN111144641A (zh) | 一种基于改进粒子群算法的微电网优化调度方法 | |
CN109634107B (zh) | 一种发动机动态控制规律优化方法 | |
CN104346499A (zh) | 一种基于计算机平台的多风扇涡轮发动机设计方法 | |
CN105673251A (zh) | 风扇增压级以及涡扇发动机 | |
CN107566180B (zh) | 涡轮基组合循环发动机分布式控制系统通信网络拓扑结构优化方法 | |
Kaba et al. | Multi-dimensional energetic performance modeling of an aircraft engine with the aid of enhanced least–squares estimation based genetic algorithm method | |
CN107748493A (zh) | Tbcc分布式控制系统通信网络混合拓扑结构优化方法 | |
CN109145503A (zh) | 一种光伏电站集群的高精度动态建模方法 | |
CN117705456A (zh) | 一种基于多模型深度学习的航空发动机数字化试车方法 | |
Wei et al. | An energy-saving regulation approach based on economic rotational speed and power split feature for more electric turboshaft engine | |
CN115758923A (zh) | 基于分布式动力系统的发动机总体仿真建模方法及系统 | |
CN109800519A (zh) | 一种轴流风扇多点气动优化设计方法 | |
Hall et al. | Energy efficient engine low pressure subsystem aerodynamic analysis | |
Zhang et al. | Optimization of cycle parameters of variable cycle engine based on response surface model | |
CN115562035B (zh) | 一种变循环发动机稳态控制规律设计模型的建模方法 | |
Liu et al. | Preliminary Research on Future Smart Engine Architecture | |
CN114044150B (zh) | 一种分布式混合电推进系统优化方法及装置 | |
Yong et al. | Nonlinear adaptation for performance model of an aero engine using QPSO | |
Litt | Harnessing the Digital Transformation for Development of Electrified Aircraft Propulsion Control Systems | |
CN114139273B (zh) | 一种高效的飞/发联合论证方法 | |
Nie et al. | Control law design of variable cycle engine based on DQN | |
CN114856833B (zh) | 一种大涵道比涡扇发动机冗余控制方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190816 |