CN112131670B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112131670B
CN112131670B CN202011036830.1A CN202011036830A CN112131670B CN 112131670 B CN112131670 B CN 112131670B CN 202011036830 A CN202011036830 A CN 202011036830A CN 112131670 B CN112131670 B CN 112131670B
Authority
CN
China
Prior art keywords
engine
model
iteration
algorithm
differential evolution
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
Application number
CN202011036830.1A
Other languages
English (en)
Other versions
CN112131670A (zh
Inventor
孙希明
王晨
杜宪
郑赟韬
聂聆聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Institute Of Artificial Intelligence Dalian University Of Technology
Dalian University of Technology
Original Assignee
Dalian Institute Of Artificial Intelligence Dalian University Of Technology
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Institute Of Artificial Intelligence Dalian University Of Technology, Dalian University of Technology filed Critical Dalian Institute Of Artificial Intelligence Dalian University Of Technology
Priority to CN202011036830.1A priority Critical patent/CN112131670B/zh
Publication of CN112131670A publication Critical patent/CN112131670A/zh
Application granted granted Critical
Publication of CN112131670B publication Critical patent/CN112131670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G06F30/20—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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于航空发动机数值计算技术领域，提供了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，步骤如下：航空发动机部件级模型的建立；混合自适应差分进化算法求解发动机模型；建立航空发动机动态计算模型。本发明算法建立的航空发动机模型广泛适用于传统涡喷及涡扇发动机、先进的进发一体推进系统、变循环发动机等，可维持动态模型计算不死机中断，且在绝大部分工况条件下满足实时性要求。

Description

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
技术领域
本发明属于航空发动机数值计算技术领域，包含了航空发动机非线性气动热力学模型的建立、基于自适应差分进化及阻尼牛顿混合算法的非线性模型迭代求解、航空发动机非线性动态模型的构建三部分，是针对航空发动机部件级非线性模型数值迭代算法的研究。
背景技术
在航空发动机研究中，发动机数学模型被广泛应用于解析余度，故障诊断，飞机设计和控制系统的研究工作中。其中，控制系统的分析和设计中发动机的数学模型更是重要的研究内容，有资料显示，航空发动机控制及监视系统的研究中，发动机建模和对动力系统特性的理解占总工作量的80％。由此可见，在航空发动机控制系统的设计中建模具有极为重要的意义和价值。
鉴于航空发动机是多变量、非线性、时变的复杂系统，控制规律设计与分析阶段对数学模型的精度要求较高，并且需同时具备稳态和动态特性，一般采用部件级的非线性气动热力学模型。对航空发动机非线性模型要求主要有三个方面，数值计算的精度或保真度、运算模型的实时性和收敛性。精度是发动机模型定量描述的基本要求，这主要依赖于精确的部件特性及模型计算算法的收敛误差；实时性要求发动机模型的动态运行速度足够快，与控制系统的运行周期能够匹配；收敛性则是指发动机模型计算中的数值迭代算法的收敛性。现代发动机半物理试验及控制系统中普遍使用了发动机实时模型，因此建模中需要对模型精度和实时性进行适当的折中。鉴于航空发动机模型的强非线性，并且随着推进系统组合循环发动机，变循环发动机等先进技术的革新，发动机模型变量增加，复杂性增强，收敛性逐渐成为了非常突出的的问题。因此，如何在满足计算精度的基础上，提高发动机模型算法的收敛性和实时性，成为了亟需解决的问题。
针对上述问题，国内外学者做了大量研究。早期迭代算法主要用于稳态条件下发动机仿真技术，包含了SPEEDY、CARPET等参数循环法，以及AFQUIR和DSPOOL等循环嵌套的平衡循环法，这些方法可以实现稳态模型的计算，但迭代计算时间较长。此后，最速下降法、N+1残量法、Newton-Raphson法和Broyden法等基于梯度的优化算法均被应用于数值计算中，不需要嵌套循环，是基于初始值多次迭代法，国内学者骆广琦、李家瑞等人对这些方案做了研究。Newton-Raphson法和Broyden拟牛顿法是被最广泛应用的模型迭代方法，其中美国空军通用仿真程序SMOTE，GENENG及DYNENG等都应用了Newton-Raphson法。传统Newton-Raphson算法具有二阶收敛性，但每次计算需要迭代雅可比矩阵，效率较低，对实时性要求较高的条件下，Broyden法被广泛使用，主流仿真程序美国航空航天局NASA的NCP、荷兰国家航空航天实验室NLR的GSP与TERTS发动机模型都采用了Broyden法。该方法的使用避免了传统N-R方法重复计算雅可比矩阵的问题，减少模型计算次数，实时性显著提高，但收敛稳定性不如传统N-R法。Newton-Raphson法和Broyden法作为基于梯度迭代的局部收敛性算法，存在的共性问题是对迭代初值的依赖过高，这也制约了传统迭代算法应用于“大偏离”动态发动机模型与仿真的发展。为解决这个问题，J.Biazar,M.A.Noor等人先后提出了初值拟合、有限域优化搜索、部件特性拓展及变步长等方法，并尝试提出N-R和Broyden法混合算法方案，一定程度上改进了模型的收敛性，但随着先进发动机工况变化范围的扩大和迭代变量的增加，在大偏离动态模型计算中不收敛的情况仍旧存在，这些方案无法从根源解决收敛性问题。近年来，很多学者如苏三买、王星博、樊伟健等人将先进的智能优化算法应用到该问题当中，如遗传算法、粒子群算法等。智能算法由于具有全局收敛性的优势，能够使模型摆脱传统迭代算法对初值敏感的问题，但由于航空发动机模型的强非线性和多迭代变量的特点，应用智能算法存在实时性差，且容易快速陷入局部收敛无法获得精确解的问题。如何合理的设计航空发动机迭代算法，对计算实时性和精度有效的折中，提高收敛性并扩大收敛范围，对航空发动机模型技术发展具有重要的价值。
发明内容
为克服传统航空发动机模型迭代算法的收敛稳定性差以及智能算法的计算效率低的问题，本发明提出基于自适应进化差分和阻尼牛顿法混合迭代算法，提高发动机模型的收敛性，并保证计算精度和实时性，满足非线性实时模型动态计算的需要。
本发明的基本思想为：发动机模型选用混合阻尼牛顿法为主体算法，性能计算时首先使用混合阻尼牛顿法开展迭代计算；然后，对在规定最大迭代次数内主体算法不收敛的工作点采用自适应差分进化算法；当差分进化循环迭代次数达到设定值后，再次采用混合阻尼牛顿法，达到迭代后期快速收敛的目的。该方法通过两种算法的混合计算，最大程度上满足了宽广范围甚至全局的收敛要求。另外，融合了自适应差分进化算法迭代初期的高效率和混合阻尼牛顿法小偏离初值迭代的实时性和高精度优势，保证了模型的精度和实时性。
本发明的技术方案：
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，步骤如下：
S1：航空发动机部件级模型的建立
S1.1：确定航空发动机模型的部件数量及种类，并获取关键部件(风扇、压气机、涡轮等)的特性曲线；
S1.2：基于气动热力学，按照发动机部件顺序逐一建立单个部件的输入输出模块，由气体流动方程、热力方程等构成；结合稳态和动态的共同工作方程，按其输入/输出关系把他们连接起来；
S1.3：基于发动机模型工作条件和状态确定模型已知输入参数，通过共同工作方程确定迭代变量数量及种类，按照气体流程进行仿真计算。
S2：混合自适应差分进化算法求解发动机模型
S2.1：基于发动机模型设计点(迭代变量初值表)数据为迭代起点，应用阻尼牛顿法对模型的解精确搜索，当平衡方程残差满足误差范围时，迭代终止，跳转至S3；
S2.2：若阻尼牛顿法在最大迭代次数内未收敛，则转入自适应差分进化算法；
S2.3：通过发动机部件特性曲线及实际限制，确定每一个迭代变量的取值范围，作为自适应差分进化算法种群的变量取值域；设置差分进化算法的初始种群数量，并选取合适的缩放因子的初始值，确定迭代终止步数及收敛终止条件；
S2.5：选取发动机模型每个共同工作方程残差建立适应度函数，做为优化目标函数；
S2.6：通过变异、交叉、选择操作，获取差分进化算法搜索的最优变量参数。
S2.7：以差分进化算法得到的变量参数为迭代初值，应用阻尼牛顿法对模型的解精确搜索，当平衡方程残差满足误差范围时，迭代终止；
S3:建立航空发动机动态计算模型
S3.1：通过C++编程实现航空发动机部件级模型及迭代算法的设计，通过引入动态链接库的方法将发动机迭代模型封装，并引入simulink模块中；
S3.2：确定动态过程采样时间，依据发动机实际工况确定模型输入条件，实现航空发动机动态过程的仿真。
本发明的有益效果：本发明提出的混合自适应差分进化算法综合了传统牛顿迭代法的在局部的高计算效率及差分进化算法的全局收敛性，提高了航空发动机模型迭代的收敛稳定性并维持较高的计算效率，使模型适用于变量初值偏离较大的状态点计算，在工况变化范围较大的情况下发动机模型依然具有较好的收敛稳定性。因此，本发明算法建立的航空发动机模型广泛适用于传统涡喷及涡扇发动机、先进的进发一体推进系统、变循环发动机等，可维持动态模型计算不死机中断，且在绝大部分工况条件下满足实时性要求。
附图说明
图1是典型推进系统部模型流程图。
图2是混合自适应差分进化算法计算流程示意图。
图3是自适应差分进化算法流程示意图。
图4是航空发动机动态过程计算simulink平台示意图。
图5是小偏离动态过程动态误差随时间的变化曲线。
图6是小偏离动态过程部件计算次数随时间的变化曲线。
具体实施方式
下面结合附图及技术方案，对本发明的实施方式做进一步详细说明。
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，步骤如下：
S1：航空发动机部件级模型的建立
S1.1：基于气体流程和气动热力学公式，建立部件级进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、尾喷管的输入输出模块；其中，关键部件(风扇、压气机、涡轮等)的建模多采用包含特性线的插值方法，不同发动机模型用不同的特性线。
S1.2：在发动机处于稳态或动态工作状态时，需要同时满足流量、功率以及转子动力学平衡方程，转子动力学平衡方程的残差用e来表示；基于不同计算需求，选取n个独立变量x，联立求解n个共同工作方程组：
f1(x0,x1,x2…,xn)＝e1
f2(x0,x1,x2…,xn)＝e2
……
fn(x0,x1,x2…,xn)＝en
S1.3：基于发动机模型工作状态确定模型环境输入参数：马赫数、飞行高度、主燃油流量、加力燃油流量、尾喷管面积，该问题实质变为独立变量为未知数的非线性隐式方程组，当共同工作方程6个残差值趋于0时，认为发动机模型获得可靠解；
S2：混合自适应差分进化算法求解发动机模型
为求解航空发动机模型的非线性隐式方程组，设计了混合自适应差分进化算法，其计算思路为：
S2.1：首先基于发动机模型设计点(迭代变量初值表)数据为迭代起点，应用混合阻尼牛顿法对发动机模型的解精确搜索；混合阻尼牛顿法是指带阻尼因子的N-R法，其基本原理为将非线性方程F(X)按照泰勒级数展开，取一阶近似形成自变量的迭代通式：
Xk+1＝Xk-αkΔX
Figure BDA0002705320640000071
Figure BDA0002705320640000072
其中，
Figure BDA0002705320640000073
偏导数为F(Xk)的雅可比矩阵，且该雅可比矩阵非奇异；αk为阻尼因子，
Figure BDA0002705320640000074
表示各独立变量中使
Figure BDA0002705320640000075
最大的变量，c为可调节常数项。航空发动机模型计算时，F(Xk)为由共同工作方程确定的误差Ek，雅可比矩阵的微分项采用前向差分代替，即
Figure BDA0002705320640000076
为降低迭代计算量，混合阻尼牛顿法是指以阻尼牛顿法为主体算法，每次迭代后不立刻修正雅可比矩阵，而采用Broyden拟牛顿法计算；根据设定收敛速度和范围的指标，交替采用两种迭代算法，有效减少气动热力学迭代步数；假定第n次阻尼牛顿法的迭代结果为X(n)，中间m步使用Broyden拟牛顿法，从n+1步开始再次使用阻尼牛顿法，迭代格式如下：
Figure BDA0002705320640000081
式中X(n,j)表示第n次牛顿迭代中第j次使用Broyden拟牛顿法，yj-1＝F(X(n,j))-F(X(n,j-1))，sj-1＝X(n,j)-X(n,j-1)，βj-1和αj-1为阻尼因子，B0取X(n,0)点的雅可比矩阵；
S2.2：设置阻尼牛顿法的最大迭代次数
Figure BDA0002705320640000082
若混合阻尼牛顿法在最大迭代次数
Figure BDA0002705320640000083
内未收敛或迭代发散
Figure BDA0002705320640000084
则终止计算并转入自适应差分进化算法；若平衡方程残差在有限迭代次数内满足误差范围时，迭代终止，跳转至步骤S3；
S2.3：初始化种群；基于发动机部件特性及工况限制，确定自适应差分进化算法中每一个迭代变量的取值范围，作为自适应差分进化算法初始种群的变量取值域
Figure BDA0002705320640000085
和
Figure BDA0002705320640000086
设置差分进化算法的初始种群数量NP，初始种群
Figure BDA0002705320640000087
Figure BDA0002705320640000088
随机产生：
Figure BDA0002705320640000089
其中，xj,i(0)表示第0代的第i个个体的第j个基因，NP表示种群大小，rand(0,1)表示在(0,1)区间均匀分布的随机数；
选取发动机模型每个共同工作方程(方程数目为m)的残差e[m]，取
Figure BDA00027053206400000810
为适应度函数，作为优化目标函数；
S2.4：自适应变异策略：本算法尝试使用两种不同的变异策略，引入了概率p来控制选择变异策略；p根据计算过程中的学习经验进行自适应，缩放因子F基于高斯分布函数获取；p初始化为p＝0.5，当种群在本轮全部演化完成后，记录由vi在Ui(0,1)<p条件下进入下一代的个体数ns1及未进入下一代的个体数nf1，由vi在Ui(0,1)≥p条件下进入下一代的个体数ns2及未进入下一代的个体数nf2，其中xbest表示当前最优个体；对这两组数分别记录50代，称为“学习周期”，当概率p在学习周期之后更新完毕，重设ns1，ns2，nf1，nf2的值；适应变异策略的公式如下所示：
Figure BDA0002705320640000091
Fi＝Ni(0.5,0.3)
Figure BDA0002705320640000092
S2.5：交叉操作。自适应进化交叉操作是针对维度进行的，新个体有CR的概率选择vi(j)中的维度，其余维度选择xi(j)。其中，自适应交叉率CR给每一个体都分配了交叉率CRi，初始化CRm＝0.5，CRi每5代更新。每一代中，CRm的值与子代成功进入下一代，对应的CRi进入数组CRrec中，每隔25代一次更新，更新完后，对CRr c进行一次清空。
Figure BDA0002705320640000093
CRi＝Ni(CRm,0.1)
Figure BDA0002705320640000094
S2.6：选择操作。选择操作在于采用贪婪算法在变异个体ui和旧个体xi选取更好的个体，生成新生个体x′i。
Figure BDA0002705320640000095
S2.7：确定自适应差分进化迭代终止步数tmax及终止条件
Figure BDA0002705320640000101
以差分进化算法得到的变量参数为迭代初值，再阻尼牛顿法对模型的解精确搜索，当平衡方程残差满足误差范围时，迭代终止。
S3:建立航空发动机动态计算模型
S3.1：通过C++代码实现航空发动机部件模型设计后，通过引入动态链接库的方法将发动机迭代模型封装，并引入simulink模块中，封装模块如图4所示；
S3.2：确定动态过程采样时间，依据发动机实际工况确定模型输入条件，实现航空发动机动态过程的仿真。
S4：仿真结果与分析
S4.1：将本发明的混合自适应差分进化算法(Hybrid saDE)同传统Newton-Raphson法对比。图5表示不同迭代算法在小偏离动态过程的动态误差随时间的变化曲线，图6表示了不同迭代算法的部件计算次数随时间的变化曲线。可以看出，在小偏离动态过程中，混合自适应差分进化算法和传统Newton-Raphson法在整个过程中均能收敛。Newton-Raphson法部件计算次数较多，混合自适应差分进化算法相比传统算法显著提高了模型动态计算的实时性及部件计算次数。
S4.2:分析不同初值和迭代步长对三种迭代模型(Hybrid saDE,Newton-Raphson,Broyden)收敛性的影响发现，随着初值误差范数的增大，传统Newton-Raphson,Broyden模型的收敛性下降，当初始误差大于0.187后，传统Newton-Raphson,Broyden模型已经不收敛，而混合自适应差分进化算法在大偏离计算中虽然部件计算次数增加，但仍然能够保证迭代收敛。

Claims (1)

1.一种基于混合自适应差分进化的航空发动机模型迭代算法，其特征在于，步骤如下：
S1：航空发动机部件级模型的建立
S1.1：基于气体流程和气动热力学公式，建立部件级进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、尾喷管的输入输出模块；其中，风扇、压气机和高压涡轮的建模多采用包含特性线的插值方法，不同发动机模型用不同的特性线；
S1.2：在发动机处于稳态或动态工作状态时，需要同时满足流量、功率以及转子动力学平衡方程，转子动力学平衡方程的残差用e来表示；基于不同计算需求，选取n个独立变量x，联立求解n个共同工作方程组：
f1(x0,x1,x2…,xn)＝e1
f2(x0,x1,x2…,xn)＝e2
……
fn(x0,x1,x2…,xn)＝en
S1.3：基于发动机模型工作状态确定模型环境输入参数：马赫数、飞行高度、主燃油流量、加力燃油流量、尾喷管面积，该问题实质变为独立变量为未知数的非线性隐式方程组，当共同工作方程6个残差值趋于0时，认为发动机模型获得可靠解；
S2：混合自适应差分进化算法求解发动机模型
为求解航空发动机模型的非线性隐式方程组，设计了混合自适应差分进化算法，其计算思路为：
S2.1：首先基于发动机模型设计点数据为迭代起点，应用混合阻尼牛顿法对发动机模型的解精确搜索；混合阻尼牛顿法是指带阻尼因子的N-R法，其基本原理为将非线性方程F(X)按照泰勒级数展开，取一阶近似形成自变量的迭代通式：
Xk+1＝Xk-αkΔX
Figure FDA0002705320630000021
Figure FDA0002705320630000022
其中，
Figure FDA0002705320630000023
偏导数为F(Xk)的雅可比矩阵，且该雅可比矩阵非奇异；αk为阻尼因子，
Figure FDA0002705320630000024
表示各独立变量中使
Figure FDA0002705320630000025
最大的变量，c为可调节常数项；航空发动机模型计算时，F(Xk)为由共同工作方程确定的误差Ek，雅可比矩阵的微分项采用前向差分代替，即
Figure FDA0002705320630000026
为降低迭代计算量，混合阻尼牛顿法是指以阻尼牛顿法为主体算法，每次迭代后不立刻修正雅可比矩阵，而采用Broyden拟牛顿法计算；根据设定收敛速度和范围的指标，交替采用两种迭代算法，有效减少气动热力学迭代步数；假定第n次阻尼牛顿法的迭代结果为X(n)，中间m步使用Broyden拟牛顿法，从n+1步开始再次使用阻尼牛顿法，迭代格式如下：
Figure FDA0002705320630000027
式中，X(n,j)表示第n次牛顿迭代中第j次使用Broyden拟牛顿法，yj-1＝F(X(n,j))-F(X(n ,j-1))，sj-1＝X(n,j)-X(n,j-1)，βj-1和αj-1为阻尼因子，B0取X(n,0)点的雅可比矩阵；
S2.2：设置阻尼牛顿法的最大迭代次数
Figure FDA0002705320630000028
若混合阻尼牛顿法在最大迭代次数
Figure FDA0002705320630000029
内未收敛或迭代发散
Figure FDA00027053206300000210
则终止计算并转入自适应差分进化算法；若平衡方程残差在有限迭代次数内满足误差范围时，迭代终止，跳转至步骤S3；
S2.3：初始化种群；基于发动机部件特性及工况限制，确定自适应差分进化算法中每一个迭代变量的取值范围，作为自适应差分进化算法初始种群的变量取值域
Figure FDA0002705320630000031
和
Figure FDA0002705320630000032
设置差分进化算法的初始种群数量NP，初始种群
Figure FDA0002705320630000033
Figure FDA0002705320630000034
随机产生：
Figure FDA0002705320630000035
其中，xj,i(0)表示第0代的第i个个体的第j个基因，NP表示种群大小，rand(0,1)表示在(0,1)区间均匀分布的随机数；
选取发动机模型每个共同工作方程的残差e[m]，m为方程数目，取
Figure FDA0002705320630000036
为适应度函数，作为优化目标函数；
S2.4：自适应变异策略：本算法尝试使用两种不同的变异策略，引入了概率p来控制选择变异策略；p根据计算过程中的学习经验进行自适应，缩放因子F基于高斯分布函数获取；p初始化为p＝0.5，当种群在本轮全部演化完成后，记录由vi在Ui(0,1)<p条件下进入下一代的个体数ns1及未进入下一代的个体数nf1，由vi在Ui(0,1)≥p条件下进入下一代的个体数ns2及未进入下一代的个体数nf2，其中xbest表示当前最优个体；对这两组数分别记录50代，称为“学习周期”，当概率p在学习周期之后更新完毕，重设ns1，ns2，nf1，nf2的值；适应变异策略的公式如下所示：
Figure FDA0002705320630000037
Fi＝Ni(0.5,0.3)
Figure FDA0002705320630000038
S2.5：交叉操作：自适应进化交叉操作是针对维度进行的，新个体有CR的概率选择vi(j)中的维度，其余维度选择xi(j)；其中，自适应交叉率CR给每一个体都分配了交叉率CRi，初始化CRm＝0.5，CRi每5代更新；每一代中，CRm的值与子代成功进入下一代，对应的CRi进入数组CRrec中，每隔25代一次更新，更新完后，对CRrec进行一次清空；
Figure FDA0002705320630000041
CRi＝Ni(CRm,0.1)
Figure FDA0002705320630000042
S2.6：选择操作：选择操作在于采用贪婪算法在变异个体ui和旧个体xi选取更好的个体，生成新生个体x′i；
Figure FDA0002705320630000043
S2.7：确定自适应差分进化迭代终止步数tmax及终止条件
Figure FDA0002705320630000044
以差分进化算法得到的变量参数为迭代初值，再阻尼牛顿法对模型的解精确搜索，当平衡方程残差满足误差范围时，迭代终止；
S3：建立航空发动机动态计算模型
S3.1：实现航空发动机部件模型及迭代算法的设计后，通过引入动态链接库的方法将发动机迭代模型封装；
S3.2：确定动态过程采样时间，依据发动机实际工况确定模型输入条件，实现航空发动机动态过程的仿真。
CN202011036830.1A 2020-09-28 2020-09-28 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 Active CN112131670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011036830.1A CN112131670B (zh) 2020-09-28 2020-09-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011036830.1A CN112131670B (zh) 2020-09-28 2020-09-28 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

Publications (2)

Publication Number Publication Date
CN112131670A CN112131670A (zh) 2020-12-25
CN112131670B true CN112131670B (zh) 2022-10-21

Family

ID=73839464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011036830.1A Active CN112131670B (zh) 2020-09-28 2020-09-28 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

Country Status (1)

Country Link
CN (1) CN112131670B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651180B (zh) * 2020-12-31 2022-06-14 昆明理工大学 一种一管多机水电机组调节系统微分方程计算方法
CN112949166B (zh) * 2021-01-28 2023-12-19 中国航发沈阳发动机研究所 一种燃气轮机稳态模型系数确定方法
CN115434802B (zh) * 2022-09-15 2024-05-07 西安交通大学 氨-氢双燃料航空转子发动机多目标优化控制策略及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102769B (zh) * 2014-06-27 2017-02-22 南京航空航天大学 基于人工智能的涡轴发动机实时部件级模型建立方法
CN105160187A (zh) * 2015-09-16 2015-12-16 中国航空工业集团公司沈阳发动机设计研究所 一种求解航空发动机非线性数学模型的迭代方法
CN105404750B (zh) * 2015-12-07 2018-07-17 南京航空航天大学 一种涡轴发动机自适应模型建立方法
CN108416086B (zh) * 2018-01-25 2021-07-16 大连理工大学 一种基于深度学习的航空发动机模型自适应修正方法
CN108733906B (zh) * 2018-05-14 2020-02-28 南京航空航天大学 基于精确偏导数的航空发动机部件级模型构建方法

Also Published As

Publication number Publication date
CN112131670A (zh) 2020-12-25

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
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
CN108416086B (zh) 一种基于深度学习的航空发动机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
CN110502840B (zh) 航空发动机气路参数在线预测方法
CN108829928B (zh) 一种涡轴发动机自适应部件级仿真模型构建方法
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
CN110647052A (zh) 一种变循环发动机模式切换自适应身份证模型构建方法
CN111679574A (zh) 一种基于大规模全局优化技术的变循环发动机过渡态优化方法
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
CN113267314A (zh) 一种暂冲式风洞的超声速流场总压控制系统
Lengyel-Kampmann et al. Generalized optimization of counter-rotating and single-rotating fans
CN112507475A (zh) 一种基于修正牛顿法求解航空发动机部件级模型的方法
CN110096798B (zh) 一种多状态有限元模型修正的方法
Zhang et al. An integrated modeling approach for variable cycle engine performance analysis
CN111734533B (zh) 一种基于涡扇发动机的模型预测方法及系统
Wang et al. An Adaptive Modeling Method of Hydrogen-fueled Turbojet Engine
CN113282004B (zh) 基于神经网络的航空发动机线性变参数模型建立方法
CN117933104B (zh) 固体姿轨控发动机燃气调节阀压强修正方法
Zheng et al. Control of blow-down wind tunnel using combined extended and nonlinear predictive filters
CN111624880B (zh) 一种基于脑情感学习模型的变循环发动机多变量控制算法
Kestner et al. Bayesian belief network for robust engine design and architecture selection
Pang et al. An Improved Onboard Adaptive Aero-Engine Model Based on an Enhanced Neural Network and Linear Parameter Variance for Parameter Prediction
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

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