CN113761689B - 一种空气动力发动机多参数耦合优化方法及系统 - Google Patents
一种空气动力发动机多参数耦合优化方法及系统 Download PDFInfo
- Publication number
- CN113761689B CN113761689B CN202111067972.9A CN202111067972A CN113761689B CN 113761689 B CN113761689 B CN 113761689B CN 202111067972 A CN202111067972 A CN 202111067972A CN 113761689 B CN113761689 B CN 113761689B
- Authority
- CN
- China
- Prior art keywords
- value
- output torque
- stage cylinder
- particle
- aerodynamic engine
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008878 coupling Effects 0.000 title claims abstract description 54
- 238000010168 coupling process Methods 0.000 title claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 54
- 239000002245 particle Substances 0.000 claims abstract description 117
- 238000000556 factor analysis Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 9
- 238000013178 mathematical model Methods 0.000 abstract description 8
- 239000007789 gas Substances 0.000 description 30
- 230000008569 process Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011160 research 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
- G06F30/17—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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种空气动力发动机多参数耦合优化方法及系统,首先根据建立的输出扭矩方程两级膨胀气动机的数学模型建立仿真模型,按照单一因素分析法得到多个优化参数对气动机性能的影响曲线,并得到参数的最优值将其作为粒子群的初始解,然后再继续求解气动机多参数耦合优化模型,从而有效的优化空气动力发动机的各个参数,提高气动机的性能,有效解决了现有技术中仅能进行单一参数优化的问题。
Description
技术领域
本发明涉及发动机参数优化技术领域,特别是涉及一种空气动力发动机多参数耦合优化方法及系统。
背景技术
现有的空气动力发动机的设计过程仅对某个气动参数进行优化,存在单一参数优化、耗气量大、效率较低等问题,造成气动设备续航里程短,输出扭矩小的情况,从而使应用受到限制。例如,无法在高瓦斯煤矿井下的有限空间和资源环境紧缺的环境下长期应用。
因此,必须采取有效的方法,优化空气动力发动机的设计参数,提高气动机的性能,增加气动装备有效的扭矩等性能,然而现有的技术中仅可针对单个参数进行优化,无法协调各个参数的优化效果。
发明内容
本发明的目的是提供一种空气动力发动机多参数耦合优化方法及系统,解决现有技术中仅能进行单一参数优化的问题。
为实现上述目的,本发明提供了如下方案:
一种空气动力发动机多参数耦合优化方法,所述方法包括:
建立动力发动机的输出扭矩方程;
根据所述输出扭矩方程,以空气动力发动机输出的平均扭矩和耗气量为优化的目标,得出空气动力发动机多参数耦合优化模型;
利用单一因素分析法得到空气动力发动机性能优化参数的最优值;
将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型。
在一些实施例中,所述建立动力发动机的输出扭矩方程,具体包括:
对第一级气缸的活塞和曲轴进行受力分析,得到第一级气缸的输出扭矩;
对第二级气缸的活塞和曲轴进行受力分析,得到第二级气缸的输出扭矩;
根据所述第一级气缸的输出扭矩和所述第二级气缸的输出扭矩得到两级气缸的输出扭矩。
在一些实施例中,所述第一级气缸的输出扭矩为:
其中,MP1为第一级气缸的输出扭矩,p1为第一级气缸内的瞬时压力,p0为大气压力,Ap为活塞顶面积,m1为第一级气缸内气体瞬时质量,r为曲柄半径,w1为第一级气缸的曲轴转动角速度,φ1为第一级气缸曲轴转角,λs为连杆曲柄比,β1为连杆与第一级气缸轴线夹角,S为活塞行程。
在一些实施例中,所述第二级气缸的输出扭矩为:
其中,MP2为第二级气缸的输出扭矩,p2为第二级气缸内的瞬时压力,p0为大气压力,Ap为活塞顶面积,m2为第二级气缸内气体瞬时质量,r为曲柄半径,w2为第二级气缸的曲轴转动角速度,φ2为第二级气缸曲轴转角,λs为连杆曲柄比,β2为连杆与第二级气缸轴线夹角,p为气缸内的瞬时压力,S为活塞行程。
在一些实施例中,所述两级气缸的输出扭矩为:
Mp=Mp1+Mp2
其中,Mp为两级气缸的输出扭矩,Mp1为第一级气缸的输出扭矩,Mp2为第二级气缸的输出扭矩。
在一些实施例中,所述空气动力发动机多参数耦合优化模型为:maxf=Mp
其中,Mp表示所述输出扭矩方程。
在一些实施例中,所述将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型,具体包括:
利用所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值;
随机初始化粒子的速度值,设置粒子群优化算法的种群数量和迭代次数;
利用所述初始位置值计算所述空气动力发动机多参数耦合优化模型的目标函数值;
更新粒子群算法中粒子的个体极值和全局极值;
利用惯性权重平衡全局搜索和局部搜索,并更新惯性权重;当迭代次数达到设置的迭代次数或者空气动力发动机的输出扭矩的变化值满足要求,输出粒子群的位置值,得到所述空气动力发动机多参数耦合优化模型的最优解。
在一些实施例中,所述更新粒子群算法中粒子的个体极值和全局极值,具体包括:
利用粒子值更新公式更新粒子群算法中粒子的个体极值和全局极值;
所述粒子值更新公式为:其中,/>为第k次迭代时粒子i的自身速度,w称为惯性权重,c1、c2为加速系数或者称为学习因子,rand()、Rand()为两个在[0,1]范围内变化的随机数,/>表示k次迭代过程中第i个粒子的最优的位置值,/>表示第k次迭代中第i个粒子的位置值,/>表示第k次迭代中种群中所有粒子代入目标函数中,输出扭矩最大的那个粒子值。
在一些实施例中,所述惯性权重为:
其中,w表示惯性权重,wmax和wmin分别为惯性权重的最大值和最小值,itermax为迭代次数的最大值,iter为当前迭代次数。
本发明还提供了一种空气动力发动机多参数耦合优化系统,所述系统包括:
输出扭矩建立单元,用于建立动力发动机的输出扭矩方程;
耦合优化模型建立单元,用于根据所述输出扭矩方程,以空气动力发动机输出的平均扭矩和耗气量为优化的目标,得出空气动力发动机多参数耦合优化模型;
参数最优值确定单元,用于利用单一因素分析法得到空气动力发动机性能优化参数的最优值;
模型求解单元,用于将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明首先根据建立的输出扭矩方程建立仿真模型,按照单一因素分析法得到多个对气动机性能影响的优化的最优值,并将其作为粒子群的初始解,然后再继续求解气动机多参数耦合优化模型,从而有效的优化空气动力发动机的各个参数,提高气动机的性能,有效解决了现有技术中仅能进行单一参数优化的问题。
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为本发明实施例提供的空气动力发动机多参数耦合优化方法流程图。
图2为本发明实施例提供的进气持续角对气动机性能的影响曲线示意图。
图3为本发明实施例提供的一级气缸排气提前角对气动机性能的影响曲线示意图。
图4为本发明实施例提供的进气面积对气动机性能的影响曲线示意图。
图5为本发明实施例提供的优化前后发动机的输出扭矩示意图。
图6为本发明实施例提供的空气动力发动机多参数耦合优化系统的框图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本发明的目的是提供一种空气动力发动机多参数耦合优化方法及系统,解决现有技术中仅能进行单一参数优化的问题。
本发明首先根据建立的两级膨胀气动机的数学模型建立仿真模型,按照单一因素分析法得到多个优化参数对气动机性能的影响曲线,并得到参数的最优值将其作为粒子群的初始解,然后再继续求解气动机多参数耦合优化模型。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一:
如图1所示,本发明实施例提供了一种空气动力发动机多参数耦合优化方法,该方法包括:
S1、建立动力发动机的输出扭矩方程;
具体的:
对第一级气缸的活塞和曲轴进行受力分析,得到第一级气缸的输出扭矩;
气动机(空气动力发动机)工作过程中,气体的内能和气体压力P和温度T有关,而气压对内能的影响较小,可以忽略,从而得到第一级气缸内气体温度随曲轴转角变化的微分方程:其中,T1为气缸内温度,Q1为系统交换的热量,Cv为气体等容比热,m为缸内气体瞬时质量,W1为对外膨胀做功,min和mout为进排气气体质量,hin和hout为进排气气体比焓,φ为曲轴转角,u1为高压气体的比内能;
气缸内的热量Q1主要为通过气缸周壁与外界交换的热量,由下式确定:其中,w1为曲轴转动角速度,αω1为气体瞬时换热系数,Aω1为气缸内的传热表面积,Tω1为汽缸传热表面平均温度。气动机运行过程中,气体瞬时换热系数αω1和气缸的传热表面积Aω1是不断变化的。
气动机的气门瞬时开度截面积f的计算公式为:f=πXcosβ|[d+0.5Xsin(2β)];式中,d为气门口直径,β为气门座锥角,X为进排气阀门升程。
系统对外界输出机械功由下式确定:式中,V1为气缸内的气体瞬时体积,在气动机工作过程中,第一级气缸内的气体质量变化满足质量守恒方程:在系统内外压差和气阀的开口截面确定时,气体的瞬时质量流量是可以计算的,式中m由下式计算:/>式中,μ为气体流量系数,A为进气阀瞬时开口面积,ρ1为进气阀前空气瞬时密度,P11为进气阀前空气瞬时压力,ψ为流动函数,不同的气体状态下,流动函数ψ不同。
在任何瞬时,气体状态变化满足状态方程:P1V1=mRgT1;式中:Rg为气体常数。
联立上述公式,可以得到缸内压力和气体瞬时质量随曲轴转角的变化规律的第一级气缸数学子模型:
利用相同的方法建立第二级气缸数学子模型,得到第一级和第二级气缸数学子模型结合而成的两级膨胀气动机工作过程整体数学模型。
由两级膨胀气动机工作过程整体数学模型,可以得到气缸内的气体压力变化规律,气缸内的气体对活塞顶部产生压力,活塞受力后作用到曲柄上最后转换为扭矩输出。
在两级膨胀气动机整体数学模型基础上,以活塞和曲轴作为研究对象进行受力分析,气缸内的气体对活塞顶部产生压力,最终由曲柄上的分力产生一个扭矩,然后和活塞反复惯性力表现的阻力扭矩组合得到第一级气缸的输出扭矩为:
其中,MP1为第一级气缸的输出扭矩,p1为第一级气缸内的瞬时压力,p0为大气压力,Ap为活塞顶面积,m1为第一级气缸内气体瞬时质量,r为曲柄半径,w1为第一级气缸的曲轴转动角速度,φ1为第一级气缸曲轴转角,λs为连杆曲柄比,β1为连杆与第一级气缸轴线夹角,S为活塞行程。
同理,可以得到第二级气缸的输出扭矩为:
其中,MP2为第二级气缸的输出扭矩,p2为第二级气缸内的瞬时压力,p0为大气压力,Ap为活塞顶面积,m2为第二级气缸内气体瞬时质量,r为曲柄半径,w2为第二级气缸的曲轴转动角速度,φ2为第二级气缸曲轴转角,λs为连杆曲柄比,β2为连杆与第二级气缸轴线夹角,p为气缸内的瞬时压力,S为活塞行程。
根据所述第一级气缸的输出扭矩和所述第二级气缸的输出扭矩得到两级气缸的输出扭矩。
所述两级气缸的输出扭矩为:
Mp=Mp1+Mp2
其中,Mp为两级气缸的输出扭矩,Mp1为第一级气缸的输出扭矩,Mp2为第二级气缸的输出扭矩。
S2、根据所述输出扭矩方程,以空气动力发动机输出的平均扭矩和耗气量为优化的目标,得出空气动力发动机多参数耦合优化模型;
在两级膨胀气动机工作过程整体数学模型的建立过程中,可以发现气动机的性能与气缸直径、进气提前角、排气提前角、持续角等众多因素有关,多个因素相互耦合,且都对两级膨胀气动机的性能有着不同的影响,是一个多参数耦合的复杂系统。为了提高空气动力气动机性能,有必要选择影响气动机性能的重要参数进行优化设计。空气动力发动机输出扭矩和续航里程是比较关心的两个性能指标。续航里程和耗气量直接相关,因此,选取气动机输出的平均扭矩和耗气量作为优化的目标。综合以上分析,选取气动机输出的平均扭矩和耗气量作为优化的目标。两级膨胀气动机多参数耦合优化模型为:maxf=Mp;其中,Mp表示所述输出扭矩方程。
约束条件为:
s.t.
sin_min<sin<sin_max
sout1_min<sout1<sout1_max
sout2_min<sout2<sout2_max
dmin<d<dmax
αmin<α<αmax
θmin<θ<θmax
γ1min<γ1<γ1max
δ1min<δ1<δ1max
γ2min<γ2<γ2max
nmin<n<nmax
......
约束条件中:sin为气动机进气面积,sin_min为允许的进气面积最小值,sin_max为允许的一级排气面积最大值;sout1为一级气缸排气面积,sout1_min为允许的一级气缸排气面积最小值,sout1_max为允许的一级气缸排气面积最大值;sout2为二级气缸排气面积,sout2_min为允许的二级气缸排气面积最小值,sout2_max为允许的二级气缸排气面积最大值;d为气缸直径,d_min为允许的气缸直径最小值,d_max为允许的气缸直径最大值;α为进气提前角,α_min为允许的进气提前角最小值,α_max为允许的进气持续角最大值;θ为进气持续角,θ_min为允许的进气持续角最小值,θ_max为允许的进气持续角最大值;γ1一级排气提前角,γ1_min为允许的一级排气提前角最小值,γ1_max为允许的一级排气提前角最大值;δ1为一级排气延迟角,δ1_min为允许的一级排气延迟角最小值,δ1_max为允许的一级排气延迟角最大值;γ2二级排气提前角,γ2_min为允许的二级排气提前角最小值,γ2_max为允许的二级排气提前角最大值;n为气动机转速,n_min为允许的气动机转速最小值,n_max为允许的气动机转速最大值。省略号表示需要优化的影响到气动机性能的其他参数,气动机的参数根据具体的工程要求从上式中选择。
作为一些具体的实施例,在气动机参数优化的具体应用过程中,可以根据实际设计的需求,灵活的选择需要优化的参数。例如:在气动机的某个设计过程中,结构参数已定,约束条件可以变为:
s.t.
αmin<α<αmax
θmin<θ<θmax
γ1min<γ1<γ1max
δ1min<δ1<δ1max
γ2min<γ2<γ2max
nmin<n<nmax
......
S3、利用单一因素分析法得到空气动力发动机性能优化参数的最优值;
优化模型建立后,可以选择粒子群优化算法进行求解。为了有效的提高粒子群算法寻优的效率,保证得到最优解,首先根据前面分析的第一级和第二级气缸数学子模型结合而成的两级膨胀气动机工作过程整体数学模型建立仿真模型,按照单一因素分析法得到多个优化参数对气动机性能的影响曲线。
根据两级膨胀气动机的数学模型,使用MATLAB软件建立两级膨胀气动机的仿真模型。
保持其他参数不变,持续改变某一个优化参数的值,获得该参数对气动机性能的影响规律,并得到该参数的最优值。按照此种单一因素分析法可以得到多个优化参数的最优值。在人机界面中不断改变一个空气动力发动机的参数,同时保证其他参数不变,观察空气动力发动机的平均扭矩输出值,当平均扭矩输出值最大时,即为该参数的最优值。按照单一因素分析法得到多个空气动力发动机的参数的最优值。气动机的参数根据具体的工程要求从上述约束条件中选择。
在仿真过程中,两级膨胀气动机的参数选择:一级气缸直径60mm;一级气缸行程60mm;一级气缸顶隙直径65mm;顶隙高度3mm;二级气缸直径90mm;二级气缸行程60mm;二级气缸顶隙直径95mm;顶隙高度3mm;连杆比均为0.263;曲柄半径均为30mm;气动机进气压力3MPa;进气面积1cm2;一级排气面积1.5cm2;二级排气面积2cm2;环境温度25℃;换热器管路通径15mm;长度300mm;热交换面积0.09m2。
通过仿真,可以得到获得进气持续角对气动机性能的影响曲线,进气持续角的影响规律如图2所示。
进气持续角决定高压气体进入气缸的时间长短和能量大小,随着进气持续角的增大,平均扭矩和耗气量都会增大。但是进气持续角到达一定角度时,平均扭矩增加率降低,但是耗气量持续上升,增加扭矩和耗气量之间存在矛盾,由图2可知130度左右时,综合性能较好。
一级气缸排气提前角度(第一级气缸排气角)的改变影响着气动机输出扭矩,在整个变化过程中,耗气量基本不变,一级气缸排气提前角对气动机性能的影响曲线如图3所示,由图3可知,在30度左右时,综合性能最佳。
进气面积和进入气缸的高压气体流量成正比。进气面积增大,耗气量的上升速率快于输出扭矩的上升速率。获得进气面积对气动机性能的影响曲线,综合考虑发动机安装空间,阀体尺寸等,进气面积对气动机性能的影响曲线如图4所示,可知进气面积选择1cm2时综合性能较好。
将进气持续角、一级排气角,进气面积等参数作为粒子群算法中的初始化参数,使用多目标粒子群算法进行优化,优化结果如下表:
序号 | 项目 | 单位 | 参数 |
1 | 进气提前 | ° | 15 |
2 | 进气持续 | ° | 80 |
3 | 排气提前 | ° | 5 |
4 | 排气持续 | ° | 190 |
5 | 缸径 | mm | 50 |
6 | 冲程 | mm | 45 |
7 | 连杆比 | 0.3 | |
8 | 进气门直 | mm | 23 |
9 | 排气门直 | mm | 30 |
10 | 进气压力 | MPa | 1 |
S4、将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型,最终可以得到约束条件中所选择优化参数的最优值。
具体的:
S41、利用所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值;将步骤S3中得到的多个气动机的优化参数的最优值作为粒子群优化算法中粒子的初始位置值(初始解)。
S42、随机初始化粒子的速度值,设置粒子群优化算法的种群数量和迭代次数,学习因子,惯性权重最大值和最小值等参数。具体仿真时可根据需要设置。粒子种群即为粒子数量,粒子长度是步骤S3中获得的优化参数的个数
S43、利用所述初始位置值计算所述空气动力发动机多参数耦合优化模型的目标函数值;使用粒子群算法中的初始解带入目标函数,计算目标函数值:maxf=Mp=Mp1+Mp2。
S44、更新粒子群算法中粒子的个体极值和全局极值,依据粒子值更新公式更新粒子值(空气动力发动机的优化参数值);
利用粒子值更新公式更新粒子群算法中粒子的个体极值和全局极值;
所述粒子值更新公式为:其中,/>为第k次迭代时粒子i的自身速度;w称为惯性权重;c1、c2为加速系数或者称为学习因子;rand()、Rand()为两个在[0,1]范围内变化的随机数;/>表示k次迭代过程中第i个粒子的最优的位置值,是第k次迭代中粒子(步骤S3中获得的优化参数构成的向量)的最优值(和之前的k-1次迭代过程中的本粒子的值相比较)(将此粒子的值带入目标函数,发动机的输出扭矩最大);/>表示第k次迭代中第i个粒子的位置值,/>表示第k次迭代中种群中所有粒子代入目标函数中,输出扭矩最大的那个粒子值。可以看出,粒子i通过三个值来更新自身的速度:粒子i前一时刻的速度,粒子i当前值与自身历史最优值之间距离,粒子i当前值与群体最优值之间的距离。
S45、利用惯性权重平衡全局搜索和局部搜索,并更新惯性权重;当迭代次数达到设置的迭代次数或者空气动力发动机的输出扭矩的变化值满足要求,输出粒子群的位置值,得到所述空气动力发动机多参数耦合优化模型的最优解。
所述惯性权重为:
其中,w表示惯性权重,wmax和wmin分别为惯性权重的最大值和最小值,itermax为迭代次数的最大值,iter为当前迭代次数。
当前迭代次数达到步骤S42中设置的迭代次数或者空气动力发动机的输出扭矩的变化值满足要求,程序结束,否则,返回到步骤S43。达到规定的迭代次数,例如步骤S42设置的迭代次数为200,程序迭代循环到200次结束。空气动力发动机的输出扭矩的变化值满足要求。例如,第k次迭代时,输出扭矩值变化范围小于步骤1中设置的0.1牛,结束。
为了验证气动机的性能,本发明对优化前后的发动机进行了对比分析,如图5所示,从图中可以看出,优化前后发动机的输出扭矩有效增加。
如图6所示,本发明还提供了另一个实施例,一种空气动力发动机多参数耦合优化系统,该系统包括:
输出扭矩建立单元M1,用于建立动力发动机的输出扭矩方程;
耦合优化模型建立单元M2,用于根据所述输出扭矩方程,以空气动力发动机输出的平均扭矩和耗气量为优化的目标,得出空气动力发动机多参数耦合优化模型;
参数最优值确定单元M3,用于利用单一因素分析法得到空气动力发动机性能优化参数的最优值;
模型求解单元M4,用于将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型。
本发明首先根据建立的输出扭矩方程建立仿真模型,按照单一因素分析法得到多个对气动机性能影响的优化的最优值,并将其作为粒子群的初始解,然后再继续求解气动机多参数耦合优化模型,从而有效的优化空气动力发动机的各个参数,提高气动机的性能,有效解决了现有技术中仅能进行单一参数优化的问题。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明使用了特定词语来描述本发明的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本发明的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (6)
1.一种空气动力发动机多参数耦合优化方法,其特征在于,所述方法包括:
建立动力发动机的输出扭矩方程;
根据所述输出扭矩方程,以空气动力发动机输出的平均扭矩和耗气量为优化的目标,得出空气动力发动机多参数耦合优化模型;
利用单一因素分析法得到空气动力发动机性能优化参数的最优值;
将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型;
所述空气动力发动机多参数耦合优化模型为:maxf=Mp
其中,Mp表示所述输出扭矩方程;
所述将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型,具体包括:
利用所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值;
随机初始化粒子的速度值,设置粒子群优化算法的种群数量和迭代次数;
利用所述初始位置值计算所述空气动力发动机多参数耦合优化模型的目标函数值;
更新粒子群算法中粒子的个体极值和全局极值;
利用惯性权重平衡全局搜索和局部搜索,并更新惯性权重;当迭代次数达到设置的迭代次数或者空气动力发动机的输出扭矩的变化值满足要求,输出粒子群的位置值,得到所述空气动力发动机多参数耦合优化模型的最优解;
所述更新粒子群算法中粒子的个体极值和全局极值,具体包括:
利用粒子值更新公式更新粒子群算法中粒子的个体极值和全局极值;
所述粒子值更新公式为:
其中,Vi k为第k次迭代时粒子i的自身速度,w称为惯性权重,c1、c2为加速系数或者称为学习因子,rand()、Rand()为两个在[0,1]范围内变化的随机数,/>表示k次迭代过程中第i个粒子的最优的位置值,/>表示第k次迭代中第i个粒子的位置值,/>表示第k次迭代中种群中所有粒子代入目标函数中,输出扭矩最大的那个粒子值;
所述惯性权重为:
其中,w表示惯性权重,wmax和wmin分别为惯性权重的最大值和最小值,itermax为迭代次数的最大值,iter为当前迭代次数。
2.根据权利要求1所述的空气动力发动机多参数耦合优化方法,其特征在于,所述建立动力发动机的输出扭矩方程,具体包括:
对第一级气缸的活塞和曲轴进行受力分析,得到第一级气缸的输出扭矩;
对第二级气缸的活塞和曲轴进行受力分析,得到第二级气缸的输出扭矩;
根据所述第一级气缸的输出扭矩和所述第二级气缸的输出扭矩得到两级气缸的输出扭矩。
3.根据权利要求2所述的空气动力发动机多参数耦合优化方法,其特征在于,所述第一级气缸的输出扭矩为:
其中,MP1为第一级气缸的输出扭矩,p1为第一级气缸内的瞬时压力,p0为大气压力,Ap为活塞顶面积,m1为第一级气缸内气体瞬时质量,r为曲柄半径,w1为第一级气缸的曲轴转动角速度,φ1为第一级气缸曲轴转角,λs为连杆曲柄比,β1为连杆与第一级气缸轴线夹角,S为活塞行程。
4.根据权利要求2所述的空气动力发动机多参数耦合优化方法,其特征在于,所述第二级气缸的输出扭矩为:
其中,MP2为第二级气缸的输出扭矩,p2为第二级气缸内的瞬时压力,p0为大气压力,Ap为活塞顶面积,m2为第二级气缸内气体瞬时质量,r为曲柄半径,W2为第二级气缸的曲轴转动角速度,φ2为第二级气缸曲轴转角,λs为连杆曲柄比,β2为连杆与第二级气缸轴线夹角,p为气缸内的瞬时压力,S为活塞行程。
5.根据权利要求2所述的空气动力发动机多参数耦合优化方法,其特征在于,所述两级气缸的输出扭矩为:
Mp=Mp1+Mp2
其中,Mp为两级气缸的输出扭矩,Mp1为第一级气缸的输出扭矩,Mp2为第二级气缸的输出扭矩。
6.一种空气动力发动机多参数耦合优化系统,其特征在于,所述系统包括:
输出扭矩建立单元,用于建立动力发动机的输出扭矩方程;
耦合优化模型建立单元,用于根据所述输出扭矩方程,以空气动力发动机输出的平均扭矩和耗气量为优化的目标,得出空气动力发动机多参数耦合优化模型;所述空气动力发动机多参数耦合优化模型为:maxf=Mp;其中,Mp表示所述输出扭矩方程;
参数最优值确定单元,用于利用单一因素分析法得到空气动力发动机性能优化参数的最优值;
模型求解单元,用于将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型;
所述将所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值,利用粒子群优化算法求解所述空气动力发动机多参数耦合优化模型,具体包括:
利用所述性能优化参数的最优值作为粒子群优化算法中粒子的初始位置值;
随机初始化粒子的速度值,设置粒子群优化算法的种群数量和迭代次数;
利用所述初始位置值计算所述空气动力发动机多参数耦合优化模型的目标函数值;
更新粒子群算法中粒子的个体极值和全局极值;
利用惯性权重平衡全局搜索和局部搜索,并更新惯性权重;当迭代次数达到设置的迭代次数或者空气动力发动机的输出扭矩的变化值满足要求,输出粒子群的位置值,得到所述空气动力发动机多参数耦合优化模型的最优解;
所述更新粒子群算法中粒子的个体极值和全局极值,具体包括:
利用粒子值更新公式更新粒子群算法中粒子的个体极值和全局极值;
所述粒子值更新公式为:
其中,Vi k为第k次迭代时粒子i的自身速度,w称为惯性权重,c1、c2为加速系数或者称为学习因子,rand()、Rand()为两个在[0,1]范围内变化的随机数,/>表示k次迭代过程中第i个粒子的最优的位置值,/>表示第k次迭代中第i个粒子的位置值,/>表示第k次迭代中种群中所有粒子代入目标函数中,输出扭矩最大的那个粒子值;
所述惯性权重为:
其中,w表示惯性权重,wmax和wmin分别为惯性权重的最大值和最小值,itermax为迭代次数的最大值,iter为当前迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067972.9A CN113761689B (zh) | 2021-09-13 | 2021-09-13 | 一种空气动力发动机多参数耦合优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067972.9A CN113761689B (zh) | 2021-09-13 | 2021-09-13 | 一种空气动力发动机多参数耦合优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761689A CN113761689A (zh) | 2021-12-07 |
CN113761689B true CN113761689B (zh) | 2024-03-26 |
Family
ID=78795219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111067972.9A Active CN113761689B (zh) | 2021-09-13 | 2021-09-13 | 一种空气动力发动机多参数耦合优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761689B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130246A (zh) * | 2022-07-05 | 2022-09-30 | 北京理工大学 | 不同强化程度柴油机进排气门直径参数化设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010003698A1 (de) * | 2010-04-08 | 2011-10-13 | Man Diesel & Turbo Se | Verfahren zum Auslegen der Kontur eines Steuernockens |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN111222286A (zh) * | 2020-01-07 | 2020-06-02 | 东北电力大学 | 一种基于输电线路状态估计的参数优化方法 |
CN112329173A (zh) * | 2020-11-10 | 2021-02-05 | 重庆大学 | 一种用于转子-轴承弯扭耦合系统的参数优化方法 |
-
2021
- 2021-09-13 CN CN202111067972.9A patent/CN113761689B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010003698A1 (de) * | 2010-04-08 | 2011-10-13 | Man Diesel & Turbo Se | Verfahren zum Auslegen der Kontur eines Steuernockens |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN111222286A (zh) * | 2020-01-07 | 2020-06-02 | 东北电力大学 | 一种基于输电线路状态估计的参数优化方法 |
CN112329173A (zh) * | 2020-11-10 | 2021-02-05 | 重庆大学 | 一种用于转子-轴承弯扭耦合系统的参数优化方法 |
Non-Patent Citations (2)
Title |
---|
基于改进粒子群算法的ICPT系统多约束多参数优化;左兰;戴鹏;李建功;夏晨阳;伍小杰;;电工电能新技术(02);全文 * |
直列式两级四缸气动发动机性能仿真;周鑫;潘孝斌;;组合机床与自动化加工技术(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113761689A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022126472A1 (zh) | 一种多几何参数可调的进/排/发一体化航空推进系统建模方法 | |
CN108446445B (zh) | 一种基于气动力降阶模型的复合材料机翼优化设计方法 | |
CN113761689B (zh) | 一种空气动力发动机多参数耦合优化方法及系统 | |
CN109031951B (zh) | 基于精确偏导数的航空发动机状态变量模型在线建立方法 | |
CN114519238A (zh) | 高性能叶轮机械叶片全三维造型方法、装置及电子设备 | |
CN112613119A (zh) | 一种多几何参数可调的进/排/发一体化航空推进系统建模方法 | |
CN113743029B (zh) | 基于机器学习的透平机械气动性能-叶片载荷优化方法 | |
CN109871653B (zh) | 航空发动机数学模型部件特性修正方法 | |
CN111859746A (zh) | 一种基于流场重构的透平机械变工况性能预测方法 | |
CN112943668A (zh) | 航空轴流压气机复杂进气畸变下动态失速过程预测方法 | |
CN111475889A (zh) | 一种物理与数据驱动的航空发动机数字孪生建模方法 | |
CN112685851A (zh) | 一种基于关键无量纲负荷控制参数的多级轴流压气机气动设计方法 | |
CN112270139A (zh) | 基于母型库的燃料电池离心压缩机气动优化设计方法 | |
CN109325288B (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系统 | |
CN112577657A (zh) | 一种分离激波振荡产生的脉动载荷快速预测方法 | |
CN113158355A (zh) | 一种低温液体膨胀机全工况优化设计方法 | |
CN114065423B (zh) | 快速评估航空发动机风扇叶片颤振的方法 | |
CN113962026B (zh) | 航空燃气涡轮过渡态性能相似方法及装置 | |
Mi et al. | Flow field simulation of reciprocating compressor based on dynamic mesh technology | |
CN108647391B (zh) | 基于粒子群算法的向心透平全工况仿真建模方法及系统 | |
CN113536592B (zh) | 一种基于混沌粒子群算法的冲压发动机推力性能优化方法 | |
CN112507476A (zh) | 一种变几何进气道与发动机的一体化建模方法 | |
Delagrammatikas et al. | Development of a neural network model of an advanced, turbocharged diesel engine for use in vehicle-level optimization studies | |
CN113971320B (zh) | 一种冲压发动机推力性能的实时优化方法 | |
Leylek et al. | Global Three-Dimensional Surrogate Modeling of Gas Turbine Aerodynamic Performance |
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 |