基于神經(jīng)網(wǎng)絡的航空發(fā)動機模型自適應修正
發(fā)布時間:2021-09-23 23:05
由于發(fā)動機制造與裝配水平的差異,以及在使用過程中各個部件間的磨損、腐蝕、積垢等造成的性能退化,導致根據(jù)壓氣機、渦輪等部件特性及設計點參數(shù)建立的航空發(fā)動機部件級標稱模型往往難以匹配實際整機的性能。本論文依托中國航發(fā)渦輪研究院的“渦扇發(fā)動機控制規(guī)律研究與仿真試驗”項目,針對某型渦扇發(fā)動機,提出了一種航空發(fā)動機全包線模型自適應修正方法。首先,建立一個基于神經(jīng)網(wǎng)絡的動態(tài)并行補償器,對個體發(fā)動機與通用型數(shù)學模型進行補償。然后,采用一種集成評價的多指標決策算法實現(xiàn)待修正健康因子的選擇。最后,設計了一種基于智能優(yōu)化算法的修正器,得到更為精確的健康因子修正數(shù)值。本文的主要研究內(nèi)容和創(chuàng)新點如下:(1)在補償器方面,針對航空發(fā)動機這類多入多出的典型時間序列,分別采用了全連接、循環(huán)和長短記憶神經(jīng)網(wǎng)絡建立了動態(tài)并行補償器,仿真結果表明長短記憶神經(jīng)網(wǎng)絡能夠較好的實現(xiàn)個體發(fā)動機與通用型數(shù)學模型間差異的補償。(2)在健康因子的選取上,采用了一種熵權系數(shù)與TOPSIS集成評價區(qū)間數(shù)的決策方式。通過對由各個健康因子變化產(chǎn)生的可測參數(shù)變化區(qū)間中值和長度求解屬性權重,從而實現(xiàn)待修正健康因子的選擇。(3)對于修正器,分別采用...
【文章來源】:大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:68 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 課題研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 國外航發(fā)模型修正現(xiàn)狀
1.2.2 國內(nèi)航發(fā)模型修正現(xiàn)狀
1.3 論文主要研究內(nèi)容及安排
2 航空發(fā)動機建模原理
2.1 航空發(fā)動機結構介紹
2.2 共同工作條件
2.3 共同工作方程
2.4 自適應模型修正算法設計
3 基于神經(jīng)網(wǎng)絡的動態(tài)并行補償器設計
3.1 神經(jīng)網(wǎng)絡
3.1.1 概率論
3.1.2 萬能近似定理
3.1.3 梯度下降
3.1.4 反向傳播算法
3.1.5 免費午餐原理
3.1.6 激活函數(shù)
3.1.7 神經(jīng)元
3.2 動態(tài)并行補償器設計
3.2.1 數(shù)據(jù)轉換
3.2.2 數(shù)據(jù)預處理
3.2.3 網(wǎng)絡結構及超參數(shù)
3.3 仿真驗證及分析
4 基于智能優(yōu)化算法的模型修正器設計
4.1 基于區(qū)間數(shù)決策的健康因子選擇
4.2 粒子群優(yōu)化算法
4.2.1 PSO算法基本原理
4.2.2 PSO算法基本流程
4.2.3 改進的粒子群算法
4.2.4 PSO仿真結果
4.3 螢火蟲優(yōu)化算法
4.3.1 FA算法基本原理
4.3.2 FA算法基本流程
4.3.3 改進的螢火蟲算法
4.3.4 FA仿真結果
4.4 基于PSO與 FA的混合優(yōu)化
4.4.1 PSO與 FA的性能對比
4.4.2 PSO與 FA的混合優(yōu)化
4.4.3 PSO-FA的仿真結果與分析
4.5 模型補償器與修正器的聯(lián)合仿真
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝
本文編號:3406598
【文章來源】:大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:68 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 課題研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 國外航發(fā)模型修正現(xiàn)狀
1.2.2 國內(nèi)航發(fā)模型修正現(xiàn)狀
1.3 論文主要研究內(nèi)容及安排
2 航空發(fā)動機建模原理
2.1 航空發(fā)動機結構介紹
2.2 共同工作條件
2.3 共同工作方程
2.4 自適應模型修正算法設計
3 基于神經(jīng)網(wǎng)絡的動態(tài)并行補償器設計
3.1 神經(jīng)網(wǎng)絡
3.1.1 概率論
3.1.2 萬能近似定理
3.1.3 梯度下降
3.1.4 反向傳播算法
3.1.5 免費午餐原理
3.1.6 激活函數(shù)
3.1.7 神經(jīng)元
3.2 動態(tài)并行補償器設計
3.2.1 數(shù)據(jù)轉換
3.2.2 數(shù)據(jù)預處理
3.2.3 網(wǎng)絡結構及超參數(shù)
3.3 仿真驗證及分析
4 基于智能優(yōu)化算法的模型修正器設計
4.1 基于區(qū)間數(shù)決策的健康因子選擇
4.2 粒子群優(yōu)化算法
4.2.1 PSO算法基本原理
4.2.2 PSO算法基本流程
4.2.3 改進的粒子群算法
4.2.4 PSO仿真結果
4.3 螢火蟲優(yōu)化算法
4.3.1 FA算法基本原理
4.3.2 FA算法基本流程
4.3.3 改進的螢火蟲算法
4.3.4 FA仿真結果
4.4 基于PSO與 FA的混合優(yōu)化
4.4.1 PSO與 FA的性能對比
4.4.2 PSO與 FA的混合優(yōu)化
4.4.3 PSO-FA的仿真結果與分析
4.5 模型補償器與修正器的聯(lián)合仿真
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝
本文編號:3406598
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3406598.html
最近更新
教材專著