基于神经网络的航空发动机模型自适应修正

发布时间：2021-09-23 23:05

　　由于发动机制造与装配水平的差异,以及在使用过程中各个部件间的磨损、腐蚀、积垢等造成的性能退化,导致根据压气机、涡轮等部件特性及设计点参数建立的航空发动机部件级标称模型往往难以匹配实际整机的性能。本论文依托中国航发涡轮研究院的“涡扇发动机控制规律研究与仿真试验”项目,针对某型涡扇发动机,提出了一种航空发动机全包线模型自适应修正方法。首先,建立一个基于神经网络的动态并行补偿器,对个体发动机与通用型数学模型进行补偿。然后,采用一种集成评价的多指标决策算法实现待修正健康因子的选择。最后,设计了一种基于智能优化算法的修正器,得到更为精确的健康因子修正数值。本文的主要研究内容和创新点如下:（1）在补偿器方面,针对航空发动机这类多入多出的典型时间序列,分别采用了全连接、循环和长短记忆神经网络建立了动态并行补偿器,仿真结果表明长短记忆神经网络能够较好的实现个体发动机与通用型数学模型间差异的补偿。（2）在健康因子的选取上,采用了一种熵权系数与TOPSIS集成评价区间数的决策方式。通过对由各个健康因子变化产生的可测参数变化区间中值和长度求解属性权重,从而实现待修正健康因子的选择。（3）对于修正器,分别采用... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
        1.2.1 国外航发模型修正现状
        1.2.2 国内航发模型修正现状
    1.3 论文主要研究内容及安排
2 航空发动机建模原理
    2.1 航空发动机结构介绍
    2.2 共同工作条件
    2.3 共同工作方程
    2.4 自适应模型修正算法设计
3 基于神经网络的动态并行补偿器设计
    3.1 神经网络
        3.1.1 概率论
        3.1.2 万能近似定理
        3.1.3 梯度下降
        3.1.4 反向传播算法
        3.1.5 免费午餐原理
        3.1.6 激活函数
        3.1.7 神经元
    3.2 动态并行补偿器设计
        3.2.1 数据转换
        3.2.2 数据预处理
        3.2.3 网络结构及超参数
    3.3 仿真验证及分析
4 基于智能优化算法的模型修正器设计
    4.1 基于区间数决策的健康因子选择
    4.2 粒子群优化算法
        4.2.1 PSO算法基本原理
        4.2.2 PSO算法基本流程
        4.2.3 改进的粒子群算法
        4.2.4 PSO仿真结果
    4.3 萤火虫优化算法
        4.3.1 FA算法基本原理
        4.3.2 FA算法基本流程
        4.3.3 改进的萤火虫算法
        4.3.4 FA仿真结果
    4.4 基于PSO与 FA的混合优化
        4.4.1 PSO与 FA的性能对比
        4.4.2 PSO与 FA的混合优化
        4.4.3 PSO-FA的仿真结果与分析
    4.5 模型补偿器与修正器的联合仿真
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3406598