一种渐进修正航空发动机部件特性线的模型修正方法与流程

1.本发明属于航空宇航推进理论与工程中的控制与仿真技术领域，涉及一种渐进修正航空发动机部件特性线的模型修正方法。


背景技术：

2.航空发动机数学模型是设计、研制、试验、排故、应用的重要的研究途径，准确的航空发动机模型可以在一定程度上预测发动机的表现。由于航空发动机自身结构的复杂性和工作过程的非线性等特征，且使用环境特殊，如何简单快速的获取发动机准确的热力学模型成为一个迫切需要解决的问题。
3.自1930年代燃气轮机概念问世以来，各国学者就开始了发动机建模技术的研究。早期的涡扇发动机模型往往是针对具体型号建立的，一般能得到较为准确的计算精度，但其往往需要进行大量的部件性能试验，建模周期长，成本大。当前已经发展出多种商用软件，如德国mtu公司开发的燃气涡轮计算软件gasturb，主要用在发动机方案论证与设计，发动机非设计状态性能计算(包括稳态性能和过渡态性能)，以及发动机试验数据分析与故障诊断等。它的主要特点是将发动机设计和分析过程中需要研究的内容分解成标准工具包。根据需要，用户可以从模块化的设计任务中选取相应的任务模型，快速得到所需的计算和分析结果。商用软件对于研究普遍的发动机的工作特性和性能起到很好的作用，但如何根据商用软件定制出专用的航空发动机模型，较为困难。
4.发动机热力过程的计算方法是成熟的，发动机部件特性的差异是不同类型发动机表现不同的重要因素。研究根据有限的试车数据参数和飞行数据参数快速修正出符合真实发动机表现的部件特性线，意义重大。


技术实现要素：

5.(一)要解决的技术问题
6.本发明要解决的技术问题是：以完全反映出发动机气路数据参数为目标，提供一种快速、简单修正航空发动机部件特性线的模型修正方法。
7.(二)技术方案
8.为了解决上述技术问题，本发明提供一种渐进修正航空发动机部件特性线的模型修正方法，发动机部件包括发动机风扇、压气机、高压涡轮、低压涡轮部件，模型修正时以发动机部件特性线中的效率、流量、压比为待修正量；该修正方法中，将试验数据分布在发动机部件特性图上，采用聚类的方法，将试验点与特性线对应起来，以模型输出与发动机输出的误差最小化为目标，采用进化粒子群算法调整发动机部件特性线求取最优修正因子，对于试验点对应的特性线进行逐条修正，并获取修正后的发动机部件特性图。
9.优选地，该修正方法中，基于试验数据与发动机部件级模型的输出误差构造适应度函数，应用进化粒子群以发动机部件特性线的修正因子为粒子，进行寻优求解，通过不断更新迭代，获取最优修正因子，从而修正发动机部件特性线。
10.优选地，该修正方法具体包括以下步骤：
11.步骤1、根据发动机部件特性图对所有试验点进行分类，将试验数据与它最靠近的那条特性线对应起来；
12.步骤2、选定要修正的特性线，确定该特性线附近的试验点；
13.步骤3、计算该特性线附近试验点下对应的发动机的模型输出，并与该对应的试验数据求模型的输出误差，并构成适应度函数，即进化粒子群算法的目标函数，用于使得模型的输出误差最小；
14.步骤4、对附近若干个试验点的误差求平均值得到平均误差，判断平均误差是否小于预设百分比或循环次数大于预设值，如果不满足条件，则采用进化粒子群算法产生新的修正因子，根据修正因子计算得到新的发动机部件特性线，返回步骤3；如果满足条件，即得到该条特性线的修正因子，并执行下一步；
15.步骤5、由修正因子计算得到新的发动机部件特性图，即是该条特性线修正后的发动机部件特性图，并保存；
16.步骤6、返回步骤2，循环迭代，直到所有特性线修正完毕，就得到非设计点多点修正后的发动机部件特性图。
17.优选地，所述进化粒子群算法如下：
[0018][0019]
其中，pi是粒子i从过去生命到现在这一代的最佳点，pg是粒子整个种群的粒子从过去生命到当前代的最佳点，是处于k代的粒子i，是粒子i在k代的速度，w
i1
是粒子惯性权重因子，w
i2
是粒子记忆权重因子，w
i3
是粒子信息交换权重因子，p值用于控制种群信息的通路，公式中的符号*代表对应参数正处于演化变异中；
[0020]
参数的变异基本规则与进化算法的规则相似，为：
[0021][0022]
k＝1,2,3，权重的变化由学习参数τ调节；
[0023]
全局最优解也被随机打乱：
[0024][0025]wi4
是每个粒子的第四个策略参数，该策略参数控制了当前全局最优的分布，在假设真正的全局最优还没有被找到时可以使得它的邻域可以被搜索到；
[0026]
由插值原理可知，当前工作点的特性只和相邻的两条特性线的趋势有关，与整个特性图的趋势无关，在修正时对每一条特性线进行分别逐条修正，即可修正出符合发动机表现的最优模型。
[0027]
本发明还提供了一种基于所述修正方法实现的航空发动机部件性能试验方法。
[0028]
本发明还提供了一种所述修正方法在航空发动机领域中的应用。
[0029]
(三)有益效果
[0030]
本发明提出了一种基于试验数据的快速修正发动机模型的方法，引入进化粒子群
算法应对非线性极强的航空发动机部件特性优化求解问题，采用特性线逐条修正的修正策略，避免了常规修模方法下低转速下精度不高的问题。本发明以发动机的真实表现为目标，修正得到的发动机模型能准确反映发动机的表现。本发明能够为发动机专用模型的大规模建立与使用提供技术支撑。
附图说明
[0031]
图1为本发明的模型修正原理图；
[0032]
图2为试验点在部件特性图上分布示意图；
[0033]
图3为进化粒子群算法求解最优修正系数图。
具体实施方式
[0034]
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
[0035]
本发明的渐进修正航空发动机部件特性线的模型修正方法基于一种求解发动机部件特性修正因子的方法实现。
[0036]
发动机部件特性线的修正对象为发动机风扇、压气机、高压涡轮、低压涡轮部件的流量、压比、效率。即，模型修正时以发动机部件特性线中的效率、流量、压比为待修正量，以模型输出与发动机输出的误差最小化为目标，采用进化粒子群算法调整发动机部件特性线求取最优修正因子，修正部件特性线。
[0037]
进化粒子群算法描述如下：
[0038][0039]
pi是粒子i从过去生命到现在这一代的最佳点，pg是粒子整个种群的粒子从过去生命到当前代的最佳点，是处于k代的粒子i，是粒子i在k代的速度，w
i1
是粒子惯性权重因子，w
i2
是粒子记忆权重因子，w
i3
是粒子信息交换权重因子，p是交流因子，一个对角矩阵影响所有维的个体，p值是一个外部参数，控制种群信息的通路，通常情况下为1。公式中的符号*代表那些参数正处于演化变异。
[0040]
参数的变异基本规则与进化算法的规则相似：
[0041][0042]
k＝1,2,3，权重的变化由学习参数τ调节。
[0043]
全局最优解也被随机打乱：
[0044][0045]wi4
是每个粒子的第四个策略参数。该策略参数控制了当前全局最优的分布，在假设真正的全局最优还没有被找到时可以使得它的邻域可以被搜索到。
[0046]
粒子为发动机部件特性线中的效率、流量、压比的修正系数，给定粒子的运动范围，以模型输出与发动机输出的误差最小化为目标，即可求解出最优的优化参数作为发动
机部件特性线的修正因子。
[0047]
由插值原理可知，当前工作点的特性只和相邻的两条特性线的趋势有关，与整个特性图的趋势无关，在修正时对每一条特性线进行分别逐条修正，即可修正出符合发动机表现的最优模型。
[0048]
该修正方法中，将试验数据分布在发动机部件特性图上，采用聚类的方法，将试验点与特性线对应起来；基于试验点对其对应的特性线进行逐条修正，获取修正后的发动机部件特性图。其中，基于试验数据与发动机部件级模型的输出误差构造适应度函数，应用进化粒子群以发动机部件特性线的修正因子为粒子，进行寻优求解，通过不断更新迭代，获取最优修正因子，从而修正发动机部件特性线。具体步骤如下：
[0049]
步骤1、根据发动机部件特性图对所有试验点进行分类，将试验数据与它最靠近的那条特性线对应起来；
[0050]
步骤2、选定要修正的特性线，确定该特性线附近的试验点；
[0051]
步骤3、计算该特性线附近试验点下对应的发动机的模型输出，并与该对应的试验数据求模型的输出误差，并构成适应度函数，即进化粒子群算法的目标函数，用于使得模型的输出误差最小；
[0052]
步骤4、对附近若干个试验点的误差求平均值得到平均误差，判断平均误差是否小于0.1％或循环次数大于200，如果不满足条件，则由上述进化粒子群算法产生新的修正因子，根据修正因子计算得到新的发动机部件特性线，返回步骤3；如果满足条件，即得到该条特性线(转速线)的修正因子，并执行下一步；
[0053]
步骤5、由修正因子计算得到新的发动机部件特性图，即是该条特性线修正后的发动机部件特性图，并保存；
[0054]
步骤6、返回步骤2，循环迭代，直到所有特性线修正完毕，就得到非设计点多点修正后的发动机部件特性图。
[0055]
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。