基于遗传优化混合模型发动机稳态数据融合

航空发动机稳态数据受工作环境、测量方式、控制规律等多方面因素影响,其试验数据常存在异常值,会对稳态性能参数计算结果造成影响。基于数据来源的正态性假设,采用高斯混合模型对数据进行筛选分类。在模型求解算法方面,采用遗传优化算法克服期望极大(EM)算法的局部收敛性,使计算结果具有一定的全局最优性,并复合应用EM算法弥补遗传算法收敛速度慢的不足。使用赤池信息准则或贝叶斯信息准则(AIC/BIC)作为数据筛选结果评定指标,并验证该方法的可行性。在数据融合方面,提出基于最优模型参数相似理论进行数据融合的方法,融合后数值接近真实稳态数据值,可作为该稳态数据片段的特征值。

基于高斯混合模型的发动机稳态数据特征值提取方法

因航空发动机的工作环境及工作特性所致,其稳态试验数据常伴有噪声干扰,对稳态值计算结果的准确性造成影响。在对稳态数据进行正态性检验后,利用稳态数据来源的正态特性,以及利用混合模型对数据的良好回归特性,基于高斯混合模型对稳态数据进行筛选分类。依托发动机稳态数据分布形式的相近性与数据本身的统计特性,来确定稳态数据特征值的提取方法。在对发动机稳态数据进行数据筛选以及对比不同稳态数据片段后,验证模型方法的数据降噪效果以及稳态数据特征值计算结果与同一稳定工作状态数据片段的选取不相关性。结果表明:从仿真数据的筛选结果以及不同稳态数据片段的验证结果可知,该方法具有较强的稳定性,可有效筛选出发动机稳态点数据,并准确计算出发动机稳态值,一般收敛结果相对误差在0.2%以内。

逆波兰式优化算法在航空发动机测试系统中的应用

为了适应新一代航空发动机测试系统的发展要求,提高测试系统对计算参数的处理能力,结合航空发动机测试系统的自身特点,将逆波兰式算法应用到测试系统的参数计算中,并对逆波兰式算法进行改进和优化。结果表明:逆波兰式算法可提高发动机测试系统代码的可移植性与重复性,优化后的逆波兰式算法可提高测试系统的容错性、计算结果准确性,从计算程序的运行时间来看,优化后的算法较未优化算法的计算效率提高20%~40%。