-
公开(公告)号：CN116933654A
公开(公告)日：2023-10-24
申请号：CN202310963903.9
申请日：2023-08-02
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/0442 , G06F18/25 , G06F18/214 , G06F119/14
Abstract: 本发明提供了一种融合UKF与神经网络的涡扇发动机推力实时估计方法，属于信息技术领域。针对传统UKF建立涡扇发动机机载自适应模型时存在的精度低、收敛速度慢、易发散、计算速度慢等问题，首先根据改进LM‑IUKF方法建立涡扇发动机的机载自适应模型；其次利用机载自适应模型的数据建立涡扇发动机的LSTM神经网络模型；最后将基于改进LM‑IUKF方法的机载自适应模型与LSTM模型相结合，使用LSTM模型替换LM‑IUKF在参数估计测量更新过程中的非线性机理模型。本发明能够在保证推力估计精度的前提下，有效解决精度低、收敛速度慢、易发散、计算速度慢等问题，实现在25ms的运行周期下对推力的高精度和高实时性估计，对推力实时控制的实际应用具有重要意义。
-
公开(公告)号：CN117028037A
公开(公告)日：2023-11-10
申请号：CN202311164149.9
申请日：2023-09-11
Applicant: 大连理工大学人工智能大连研究院 , 大连空天动力控制系统有限公司
IPC: F02C9/28
Abstract: 本发明涉及一种基于时域卷积网络的涡扇发动机推力优化控制方法，包括如下步骤：获取涡扇发动机开环运行过程中各项参数的输出数据；训练时域卷积网络模型，得到涡扇发动机的回归模型；将控制量作用于时域卷积网络作为预测模型，设计非线性优化控制器；基于非线性优化控制器，与涡扇发动机共同形成推力闭环控制系统。本发明提出的基于时域卷积网络的涡扇发动机推力优化控制方法，根据时域卷积网络的基本结构特征设计了能够充分反映发动机非线性系统特性的预测模型，并将其与优化控制方法相结合应用在涡扇发动机的实际控制中，解决了动态预测模型响应时间长、传统神经网络模型控制效果差的问题，具有良好的跟踪性能和控制效果。
-
公开(公告)号：CN117933088A
公开(公告)日：2024-04-26
申请号：CN202410139426.9
申请日：2024-02-01
Applicant: 大连理工大学人工智能大连研究院 , 大连空天动力控制系统有限公司
IPC: G06F30/27 , G06F30/28 , G06F30/17 , G06F9/50 , G06F9/54 , G06N3/126 , G06F113/08 , G06F119/08 , G06F119/14
Abstract: 本发明涉及一种基于并行混合差分进化算法的涡扇发动机模型求解方法，先利用DE对大范围的工况进行寻优，求解至发动机实际工作范围附近，减少了模型求解对初始条件选取的限制，同时融合N‑R，实现算法在实际工况附近能够快速收敛，提高模型求解效率，再利用CUDA并行DE算法，并行过程全权交由GPU执行，在单个Block中实现，进一步加快了模型求解速度。本发明针对涡扇发动机模型求解过程中初始点选取与实际工况偏离较大造成的迭代不收敛问题，可实现涡扇发动机模型的求解，有效扩宽发动机工作点求解范围，并行算法能在不牺牲精度的条件下取得时间效益，在工程应用中具有重要意义，具有较高的应用推广价值。
-
公开(公告)号：CN115906635A
公开(公告)日：2023-04-04
申请号：CN202211470923.4
申请日：2022-11-23
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06F119/14
Abstract: 本发明属于控制系统设计领域，公开一种基于时域卷积网络的推力估计方法，提出了一种基于多层残差时域卷积网络的推力估计器。一方面，使用高斯误差线性单元激活函数代替残差块中的校正线性单元来解决神经元死亡问题。另一方面，利用残差连接调整多层卷积网络的整体结构，进一步提高网络训练速度和推力估计效果。与传统的7种方法的比较结果表明，该方法在收敛速度和估计精度上具有显著优势。此外，本发明还将此方法应用在航空发动机实际控制系统中，并通过微型涡喷发动机试车台实物试验进一步验证了该控制方案的实时性和可行性。
-
-
-
Search Results
4
records
(took 0.017 seconds)
