基于PSO-BP神经网络的涡轴发动机重量估算方法研究
详细信息 查看官网全文
- 英文论文题名：Weight Estimation of Turboshaft Engines Base on PSO-BP Neural Network
- 论文作者：余健雄 ; 黄兴
- 英文论文作者：Yu Jianxiong ; Huang Xing ; China Aviation Powerplant Research Institute
- 年：2016
- 作者机构：中国航空动力机械研究所;
- 论文关键词：粒子群算法 ; BP神经网络 ; 涡轴发动机 ; 重量估算
- 英文论文关键词：particle swarm optimization ; BP neural network ; turboshaft engine
- 会议召开时间：2016-10-31
- 会议录名称：探索 创新 交流（第7集）——第七届中国航空学会青年科技论坛文集（上册）
- 英文会议录名称：Discovery,Innovation and Communication——Proceedings of 7th CSAA Science and Technology Youth Forum
- 语种：中文
- 分类号：V235.12
- 学会代码：ZGHU
- 会议名称：探索 创新 交流（第7集）——第七届中国航空学会青年科技论坛
- 会议地点：中国广东中山
- 主办单位：中国航空学会
- 学会名称：中国航空学会
- 页数：5
- 文件大小：315k
- 原文格式：O
- 会议级别：全国
摘要
以具有离心压气机构型的涡轴发动机为研究对象,采用PSO-BP神经网络重量估算模型对发动机概念设计阶段的重量估算进行了研究。利用统计的发动机数据对建立的神经网络模型进行训练和测试,并与基于多元线性回归分析的估算结果进行了对比。结果表明,采用粒子群优化神经网络模型估算涡轴发动机重量的方法合理可行,估算结果具有较高的精度,误差小于5%,具有工程应用价值。
In this paper,we studie the weight estimation of turboshaft engines with centrifugal compressor configuration using PSO-BP neural network.With the help of engine database,we build and train a weight estimation platform based on neural network,testing its precision and comparing with the results based on multiple linear regression method.The results reveal that it is practical to apply PSO-BP neural network in the turboshaft engine weight estimation.With a higher accuracy than linear regression,the PSO-BP method could be used in engineering applications.
In this paper,we studie the weight estimation of turboshaft engines with centrifugal compressor configuration using PSO-BP neural network.With the help of engine database,we build and train a weight estimation platform based on neural network,testing its precision and comparing with the results based on multiple linear regression method.The results reveal that it is practical to apply PSO-BP neural network in the turboshaft engine weight estimation.With a higher accuracy than linear regression,the PSO-BP method could be used in engineering applications.
引文
[1]Jackson A J B.Optimization of Aero and Industrial Gas Turbine Design for the Environment[D],UK:Cranfield University,2009.
[2]Svoboda C.Turbofan Engine Database as a Preliminary Design Tool[J].Aircraft design,2000(3):17-31.
[3]Torenbeek,E.Synthesis of Subsonic Airplane Design:An Introduction to the Preliminary Design of Subsonic General Aviation and Transport Aircraft,with Emphasis on Layout,Aerodynamic Design,Propulsion and Performance f M].Springer,1975:129-130.
[4]辛后居.发动机重量估算模型[J].江苏航空,1994(Z1):39-40.
[5]Clavier J.Aero Gas Turbine Engine Design Project(AVIC)Ultra High by-Pass Ratio(12-14)Study[D],UK:Cranfield University,2010.
[6]王团结,张赟,包亚.基于PSO.BP的涡扇发动机重量估算方法研究[J].系统仿真技术,2015,11(1):63-68.
[7]胡晓煜.世界中小型航空发动机手册[M].北京:航空工业出版社.2006.
[8]张少迪,王延杰,孙宏海.三角形剖分以及PSO-BP神经网络在星图识别中的应用[J].光电工程,2011,38(6):30-37.
[9]周海波,刘建业.基于BP神经网络的光纤陀螺仪温度建模研究[J].光电工程,2006,33(6):135-138.
[10]曾建潮,介婧,崔志华.微粒群算法[M].北京:科学出版社,2004.
[11]陈华,张可.基于PSO-BP算法的目标威胁评估[J].计算机应用研究,2012,29(3):900-902.
[12]史峰,王小川,等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[13]高娜,屈志宏,茹常剑.改进PSO-BP算法在飞机剩余油量测量中的应用[J].计算机测量与控制.2012,20(6):1452-1454.
[14]张海,浦健.基于粒子群优化神经网络的煤炭成浆浓度的预测[J],燃气轮机技术,2009,22(2):42-46.
[2]Svoboda C.Turbofan Engine Database as a Preliminary Design Tool[J].Aircraft design,2000(3):17-31.
[3]Torenbeek,E.Synthesis of Subsonic Airplane Design:An Introduction to the Preliminary Design of Subsonic General Aviation and Transport Aircraft,with Emphasis on Layout,Aerodynamic Design,Propulsion and Performance f M].Springer,1975:129-130.
[4]辛后居.发动机重量估算模型[J].江苏航空,1994(Z1):39-40.
[5]Clavier J.Aero Gas Turbine Engine Design Project(AVIC)Ultra High by-Pass Ratio(12-14)Study[D],UK:Cranfield University,2010.
[6]王团结,张赟,包亚.基于PSO.BP的涡扇发动机重量估算方法研究[J].系统仿真技术,2015,11(1):63-68.
[7]胡晓煜.世界中小型航空发动机手册[M].北京:航空工业出版社.2006.
[8]张少迪,王延杰,孙宏海.三角形剖分以及PSO-BP神经网络在星图识别中的应用[J].光电工程,2011,38(6):30-37.
[9]周海波,刘建业.基于BP神经网络的光纤陀螺仪温度建模研究[J].光电工程,2006,33(6):135-138.
[10]曾建潮,介婧,崔志华.微粒群算法[M].北京:科学出版社,2004.
[11]陈华,张可.基于PSO-BP算法的目标威胁评估[J].计算机应用研究,2012,29(3):900-902.
[12]史峰,王小川,等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[13]高娜,屈志宏,茹常剑.改进PSO-BP算法在飞机剩余油量测量中的应用[J].计算机测量与控制.2012,20(6):1452-1454.
[14]张海,浦健.基于粒子群优化神经网络的煤炭成浆浓度的预测[J],燃气轮机技术,2009,22(2):42-46.