基于差异演化和残差修正的离心泵特性辨识与汽蚀分析

针对船用离心泵的特性参数辨识与汽蚀现象分析,提出了一种采用残差修正的差异演化辨识方法.该方法采用差异演化算法辨识其压头-流量特性曲线,然后利用原始数据和辨识结果的残差进行二次建模修正,从而有效提高了辨识精度.以某型船用离心式凝水泵为例对上述方法进行验证,利用辨识得到的特性曲线和已有的凝水系统管路模型进行仿真实验,得到了凝水泵转速、压头、流量、凝水温度、吸入压力与排出压力等参数之间的关系,计算得到了该凝水泵的汽蚀预警转速,并在此基础上分析得到了整个凝水系统的稳定运行边界.     

基于键合图的热工流体网络建模方法研究

应用功率键合图理论研究了热工流体网络的仿真建模问题,并从基本物理规律出发对其进行了仿真建模;采用分段集中参数法分析流体的流动过程,避免了以往把流体压缩性集中于若干网络节点上所造成的计算偏差,使模型的动态特性更符合实际。结合具体算例对该建模方法进行验证,证明其适用于常见的可压缩或不可压缩流体网络,具有较好的精确性和工程实用性。     

船用冷凝系统的键合图建模与仿真研究

应用键合图理论研究了船用蒸汽动力装置冷凝系统的仿真建模.以规范化的方式统一分析了系统中同时存在的机液能量转换、热功转换以及热传递和质量迁移等多种能量作用,从基本物理规律出发建立了其通用仿真数学建模,并结合具体算例进行验证.通过仿真结果与实测值比较,证明所建立的模型能够真实地反映实际对象的静态与动态工作特性,并具有较好的精确性和实时性,所得结论具有一定的理论和工程实用价值.     

多约束下编队随船备件配置优化方法

针对舰艇编队备件配置方案的确定需要综合考虑多项约束指标因素的特点,以编队出海执行任务准备阶段备件配置为研究背景,以舰船载荷、排水量及保障费用为约束条件,构建了以编队备件保障概率为目标函数的编队随舰备件库存优化模型,应用拉格朗日乘子法及边际效应法原理给出了编队随船备件库存模型计算及优化流程,并运用罚函数原理对保障资源约束因子进行了确定及动态调整。最后,通过案例分析验证了本文提出的方法能够为解决多约束下编队随船备件配置优化问题提供新的途径。     

热工流体网络简易模块化建模方法

从基本物理规律出发,采用面向对象的模块化建模思想,提出了一种简单的针对热动力系统中热工流体网络的建模方法.该方法通过模块的搭接来构筑和求解网络整体模型,提高了模型的开放性和可扩展性;使用差分方程解算流体网络,在精确性满足需要的同时,简化了仿真程序的编写,提高了建模效率;适用于各类常见的可压缩或不可压缩热工流体网络,具有较好的精确性、实时性和工程实用性.     

基于支撑平台的船舶动力模拟训练系统研制

设计了一种基于仿真支撑平台软件的船舶动力装置模拟训练系统的研制方案,论述了利用MINIS仿真支撑系统、Intouch组态软件、X3D技术、现代CAD技术和网络技术开发其全工况模拟训练系统的方法,并结合应用实例介绍了系统的软件组成及其特点.实践证明,该方案在保证仿真精度的同时降低了系统的开发成本,缩短了研制周期,是研制船舶动力装置训练模拟系统的理想选择.     

基于残差修正的涡轮增压机组差异演化建模与降负荷特性分析

针对船用增压锅炉涡轮增压机组的建模与运行特性分析问题,提出了一种基于差异演化算法和残差修正的演化建模方法.在涡轮增压机组机理模型的基础上,采用差异演化算法辨识模型参数,利用原始数据和所建模型的残差进行修正,避免了采用经验值或理想状态下的实验数据作为模型参数所造成的偏差,在所建模型和已有增压锅炉涡轮增压机组模型的基础上进行仿真实验,研究了涡轮增压机组在快速降负荷过程中的动态特性,并通过仿真结果与原始数据的对比验证了其可靠性.结果表明:在给定的模型空间和参数范围内,采用残差修正的差异演化算法能够自动生成同时满足实时性和精度要求的显性模型;通过对仿真结果分析发现,相对于锅炉,涡轮增压机组在快速降负荷过程中出现了明显滞后的现象,甚至可能导致锅炉熄火.     

基于演化参数辨识的流体网络建模

应用演化计算理论研究了热动力系统中热工流体网络的仿真建模问题.从基本物理规律出发,建立了热工流体网络的通用仿真数学模型;采用演化算法对流体网络的参数进行辨识,避免了以往采用经验值或者网络在理想状态下的试验数据作为建模参数所造成的偏差,在提高计算精度的同时使模型的动态特性更加符合实际.将该方法应用于某蒸汽动力装置新蒸汽系统的仿真建模中,通过仿真结果和实测值的对比,证明采用演化算法辨识后的流体网络模型具有较高的计算精度,能够很好地反映网络对象的特性,在工程上是实用的.     

基于MWSA的热力系统单参数时序预测方法

热力系统的状态参数变化可以实时反映系统的运行状态，针对热力系统参数运行数据预测手段匮乏的现状，基于4种算法提出一种单参数预测方法并简称MWSA,对当前设备状态参数进行分解降噪、趋势提取和时序预测，并将预测结果作为下一步运行管理策略和装备维修的参考，对系统的长期安全稳定运行具有重要意义.首先，利用中值回归经验模态分解(MREMD)方法将监测得到的运行状态参数分解为若干个本征模态函数(IMF)和残余分量.然后，对不符合筛选条件的分量进行小波阈值降噪(WTD),并将去噪后的分量与原本符合筛选条件的分量重组成新的IMF分量.最后，利用基于奇异值分解(SVD)和优化参数排列熵(PE)的K-means聚类算法，对重组后的IMF分量进行分类，取熵值较低的一类分量重构为趋势项并采用整合滑动平均自回归模型(ARIMA)进行预测.经实际案例验证，该方法能够有效克服原始参数时序中高频噪声的干扰，与不采用降噪处理的同类方法相比，该方法预测的准确度更高.