本技术介绍了一种用于高超声速航空发动机进气道的气动失稳预警方法。该方法首先对预处理的壁面压力数据进行特征归一化,然后利用线性SVM算法对起动与不起动状态进行分类,确定最优分类面作为进气道不起动状态的边界,并据此定义稳定裕度以确定预警边界。该方法能够实现进气道失稳的准确判定。进一步地,本技术还采用BP神经网络对壁面压力数据进行反压倍数属性的训练和评估,预测进气道不起动状态及其预警状态的反压倍数边界值,为高超声速航空发动机在特定马赫数和飞行高度范围内的气动失稳预警提供了一种有效的解决方案。
背景技术
进气道作为高超声速航空发动机的重要部件,在保证发动机的工作效率、正常工作、推力大小等方面有着至关重要的作用。当前高超声速进气道气动失稳的问题主要归于燃烧室反压过高或来流马赫数过低、攻角过大因素,这些都会导致进气道不起动的发生。由于高超声速进气道不起动工作状态是进气设计过程中不能解决的,目前采取的措施为避免进气道不起动或使进气道再起动。因此,针对不起动的因素在完成失稳判定的基础上建立合理的预警机制,对于保证高超声速推力系统的稳定飞行具有重要的研究意义和工程应用价值。
针对于高超声速进气道不起动问题,燃烧室反压过高作为引发高超声速进气道气动失稳(不起动)的一项重要因素,其特征为进气道下游出现正激波,会在高反压激励作用下被推出进气道,导致通道流量减小,从而引发进气道不起动。从该气动失稳角度出发,基于某高超声速进气道模型,在不同反压倍数条件下数值仿真得到进气道通道的沿程壁面压力数据,利用学习算法完成失稳预警边界的预测,因此关于高超声速进气道失稳预警在方法上呈现出一些特点:一、在数据处理上,进气道气动失稳状态的壁面压力数据量较小,导致稳定状态数据与失稳状态数据分布不平衡,且样本呈现高维、规模小的特点,但通过特征选择算法和SVM算法能够获得分类准确度高、泛化能力强的失稳判别模型,能对壁面压力失稳数据进行准确分类,由此可以确定进气道起动状态和不起动状态的分类边界;二、从反压倍数角度,由于较高的反压倍数会形成较高的背压造成进气道不起动,因此通过回归方法可以在现有起动状态数据和不起动状态数据之间可以划定进气道气动失稳的反压倍数边界,并设定一定的稳定裕度,获取进气道气动失稳预警的反压倍数边界,作为进气道气动失稳的预警条件。
实现思路