吊舱发电用涵道式冲压涡轮优化设计摘要：冲压涡轮作为吊舱发电系统的动力部件，其性能直接影响整个系统的工作性能。采用11参数法对冲压涡轮二维叶型进行造型，并利用后缘积叠进行三维成型生成冲压涡轮。应用Fluent对其进行数值计算，在保证祸轮质量流量及输出功率不降低的情况下，以涡轮损失系数为目标函数，基于试验设计和Kriging模型对冲压祸轮叶片数及转子几何外形进行气动优化。研究结果表明：基于试验设计和Kriging模型的优化策略能以较少的试验次数获得良好的优化结果，优化后，整级涡轮绝热效率增加1.02%，涡轮输出功率增加1.8%。关键词：涵道式冲压涡轮；气动优化Kriging模型；试验设计；吊舱发电中图分类号：V231.3文献标识码:A文章编号：1673-5048(2016)05-0061-05Abstract：Theramairturbineisthepowercomponentofthepodpowersupplysystem(PPSS)，soitsperformanceaffectsthePPSSefficiencydirectly.Theelevenparametermethodisusedtomodelthetwodimensionalbladeprofileoframturbine，andthethreedimensionalmoldingisdonetoformramturbinebytrailingedgestacking.UsingFluenttoanalyzetheflowfieldoftheturbine，inconditionthatthemassflowrateandoutputpowerarenotdecreased，takinglosscoefficientofturbineastargetfunction，thebladesofnozzlesandrotorsandtheaerodynamicconfigurationoftherotorsareoptimizedbasedondesignofexperiments(DOE)andKrigingmodel.TheresearchresultsshowthattheoptimizationdesignbasedonDOEandKrigingmodelcangetgoodoptimizationresultswithlessnumbersofexperiments.Theadiabaticefficiencyofturbineincreasesby1.02%andtheoutputpowerincreasesby1.8%afteroptimization.Keywords：ductedramairturbine；aerodynamicoptimization；Krigingmodel；DOE；podpower0引言在现代电子对抗中，电子吊舱的运用非常广泛。随着电子吊舱耗能的增加，供电的重要性日益突显，吊舱自主发电系统是解决这一难题的有效手段。吊舱自主发电系统分为桨叶式冲压涡轮和涵道式冲压涡轮，桨叶式冲压涡轮效率低、发电功率小，己不能适应如今的电子对抗的需求。涵道式冲压涡轮以轴流式叶轮机械作为其设计理论，效率高、发电功率大，美国海军已将其纳入“下一代电子对抗机”(NGJ)计划之中［1］，不少研究者针对该计划提出了不同的解决方案［2-4］。对于涵道式冲压涡轮发电系统，国内外研究人员针对不同方向进行了不同程度的研究［5-7］。Ghetzler等［5］提出了一种低阻涵道式冲压涡轮发电系统，发电功率大、阻力小，但由于进气口设置在吊舱前端，会对雷达信号造成干扰;Robinson等［3］将进气口设在吊舱中段，并通过控制出口活门开度来控制涡轮出口背压，进而控制涡轮的转速及运行状态；王建平等［6］运用数值模拟对涵道式和桨叶式冲压涡轮进行了对比研究，指出涵道式冲压涡轮效率远高于桨叶式冲压涡轮，但并没有设计出性能优良的涵道式冲压涡轮；汪涛等［7］利用数值模拟对飞行包线内涵道式冲压涡轮的性能进行了计算，探究涡轮效率及功率随飞行表速及飞行高度的变化规律，指出在高空低飞行速度时涡轮输出功率最低。国外研宄成果相对保密，国内停留于定性研宄，而未对设计方法提出可行的指导。本文旨在对此问题进行探究，利用数值计算结合Kriging近似模型对涵道式冲压涡轮进行气动优化设计。lKriging近似模型l.lKriging模型简介Kriging模型最早是由南非矿业工程师D.G.Krige提出并应用于地质统计学中的，是一种基于统计理论的插值模型。通过建立输入/输出之间的近似函数关系，来代替耗时巨大的数值模拟，现在多用于确定性问题（一个输入只有一个输出）的优化中。式中：fmin为所有样本点的最小目标函数值；y〜为x点处的Kriging模型预测值；s为Kriging模型预测均方根误差RMSE,s=s2。①和分别为标准正态分布函数和正态分布密度函数。式中的第一项把当前最小目标函数值与预测值的差乘以预测值的提高概率，当预测值小于当前最小目标函数值时，第一项会变得较大；第二项是预测标准差与正态密度函数的积，当预测精度较低及预测值与当前最小目标函数接近时，第二项值较...