试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于逐级叠加法的航空发动机起动模型研究

建立起动过程数学模型的主要困难在于缺少发动机低转速部件特性。提出一种逐级叠加与试验数据相结合的方法计算低转速部件特性,并综合考虑了燃烧室效率变化和部件的热惯性对起动过程的影响,成功地把发动机慢车以上的部件法建模应用到发动机起动过程的性能模拟。通过对某型涡轴发动机仿真结果与试验数据的对比表明,这种低转速部件特性的计算方法具有一定的精度,建立的起动模型可满足研究起动供油规律及估算起动性能的需要。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。     

某型涡扇发动机起动和加速过程数值模拟

借助国内外涡扇发动机过渡态数值模拟研究的最新成果,开展了某型涡扇发动机起动加速过程的数值模拟研究。首先参照风机和泵类机械低转速部件特性相似理论,结合指数外插法,成功地发展了航空燃气涡轮发动机低转速部件特性扩展方法和计算程序;其次,基于燃气涡轮发动机部件匹配原理,写出描述部件内动态流动过程的三个基本方程：动量守恒方程（功率平衡方程）、流量连续方程和能量守恒方程;最后发展了具有一定计算精度的涡扇发动机起动加速过程的数值计算模型和程序,对某型涡扇发动机的起动和加速过程进行了数值分析,并与试验数据进行了对比分析。结果表明,给出的数值计算结果与试验数据具有较好的一致性,表明发展的模拟涡扇发动机起动加速过程的数学模型和程序是合理的。     

一种通用涡轴发动机起动过程建模方法研究

涡轴发动机可靠、快速的起动过程是进入驱动旋翼飞行器安全工作的前提,高置信度的发动机起动过程模型不仅可以对起动过程进行分析与优化控制,而且减少了代价昂贵的发动机台架试车次数。本文针对起动过程复杂非线性特性的建模难题,提出一种通用的建模方法:即基于级累叠方法,根据进口条件计算各级气体流动参数来获得压气机低转速特性数据,同时根据相似原理外推出燃气涡轮、自由涡轮低转速部件特性,并将冷转动模型和部件级模型相结合。最后,建立了涡轴发动机起动模型,进行了地面状态起动过程的数字仿真,并与试车数据进行对比,最大误差小于10%,结果表明所建立的模型能准确模拟涡轴发动机的起动过程。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

基于辨识法的核心机起动过程数学模型

为了提高航空发动机核心机起动过程数学仿真模型的计算精度,提出了辨识法建模的思路,主要借助核心机试车数据, 通过求解转子扭矩平衡方程和燃气扭矩特性方程,建立核心机起动数学模型。在燃气扭矩特性的计算求解中,创新性地提出了起 动加速过程“虚拟稳态”的概念。利用辨识模型对某型核心机的起动过程进行了仿真计算,并利用试车数据对辨识模型的计算结 果进行了校核。结果表明：辨识法可用于建立核心机起动数学模型,且辨识模型具有较高的计算精度,计算结果与实际试车数据 之间的误差小于2%,因此辨识模型可作为核心机试车调试的辅助手段。随着核心机试车数据库的完善,辨识模型还将进一步发 展,其计算能力和计算精度还将继续提高。     

某型发动机起动模型的支持向量机辨识及应用

为了解决某型涡扇发动机慢车转速以下的数学模型难以建立,无法进行起动性能数值计算的问题,提出了用支持向量机辨识起动模型,依据辨识结果估算起动性能的方法。采用发动机起动试验数据作为学习样本,建立了基于支持向量机的非线性动态起动模型。根据该型发动机起动供油量调整试验得到的供油压力数据,利用所建立的模型对起动性能进行了估算,给出了估算结果与试验数据的对比情况。研究表明,将支持向量机用于起动模型的辨识是可行的,能够较好地解决某型发动机起动性能计算的难题。     

基于动态优化数据的航空发动机过渡态控制方法

针对一般稳态燃油前馈PID算法在发动机过渡态过程中控制效果差的问题,提出了一种基于动态优化数据的涡轴发动机瞬态控制方法。采用带约束限制的序列二次规划（SQP）优化算法采集包线范围内各点的过渡态参数变化数据作为样本数据,利用稀疏化的最小二乘支持向量机（LSSVM）对样本数据进行训练、测试,将训练得到的LSSVM模型作为前馈与PI构成闭环控制器共同对涡轴发动机进行过渡态控制。通过对民用涡轴发动机部件级模型的包线内某两点不同功率水平进行仿真,结果表明,过渡态过程中动力涡轮转速超调量与下垂量均小于0.4%,稳态误差为0,动力涡轮转速稳定时间小于2s,各参数均未超限,因此,该控制器能有效提高涡轴发动机过渡态控制效果,实现对参数的限制管理。     

基于直升机/涡轴发动机综合仿真平台的发动机非线性模型预测控制

 基于具有可靠置信度的直升机/涡轴发动机综合仿真平台,研究了涡轴发动机带约束优化的非线性模型预测控制(NMPC)技术。首先通过设计多输出迭代约简最小二乘支持向量回归机(RRLSSVR),训练具有较好实时性、精度及泛化能力的内嵌式预测模型,在高度0~5 km、前飞速度0~75 m/s范围内模型精度达5‰。其次,考虑了扭矩、燃油流量、动力涡轮转速、燃气涡轮转速等综合信息及相关约束对控制效果的影响,利用在线序列二次规划(SQP)算法实现滚动优化控制,而后加入目标转速偏差的积分项以消除静差,保证输出恒定。最后,通过对直升机进行机动飞行大扰动仿真验证了该预测控制器对扰动的抑制能力,相比传统串级PID控制,能够显著降低动力涡轮转速下垂/超调量,达到更好的控制品质。     

An adaptive turbo-shaft engine modeling method based on PS and MRR-LSSVR algorithms

In order to establish an adaptive turbo-shaft engine model with high accuracy, a new modeling method based on parameter selection (PS) algorithm and multi-input multi-output recursive reduced least square support vector regression (MRR-LSSVR) machine is proposed. Firstly, the PS algorithm is designed to choose the most reasonable inputs of the adaptive module. During this process, a wrapper criterion based on least square support vector regression (LSSVR) machine is adopted, which can not only reduce computational complexity but also enhance generalization performance. Secondly, with the input variables determined by the PS algorithm, a mapping model of engine parameter estimation is trained off-line using MRR-LSSVR, which has a satisfying accuracy within 5&. Finally, based on a numerical simulation platform of an integrated helicopter/ turbo-shaft engine system, an adaptive turbo-shaft engine model is developed and tested in a certain flight envelope. Under the condition of single or multiple engine components being degraded, many simulation experiments are carried out, and the simulation results show the effectiveness and validity of the proposed adaptive modeling method.     

基于直升机/ 发动机综合模型的变旋翼转速控制研究

为了实现直升机旋翼转速在宽广范围内连续变化且涡轴发动机连续提供输出轴功率,采用1种扭矩序列转移控制方案来实现该传动链。通过2台涡轴发动机和2台多级变速器与旋翼协调工作,发动机依次连接或脱开旋翼,提供旋翼转速大范围内变化,并提供旋翼连续变化的功率。在扭矩转移过程中,针对发动机扭矩强扰动问题设计了鲁棒LMI控制器+ADRC扭矩前馈补偿控制器,最后基于直升机／发动机综合模型进行数值仿真,验证了扭矩转移方案的可行性。仿真结果表明：在转移过程中的扭矩强扰动对发动机动力涡轮转速的影响较小,旋翼转速可以实现较大范围内的快速平滑变化。     

一种直升机自旋训练过程涡轴发动机控制规律设计与仿真

针对直升机自旋训练过程中涡轴发动机快速响应要求,提出了一种以燃油流量和导叶角为控制量的鲁棒控制规律抑制自由涡轮转速瞬态下垂.首先,通过改进UH-60直升机/T700发动机综合模型,使之能够模拟自旋进入及自旋恢复过程动态变化.其次,提出并设计一种基于燃油流量和导叶调节的涡轴发动机鲁棒控制规律,并通过典型的自旋训练过程仿真,验证了该控制规律相比仅以燃油流量为变量的控制规律,自由涡轮转速瞬态下垂量降低至3%以下,且燃油流量变化更加平缓,改善了执行机构的工作条件.     

涡轴发动机尾气静电监测信号影响因素分析

 针对某型航空涡轴发动机试车台实验所获得的尾气静电监测信号,结合发动机台架试车状态和性能数据,分别在两个时间尺度上展开分析研究。研究发现发动机的工作状态和健康状态均对尾气静电信号产生重要影响。在小时间尺度上的分析发现,无故障情况下影响尾气静电信号变化的主要因素为燃油供给量,尾气静电信号能量随燃油供给量的增加近似按指数规律上升;而在大时间尺度上的分析发现,在一定的燃油供给和恒定的自由涡轮转速条件下,尾气静电信号能量随着发动机性能的缓慢衰退而逐渐上升。实测尾气静电信号所反映的趋势与初步的理论分析结果相一致,为建立涡轴发动机尾气静电信号的健康"基线",进而用于气路状态监测及故障识别提供了初步的依据。研究还发现,静电监测技术不仅能够为突发性故障提供预警信息,而且能够反映发动机整机性能衰退,进一步拓展了静电传感器的监测能力及其在航空发动机健康管理中的应用。     

基于极限学习机的修正当前统计模型跟踪算法

针对当前统计(Current Statistical,CS)模型由于先验知识的缺乏和其结构特点导致的跟踪精度降低的问题,通过使用极限学习机(Extreme Learning Machine,ELM)并根据目标历史状态信息,实时估计并修正CS模型的加速度估计值,提出了基于ELM的修正CS模型跟踪算法.ELM的训练结果表明...