基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

涡扇发动机分路式多变量PI解耦控制

根据基于模型的智能数字发动机控制的特点,针对某型涡扇发动机,以直接推力控制模式为例,研究了涡扇发动机分路式多变量PI解耦控制.并采用了零点配置技术保证解耦控制器的稳定性,通过稳态解耦矩阵对涡扇发动机进行解耦达到分路控制的目的.利用SISO系统PI控制器设计方法确定每个环路的最优PI控制器.仿真结果表明,该算法具有较好的动态和静态解耦性能.      

基于QDRNN网络的航空发动机多变量解耦控制

针对航空发动机非线性模型的复杂性,通过对准对角递归神经网络(QDRNN)及梯度下降法(GMD)的分析,研究了基于QDRNN网络的航空发动机多变量解耦PID控制系统.阐明了该算法的结构和原理,通过对设计点及非设计点的仿真.研究表明,QDRNN网络结构相对简单,易于构造训练算法,较好地解决了双变量控制系统中变量之间的耦合作用.      

基于自调整神经元的航空发动机多变量自适应解耦控制

根据航空发动机性能控制要求, 通过分析自调整神经元及最速下降学习方法, 研究了基于自调整神经元的航空发动机多变量自适应解耦控制系统.利用自调整神经元的结构简单、各神经元之间没有权值连接及在线学习的优点, 在线整定多变量PID控制器的参数.阐明了该方法的结构和原理.并进行了航空发动机多变量自适应解耦控制系统的设计.大量的仿真结果表明, 系统具有良好的解耦特性和自适应能力.      

基于DRNN网络的航空发动机多变量解耦控制

通过分析对角递归神经网络（DRNN）及带动量项的梯度学习方法（GDM）,针对某型涡扇发动机的性能控制,研究了基于对角递归神经网络的多变量自学习解耦控制算法及其在航空发动机控制中的应用.阐明了该方法的结构和原理.并在设计点处进行了发动机多变量解耦控制系统设计.在偏离设计点时,大量的仿真结果表明,系统具有较好解耦和自适应能力.     

航空发动机非理想解耦自适应控制

本文对航空发动机的双变量控制方法进行了研究, 提出了一种非理想解耦自适应控制方法, 各子系统之间部分残余的相互耦合和非线性影响就通过自适应律本身的鲁棒性来解决。仿真结果表明该控制系统实现了解耦控制, 对发动机模型参数在大范围内的变化均有良好的控制效果。      

基于RBF网络的航空发动机单神经元解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于RBF网络辨识的航空发动机多变量单神经元网络解耦控制方法。对发动机的多个控制回路,采用多个RBF网络实时辨识各个回路发动机的数学模型,并将系统的灵敏度信息实时反馈给各回路的控制器,保证了单神经元网络控制器对各回路的准确控制,最终实现对发动机多回路的解耦控制。通过在飞行包线内的仿真,结果表明,该方法不依赖被控对象的精确模型,有效地实现了对发动机的解耦控制,而且具有良好的动静态性能,将其应用于航空发动机多变量解耦控制是行之有效的。     

一种航空发动机多变量自抗扰解耦控制律设计

研究了航空发动机多变量解耦控制律设计问题。提出了一种用于航空发动机多回路控制的多变量自抗扰解耦控制算法:首先通过静态解耦算法实现多变量耦合系统的静态解耦,而后通过ADRC非线性扩张观测器的补偿控制实现各回路的动态解耦,最终实现复杂多变量耦合系统的解耦控制。以某涡扇发动机非线性部件级实时数学模型为被控对象,基于上述多变量自抗扰解耦控制算法设计了发动机中间状态以上多变量控制律。在全包线内,与基于增广LQR控制方法设计发动机闭环系统,进行了对比研究。数字仿真结果表明,前者使得发动机闭环系统具有更好的指令跟踪和多回路解耦能力。     

基于RBF网络辨识的航空发动机模糊神经网络解耦控制

对航空发动机的多变量解耦控制方法进行了研究,提出了一种基于RBF网络辨识的航空发动机模糊神经网络解耦控制方法。该方法利用RBF网络辨识航空发动机的实时模型,为模糊神经网络控制器参数的调整提供了Jacobian信息,解决了模糊神经网络自适应控制器在被控对象不能精确建模情况下应用的问题。仿真结果表明,系统鲁棒性强．在设计点和偏离设计点处,均具有良好的动态特性和解耦特性。     

航空发动机多变量三层神经网络控制

提出了一种发动机多变量神经网络控制方法。采用三层前向神经网络对非线性项进行补偿,神经网络权重自适应律采用在线学习算法。控制系统的设计不需要知道精确模型,适应于全飞行包线。仿真研究表明发动机多变量神经网络控制具有良好的动、静态性能。      

航空发动机神经网络自学习PID控制

将神经网络与传统的PID控制相结合,构成神经网络自学习PID控制,用神经网络在线整定PID控制器的比例、积分及微分三个参数,使被控对象跟踪理想参考模型的输出。该系统具有自学习能力,能适用于非线性、时变的被控对象。将神经网络自学习PID控制方法用于航空发动机全包线控制以及蜕化发动机的控制,进行了数字仿真,验证了该方法的有效性。     

航空发动机PID神经网络解耦控制

对航空发动机的双变量解耦控制方法进行了研究,提出了一种基于遗传算法的PID神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习,克服了BP算法易陷入局部权值的缺点,并具有PID神经网络控制器结构简单规范、动态和静态性能良好等优点。     

基于GA的航空发动机单神经元自适应解耦控制器设计

针对航空发动机控制变量间的耦合作用,设计了基于GA优化的单神经元自适应解耦控制器,给出了控制系统的结构及解耦算法。该方法结构简单、易于实现,直接通过对两个通道误差的学习调整权值,实现解耦。仿真表明,在设计点和偏离设计点处,系统均具有良好的动态特性和解耦特性。     

基于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PID控制器的方法。基于BP（Back Propagation）神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

某于功率反馈的涡轴发动机神经网络PID控制研究

通过对功率平衡关系进行分析,提出了利用功率反馈设计智能神经网络PIO控制器的方法。基于BP(Back Propagation)神经网络,将功率信号作为神经网络的输入层信号,并改进了网络权值的学习规则。通过在线整定PID参数,控制器能够根据功率误差信号的变化实时调整控制参数,从而使系统自主寻找到功率平衡点,具有良好的稳态和动态响应特性。仿真结果表明：该方法可以使涡轴发动机在全包线范围内具有理想的控制性能。     

基于新型神经网络的航空发动机多变量控制

根据PID控制结构提出了一种新型神经网络控制器,对其基本结构和学习算法等进行了分析。结合某型航空涡喷发动机双变量控制需求,利用2个结构相同、相互联系的神经网络,实现了发动机双变量控制和接耦。在不同飞行条件、不同发动机工作状态下的仿真表明,控制器具有良好的控制性能     

基于混沌变量的航空发动机模糊神经网络控制

针对模糊神经网络控制器中模糊规则的设计和神经网络权值的确定存在困难这个问题,提出了混沌优化控制方案,将混沌优化算法应用到航空发动机模糊神经网络控制中,利用混沌优化算法对模糊神经网络的参数进行优化。仿真结果表明,设计的模糊神经网络控制器具有良好的性能。      

某型发动机数控系统的相似参数自适应控制

针对航空发动机在全飞行包线非线性和时变的特点,提出了参数自适应PID控制器设计方法,研究了用最小二乘法和相似参数法两种参数估计器进行在线参数辨识和参数整定的问题。通过与发动机线性模型和部件级非线性模型的仿真,对两种控制算法进行了比较,确定了相似参数法自适应PID控制器具有稳定性好,计算简单,适用于全包线等优点。将相似参数法自适应PID控制器用于某型航空发动机全权限数控系统,通过试车和试飞,验证了该方法的优点。