涡轴发动机加速过程中的寿命延长优化控制

在涡轴发动机加速控制中,同时考虑发动机性能和寿命,优化加速控制策略,设计寿命延长控制.分析了加速过程中的气动稳定性、强度、燃烧稳定性以及功率等限制条件,采用序列二次规划法(SQP)优化算法进行加速控制中的燃油流量优化;根据燃气涡轮第1级静子冷却叶片温度最大值及其叶片型面与端壁的最大温差是影响发动机寿命的主要因素,采用两种寿命延长优化算法,一种是改变涡轮前温度的限制值,另一种是将涡轮前温度和动力涡轮转速同时作为优化目标,根据加权法进行折中.针对某涡轴发动机加载控制过程分别对两种寿命延长控制优化算法进行了仿真,结果表明两种方法均能有效降低涡轮前温度,并对动态性能影响较小,因此优化后的控制策略能有效延长发动机寿命.      

自旋动力恢复过程涡轴发动机快速响应控制律对比研究

针对直升机自旋过程中对动力快速安全恢复的问题,充分利用涡轴发动机气路中的导叶、涡轮放气控制,提出了两种涡轴发动机多回路多变量鲁棒控制规律,以实现自旋训练过程中发动机扭矩的快速响应,同时降低旋翼转子瞬态下垂量。采用保性能H2/H∞鲁棒控制算法,分别设计了基于燃油流量压气机导叶调节,以及燃油流量涡轮放气调节的具有快速响应能力的发动机转子转速控制规律,使得涡轴发动机在直升机自旋动力恢复过程中,在保证气动稳定安全的前提下,输出扭矩能够快速响应,且旋翼转子下垂量由常规燃油控制的5%下降至3%以内,并能够显著改善燃油动态特性。最后,通过数字仿真对两种控制方法进行了对比分析,得出了在工程应用中两者可能存在的优缺点。     

涡轴发动机自适应非线性预测控制

为了实现当直升机旋翼负载变化时,尽量保持功率涡轮转速恒定,并提高系统动态品质,研究了一种针对涡轴发动机的自适应非线性预测控制(ANMPC)算法.基于涡轴发动机稳态数据和动态特性,采用递归最小二乘法(RLS)进行模型参数辨识,建立了具有在线自适应能力的涡轴发动机数值-ARX(auto regressive with external input)并联预测模型.在此基础上,通过多步输出预测和反馈校正,利用序列二次型优化(SQP)算法,进行在线滚动优化,从而获得了涡轴发动机ANMPC控制器.仿真结果表明:当旋翼负载变化时,相比于传统的串联PID(比例-积分-控制)控制器,ANMPC控制器能够使得功率涡轮转速收敛更快,超调量/下垂量更小.      

基于变旋翼转速的涡轴发动机优化控制

研究了涡轴发动机/旋翼一体化优化控制问题, 分析了直升机旋翼需用功率与涡轴发动机工况的关系, 旋翼转速、旋翼总距、纵向周期变距及横向周期变距对旋翼需用功率的影响.以最小旋翼需用功率为目标函数, 用线性规划算法进行发动机/旋翼性能寻优.进行了巡航状态下变旋翼转速的涡轴发动机优化的数字仿真实验, 仿真结果表明在巡航状态应用变旋翼转速的涡轴发动机优化, 可以降低油耗1.5%～5.5%, 同时降低涡轮温度4.4～16℃, 具有实际应用价值.      

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。     

基于在线可变导叶角的涡轴发动机优化控制

研究了基于在线可变压气机导叶角的涡轴发动机最小油耗优化控制.分析了压气机导叶角的变化对涡轴发动机的影响.提出了基于在线可变导叶角的涡轴发动机优化控制方法.最后,进行了涡轴发动机最小油耗优化控制的仿真实验.仿真结果表明通过调节压气机导叶角可以使单位功率耗油率降低3%～7%,具有实际应用价值.      

涡轴发动机部件特性修正及更新方法

针对由航空发动机零部件制造、装配及性能退化引起的发动机模型与实际发动机之间的性能不匹配问题,提出1种基于粒子群优化算法(PSO)的发动机部件特性自动修正及更新方法。根据发动机部件级模型的输出数据和发动机性能分析软件GasTurb计算结果,以发动机关键测量参数所定义的目标函数最小为优化目标,利用PSO获取不同相对换算转速下的部件特性修正因子,并在线完成特性图的自动更新。并以某型涡轴发动机为对象进行仿真验证,结果表明:该方法可有效提高涡轴发动机部件级模型的精度,并直接输出更新后的部件特性。     

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。     

涡轴发动机简化实时模型研究

涡轴发动机数控系统传感器故障诊断需机载的发动机数学模型,由于缺乏部件特性数据,根据某型发动机地面试车稳态数据和动态数据,建立涡轴发动机慢车以上状态简化数学模型。该模型具有较好的实时性,稳态模型采用插值算法,动态模型针对不同参数分别采用动态系数法和转子动力学方法。数值仿真结果表明：该简化模型具有较高的动态和稳态精度,可以满足传感器故障诊断的需求。     

直升机/发动机系统变旋翼转速串行优化方案

提出了一种用于直升机/涡轴发动机综合控制的变旋翼转速串行优化方案.首先基于Levenberg-Marquarat(L-M)算法/一维最优搜索算法,在保证直升机飞行状态不变的情况下,寻优得到旋翼所需最小功率,再通过优化发动机操纵量,在保证发动机约束成立的条件下得到当前发动机运行最优工作点,即达到直升机巡航时油耗最小或者涡轮前温度最低.最后,在UH-60直升机/涡轴发动机综合控制仿真平台上进行了最小油耗控制模式的仿真,数字仿真结果表明了该串行优化方案的可行性.      

A novel control method for turboshaft engine with variable rotor speed based on the Ngdot estimator through LQG/LTR and rotor predicted torque feedforward

In order to compensate for the disturbance of wide variation in rotor demanded torque on power turbine speed and realize the fast response control of turboshaft engine during variable rotor speed, a cascade PID control method based on the acceleration estimator of gas turbine speed (Ngdot) and rotor predicted torque feedforward is proposed. Firstly, a two-speed Dual Clutch Transmission (DCT) model is applied in the integrated rotor/turboshaft engine system to achieve variable rotor speed. Then, an online estimation method of Ngdot based on the Linear Quadratic Gaussian with Loop Transfer Recovery (LQG/LTR) is proposed for power turbine speed cascade control. Finally, according to the cascade PID controller based on Ngdot estimator, a rotor demanded torque predicted method based on the Min-batch Gradient Descent-Neural Network (MGD-NN) is put forward to compromise the influence of rotor torque interference. The simulation results show that compared with cascade PID controller based on Ngdot estimator and the one combined with collective pitch feedforward control, the novel control method proposed can reduce the overshoot of power turbine speed by more than 20%, which possesses faster response, superior dynamic effect and satisfactory robustness performance. The control method proposed can realize the fast response control of turboshaft engine with variable rotor speed better.     

涡轴发动机非线性模型预测控制

 对涡轴发动机进行了非线性模型预测控制(NMPC)研究,设计了非线性模型预测,该控制器主要包括3个方面：预测模型、滚动优化和反馈校正。利用神经元网络模型预测涡轴发动机动态响应过程,得到预测模型;运用序列二次规划(SQP)优化算法进行发动机的在线滚动优化,得到发动机的燃油控制量;根据神经元网络模型与实际发动机对象的输出误差,对控制器的指令信号进行了反馈校正。最后进行了仿真实验,与常规串级PID控制相比较,非线性模型预测控制器的超调量从2.2%降低到0.8%,响应时间从6 s降低到2 s,具有很好的控制品质。     

基于FSQP算法的涡扇发动机多变量最优加速控制

深入研究了新的非线性规划算法———FSQP算法。提出了一种基于FSQP算法的涡扇发动机多变量最优加速控制方法。该方法可以提高发动机的加速性能并满足加速过程中的各项约束条件。最后,通过仿真表明了该控制算法的可行性和良好的控制效果。     

一种确定燃气涡轮轴发动机起动最小所需扭矩的工程方法

依据某型涡轴发动机冷运转试验数据,给出了发动机阻力矩和净力矩的计算方法。按照发动机在此温度条件下的最大允许起动时间,提出了确定发动机在该大气温度条件下起动时最小所需扭矩的方法,并通过试验表明用这种方法得到的计算结果和试验结果较吻合。      

典型燃气发生器转子平衡状态与振动特性分析

针对某型涡轴发动机整机试验中出现的振动过大现象,通过建立考虑低速动平衡的刚性转子系统动力学方程,求解低速动平衡后刚性转子的动力学响应,对涡轴发动机典型燃气发生器转子平衡状态与振动特性进行分析。介绍了该型发动机整机试验中出现的振动过大现象及后续的排查措施,分析了该类转子振动模态特性与激振载荷的关系,建立了该类转子在不平衡状态下的动力学分析模型,对2种初始不平衡状态的转子振动响应进行了仿真计算。结果表明:对于该类涡轴发动机典型燃气发生器转子,当离心叶轮处存在较大初始不平衡时,转子的低速动平衡虽能较好地控制其前2阶振动,但会加剧其在大转速时的振动,特别是转子第3阶弯曲型临界转速裕度不大时,应当特别重视。     

基于试飞数据的涡轴发动机性能建模技术

为了实现军用涡轴发动机在装机状态下的虚拟预测试飞，通过罚函数法求解超定非线性方程组的最小二乘解，并采用回归分析对部件特性耦合因子进行曲线拟合，优化基准稳态模型，构建了某型涡轴发动机稳态性能计算模型；在此基础上，应用发动机加减速试飞数据，综合考虑部件容腔效应、转动部件的转子动力学和高温部件的传热效应，开发了涡轴发动机部件级过渡态性能计算模型。采用该模型对包线范围内不同工况的发动机稳态和过渡态工作过程进行了仿真预测，结果表明：与真实装机试验结果相比，发动机各工作参数的稳态预测精度在4.2%以内，过渡态预测精度在9.2%以内，满足工程精度要求。该模型能够满足虚拟预测试飞的技术需求，对涡轴发动机的设计、试飞和使用具有重要作用。     

航空发动机加速和减速过程最优控制研究

深入研究了航空发动机加速过程和减速过程的最优控制问题。提出了基于改进FSQP(Feasible Sequen-tial Quadratic Programming)算法的航空发动机加速过程和减速过程最优控制方法,仿真结果证明该方法可以在满足航空发动机加速过程和减速过程中各项约束条件的前提下,实现最优的控制目标。     

基于混合算法的涡轴发动机稳态性能仿真模型

以自由涡轮式涡轴发动机为研究对象,建立了涡轴发动机的稳态性能仿真模型,提出了基于天牛须算法和N+1点残量法的求解发动机模型的混合算法(BAS-N+1混合算法),利用发动机台架试车数据对仿真计算结果进行了验证。结果表明,该稳态性能仿真模型各参数的求解误差在3%以内。与PSO-N+1混合算法相比,BASN+1混合算法求解精度更高,收敛更快。BAS-N+1混合算法既保留了智能算法对初猜值误差的包容性,也拥有接近经典迭代算法的收敛速度和精度,能够实现涡轴发动机稳态仿真模型的高精度大范围快速收敛。