一种超声速状态下机载推进系统模型的建模方法

为了满足机载航空推进系统模型对精度、实时性及数据存储量的苛刻要求，提出了一种机载模型建模方法.对传统的机载稳态模型建立过程中使用的相似准则进行了充分讨论，得出了一种具备更高建模精度的相似准则.在新的相似准则基础上，建立了包含泰勒展开式中非线性2阶项的高精度稳态变量模型，有效解决了分段线性稳态变量模型在大包线、变状态条件下精度难以保证的问题；为了解决超声速状态下安装推力与发动机净推力差别较大的问题，建立了考虑外流特性的简化进气道模型，给出了一种计算安装推力的方法，即由简化发动机模型计算安装推力中符合相似准则的部分，由进气道模型计算溢流阻力、放气阻力及发动机推力中不符合相似准则的部分.仿真结果表明:基于新的相似准则所建立的机载模型具有大包线、变状态适应性，输出参数误差均在0.5%以内.      

基于稀疏自动编码器的发动机机载模型建模方法研究

为解决分段线性化机载模型精度不足的问题,提出并设计了基于稀疏自动编码器的大包线、具有10输入11输出的发动机机载自适应模型,该模型由稳态、动态两部分组合而成。首先基于一种新的相似准则进行建模所需样本数据的压缩,在保留主要信息的同时,大大降低了数据量及采样时间。用BP算法对简化后的样本数据进行了机载模型稳态部分的建模。针对机载模型动态部分所需样本数据量巨大、BP算法难以训练的问题,建立了基于稀疏自动编码器的动态机载模型。引入准稳态判断逻辑,在动态过程使用稀疏自动编码器的动态机载模型,在稳态过程使用基于BP算法的稳态机载模型。仿真结果表明,所建立的发动机机载模型具有优良的动稳态精度,且实时性好、存储量小,其中动态精度小于1%,稳态精度小于0.6%,一次模型计算时间不大于1ms,模型存储量不大于100kB。     

基于状态感知的航空发动机变基线模型建模方法研究

机载模型是先进航空发动机控制方法的基础,基线模型作为机载模型的重要组成部分,其建模准确度决定了机载模型的精度。针对传统单一基线模型在局部飞行包线精度高,而难以用于发动机全包线、全状态稳态性能预测的问题,提出了一种基于状态感知的发动机变基线模型建模方法。首先在小波变换滤波的基础上,提出基于状态感知的最优稳态数据筛选阈值计算方法,以减少稳态数据的错选或遗漏;其次,提出基于高斯混合模型（GMM）的变基线模型建模方法,利用GMM实现飞行数据自主聚类,并结合回归分析法,构建全包线、全状态的高精度变基线模型。仿真结果表明：本文提出的稳态数据筛选方法能有效避免数据错选或遗漏,相比于常规的单一基线模型,所提出的变基线模型可使高、低压转子转速的相对均值误差分别减小45%,30%以上。该方法能显著提升基线模型精度,同时实现了稳态数据自动化提取,避免了过多依赖人工经验且难以获得最优阈值的问题。     

一种考虑非线性余项的机载发动机自适应模型建立及其在寻优控制中的应用

为了解决传统的机载发动机分段稳态线化模型精度不足的问题,在发动机稳态线化模型中引入了模型各输出参数泰勒展开中的非线性余项,建立了考虑非线性余项的机载发动机稳态模型。为了估计真实发动机部件蜕化情况,建立了基于Kalman滤波的发动机部件性能蜕化估计模块。以考虑非线性余项的发动机稳态模型为核心,结合性能蜕化估计模块构建了机载发动机自适应模型。针对所建立的机载发动机自适应模型,进行了单部件及多部件蜕化参数估计以及最小油耗性能寻优控制模式的仿真。仿真结果表明,考虑非线性余项的机载发动机自适应模型误差在1%以内,且具有优化耗时少 ,建立模型样本数据需求量小的特点。     

航空发动机增强型机载自适应模型气路故障诊断方法

针对航空发动机在工程应用中气路健康状态的评估问题,提出一种基于增强型机载自适应模型的气路故障诊断方法。 该方法在机载模型中加入神经网络补偿算法,在线修正机载模型的输出误差,提高了卡尔曼滤波器估计精度,以此为基础建立了 发动机增强型自适应模型和性能基线模型。增强型自适应模型可实时评估健康参数状态,并指导性能基线模型跟踪发动机正常 性能降级趋势,确保剪裁精准的故障信息用于检测和诊断。基于发动机性能仿真模型模拟故障特征数据库,采用RBF神经网络训 练样本,完成了故障模式判定和故障隔离。通过构建某型涡轴发动机气路故障诊断平台进行仿真验证,结果表明：该方法能够有 效监视发动机在全包线、全寿命周期的气路健康状况,在实际工作流程中具备可行性。     

涡轴发动机自适应混合诊断模型高斯加权聚类方法

针对整个飞行包线内涡轴发动机健康参数估计问题,提出基于高斯加权聚类的机载自适应混合模型建立方法.机载自适应混合模型由卡尔曼滤波器和神经网络组成,由于飞行数据样本庞大,采用高斯加权模型对涡轴发动机飞行数据进行实时聚类,利用聚类数据更新神经网络权重,并实现自适应混合模型工作范围的自动扩展.仿真结果表明了该方法的有效性,采用...     

基于改进混合卡尔曼滤波器的航空发动机机载自适应模型

提出了基于改进混合卡尔曼滤波器的航空发动机机载自适应模型方法,即以机载非线性模型的输出作为分段线性卡尔曼滤波器的稳态基准值,将性能蜕化因子作为该滤波器的增广状态量进行在线估计,并反馈给机载非线性模型使其完成在线更新.同时,根据工作模式切换机制使该模型获得有效输出.通过将该方法应用于某型涡扇发动机进行一系列仿真表明,在全飞行包线内、不同工作状态以及性能蜕化严重的情况下,该模型能够始终与实际发动机相匹配,满足实际应用需求.      

用于飞行模拟器的发动机闭环实时模型的研究

 介绍一种用于飞行模拟器的双轴涡喷发动机实时模型。该模型采用状态变量法建立 ,简介了建模原理、软件结构及仿真结果 ,表明该模型在全飞行包线内具有较高的精度和实时性 ,无论其稳态性能还是动态响应都能较好的地反映真实发动机在飞行状态中的物理特性     

机载实时模型稳态基准值的修正方法研究

发动机机载实时模型稳态基准值反映了当前发动机的工况,决定着实时模型的稳态精度。提出一种利用传感器测量数据修正机载实时模型稳态基准值的方法,具体采用多项式线性拟合技术、利用传感器近期测量数据修正机载实时模型的基准值,以适应发动机稳态特性的改变、提高模型稳态精度。针对某民用大涵道比涡扇发动机构建的在线故障诊断仿真系统研究表明,在发动机发生性能退化的情况下,修正后的机载实时模型的稳态误差降低近1.8%。     

利用神经网络设计航空发动机全包线最优控制器

本文提出一种用神经网络拟合飞行条件、发动机工况与发动机最优控制器参数之间关系, 从而设计适合于全飞行包线范围内发动机最优稳态控制器的方案。该方案可以针对发动机分段线性化模型, 利用成熟的线性控制设计方法设计非线性控制器, 且控制器结构简单、实时性好。仿真结果表明, 所设计的发动机控制系统在整个飞行包线内的设计点及非设计点均具有良好的性能。      

飞行/推进系统自适应神经网络综合控制仿真研究

 提出一种基于发动机喘振裕度自适应的飞行 /推进系统综合控制。在发动机喘振裕度较大的某些飞行条件或飞行包线内,通过调整喷口面积,使发动机喘振裕度保持在一个较小值,既保证发动机稳定工作,又增加发动机推力,从而改善飞机的性能。采用分散控制方案,综合控制系统由 5个控制子系统组成。各控制子系统的设计采用自适应控制和神经网络相结合的方法,所提出的参数和权重的自适应调整律保证系统的稳定性。全包线范围内飞机平飞加速和爬升数字仿真结果表明,该综合控制方法可缩短飞机的平飞加速时间和爬升时间。     

具有智能调节机构的航空发动机自适应控制系统

采用仅利用输入输出测量值的模型,参考自适应控制,设计了某型涡扇发动机的多变量控制系统;在飞行包线内选取标称点分别确定了自适应律的参数,以保证控制系统性能在该标称点处达到最优;用神经网络的方法拟合了发动机工作条件与自适应律参数之间的关系,建立了根据发动机工作状况选择合适自适应律参数的智能调节机构。仿真结果表明,所设计的控制系统在整个飞行包线内的标称点与非标称点均具有良好的性能。     

基于小波神经网络的自适应飞/推控制系统设计

基于小波神经网络提出了一种H∞自适应控制方法。控制器由等效控制器和H∞控制器两部分组成。用小波神经网络逼近非线性函数,并把逼近误差引入到权值的自适应律中用以改善系统的动态性能。H∞控制器用于减弱外部及神经网络的逼近误差对跟踪的影响。所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标。最后基于所设计的控制方法对新一代歼击机设计了飞/推控制系统,并对飞机作大迎角机动仿真。仿真结果表明所设计的飞/推控制系统是有效的,同时验证了所设计的非线性控制方法是有效性的。      

发动机喘振裕度自适应控制

本文研究飞行 /推进系统一体化控制中的发动机喘振裕度自适应控制。通过一定的控制作用 ,使发动机在所有飞行条件和工况下都保持一定的喘振裕度 ,从而充分发挥发动机的潜力。将发动机大偏差模型、进气道及飞机模型综合在一起 ,构成飞机 /推进系统一体化数学模型 ,以进行发动机自适应控制的仿真。计算机仿真表明 ,发动机自适应控制具有很好的性能效益 ,例如在飞行高度 H=10公里 ,飞机由 Ma=0 .65加速到 Ma=0 .90 ,在采用自适应喘振裕度控制后 ,双发动机推力提高 16 ,飞机加速时间缩短 2 3 ,大大提高了飞机性能。     

航空发动机故障诊断的机载自适应模型

提出了复合拟合法建立状态变量模型,该方法应用于建立高维状态变量模型时,具有较高的精度.将健康参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计得到健康参数.为了减少自适应模型与真实发动机之间的建模误差,在自适应模型中加入神经网络对稳态基点模型进行修正,从而提高了故障诊断系统的置信度.      

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。