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。     

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。     

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

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.      

基于支持向量机的航空发动机PID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,提出了一种基于支持向量机(support vector machines,SVM)的航空发动机PID(proportion integration differentiation)解耦控制方法.利用SVM辨识发动机非线性模型,并获得SVM瞬时线性化模型,在线性化模型的基础上完成了PID参数的在线自整定.利用Lyapunov稳定性定理对控制器的收敛性进行了分析.通过对某型航空发动机的仿真,验证了该方法的有效性和可行性.      

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.      

航空发动机全包线自适应解耦控制器设计

为实现航空发动机在全包线的解耦控制, 在飞行包线内选择了若干点, 使用遗传算法对单神经元自适应解耦控制器的比例系数进行了离线优化。以优化得到的若干组参数为训练样本, 离线训练径向基函数(RBF)神经网络, 训练后的网络可映射高度、马赫数与比例系数之间的非线性关系, 飞行包线内任意点的解耦控制器比例系数即可由该网络得到。仿真表明:在设计点和非设计点, 系统均具有良好的动态特性和解耦特性。该方法结构简单、易于实现, 具有实用价值。      

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。     

基于滑模控制的航空发动机多变量约束管理

针对航空发动机传统单变量线性控制器min-max切换方法处理约束的不足,提出了单变量滑模控制器替换所有线性控制器的改进策略,并将该方法拓展为新切换逻辑下的多变量滑模控制结构。基于改进的单变量滑模控制器min-max结构,多变量控制策略中加入了多变量滑模主控制器和新的切换逻辑,充分利用发动机的所有控制量,克服了传统方法的保守性,进一步提高发动机约束下的动态性能。对稳态时工作的控制器进行了理论分析,建立了多变量控制器实现精确跟踪的充要条件。仿真结果表明,多变量控制方法在更苛刻的约束条件下能够实现跟踪任务,而且提高了推力跟踪的快速性,调节时间从1.91 s缩短到1.54 s,同时降低了稳态时的油耗。     

航空发动机多目标优化解耦控制设计方法

首先提出了全新的、用P范数表示的控制系统耦合程度量化指标———耦合度的概念,然后提出了可以反映航空发动机多个控制目标的多目标优化目标函数,并根据耦合度与该目标函数给出了解耦控制设计方法。该方法可以设计出真正意义上的具有解耦功能的多变量控制器,设计过程一步完成;应用于某型航空涡扇发动机控制系统设计,仿真结果表明了其可行性。     

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.     

航空发动机神经网络反步控制方法

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的反步控制方法.采用径向基神经网络估计未知系统方程,并用一种平滑切换法有效避免了控制器奇异问题.反步法的设计基于Lya-punov稳定性原理,保证了闭环系统一致渐近有界.最后针对某型涡扇发动机非线性模型设计了高压转速控制器,仿真结果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RBFN的伺服系统前馈控制器设计和仿真研究

 以转台伺服系统为控制对象, 采用RBF 神经网络前馈控制和比例反馈相结合的方法, 并利用单神经元对系统模型进行在线辨识, 为前馈控制器提供Jacobian 参数。将该方法运用在速度环控制中, 仿真结果表明, 采用了该方法的控制系统, 具有较高的跟踪精度和动态性能。