基于切换多胞LPV的涡扇发动机全包线中间状态控制

针对航空发动机全包线内参数变化范围较大,单一控制器很难保证全包线内的控制效果的问题,提出了基于切换多胞线性变参数（LPV）的发动机全包线中间状态控制方法.根据发动机的进口条件将飞行包线分为相互重叠的子区域,将多胞理论及状态重置切换方法引入控制器求解,给出了能够保证切换多胞LPV系统鲁棒稳定的线性矩阵不等式（LMI）条件;利用求解出的Lyapunov矩阵设计各子区域的LPV控制器,并结合几何位置调度策略实现子区域LPV控制;利用局部重叠的滞后切换策略和状态重置切换律实现全包线内各控制器的切换,并证明了该闭环切换系统的稳定性.最终以某型涡扇发动机为研究对象进行仿真验证,结果表明:采用该控制方法稳态误差能够控制在0.1%以内,超调量不大于0.5%.      

基于神经网络时延预测的航空发动机内模控制器设计（英文）

针对航空发动机分布式控制系统中时延不确定问题，提出了一种基于神经网络时延预测的航空发动机内模多变量控制设计方法。首先分析了分布式控制架构下网络时延产生的原因及影响因素。然后设计了内模控制器，包括基于神经网络的时延预测模块、内模主控制器模块、执行机构小闭环控制模块以及与发动机起动过程开环控制计划相结合的切换控制模块。在理想和扰动条件下，从理论上分析了基于预测时延的内模控制系统的稳定性能，并对所提控制策略下允许的最大时延进行了说明。最后进行了全数字仿真和硬件在环仿真试验。结果表明，所设计的神经网络时延预测模块具备高精度预测能力，内模控制器的稳态误差不超过0.5%，具有良好的抗干扰能力、并满足实时性要求，具有一定的工程应用价值。     

基于射影算子的变循环发动机鲁棒自适应控制器设计

针对变循环航空发动机大范围工作包线下的复杂外部扰动现象引起的多变量鲁棒自适应控制器设计问题,给出基于射影算子的自适应律设计方法并将其应用至模型参考自适应控制器设计中。通过理论分析与变循环航空发动机某一状态点的仿真分析,阐明系统存在外部干扰时传统自适应律的设计方法对于指令跟踪不足等问题,进而在射影算子的理论框架基础上设计自适应律,将存在干扰时的状态误差动态方程的解限制在设定的凸集范围内,从而实现系统状态误差动态方程不大于零的稳定性要求,最终在LQR基准控制器框架上,实现基于射影算子的多变量鲁棒自适应控制器设计,以改善自适应控制系统的鲁棒性。基于该方法对变循环航空发动机进行控制器设计和仿真。结果表明:基于射影算子的自适应律设计方法改善了传统自适应律设计方法的鲁棒性问题,实现了控制系统对外部干扰的有效抑制,当系统各控制回路加入不同外部随机噪声信号时,均达到了期望的控制效果;变循环航空发动机各个状态点均能够跟踪期望的闭环参考指令,各状态点稳态控制误差均小于0.5%,系统超调量小于1%,调节时间小于1.2s,动态跟踪误差不大于0.5%,符合发动机控制系统技术要求。     

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。     

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RVM回归误差补偿的航空发动机分布式控制系统多步预测控制

针对具有随机有界双侧时延的航空发动机分布式控制系统,提出了一种基于多步预测和关联向量机(RVM)回归误差补偿的控制方案.首先建立航空发动机分布式控制系统(DCS)的神经网络非线性自回归滑动平均(NARMA)模型,利用当前的系统输出和控制量对N步之后的系统输出进行预测;其次用改进的RVM回归多步预测算法估计NARMA模型的的预测误差,并对预测结果进行误差补偿;最后利用补偿之后的预测值和设定值对控制参数进行滚动优化,设计系统的神经网络逆控制器实现系统的自适应控制.仿真结果证明该控制策略能够避免随机有界双侧时延对控制系统的影响,实现对设定值的稳定跟踪,且控制器具有较好的实时性和鲁棒性.低压转子转速阶跃响应的稳态绝对误差小于0.04%,响应时间小于0.3s.      

建模不确定性下变循环发动机自适应控制器设计

针对变循环航空发动机存在建模不确定情况下的多变量控制器设计问题,给出了一种最优律下的增广模型参考自适应跟踪补偿设计方法,阐明变循环发动机建模不确定性并引出LQR(Linear Quadratic Regulator)基准控制器动态跟踪不足的问题,进而在基准控制器反馈控制结构框架下,分别实现以下技术突破:确定期望闭环动态的参考模型、基于李亚普诺夫函数严格稳定证明下建立存在建模不确定性的自适应律等,最终以达到系统跟踪误差渐进为零的目标,改善系统不确定性的动态跟踪问题。对变循环航空发动机的控制器仿真结果表明:增广模型参考自适应控制方法改善了原LQR基准控制器对存在建模不确定性时的控制问题,有效地实现了控制指令跟踪,达到了所期望的动态响应,且自适应参数一致渐进稳定。同时,各标称点的稳态控制误差均小于0.3%,系统超调量小于0.8%,调节时间小于1s,符合航空发动机控制系统技术要求。     

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.      

不确定性的自适应跟踪补偿控制及在航空发动机的应用

针对多变量系统存在不确定性导致的控制性能下降问题,提出了一种基于最优控制律的增广模型参考自适应控制器补偿设计方法。通过采用最优LQR控制律实现系统性能的优化设计从而建立基本控制器,以反馈控制结构为框架,对该最优LQR基本控制器实现增广设计,以改善系统的动态跟踪和抗干扰特性,以双转子航空发动机为对象实现控制器的仿真验证。结果表明:通过增广自适应控制实现了原LQR基本控制器对系统不确定性的跟踪补偿,有效地实现了控制指令跟踪,达到了期望响应性能,控制误差小于0.25%,超调量小于0.5%,且调节时间小于1.5s,符合发动机控制系统技术要求;同时,改善了原基本控制系统在不确定性时的不稳定控制效果,保证了系统一致渐近稳定。     

航空发动机多模型预测滑模控制

针对航空发动机是一个不确定性的强非线性系统,借鉴多模型方法和预测控制思想,提出了航空发动机多模型预测滑模控制。对航空发动机飞行包线进行划分,建立了航空发动机状态空间多模型;对每个模型分别设计了预测滑模控制器,以滑模轨迹为预测模型,进行滚动优化、反馈校正求取控制量,并根据前几时刻与发动机的匹配程度选择当前时刻的控制器;推导出了其稳定性的条件。仿真结果表明,所设计的控制器控制效果令人满意,能有效抑制参数摄动和干扰的影响。     

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。     

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。      

基于在线滚动LS-SVR的涡轴发动机混合预测控制

提出了一种串级PID+非线性模型预测控制(NMPC)的混合控制方案,用于涡轴发动机控制系统中。其中:主控制回路采用串级PID控制器以消除静差保证系统稳定;带约束优化的预测控制器则用于实时燃油补偿,以增强发动机系统对直升机功率需求的快速跟随能力。该预测控制器是基于在线预测模型实现,首先在VC环境下设计在线滚动最小二乘支持向量回归机(OSLS-SVR),在线训练高精度、实时性好的内嵌式预测模型,其测试精度可达3‰;而后利用该模型与序列二次规划(SQP)算法完成滚动优化,建立预测控制器;最后,在UH-60A直升机/T700涡轴发动机综合模型仿真环境下,通过模拟直升机大幅急速升降操作,验证了该混合预测控制方案对大扰动具有较强的抑制能力及鲁棒性,从而使直升机获得更好的机动性能。     

增广预测模型的航空发动机多变量约束预测控制

针对模型不匹配导致的模型预测控制性能下降的问题，提出了一种基于增广预测模型的航空发动机多变量约束预测控制器设计方法。在现有发动机状态空间模型基础上，将指令跟踪误差与系统状态的变化量增广为状态向量，设计增广预测模型以消除稳态跟踪误差，以控制量所需能量与模型预测输出误差最小为目标，利用带约束的序列二次规划（SQP）算法在线滚动优化控制变量。通过某型涡扇发动机非线性部件级模型的包线内不同状态下仿真分析，结果表明，控制系统无稳态误差，调节时间<2s，有效提高了发动机控制品质，实现了对输出量的限制管理。     

Reduced-dimensional MPC controller for direct thrust control

With the development of the aircraft gas turbine engine, a control system should be able to achieve effective thrust control to gain better operability. The main contribution of this paper is to develop a novel direct thrust control approach based on an improved model predictive control method through a strategy that reduces the dimension of control sequence. It can not only achieve normal direct thrust control tasks but also maximize the thrust level within the safe operation boundaries. Only t...     

航空发动机自适应神经网络PID控制

本文提出了一种航空发动机多变量自适应神经网络 PID控制方法, 采用基于共轭梯度的神经网络学习算法在线整定控制器参数。该控制器的设计无需知道发动机精确模型, 具有响应速度快、抗干扰能力强和鲁棒性好等优点。控制器不仅算法简单, 实现容易, 而且适用范围广。      

退化发动机加速性能恢复控制方法

针对退化发动机加速性能下降的现象,提出一种变喘振裕度约束的模型预测控制方法。通过分析退化发动机在加速过程中的工作特点,将加速过程分为三个阶段,在不同阶段采取不同的喘振裕度约束。鉴于模型预测控制能够显式处理约束、采用在线滚动优化来获取最优控制输入,采取模型预测控制方法,并采用具有较高实时性的交替方向乘子法求解优化问题,实现了退化发动机加速性能的恢复。数字仿真结果表明,采用本文所提出的加速性能恢复控制方法后,相比退化发动机,加速过程中所耗费的时间缩短了35%以上。     

某型涡扇发动机的模型跟踪滑模控制

研究了模型跟踪滑模控制在涡扇发动机控制中的应用。首先提出了一种参考模型的状态反馈设计方法,该方法可保证所设计的参考模型在满足匹配条件的同时满足系统性能指标要求;而且若被控对象可解耦,还可保证参考模型动态解耦。其次提出了一种比例积分型切换超平面的极点配置设计方法。最后应用上述两种方法设计了某型涡扇发动机的模型跟踪滑模控制器,并进行了数字仿真,仿真结果表明,所设计的模型跟踪滑模控制系统无抖振现象,且具有很强的鲁棒性。     

A New Hybrid Control Scheme for an Integrated Helicopter and Engine System

A new hybrid control scheme is presented with a robust multiple model fusion control(RMMFC) law for a UH-60 helicopter and an active disturbance rejection control(ADRC) controller for its engines.This scheme is a control design method with every subsystem designed separately but fully considering the couplings between them.With three subspaces with respect to forward flight velocity,a RMMFC is proposed to devise a four-loop reference signal tracing control for the helicopter,which escapes the closed-loop system from unstable state due to the extreme complexity of this integrated nonlinear system.The engines are controlled by the proposed ADRC decoupling controller,which fully takes advantage of a good compensation ability for unmodeled dynamics and extra disturbances,so as to compensate torque disturbance in power turbine speed loop.By simulating a forward acceleration flight task,the RMMFC for the helicopter is validated.It is apparent that the integrated helicopter and engine system(IHES) has much better dynamic performance under the new control scheme.Especially in the switching process,the large transient is significantly weakened,and smooth transition among candidate controllers is achieved.Over the entire simulation task,the droop of power turbine speed with the proposed ADRC controller is significantly slighter than with the conventional PID controller,and the response time of the former is much faster than the latter.By simulating a rapid climb and descent flight task,the results also show the feasibility for the application of the proposed multiple model fusion control.Although there is aggressive power demand in this maneuver,the droop of power turbine speed with an ADRC controller is smaller than using a PID controller.The control performance for helicopter and engine is enhanced by adopting this hybrid control scheme,and simulation results in other envelope state give proofs of robustness for this new scheme.     

涡喷发动机多变量自适应加速控制

提出了一种模型参考自适应控制方法, 并应用于双转子涡喷发动机多变量控制系统。仿真研究表明, 该方法在整个飞行包线内均有满意的瞬态响应, 对非线性的建模不确定性具有较好的鲁棒性, 以及对多变量系统中较强的耦合作用有较好的解耦效果。与传统的调节器相比, 发动机加速时间约减少16%, 加速过程中发动机推力明显增加, 平衡状态仍可提高约9%。