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。      

民用涡扇发动机预测控制器设计

对一定包线范围内的稳态预测控制器和加速减速过渡态控制器设计展开研究.针对某大涵道比民用涡扇发动机,根据发动机进口参数的相对变化指标对控制区域进行划分,以标称点处发动机线性模型为对象设计了相应的预测控制器,利用提出的多层参数调度方案实现了不同飞行条件及不同发动机状态下预测控制器参数的自适应调整.仿真结果表明:所设计的发动机预测控制系统在控制区域内的设计点和非设计点均具有良好的性能,为全包线设计提供了有效方法.     

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%.      

航空发动机全飞行包线稳态划分方法研究

航空发动机在鲁棒控制器设计过程中存在飞行包线区域难以系统划分的问题,为此,提出基于推力耗油率特性和基于动压耗油率特性的航空发动机飞行包线划分法。根据某型涡扇发动机在全包线范围内稳态工作时的推力、耗油率及动压特性,结合大气条件的客观规律,通过两种划分方法将飞行包线划分为65 个区域,用每个区域对应标称点的参数代替其周围小偏差区域和边界点参数。通过对该发动机全包线内各区域标称点与边界点参数的对比,证明两种方法均对全飞行包线划分有效,可为后续航空发动机控制器设计提供理论基础。     

LQG／LTR方法在涡扇发动机控制中的应用

采用LQG／LTR多变量鲁棒控制器设计方法设计了某型航空涡扇发动机控制器；利用神经网络拟合发动机飞行条件、状态与控制器参数之间的关系,验证了控制器在全飞行包线内的性能。仿真结果表明,发动机控制系统的指令跟踪、噪声抑制、抗干扰和鲁棒性等性能良好,能满足发动机稳态控制的要求。     

基于智能特征提取的模糊建模及鲁棒控制

针对航空发动机全包线线性模型难以在线建立问题,提出一种基于智能特征提取的模糊建模方法。设计航空发动机特性表征参数,采用近邻传播算法提取航空发动机特性,将特性提取区域中心稳态工作点作为Takagi-Sugeno （T-S）模糊模型标称点建立全包线T-S模糊状态空间模型。基于该T-S模糊模型结合H_∞控制理论,设计参考模型H_∞控制器并开展仿真验证,仿真结果表明：T-S模糊状态空间模型稳态误差处于10^-3量级,满足模型精度要求且H_∞控制器响应时间小于1s,无稳态误差,具有较好的控制效果。     

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。      

基于混合区域极点配置的航空发动机全包线鲁棒变参数控制器设计

针对航空发动机全包线多变量鲁棒变增益控制器设计问题,提出了一种基于混合区域极点配置的鲁棒变参数控制方法。利用Jacobian方法建立多调度参数下的发动机仿射线性变参数(Linear parameter varying,LPV)模型,用于描述发动机全包线内的非线性动态特性;针对上述LPV模型,采用仿射参数依赖Lyapunov函数设计具有H∞鲁棒性能的状态反馈控制器,给出了控制系统全局稳定性的证明;并利用混合区域极点配置方法,将闭环系统极点配置到左半平面指定位置,以保证控制系统的动态特性及稳定裕度;进而引入凸多胞技术,将参数依赖线性矩阵不等式(Linear matrix inequality,LMI)方程转化为有限维LMI进行控制器求解,并得到了全局解。针对涡扇发动机的仿真结果表明:存在复杂量测噪声干扰条件下,鲁棒变参数控制器可以实现发动机全包线内控制指令的精确跟踪,系统阶跃响应的调节时间不超过1.5s,系统无超调,对控制期望的稳态跟踪误差在0.02%以内,符合发动机控制系统技术要求。     

基于误差反馈控制的建立航空发动机自适应模型方法

提出了基于误差反馈控制的建立航空发动机自适应模型方法.即以实际发动机的输出为参考指令,以航空发动机性能蜕化值为航空发动机模型的控制量,通过设计鲁棒性好且能消除稳态误差的增广线性二次型最优调节(ALQR)控制器以实现模型的输出自适应地无偏跟踪真实发动机的输出,利用ALQR的鲁棒性,使模型具有良好的自适应性.ALQR和发动机模型一起构成航空发动机自适应模型.最后通过稳态仿真和动态仿真表明该方法不仅可以实现自适应模型全包线跟踪稳态真实发动机,同时能实现动态跟踪真实发动机.      

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。     

一种航空发动机的分段实时线性动态模型

针对喷口不可调涡扇发动机实时线性动态模型的建立问题,提出了一种基于粒子群优化算法小偏差状态空间模型的方法.选取高压转子换算转速为增益调度参数,根据发动机相似原理,建立了发动机全飞行包线分段实时线性模型.全飞行包线内所提出的分段实时线性模型与非线性模型仿真对比结果表明:涡扇发动机高压压气机出口总压、低压涡轮出口温度、高压转子转速和低压转子转速的最大相对误差不超过3.5%,仿真结果验证了该方法的有效性.      

涡扇发动机极值限制保护闭环控制设计

现代高性能涡扇发动机采用分段组合多变量控制计划,以发挥发动机工作在整个飞行包线范围内的气动热力设计潜力。为保证发动机在过渡态工作的安全性,控制系统中必须考虑极值限制保护控制的设计问题。为避免直接限制保护控制引发的不同控制通道切换带来的系统震荡问题,提出1种高回路稳态增益的滞后-超前频域校正间接极值限制保护控制器设计方法,在保证限制回路足够的稳态精度和抗噪声能力的同时,又避免了引入积分环节导致相角裕度损失过大的缺点。通过发动机线性模型和非线性模型的控制系统仿真,验证了所述方法设计限制控制器的有效性。     

航空发动机LQR控制的模糊神经网络方法

针对线性二次型调节器LQR在航空发动机多变量控制中存在的存储量需求太大的问题,提出了相应的自适应神经网络模糊控制方法。根据某型发动机飞行包线内给定工作点的线性化模型,分别设计控制器,并将分别设计的控制器用自适应神经网络模糊推理的方法进行综合,使之成为一个非线性的控制器,由此可以得出其它工作点的LQR设计结果。该方法能够在一定程度上弥补LQR控制的缺陷,仿真实例表明了其有效性。      

基于多入多出平衡流形展开模型的涡扇发动机反馈线性化滑模控制

针对涡扇发动机内部状态大范围变化条件下,单点线性控制器控制效果不佳而线性变参数控制器求解困难的问题,提出了一种基于多入多出平衡流形展开模型的涡扇发动机反馈线性化滑模变结构控制。首先,采用多入多出平衡流形展开模型辨识技术,获得仿射型的涡扇发动机数学模型。随后,利用反馈线性化将平衡流形展开模型解耦,经过坐标变换获得可用于控制系统设计的线性结果,考虑了具有误差项和饱和函数的指数趋近滑模控制律来提高控制系统的鲁棒性,完成了基于平衡流形展开模型的多变量涡扇发动机反馈线性化滑模控制器设计。最后,在非线性部件级模型上开展了控制器验证。在平衡流形展开模型设计工况,增益控制和滑模控制的控制效果表明,基于平衡流形展开模型的反馈线性化方法能够获得涡扇发动机良好的控制效果。同时,在平衡流形展开模型稳定但精度无法保证的非设计飞行工况,反馈线性化滑模控制器能够进一步抑制不确定性的影响,保证转子转速和发动机压比的跟踪控制效果。     

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。     

涡扇发动机起动机辅助空中起动方案设计和试验

研究和设计了涡扇发动机起动机辅助空中起动方案,进行了起动机辅助空中起动的地面试验、高空台试验和飞行验证试验.试验结果表明:起动机辅助空中起动能扩大涡扇发动机的空中起动包线,能提高飞机空中停车后进行空中起动的可靠性,保证飞机的安全飞行.      

Non-affine parameter dependent LPV model and LMI based adaptive control for turbofan engines

The precise control of turbofan engines thrust is an important guarantee for an aircraft to obtain good flight performance and a challenge due to complex nonlinear dynamics of engines and time-varying parameters. The main difficulties lie in the following two aspects. Firstly, it is hard to obtain an accurate kinetic model for the turbofan engine. Secondly, some model parameters often change in different flight conditions and states and even fluctuate sharply in some cases. These variable parameters bring huge challenge for the turbofan engine control. To solve the turbofan engine control problem, this paper presents a non-affine parameter-dependent Linear Parameter Varying(LPV) model-based adaptive control approach. In this approach, polynomial-based LPV modeling method is firstly employed to obtain the basis matrices, and then the Radial Basis Function Neural Networks(RBFNN) is introduced for the online estimation of the non-affine model parameters to improve the simulation performance. LPV model-based Linear Matrix Inequality(LMI) control method is applied to derive the control law. A robust control term is introduced to fix the estimation error of the nonlinear time-varying model parameters for better control performance. Finally, the Lyapunov stability analysis is performed to ensure the asymptotical convergence of the closed loop system. The simulation results show that the states of the engine can change smoothly and the thrust of the engine can accurately follow the desired trajectory, indicating that the proposed control approach is effective. The contribution of this work lies in the combination of linear system control and nonlinear system control methods to design an effective controller for the turbofan engine and to provide a new way for turbofan engine control research.     

Adaptive modification of turbofan engine nonlinear model based on LSTM neural networks and hybrid optimization method

An accurate and reliable turbofan engine model which can describe its dynamic behavior within the full flight envelop and lifecycle plays a critical role in performance optimization, controller design and fault diagnosis. However, due to the performance differences caused by the tolerance of engine manufacturing and assembly, and performance degradation during continuously stringent environmental regulations, the model accuracy is severely reduced. In this paper, an adaptive modification method of turbofan engine nonlinear Component-Llevel Model (CLM) based on Long Short-Term Memory (LSTM) Neural Network (NN) and hybrid optimization algorithm is pro-posed. First, a dynamic compensator with a combined LSTM NN architecture is constructed to compensate for the initial error between the experimental data and CLM of a turbofan engine under health condition. Then, a sensitivity analysis approach based on the entropy coefficient and technique for order preference by similarity to an ideal solution integrated evaluation is developed to choose the unmeasurable health parameters to be adjusted. Finally, a parallel hybrid optimization algorithm is developed to complete the adaptive model modification when the performance degrades. The proposed method is verified on a military low-bypass twin-spool turbofan engine, and the experimental results show the effectiveness of the proposed method.