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。      

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。     

控制问题中航空发动机飞行包线区域最优划分

结合最优化理论和线性系统理论,对控制问题中航空发动机飞行包线区域划分方法展开了研究。分析了发动机线性状态空间模型与进气道出口气流总温总压参数有关特性。在此基础上定义了飞行包线内任意两飞行点间的广义距离,提出将飞行包线区域划分与标称点设计问题转化为一个基于该广义距离的最大覆盖优化问题,即选择尽量少的标称点实现对飞行包线区域的覆盖。以涡扇发动机及其进气道为例,采用文中方法对其包线区域进行了划分计算,并对标称点与其覆盖区域内最远点处发动机线性化模型进行了比较。结果表明,该区域划分和标称点选择的优化方法的有效性。     

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。     

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。     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

基于约束预测控制的飞行失控包线保护研究

风切变等大气扰动现象严重威胁飞机起降飞行安全。在受到随机风切变干扰下,离线设计的最优控制器无法保证飞行状态始终处在正常包线内。在大型民机线性变参数模型的基础上,从预防飞行失控的角度研究风切变下飞机进场着陆的预测控制方法。将飞行失控包线量化为状态约束,在此基础上设计在线模型预测控制器。仿真结果表明,利用预测控制的滚动优化策略,可使飞机在进场下滑阶段遭遇风切变时进行良好的下滑道捕获和跟踪,且将飞机状态始终约束在安全包线内。     

基于多项式平方和规划的涡扇发动机切换控制

针对航空发动机动态特性随飞行状态和飞行条件的变化范围大,单一控制器很难保证全包线内控制效果的问题,在航空发动机LPV模型基础上提出1种平滑过渡的切换控制方法。该方法根据发动机进口条件对飞行包线区域进行划分,按照多项式平方和规划理论以及平滑过渡切换律求取各子区域的Lyapunov函数及LPV控制器。在某型涡扇发动机上进行仿真验证,结果表明:所设计的切换LPV控制器在不同高度、马赫数和转速条件下均具有良好的性能和控制精度,可以实现平滑切换。     

涡扇发动机加速过程的模糊控制

采用一种连续型比例积分公式的模糊控制器控制涡扇发动机加速过程，为了使控制满足加速过程最大转速，高压涡轮进口最大温度，压气机最低允许喘振裕度等约束条件并改善加速性能，利用遗传算法对模糊控制器中的3个量化因子进行了优化，优化后的模糊控制器完全可以加速过程要求，具有较好的动态性能，适当划分飞行包线后还可扩展到整个飞行包线。     

战斗机超机动飞行自抗扰控制器设计

提出了一种利用自抗扰控制器算法在大包线范围内设计超机动飞行控制系统的新方法。根据奇异摄动理论和自抗扰控制器能够动态补偿系统模型扰动和外扰的特性,在超机动飞行的快慢子回路中分别引入自抗扰控制器,实现了快变量和慢变量的动态解耦控制。控制律设计直接依据超机动飞行的强耦合、强非线性模型,在很大的包线范围内不需要改变控制器的结构和参数,大大简化了设计过程。大包线范围内的大迎角机动仿真结果表明,系统具有良好的动态和稳态性能,控制器具有很强的鲁棒性,为解决大包线范围内的超机动飞行控制问题提供了一种新的途径。     

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RBF神经网络的FADS系统及其算法研究

以典型的十字形布局的大气数据传感系统及其跨声速应用为研究对象,基于RBF神经网络,设计了新的FADS算法和故障检测处理方法。将测压点按不同功能进行精细的划分和组合,形成更加精简、目的性更强且相互独立的RBF网络处理子模块,利用各子网络模块提供的冗余特性,使用基于故障特征向量表的方法,实施简单而有效的故障检测与处理。仿真验证表明,迎角与侧滑角的测量误差不大于0.5°,且故障检测是有效的。     

总体最小二乘法在NGMIMU静态解耦中的应用

无陀螺惯导系统的线性耦合是一种严重影响测量精度的系统误差。根据无陀螺惯导系统的耦合特性和总体最小二乘法 (TLS)的性质提出了一种全新的线性解耦算法 ,该算法在解算耦合系数时同时考虑了加速度计的输出误差和标定信号的输入误差 ,得到耦合系数的TLS解对输入值和输出值同时具有范数最小 ,然后用求得的耦合系数对加速度计输出进行重构 ,从而实现解耦。仿真结果表明经该算法解耦后的角速度测量值解耦误差率在 8%以下 ,解耦效果较好 ,验证了该算法的有效性。     

基于神经网络动态逆的大迎角导弹解耦设计

导弹大迎角飞行时,系统非线性特性非常明显,各通道间有很严重的气动交叉耦合现象.为实现对系统的非线性解耦,构造了基于神经网络动态逆的大迎角导弹解耦控制器,设计了非线性动态逆系统,利用RBF神经网络逼近逆误差.仿真实验结果表明:所设计的控制系统具有良好的解耦和指令跟踪能力.     

基于进化神经网络的压气机结垢性能退化评估

采用进化神经网络方法,通过测量参数对压气机结垢性能退化模式进行了定量监控和评估。运用粒子群算法优化径向基函数(Radial Base Function,RBF)神经网络的初始权值,即由神经网络训练样本所得到的实际和期望的输出之间的误差平方和构造适应度函数,对RBF神经网络的隐层中心、半径以及输入输出权值进行全局寻优搜索,设计了进化RBF神经网络,并对模拟得到的压气机结垢的样本进行训练和测试。结果表明:进化RBF神经网络的模式识别能力比普通RBF神经网络的要强,对燃气轮机性能退化评估和健康管理具有重要理论意义和应用价值。     

基于模糊径向基函数神经网络的永磁同步电机滑模观测器设计

针对传统滑模控制易导致系统出现抖振的问题,提出了一种模糊径向基函数(RBF)神经网络滑模观测器来实现永磁同步电机(PMSM)无传感器控制。为了减小观测器系统抖振,利用模糊RBF神经网络算法动态调整滑模增益,并采用李雅普诺夫稳定性定理证明了该模糊神经网络观测器的稳定性；利用锁相环(PLL)技术提高估算精度,并削弱计算噪声。基于MATLAB/Simulink软件平台搭建了仿真模型,将模糊RBF神经网络滑模观测器系统与传统滑模观测系统进行对比。结果表明,与传统的滑模观测器相比,新型滑模观测器能够快速、有效地跟踪转子位置,精确估算出转子速度,同时具有较好的动态特性。     

基于RBF神经网络的液压位置伺服系统故障诊断

针对液压系统的非线性、时变、流固耦合的特点,提出双级径向基函数(Radial Basis Function,RBF)神经网络模型实现液压伺服系统故障检测与定位.采用第1级RBF网络作为液压伺服系统的故障检测滤波器,通过实际系统与RBF观测器输出的残差实现液压伺服系统故障检测.利用第1级RBF观测器的输出残差和网络结构参数,应用第2级RBF网络实现液压伺服系统典型故障定位.针对K均值聚类算法收敛速度慢的缺点,提出了改进K均值聚类算法和学习速率自适应调整算法,利用网络优化结构参数和学习率,加快神经网络收敛速度,减少运算量.实验结果表明,利用双级RBF神经网络能够有效地检测出液压位置伺服系统的故障,并能实现系统的故障定位.     

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.     

基于支持向量机回归和RBF神经网络的PID整定

针对工业控制领域中非线性系统控制,在基于梯度下降法的RBF网络PID整定的基础上,对整定算法作出改进,控制目标不再是使当前跟踪误差最小,而是使当前跟踪误差和下一时刻跟踪误差的平方和最小。实现过程为:先由RBF神经网络在线辨识被控对象离散模型,得到被控对象的Jacobian信息,采用梯度下降法对PID控制器参数进行初步整定;然后,将系统跟踪误差和PID参数输入支持向量机模型,通过回归预测系统下一时刻的误差,改进的整定算法利用预测误差信息对参数进行再整定。仿真结果表明,引入支持向量机回归优化的RBF神经网络PID整定收敛速度更快,精度更高,跟踪性能优于RBF神经网络PID整定。