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.      

航空发动机神经网络内模控制

基于神经网络内模控制理论研究了神经网络内模控制方法在航空发动机控制系统中的应用,建立了基于Elman网络的航空发动机多变量内模控制系统。采用Elman网络建立发动机内模型和内模控制器,详细介绍了建模、控制的算法及其实现过程。取部分飞行条件下的数据作为学习样本,采用动态BP算法对神经网络权值进行调整,并在飞行包线内其它工作点对整个控制系统进行了仿真。结果表明,使用神经网络建立的航空发动机内模控制系统具有良好的控制品质和较强的自适应能力。      

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.     

航空发动机的支持向量机自适应PID控制

首先介绍了支持向量机(SVM)的原理, 建立了支持向量机回归(SVMR)模型.将SVMR与基于支持向量机的控制器相结合, 组成自适应PID支持向量机控制(SVMC)系统.最后用于某型航空发动机, 通过在选定的设计点处进行控制系统的设计, 利用支持向量机强大非线性映射能力、网络结构的自动最优化特性, 使控制系统在发动机偏离设计点工作时控制系统仍保持很好的性能.为通用非线性控制提供了一种新的控制思路.      

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LMI的航空发动机多变量H∞固定阶控制的研究

提供了一种新的航空发动机多变量静态输出反馈的固定阶PI控制器的设计方法.固定阶控制器的综合问题一般表征为满足双线性矩阵不等式(BMI)约束优化问题,获得BMI约束下的最优解非常困难.在航空发动机特定的控制条件下,将固定阶控制器的BMI问题转化为标准的线性矩阵不等式(LMI)问题,并推导出静态输出反馈的H∞固定阶控制器存在的条件及控制器的设计方法.使用该技术对某型涡扇发动机控制系统进行固定阶PI控制器设计,仿真结果表明,该控制系统其性能和鲁棒性满足要求.     

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.      

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。      

航空发动机全权限数控系统研究和试飞验证

以某型发动机为控制对象,研究航空发动机全权限数字电子控制系统(FADEC)。对数控系统的总体结构、控制规律、故障诊断及余度设计、电子控制器、液压机械装置、控制软件开发等关键技术分别进行了讨论。通过试飞,验证了该数控系统功能和性能及其关键技术。试飞结果表明,使用全权限数字电子控制系统取代传统的液压机械调节器不仅扩展了发动机控制系统的控制功能,同时也更有效地发挥了航空发动机的性能,改善了发动机的操纵性、维护性和可靠性。      

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。     

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.      

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%。      

基于解耦控制的飞机飞行控制方法仿真研究

系统深入地研究了基于状态空间法的解耦控制理论,并对其在飞机纵向解耦控制中的应用进行了仿真研究.应用局部解耦的方法构造了满足解耦控制条件的多变量系统,得出了既可对飞行状态解耦也可以改善系统响应性能的一般控制方法.仿真结果表明,该方法行之有效,并可推广应用到飞机横航向解耦控制.     

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。     

Precise control of a magnetically suspended double-gimbal control moment gyroscope using differential geometry decoupling method

Precise control of a magnetically suspended double-gimbal control moment gyroscope (MSDGCMG) is of vital importance and challenge to the attitude positioning of spacecraft owing to its multivariable, nonlinear and strong coupled properties. This paper proposes a novel linearization and decoupling method based on differential geometry theory and combines it with the internal model controller (IMC) to guarantee the system robustness to the external disturbance and parameter uncertainty. Furthermore, by introducing the dynamic compensation for the inner-gimbal rate-servo system and the magnetically suspended rotor (MSR) system only, we can eliminate the influence of the unmodeled dynamics to the decoupling control accuracy as well as save costs and inhibit noises effectively. The simulation results verify the nice decoupling and robustness performance of the system using the proposed method.