基于聚类与粒子群极限学习机的航空发动机推力估计器设计

针对航空发动机推力不可测,部件级模型求解推力精度不高、实时性差的问题,提出了基于快速寻找密度极点聚类与粒子群极限学习机的航空发动机推力估计方法。首先利用基于快速寻找密度极点的聚类算法对全工况范围内的台架试车数据聚类,然后在每一个子类中,用粒子群极限学习机设计了子推力估计器。在子类推力估计过程中,为使网络拓扑结构最优,用粒子群算法寻找极限学习机的最优隐层神经元数目的方法。训练与测试表明,推力估计测试相对误差最大值为3.06‰,优于传统的RBF(7.25‰)与BP(14.84‰)神经网络方法,能够满足直接推力控制与机载在线实时状态评估的需求,且可将方法扩展到其他不可测参数的估计。     

基于K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计

提出了一种基K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计方法.首先用K-均值聚类法将全包线范围内的数据进行聚类,然后在每一个类当中,用迭代约简最小二乘支持向量回归机设计一个子推力估计器.在用迭代约简最小二乘支持向量回归机设计子推力估计器的过程中,为了使计算数值更稳定,用Cholesky分解代替原来的迭代方法.最后仿真实验表明,此推力估计器能满足直接推力控制的需要,并和其它的方案比较起来,该方案存在一定的优势.      

基于核方法的航空发动机推力估计器设计

鉴于实现航空发动机的直接推力控制需要高精度及高可靠性的推力估计器,基于核方法,提出了结合全局核k-means聚类与鲁棒最小二乘支持向量回归机的推力估计器设计方案,通过核诱导的隐性映射将原始输入数据映射到特征空间,使数据样本特征信息被提取并放大,具有更好的可分性.在每个聚类内设计推力子估计器,用鲁棒代价函数代替最小二乘代价函数,增强了推力估计器的整体鲁棒性.通过对涡扇发动机的仿真试验表明,本推力估计器设计方法能够满足直接推力控制需要,与其它方法相比,在估计精度及鲁棒性上存在一定优势.     

航空发动机传感器解析余度模型的建立方法

为了使用解析余度模型对传感器故障进行诊断,提出了1种基于K-均值聚类与改进微分进化算法优化的极端学习机(IDE-ELM)的发动机传感器解析余度模型建立方法。为避免求解ELM算法时H矩阵奇异,采用K-均值聚类对试验数据进行聚类处理,然后从每类数据中选取1组数据组成训练样本用于训练;利用IDE算法优化ELM的输入层权值和偏置,提高ELM的泛化能力。利用飞行试验数据进行了仿真验证。结果表明:基于K-均值聚类和IDE-ELM设计的传感器解析余度模型具有较高的精度,可用于FADEC系统双通道传感器的故障诊断。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

基于未知输入观测器的涡扇发动机直接推力控制

针对某型涡扇发动机,进行直接推力控制回路设计方法研究.基于未知输入观测器(UIO)原理建立了涡扇发动机机载模型和推力估计器,UIO通过解耦外界干扰实现了全飞行包线推力的准确估计;提出了直接推力闭环反馈控制的双回路结构设计方案,内环转速控制,外环推力控制,有利于实现各回路控制参数的独立设计.仿真验证结果表明:基于UIO的模型基涡扇发动机直接推力控制具有良好的控制稳定性和抗干扰性能,对于发动机不同工作点直接推力控制,推力控制误差不超过0.1%,转速控制偏差不超过0.2%.      

发动机性能退化恢复技术研究

针对发动机使用过程中的性能退化问题,设计了发动机性能退化恢复控制系统。通过内部小循环控制转速,外部大循环控制推力,实现了发动机性能的控制。以卡尔曼滤波器的输出作为输入,结合聚类以及支持向量回归模型,设计了推力估计器。以发动机为对象,对性能退化恢复控制系统进行仿真验证。对于性能参数缓慢衰退的情况,推力不退化;对于性能参数突变的情况,推力最多在3.5s后得到恢复。仿真结果表明该恢复控制技术是有效和可行的。     

基于复合推进系统动态模型-状态变量模型的航空发动机直接推力预测控制

直接推力控制可以有效改善推力控制的品质,针对航空发动机直接推力控制问题,进行了模型预测控制(Model Predictive Control, MPC)研究。为了提升航空发动机推力控制的精度,提出了基于复合推进系统动态模型-状态变量模型(Compact Propulsion System Dynamic Model-State Variable Model-State Variable Model, CPSDM-SVM)的航空发动机直接推力预测控制方法。CPSDM实时估计出不可测参数（推力、喘振裕度等）的基准值,SVM则根据未来输入实时预测发动机未来响应。由于CPSDM将发动机分为进气道、核心机、喷管、喘振裕度、推力等进行建模,在兼顾精度的同时,提高机载模型的实时性。CPSDM-SVM作为MPC算法中的预测模型,具有较高的精度和实时性。仿真结果表明,在与基于分段线化模型的传统模型预测控制方法实时性基本相同的情况下,所提出方法控制效果有明显的提升,调节时间减小了1.17s。所提出方法稳态控制精度为0.08%,传统方法稳态精度为2.58%。因此,所提出方法在保证实时性的条件下,提升了控制精度和控制效果。