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。     

基于QDRNN网络的航空发动机多变量解耦控制

针对航空发动机非线性模型的复杂性,通过对准对角递归神经网络(QDRNN)及梯度下降法(GMD)的分析,研究了基于QDRNN网络的航空发动机多变量解耦PID控制系统.阐明了该算法的结构和原理,通过对设计点及非设计点的仿真.研究表明,QDRNN网络结构相对简单,易于构造训练算法,较好地解决了双变量控制系统中变量之间的耦合作用.      

航空发动机非理想解耦自适应控制

本文对航空发动机的双变量控制方法进行了研究, 提出了一种非理想解耦自适应控制方法, 各子系统之间部分残余的相互耦合和非线性影响就通过自适应律本身的鲁棒性来解决。仿真结果表明该控制系统实现了解耦控制, 对发动机模型参数在大范围内的变化均有良好的控制效果。      

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。     

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。      

航空发动机多变量自学习模糊解耦控制

提出了一种自学习模糊解耦控制器，将多变量模糊解耦控制和模型参考自学习控制结合起来，利用模糊逆模型在线产生和修正模糊解耦控制系统的规则库。并研究了它在航空发动机上的应用，取得了较好的控制效果。     

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.      

航空发动机PID神经网络解耦控制

对航空发动机的双变量解耦控制方法进行了研究,提出了一种基于遗传算法的PID神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习,克服了BP算法易陷入局部权值的缺点,并具有PID神经网络控制器结构简单规范、动态和静态性能良好等优点。     

航空发动机多目标优化解耦控制设计方法

首先提出了全新的、用P范数表示的控制系统耦合程度量化指标———耦合度的概念,然后提出了可以反映航空发动机多个控制目标的多目标优化目标函数,并根据耦合度与该目标函数给出了解耦控制设计方法。该方法可以设计出真正意义上的具有解耦功能的多变量控制器,设计过程一步完成;应用于某型航空涡扇发动机控制系统设计,仿真结果表明了其可行性。     

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.     

永磁同步曳引机变频调速系统的内模控制

永磁同步曳引机是典型的非线性多变量强耦合系统,在同步旋转坐标系下dq轴电流存在耦合,传统的PI控制器无法实现解耦,提出一种基于内模控制原理和空间矢量算法相结合的高性能永磁同步曳引机解耦控制方法,用内模控制策略控制理想电机模型,对定子电流交叉耦合电势动态解耦,提高系统的动态响应性能,同时在整个电流闭环过程中对参数摄动和外扰动具有良好的鲁棒性,这种方法不需要额外的电机参数和检测硬件,试验结果验证了这种方法有效可行。