航空发动机神经网络反步控制方法

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的反步控制方法.采用径向基神经网络估计未知系统方程,并用一种平滑切换法有效避免了控制器奇异问题.反步法的设计基于Lya-punov稳定性原理,保证了闭环系统一致渐近有界.最后针对某型涡扇发动机非线性模型设计了高压转速控制器,仿真结果验证了该方法的有效性.      

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。     

一种适用于FADEC系统的宽输入范围AC/DC变换器

针对航空发动机全权限数字电子控制(FADEC)系统专用发电机的输出特性,提出一种电流回馈型恒流变频AC/DC(交流/直流)变换技术,以适应专用发电机的宽输出范围,满足FADEC系统的供电需求.给出了该技术的控制策略、拓扑结构、工作原理、过压故障检测及保护设计方法.试验结果表明:该变换器工作稳定,在-55~125℃全温范围内,满足国家军用标准飞机供电特性(GJB181A)对电源的相关规定.研究成果已成功应用于某型航空发动机数字控制系统中,并通过了台架试车和飞行平台试验.      

基于QPSO粒子滤波的航空发动机突变故障诊断

针对标准粒子滤波算法对突变故障诊断迟缓的问题,提出了量子行为粒子群优化(Quantum-behaved particle swarm optimization,QPSO)的粒子滤波算法。该算法引入权值偏差系数的概念,当权值偏差系数超出设置的阈值时,认为系统发生故障,并结合最新的观测值,将量子行为粒子群优化算法融入到粒子的采样过程中,驱使粒子向高似然区域移动,提高粒子群对突变故障的估计性能。仿真结果表明,与标准粒子滤波算法相比,量子行为粒子群优化的粒子滤波算法显著提高了对突变故障的反应速度。     

改进参考模型的涡扇发动机多变量模型参考自适应控制

针对涡扇发动机难以获得精确数学模型和普通模型参考自适应控制不保证动态性能的问题,提出了一种具有改进参考模型的涡扇发动机多变量模型参考自适应控制方法。采用状态反馈形式设计了状态跟踪的多变量自适应控制器,其中对参考模型作了引入跟踪误差反馈的改进,使得高自适应增益下跟踪曲线的超调得到明显的抑制,动态响应得到改善。应用该方法对涡扇发动机非线性部件级模型进行仿真分析,结果表明,控制系统调节时间小于2s,无稳态误差,具有良好的控制品质。     

航空发动机组态建模技术研究

基于组态的方法设计了航空发动机部件模型库、仿真实时数据库以及前台组态系统和后台运行管理系统,构建航空发动机组态建模平台,并在此平台上实现了多种结构发动机模型的稳态仿真和瞬态仿真,其结果达到了一定精度,验证了航空发动机组态建模技术的可用性.      

航空发动机故障诊断的机载自适应模型

提出了复合拟合法建立状态变量模型,该方法应用于建立高维状态变量模型时,具有较高的精度.将健康参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计得到健康参数.为了减少自适应模型与真实发动机之间的建模误差,在自适应模型中加入神经网络对稳态基点模型进行修正,从而提高了故障诊断系统的置信度.      

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

基于无迭代解法的航空发动机实时模型

研究了航空发动机部件级模型,考虑了容积惯性;采用无迭代法保证模型的实时性,并较详细地研究了初值条件较详细的研究。给出了某型发动机慢车以上状态的气体热、动力学实时模型仿真结果。