航空发动机三变量鲁棒控制器设计

对发动机三变量控制进行了研究.由于发动机可作为被控量的输出参数很多,用不同的被控量设计的控制器系统性能差别很大,所以选择合适的被控量就显得尤为重要.采用RSCN(鲁棒稳定性和条件数)方法从发动机的14个输出变量中选择三个变量作为发动机的被控量,然后用所选择的发动机输入/输出变量来设计增广LQR(1inenr quadratic requlator)控制器,数字仿真表明通过上述方法设计的发动机控制系统响应速度较快,无稳态误差,鲁棒性好.     

基于误差反馈控制的建立航空发动机自适应模型方法

提出了基于误差反馈控制的建立航空发动机自适应模型方法.即以实际发动机的输出为参考指令,以航空发动机性能蜕化值为航空发动机模型的控制量,通过设计鲁棒性好且能消除稳态误差的增广线性二次型最优调节(ALQR)控制器以实现模型的输出自适应地无偏跟踪真实发动机的输出,利用ALQR的鲁棒性,使模型具有良好的自适应性.ALQR和发动机模型一起构成航空发动机自适应模型.最后通过稳态仿真和动态仿真表明该方法不仅可以实现自适应模型全包线跟踪稳态真实发动机,同时能实现动态跟踪真实发动机.      

航空发动机直接推力控制

为实现推力的多变量控制,首先研究了控制系统输出参数选择方法.输出参数选择采用相对增益矩阵(Relative gain array,RGA)和灵敏度分析方法.当RGA对角元趋近1而其他元素较小时,回路之间的耦合小,当输出对输入的灵敏度大时,输出易于控制.为此从常用被控参数中选择低压转子转速与推力构成控制系统输出.由于推力不可测量,采用神经网络对其进行在线估计,神经网络的输入采用遗传算法从航空发动机诸多可测参数中选取.最后设计了H∞控制器,通过闭环系统仿真,验证了本文方法的有效性.     

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.