基于确定学习理论的轴流压气机系统分岔预测

针对轴流压气机系统中的分岔预测问题,基于简化的Moore-Greitzer 3阶压气机模型,分析了该系统中存在的分岔现象;利用最新发展的确定学习理论,对压气机系统随着γ参数变化出现的几种典型模态的相关系统动态进行辨识,并将所学知识保存成常值RBF神经网络以构成模式库;利用该模式库构建1组嵌入了常值RBF神经网络的动态估计器;将测试模式与估计器相比,得到1组残差,并利用动态模式识别方法的残差最小原则实现了对Pitchfork分岔的预测。     

一种涡扇发动机加减速转速变化率闭环控制技术

针对涡扇发动机加减速的特点和控制需求,在对比现有控制算法的基础上提出一种新的转速变化率(N-dot)闭环控制技术。通过引入积分补偿,消除了原理性稳态误差,且控制参数机理清晰,易于设计,具备较高的工程应用价值。针对控制回路切换带来积分饱和的技术难点,设计工程实用的输出回归抗积分饱和方法,实现与其它控制器协调工作。基于涡扇发动机开展了Matlab桌面仿真研究和台架试验验证,结果表明,本文提出的控制技术能够取得满意的控制效果:N-dot反馈能够很好跟随N-dot期望指令,跟随误差在当前期望值的±10%以内,控制算法对噪声不敏感,对于涡扇发动机加减速过程多控制回路切换场景,不存在回路干扰和积分饱和现象。