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N-dot的涡扇发动机加速控制器设计

针对双转子民用涡扇发动机,进行基于转子加速度的加速控制器设计研究。采用常规的PI控制器结构,针对结构中所需的转子加速度指令,给出了1种满足要求的设计方法,并将PI控制参数的求解过程转化为带约束的非线性优化问题,利用模式搜索算法求解。构建包含稳态控制器和加速控制器的涡扇发动机闭环控制回路,进行加速过程仿真测试。结果表明:所设计的加速控制器满足涡扇发动机加速过程的性能要求,对于工程设计与应用具有一定的参考价值。     

基于多入多出平衡流形展开模型的涡扇发动机反馈线性化滑模控制

针对涡扇发动机内部状态大范围变化条件下,单点线性控制器控制效果不佳而线性变参数控制器求解困难的问题,提出了一种基于多入多出平衡流形展开模型的涡扇发动机反馈线性化滑模变结构控制。首先,采用多入多出平衡流形展开模型辨识技术,获得仿射型的涡扇发动机数学模型。随后,利用反馈线性化将平衡流形展开模型解耦,经过坐标变换获得可用于控制系统设计的线性结果,考虑了具有误差项和饱和函数的指数趋近滑模控制律来提高控制系统的鲁棒性,完成了基于平衡流形展开模型的多变量涡扇发动机反馈线性化滑模控制器设计。最后,在非线性部件级模型上开展了控制器验证。在平衡流形展开模型设计工况,增益控制和滑模控制的控制效果表明,基于平衡流形展开模型的反馈线性化方法能够获得涡扇发动机良好的控制效果。同时,在平衡流形展开模型稳定但精度无法保证的非设计飞行工况,反馈线性化滑模控制器能够进一步抑制不确定性的影响,保证转子转速和发动机压比的跟踪控制效果。     

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%.      

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.     

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。     

基于保护映射理论的航空发动机LPV/PI 控制

针对具有强非线性特性的航空发动机控制问题,将基于保护映射(Guardian Maps,GM)理论的控制方法应用于航空发动机控制系统设计中。基于某型涡扇发动机非线性模型建立了线性变参数(Linear Parameter Varying,LPV)模型;根据保护映射理论设计不同调度参数下的PI(Proportion Integration)控制器,在设计过程中,只需通过给定的初始控制器就可以自动得到满足性能要求的控制器参数集合,避免了在多个平衡点进行控制器设计;以非线性模型为被控对象,采用积分分离PI控制,在飞行包线内的不同工作点进行仿真验证。结果表明:基于保护映射理论的控制方法在解决航空发动机控制系统的非线性问题时具有显著效果。     

基于LMI的涡扇发动机抗积分饱和PI控制

针对航空发动机控制计划中加减速供油线对主燃油限制的控制计划,基于状态空间理论和线性矩阵不等式LMI(Linear Matrix Inequality)的方法,提出了用于解决航空发动机控制中由于主燃油供油量超加减速供油线后导致控制效果明显变差甚至出现震荡问题的抗积分饱和IWP(Integral Wind-up Protection)算法,给出了同时保证闭环稳定性和饱和抑制性的LMI解。以某涡扇发动机为被控对象,基于LMI方法在已有的控制器上进行了IWP的设计,并进行了发动机非线性动态系统性能仿真验证。结果表明,在已设计的PI控制器结构中嵌入IWP补偿器构成具有抗积分饱和作用的PI控制器,能提高控制系统的动静态性能。     

民用涡扇发动机多变量增广LQR控制器设计

针对民用涡扇发动机设计多变量控制器,提出将多变量增广LQR控制算法引入到民用涡扇发动机的方法。将发动机控制量作为增广的状态向量引入LQR算法设计,并根据控制系统回路的性能需求,设计期望动态响应曲线;期望动态响应与实际动态响应的差值范数作为优化目标用来调整、确定LQR控制算法的权阵取值;设计的控制器与民用涡扇发动机非线性模型仿真验证。结果表明,多变量增广LQR控制器满足民用涡扇发动机的控制需求。     

基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

基于多项式平方和规划的航空发动机鲁棒LPV/PI控制

针对航空发动机常规(proportion integration,PI)控制器设计过程中难以保证鲁棒性及参数适应性差等问题,提出了一种基于线性变参数(linear parameter varying,LPV)模型及多项式平方和(sum of squares,SOS)规划的控制器设计方法.结合传递函数模型下的鲁棒稳定条件及弱对偶定理给出了多项式描述的LPV模型鲁棒稳定条件,并转化为便于求解的SOS规划问题.根据发动机非线性模型获取不同转速下的传递函数模型,并利用多项式拟合的方法建立发动机LPV模型.根据所提出的定理构造出SOS规划问题,并求解得出LPV/PI控制器.最终以某型双轴涡扇发动机为被控对象,在包线内不同点进行了阶跃仿真,结果表明:高压转子转速控制系统的稳态误差为0,调节时间小于3s.      

Model reference adaptive control with smooth switching scheme for piecewise linear systems and its application in turbofan engine control

A model reference adaptive control (MRAC) with smooth switching scheme was proposed for piecewise linear systems, and the method was utilized in turbofan engine control to avoid the discontinuity of control input. In this scheme, each sub-region of the operating envelope had its own MRAC controller, and smooth indicator function based smooth switching scheme was introduced to switch multiple controllers smoothly at the boundary of adjacent sub-regions. The Lyapunov stability analysis indicated that the proposed smooth switching scheme can guarantee the convergence of the closed-loop system during the controllers switching. The tracking error system was converted into a switched system to analyze the global stability of the closed-loop system. The advantage of the method was that the chattering of system output and instability caused by asynchronous switching can be eliminated. The simulation illustrates the effectiveness of the proposed control scheme in comparison with the existing MRAC controller with gain scheduling for turbofan engine.      

某型涡扇发动机的模型跟踪滑模控制

研究了模型跟踪滑模控制在涡扇发动机控制中的应用。首先提出了一种参考模型的状态反馈设计方法,该方法可保证所设计的参考模型在满足匹配条件的同时满足系统性能指标要求;而且若被控对象可解耦,还可保证参考模型动态解耦。其次提出了一种比例积分型切换超平面的极点配置设计方法。最后应用上述两种方法设计了某型涡扇发动机的模型跟踪滑模控制器,并进行了数字仿真,仿真结果表明,所设计的模型跟踪滑模控制系统无抖振现象,且具有很强的鲁棒性。     

涡扇发动机加速过程的模糊控制

采用一种连续型比例积分公式的模糊控制器控制涡扇发动机加速过程，为了使控制满足加速过程最大转速，高压涡轮进口最大温度，压气机最低允许喘振裕度等约束条件并改善加速性能，利用遗传算法对模糊控制器中的3个量化因子进行了优化，优化后的模糊控制器完全可以加速过程要求，具有较好的动态性能，适当划分飞行包线后还可扩展到整个飞行包线。     

Non-affine parameter dependent LPV model and LMI based adaptive control for turbofan engines

The precise control of turbofan engines thrust is an important guarantee for an aircraft to obtain good flight performance and a challenge due to complex nonlinear dynamics of engines and time-varying parameters. The main difficulties lie in the following two aspects. Firstly, it is hard to obtain an accurate kinetic model for the turbofan engine. Secondly, some model parameters often change in different flight conditions and states and even fluctuate sharply in some cases. These variable parameters bring huge challenge for the turbofan engine control. To solve the turbofan engine control problem, this paper presents a non-affine parameter-dependent Linear Parameter Varying(LPV) model-based adaptive control approach. In this approach, polynomial-based LPV modeling method is firstly employed to obtain the basis matrices, and then the Radial Basis Function Neural Networks(RBFNN) is introduced for the online estimation of the non-affine model parameters to improve the simulation performance. LPV model-based Linear Matrix Inequality(LMI) control method is applied to derive the control law. A robust control term is introduced to fix the estimation error of the nonlinear time-varying model parameters for better control performance. Finally, the Lyapunov stability analysis is performed to ensure the asymptotical convergence of the closed loop system. The simulation results show that the states of the engine can change smoothly and the thrust of the engine can accurately follow the desired trajectory, indicating that the proposed control approach is effective. The contribution of this work lies in the combination of linear system control and nonlinear system control methods to design an effective controller for the turbofan engine and to provide a new way for turbofan engine control research.