一种双变量自校正模糊 PI 控制在发动机控制中的应用

 提出了一种双变量自校正模糊PI控制算法,构造出一种航空发动机双变量自校正模糊PI控制器和控制系统,研究了控制器和控制系统的特性,为发动机控制探索了一种新方法。     

四输入模糊推理自校正控制在发动机控制中的应用

四输入模糊推理算法是同时利用两个输入模糊变量的误差和误差变化率进行模糊推理;在四输入模糊推理算法中引入自校正技术,形成了基于四输入模糊推理的双变量自校正模糊控制算法;仿真研究了该控制算法和控制器的特性,结果表明用该控制方法设计的航空发动机模糊控制系统获得了满意的控制性能。     

基于RBF网络辨识的航空发动机模糊神经网络解耦控制

对航空发动机的多变量解耦控制方法进行了研究,提出了一种基于RBF网络辨识的航空发动机模糊神经网络解耦控制方法。该方法利用RBF网络辨识航空发动机的实时模型,为模糊神经网络控制器参数的调整提供了Jacobian信息,解决了模糊神经网络自适应控制器在被控对象不能精确建模情况下应用的问题。仿真结果表明,系统鲁棒性强．在设计点和偏离设计点处,均具有良好的动态特性和解耦特性。     

基于新型神经网络的航空发动机多变量控制

根据PID控制结构提出了一种新型神经网络控制器,对其基本结构和学习算法等进行了分析。结合某型航空涡喷发动机双变量控制需求,利用2个结构相同、相互联系的神经网络,实现了发动机双变量控制和接耦。在不同飞行条件、不同发动机工作状态下的仿真表明,控制器具有良好的控制性能     

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。     

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。      

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。     

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.      

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。     

基于混沌变量的航空发动机模糊神经网络控制

针对模糊神经网络控制器中模糊规则的设计和神经网络权值的确定存在困难这个问题,提出了混沌优化控制方案,将混沌优化算法应用到航空发动机模糊神经网络控制中,利用混沌优化算法对模糊神经网络的参数进行优化。仿真结果表明,设计的模糊神经网络控制器具有良好的性能。      

多输入模糊控制器及其在飞行控制中的应用

针对输入量之间具有导数关系的三输入模糊控制器进行了理论分析。通过输入空间分区和非线性反模糊算法的引入,推导出了三输入模糊控制器的有关算法,并且总结出它与传统ＰＩＤ控制器之间的等价性及等价条件。飞机纵向运动仿真计算结果表明：三输入模糊控制器与二输入模糊控制器相比较,当初始状态变化较大时,对高度和速度的控制更有效。     

基于自调整神经元的航空发动机多变量自适应解耦控制

根据航空发动机性能控制要求, 通过分析自调整神经元及最速下降学习方法, 研究了基于自调整神经元的航空发动机多变量自适应解耦控制系统.利用自调整神经元的结构简单、各神经元之间没有权值连接及在线学习的优点, 在线整定多变量PID控制器的参数.阐明了该方法的结构和原理.并进行了航空发动机多变量自适应解耦控制系统的设计.大量的仿真结果表明, 系统具有良好的解耦特性和自适应能力.      

FUZZY-PID在激光陀螺稳频控制中的应用研究

在分析环形激光陀螺光强控制系统原理的基础上 ,针对自行研制的激光陀螺 ( RLG)计算机稳频控制系统的情况 ,研究了 FUZZY- PID与常规 PID控制算法 ;介绍了一种应用模糊推理功能实现 PID参数自整定的控制器 ,它是在常规 PID调节器的基础上 ,采用模糊推理思想 ,根据不同的 E和 EC,对 PID参数 KP、KI、KD 进行在线自整定的模糊控制器。仿真结果表明 :系统的动、静态性能都符合指标 ,该算法是实现激光光强控制进而完成激光频率控制较理想的控制算法。     

基于动态逆的神经网络超机动飞行控制

为战斗机的过失速超机动飞行设计了一种神经网络控制器。基于时标分离的原则,神经控制器被设计为内环控制器和外环控制器两个部分。网络的训练利用改进的BP算法,将因子模糊化快速进行。样本点数据则由利用动态逆控制所得到的结果来提供。网络的使用利用联想记忆法则。仿真结果说明所设计的系统具有良好的控制性能及鲁棒性。     

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.     

模糊控制理论在航空涡轮喷气发动机控制系统中的应用

对模糊控制进行了介绍。采用相平面法设计了模糊控制器,将其编成微机程序,使其完成模糊控制功能。对微机完成的其他操作,亦进行了介绍,给出了微机的主流程图。进行了多次发动机台架试车,当对发动机控制系统加入小偏离的控制和干扰信号,以及大偏离信号时,发动机的稳态和加速过程都获得了良好的控制品质。表明模糊控制具有满意的控制性能。     

基于模糊神经网络的涡扇发动机加速控制

采用模糊神经网络对某型涡扇发动机加速过程进行自适应控制，为了进一步提高系统性能，采用遗传算法和BP算法相结合的方式，对系统分别进行了离线和在线优化。仿真结果表明，设计的模糊神经网络控制器具有良好的性能。