航空发动机约简遗传规划起动非线性动态模型

提出了一种新的用于航空发动机最优化起动过程数据驱动动态建模的约简遗传规划(PGP)算法。这种模型采用遗传规划产生航空发动机辨识模型的输入输出非线性模型集,并以二叉树结构表征函数项,运用正交最小二乘算法(OLS)估计二叉树分支对于模型精度的贡献并据此去除复杂、冗余的函数项,从而加快遗传规划的收敛速度,最后通过GP进化可获得简单、可靠、准确的线参数非线性线参数动态模型。实际发动机起动过程建模应用案例证明,这种思路对于具有非线性输入输出关系特征的数据可以产生鲁棒性好、解析性强的线参数非线性模型。      

基于约简遗传规划的线参数模型及在航空发动机起动建模中的应用

提出了一种新的约简遗传规划(PGP)算法和一种新的基于约简遗传规划的航空发动机起动动态线参数模型.这种模型采用遗传规划产生航空发动机起动模型的输入输出非线性模型集,并以二叉树结构表征函数项,运用正交最小二乘算法(OLS)估计二叉树分支(基本函数项)对于模型精度的贡献并去除复杂、冗余的函数项,从而加快遗传规划的收敛速度,最后通过GP进化可获得简单、可靠、准确的线参数非线性模型.发动机起动过程试车数据建模和与支持向量机的比较证明,这种方法可以产生适用性好、解析性强的线参数非线性模型,产生的模型可获得与支持向量机相当甚至更优的结果.     

基于Volterra-Laguerre扩展模型的发动机加速过程辨识

提出了航空发动机的动态非线性Voherra-Laguerre扩展模型的辨识建模方法.应用Laguerre序列简化线性系统的原理,将Volterra级数模型拓展为Volterra-Laguerre扩展模型,该模型较传统Volterra级数模型减少了辨识量,提高了辨识速度.采用航空发动机地面试车数据辨识建立了其加速过程非线性Volt-erra-Laguerre扩展模型,通过递推最小二乘法辨识了模型参数.仿真结果表明,模型精度高,高低压转子相对转速误差均小于1%,涡轮后燃气温度误差小于3℃,满足发动机控制仿真的需要.     

基于T-S模糊模型的航空发动机模型辨识

提出了一种航空发动机的Takagi-Sugeno(T-S)模糊模型辨识方法,该方法通过最小二乘法辨识模糊模型的后件参数,通过反向传播法辨识模糊模型的前件参数,并实现了模糊模型结构的自适应优化。以航空发动机机载记录数据为依据,通过对输入输出数据的学习建立了航空发动机的T-S模糊辨识模型,通过该模型对机载记录数据的辨识,结果表明该模糊辨识模型具有辨识精度高、鲁棒性强、容错性好等特点。     

线性拟合法建立航空发动机状态变量模型

针对非线性拟合法建立航空发动机状态变量模型过程中的初值问题,提出了一种能够避免该问题的线性拟合法,即在离散域情况下,利用已知的状态序列来构建系统矩阵与模型响应之间呈线性关系的目标函数,从而使非线性最小二乘问题转化为线性最小二乘问题.应用该方法建立某型涡扇发动机的小偏差状态变量模型,并与非线性拟合法进行了对比研究,结果表...     

某型发动机数控系统的相似参数自适应控制

针对航空发动机在全飞行包线非线性和时变的特点,提出了参数自适应PID控制器设计方法,研究了用最小二乘法和相似参数法两种参数估计器进行在线参数辨识和参数整定的问题。通过与发动机线性模型和部件级非线性模型的仿真,对两种控制算法进行了比较,确定了相似参数法自适应PID控制器具有稳定性好,计算简单,适用于全包线等优点。将相似参数法自适应PID控制器用于某型航空发动机全权限数控系统,通过试车和试飞,验证了该方法的优点。      

航空发动机小偏差状态变量模型的建立方法

采用最小二乘拟合法建立用于航空发动机鲁棒控制系统设计的小偏差状态变量模型，即根据发动机非线性模型的小偏差动态响应数据直接拟合出其小偏差状态变量模型。由于建模误差在最小二乘意义下最小，因而应用该方法可以保证所建模型具有较高精度。此外该方法亦不受模型阶次的限制。应用该方法建立某型涡记扇发动机的小偏差状态变量模型，具有较高的精度，从而验证了该方法的有效性。     

航空发动机的一种Volterra级数非线性动态模型

研究航空发动机的非线性动态模型的建立问题。利用Volterra级数对航空发动机的动态过程进行描述,建立非线性模型,提出了模型的辨识算法。利用某型涡扇发动机的动态仿真,进行了发动机Volterra模型辨识及验证。结果表明,Volterra模型可以描述发动机从慢车与最大间的动态过程。      

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于PSO算法的航空发动机起动燃油控制

针对航空发动机起动过程燃油流量优化控制的实时性要求, 提出一种新的航空发动机起动燃油控制方法——基于粒子群优化（PSO）算法的非线性预测控制.该方法在建立最小二乘支持向量机（LS-SVM）预测模型的基础上, 运用PSO算法实现其滚动优化功能.经实例验证, 燃油流量经过PSO算法优化控制后, 高低压转子转速的超调量减小, 并且其稳定的时间比没有经过优化控制的要快上56 s.由仿真结果可知, 该方法可以用于航空发动机起动过程燃油控制, 当给定的约束条件足够精确时, 能以较高的精度计算出最佳供油规律.