基于神经网络逆控制的发动机直接推力控制

首次将动态神经网络逆控制用于航空发动机直接推力控制。为了有效消除由于神经网络逆模型构造误差(即神经网络逆模型不可能完全逼近航空发动机的逆模型)而产生的稳态误差和解决航空发动机推力不易测量的困难,分别设计了积分补偿器和推力估计器,从而实现航空发动机直接推力控制。飞行包线内数字仿真结果表明,此控制方案具有良好的动静态性能、精度高、跟踪快。     

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%.      

某机翼的安全预测载荷模型建立

基于试飞阶段全V-N包线的实测飞行载荷，将改进遗传算法、线性回归与BP神经网络融合，给出了一种适用于全寿命周期的自适应安全预测载荷模型建立方法。将该方法应用于某飞机机翼的安全预测载荷模型建立，并对所建立的载荷模型进行了全V-N包线的验证。分析了样本空间与载荷模型精度的关系。结果表明：建立的弯矩预测载荷全包线最大误差为10.6%、平均误差为1.0%，剪力的最大误差为9.1%、平均误差为0.4%，比优化线性和分段线性的误差小，比神经网络的收敛性好。随着建模数据从全样本、1/2、1/3、…、1/10样本的变化，弯矩和剪力方程的全V-N包线的最大误差整体呈增大趋势，弯矩最大误差变化范围为10.6%~19.6%，最大剪力误差变化范围为9.1%~27.9%。     

一种航空发动机的分段实时线性动态模型

针对喷口不可调涡扇发动机实时线性动态模型的建立问题,提出了一种基于粒子群优化算法小偏差状态空间模型的方法.选取高压转子换算转速为增益调度参数,根据发动机相似原理,建立了发动机全飞行包线分段实时线性模型.全飞行包线内所提出的分段实时线性模型与非线性模型仿真对比结果表明:涡扇发动机高压压气机出口总压、低压涡轮出口温度、高压转子转速和低压转子转速的最大相对误差不超过3.5%,仿真结果验证了该方法的有效性.      

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

飞行仿真气动数据处理的神经网络应用

利用神经网络一致逼近任意非线性连续函数的特性,训练具有一个隐含层的神经网络来映射飞行参数和气动系数模型相比,飞行仿真系统计算速度更快、计算精度更高。在自修复飞行控制系统研究中,为故障飞机建模所需大量故障状态气动系数数据处理提供一种新方案。也为一般飞行仿真系统气动数据处理方法提供了一种新的思路。     

先进战斗机过失速机动大气数据融合估计方法

可控的过失速机动是先进战斗机超机动性能的重要标志,飞机飞行包线的扩大已超出传统的大气数据系统测量范围,可靠的迎角、侧滑角、总压、静压等飞行大气数据是制约先进战斗机过失速机动中飞行控制的关键因素。以中国推力矢量验证机为对象,基于过失速机动飞行试验的数据,开展大气参数估计与验证研究。结合过失速机动的时间与空间特性,研究了基于风速、地速、空速矢量和惯性姿态、导航参数的大气参数融合计算方法;针对过失速大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性,进一步构建深度神经网络,对机动状态融合迎角、侧滑角的强非线性误差进行拟合。仿真和飞行试验表明：该方法可在大迎角飞行状态下实现主要大气参数的融合估计,过失速机动过程中融合迎角误差优于2.3°,融合得到的大气参数可为过失速大迎角机动飞行控制提供可靠的大气参数状态反馈。     

涡轴发动机高精度实时部件级模型研究

提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。     

航空发动机全包线自适应解耦控制器设计

为实现航空发动机在全包线的解耦控制, 在飞行包线内选择了若干点, 使用遗传算法对单神经元自适应解耦控制器的比例系数进行了离线优化。以优化得到的若干组参数为训练样本, 离线训练径向基函数(RBF)神经网络, 训练后的网络可映射高度、马赫数与比例系数之间的非线性关系, 飞行包线内任意点的解耦控制器比例系数即可由该网络得到。仿真表明:在设计点和非设计点, 系统均具有良好的动态特性和解耦特性。该方法结构简单、易于实现, 具有实用价值。      

自适应遗传神经网络算法在推力估计器设计中的应用

为了在全包线内能够准确方便估计出航空发动机推力,提出了一种自适应遗传神经网络算法:将遗传算法和神经网络技术相结合充分发挥遗传算法和神经网络各自的全局收敛性和局部搜索快速性的优点,其中通过自适应概率遗传操作及局部寻优算子直接优化出神经网络拓扑结构及权值(包括阈值),克服了神经网络隐层节点需凭经验尝试的缺点和神经网络对初始权值(包括阈值)敏感的缺点,再应用神经网络对上述优化的权值(包括阈值)进行"精调",最后设计出全包线推力估计器.经验证,此推力估计器具有较高估计精度和良好泛化能力.      

基于深度学习的飞行载荷测试与反演方法研究

飞行载荷测试技术对飞机的载荷设计、强度试飞以及寿命监控等有重要的意义。为了实现复杂翼结 构气动载荷的实时在线分布测试,提出基于精细化有限元仿真数据驱动的载荷反演方法;使用深度学习方法建 立神经网络代理模型,通过有限元方法构建典型载荷下的结构响应数据集,对模型进行训练;将基于深度学习 方法的翼面载荷反演结果与有限元计算结果进行对比验证。结果表明:总载荷的平均误差约为0.2%,压心位 置误差约为1%,该方法可以使用少量的应变测点数据对整个翼面结构的载荷分布实时反演与重构。     

航空发动机多变量三层神经网络控制

提出了一种发动机多变量神经网络控制方法。采用三层前向神经网络对非线性项进行补偿,神经网络权重自适应律采用在线学习算法。控制系统的设计不需要知道精确模型,适应于全飞行包线。仿真研究表明发动机多变量神经网络控制具有良好的动、静态性能。      

基于多模型方法的全包络鲁棒飞行控制器设计

利用新一代歼击机不同平衡点的多个非线性子模型对其机动飞行的全包络模型进行逼近。对于每一个子模型,设计相应的动态逆控制器,应用模糊神经网络产生控制器切换决策,实现不同飞行状态下不同模型控制器之间的相互切换。同时为了提高多模型飞行控制效果,对各模型控制器的输入及输出采样并作为神经网络的学习样本,形成一个全包络内的多模型统一神经网络控制器。最后通过歼击机的大迎角机动仿真来验证所设计的基于多模型的统一神经网络控制器的有效性,仿真结果表明所设计的统一神经网络控制器是有效的。     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

基于二阶鲁棒滑模观测器的民用涡扇发动机气路故障诊断

针对状态估计器在航空发动机气路参数估计中响应迟缓、鲁棒性不强等问题,以未知输入重构的思路,提出了一种基于Super-twisting滑模观测器的航空发动机气路故障诊断方法。通过将健康参数考虑为未知输入,设计滑模切换项重构健康参数的变化量,由于避免了状态估计器设计中健康参数导数为零的假设,本文的方法在处理突变故障时拥有更快的响应速度。针对鲁棒性问题,提出了一种新的故障向量增广形式,通过将扰动项增广至健康参数向量中,观测器的重构信号能够同时估计出健康参数变化量以及扰动项的大小,实现扰动与部件故障的解耦,从而避免了不确定项对健康参数估计结果的影响。本文建立了民用涡扇发动机包线范围内的线性变参数模型,通过不同故障模式下的数值仿真,并与状态估计器比较,验证了方法的有效性。结果表明,设计的滑模观测器具有小于0.5%的估计误差,有效地提高了气路健康参数的估计速度,增强了对不确定性的鲁棒性。