基于飞行包线划分的航空发动机T-S模糊模型辨识

针对航空发动机在建立Takagi-Sugeno(T-S)模糊模型时运算耗时长和过分依赖学习数据的问题,提出了一种基于飞行包线划分的航空发动机T-S建模方法.通过飞行包线划分和标称点求取确定T-S模型的前件结构;计算各标称点的状态空间模型,将其作为T-S模型的后件;最后通过对航空发动机发参数据的机器学习完成对模型前件参数的辨识.仿真对比结果表明:该方法缩短了航空发动机T-S模糊模型的建模时间,并使得高压转子和低压转子转速的绝对误差分别小于0.25%,0.10%,保持了辨识精度.      

基于模型辨识的发动机部件特性修正研究

在发动机的总体性能研究中,发动机部件特性图的准确程度对总体性能计算结果有明显的影响.研究表明,部件特性数据的偏差,尤其是风扇、压气机及涡轮等部件特性的偏差会使发动机总体性能计算结果出现很大的偏差,与实际性能不符.本文采用变分加权最小二乘法对试验数据进行模型辨识分析,充分利用发动机整机测量的试验数据对发动机部件特性进行修正,该修正可反馈各部件实际特性信息,可为各部件分析及完善设计提供参考和依据.     

基于复合优化的航空发动机模型参数估计

本文提出了一种复合优化方法,用于发动机多变量,状态空间模型的时域辨识。优化中粒子群优化算法和最小二乘优化算法按照“串联”方式运行。粒子群优化从一个初始种群出发,通过进化来搜索最优解。然而有些时候,粒子群算法会陷入次优解。那么最小二乘优化算法就可以从粒子群的次优解出发,通过共轭梯度法获得问题的最优解。本方法适用于待估计参数较多,且参数变化范围大的高阶多变量系统。本文将复合优化算法用于4输入4输出状态变量模型参数的估计。仿真结果表明了所提出方法的有效性。     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

航空发动机T-S分布式系统自适应鲁棒滑模控制

为提高航空发动机非线性不确定分布式控制系统的鲁棒性,考虑参数摄动,外部干扰,随机时延的影响,采用一种基于飞行包线划分的航空发动机T-S模糊模型,进行了鲁棒自适应滑模控制方法的研究。基于鲁棒H∞理论,针对模糊规则的状态空间模型,推导了滑模运动渐进稳定的充分条件,设计具有扰动抑制性能的鲁棒滑模面;基于并行分布补偿技术,采用与T-S模型相同的模糊规则,确定全局模糊滑模控制器设计策略,在此基础上,采用自适应技术估计未知干扰上界,设计了自适应滑模控制器,并证明了系统在控制器作用下的到达性。仿真结果表明该方法能够保证系统渐进稳定,对所考虑的不确定性因素鲁棒性较好,有效削弱了抖振,对不同工作点和干扰条件具有良好的适应性。     

采用BP网络辨识航空发动机数学模型

运用ＢＰ网络和实测数据作为学习样本，对某型航空发动机的数学模型进行了辨识研究。辨识模型输出的结果与实测数据比较误差较小。这种方法收敛速度快、精度高，结果表明用ＢＰ网络辨识方法能够得到比较精确的发动机数学模型。     

基于T-S模糊模型的航空发动机非线性分布式控制系统故障诊断

针对航空发动机非线性分布式控制系统的故障诊断问题,首先提出了一种基于飞行包线划分的航空发动机非线性Takagi-Sugeno(T-S)建模方法,建立了具有网络诱导时延的航空发动机非线性分布式控制系统模型,然后将该系统视为离散切换系统,为其建立了具有时延补偿功能的故障观测器,给出了使得观测器误差系统渐近稳定的充分条件.故障检测仿真时间为20s,当第12s时,设定系统发生幅值为0.0025的阶跃型突变故障,仿真结果表明:12s之前,故障观测器保持渐近稳定,当第12s时,残差迅速增大并超过所设定阈值,从而检测到故障的发生.      

涡轮发动机平衡流形展开模型辨识方法研究

 根据涡轮发动机平衡流形展开模型的特点提出了两步建模方法。将复杂非线性建模转化为静态参数拟合和带约束条件的动态参数最小二乘辨识,根据单轴涡喷发动机气动热力模型辨识算例证明了方法的有效性。     

基于T-S模糊KPCA模型的分布式控制系统传感器故障诊断

为减小航空发动机多工况的工作特性和分布式控制系统非线性网络环境对故障诊断系统的影响,针对航空发动机分布式控制系统,提出一种基于T-S模糊KPCA模型的传感器故障诊断方法。首先采用C均值模糊聚类法,以油门杆角度为样本标签,对样本空间进行模糊分类,再通过模糊相似矩阵剔除各样本子空间的野值点;其次建立标称工况的KPCA模型,并利用训练样本对非标称工况的隶属度函数进行辨识,得到全工况T-S模糊KPCA模型;最后利用统计量T 2和SPE对传感器故障进行检测,并采用数据重构方法对故障传感器进行隔离定位。仿真结果表明该方法对发动机的任意稳定工况具有自适应能力,能够在非线性网络环境下对正常样本和故障样本保持较低的虚警率和漏报率。当多个传感器同时发生故障时,能够准确找到故障源,实现对故障传感器的隔离。     

航空发动机的模糊故障诊断方法研究

提出了一种基于T-S模糊模型的故障诊断方法, 该方法从样本空间提取模糊规则, 在模糊系统参数最优化的同时实现了对模糊系统结构的自适应优化, 并给出了故障判定的阈值确定方法.以某涡扇发动机定检稳态的机载记录数据为依据, 将基于T-S模糊模型的故障诊断方法应用于航空发动机, 研究结果表明, 该方法能准确地判定某涡扇发动机的健康状况, 将其应用于航空发动机故障诊断是可行、有效的.      

基于模糊Takagi-Sugeno模型的发动机转速鲁棒控制

基于某航空用二冲程活塞式发动机的非线性模型, 利用扇形非线性特性得到了发动机模糊Takagi-Sugeno(T-S)模型;基于该T-S模型, 采用系统增广的方法研究了无静态误差转速控制器;设计中考虑了鲁棒H∞性能, 使得该非线性系统的模糊控制器具有较好干扰抑制性能, 并在Lyapunov稳定性理论基础上建立了该系统渐进稳定的线性矩阵不等式条件;最后通过系统仿真算例验证了所设计控制器的有效性.      

Takagi-Sugeno fuzzy model identification for turbofan aero-engines with guaranteed stability

This paper is concerned with identifying a Takagi-Sugeno (TS) fuzzy model for turbofan aero-engines working under the maximum power status (non-afterburning). To establish the fuzzy system, theoretical contributions are made as follows. First, by fixing antecedent parameters, the estimation of consequent parameters in state-space representations is formulated as minimizing a quadratic cost function. Second, to avoid obtaining unstable identified models, a new theorem is proposed to transform the prior-knowledge of stability into constraints. Then based on the aforementioned work, the identification problem is synthesized as a constrained quadratic optimization. By solving the constrained optimization, a TS fuzzy system is identified with guaranteed stability. Finally, the proposed method is applied to the turbofan aero-engine using simulation data generated from an aerothermodynamics component-level model. Results show the identified fuzzy model achieves a high fitting accuracy while stabilities of the overall fuzzy system and all its local models are also guaranteed.     

基于T-S模型的飞控系统跟踪控制器设计

提出了用PDC跟踪控制器设计飞控系统的方法,给出了稳定性和极点配置定理,将控制器的参数求取问题转化为求解线性矩阵不等式族的问题,所设计的控制器不仅具有全局渐近稳定性,还具有较好的鲁棒性。对用该方法设计的俯仰角跟踪控制器进行了仿真和鲁棒性验证。仿真结果表明,所设计的控制器能够满足性能品质和鲁棒性要求。     

基于Kalman滤波的变体飞行器T-S模糊控制

针对变体飞行器的跟踪控制问题,提出了一种基于Kalman滤波的T-S模糊控制方法。考虑飞行器系统状态不可测,引入惯导数据作为辅助信息,利用Kalman滤波算法融合飞控信息与惯导信息实现状态估计。由于变体飞行器在不同变形结构下气动特性变化较大,为便于控制器设计,采用小扰动线性化方法得到飞行器在不同平衡点处的局部线性模型,并通过状态反馈方法设计局部控制器,局部线性模型和局部控制器通过模糊集和模糊规则聚合成一个连续光滑的全局T-S模糊模型和T-S模糊控制器。通过综合Kalman滤波器与T-S模糊控制器得到一个基于Kalman滤波的T-S模糊控制器。仿真结果表明,该控制器在变形过程中能够实现状态估计,保证飞机的跟踪性能。     

T-S模糊系统的部分状态反馈H∞控制

基于部分状态信息的控制器是一类特殊的静态输出反馈控制器, 一般难以利用线性矩阵不等式工具求解. 本文研究T-S模糊系统的部分状态反馈镇定及部分状态反馈H∞控制问题. 首先, 通过矩阵变换, 将T-S模糊系统的部分状态反馈镇定问题转换成求解一组线性矩阵不等式(LMIs); 然后, 以此为基础得到基于LMI的部分状态反馈H∞控制器设计方法; 最后, 通数值例子验证所给方法的有效性.     

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。     

基于新型涡轮冷却算法的航空发动机性能计算模型

针对气膜冷却和对流冷却两种常用的冷却方式,建立了新的涡轮冷却计算模型,并实现了与燃气涡轮发动机总体性能计算模型的耦合,得到了可考虑的不同冷却方式、适用于高涡轮前温度、大冷气量的燃气涡轮发动机总体性能计算模型,并与简化涡轮冷却模型的计算数据及试验数据作比较分析,表明新型涡轮冷却算法的可行性和能够提供更详细的涡轮部件气流参数.