全包线内航空发动机参数估计的神经网络实现

介绍一种特殊的前向神经网络——自联想神经网络（Ａｕｔｏａｓｓｏｃｉａｔｉｖｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔ－ｗｏｒｋｓ,ＡＡＮＮ）,然后将发动机参数在全包线、大范围工况下的变化规律与神经网络的非线性映射能力结合起来,开展了将ＡＡＮＮ应用于发动机全包线、大范围工况下参数估计的仿真研究。本文提出的选取测量矢量加入样本集的ＥＭＰ方法,有效地减少了样本集中样本矢量的数目,简化了网络的训练。用ＥＭＰ方法在全包线内仅用７４６组测量矢量作为样本集,在网络训练好后,任选包线内的一工况点作为算例运行发动机模型,所得各参数的稳态估计及动态估计的平均百分比误差＜０．５％。仿真结果表明,上述的参数估值方法是可行的,为进一步实现对发动机控制系统传感器的状态监视和故障诊断打下了基础。     

航空发动机全包线鲁棒变增益LPV控制律设计

提出了一种结合多胞形鲁棒变增益控制综合技术和基于系统广义距离的调度策略的航空发动机全包线控制方法。利用雅克比线性化方法获得包线内多点的发动机线化模型,将这些点作为多胞形模型的顶点,并利用多胞形鲁棒变增益控制综合技术设计顶点控制器。引入能够反映系统广义距离的间隙度量来计算包线内其他点的凸分解系数,结合顶点控制器实现全包线内发动机中间状态高压转速控制。全包线内的仿真结果表明,采用该控制方法能够满足航空发动机中间状态控制要求,具有较好的鲁棒性和跟踪性能,同时保证了控制器在全包线范围的稳定性。     

基于区域极点配置的航空发动机全包线H_∞/LPV控制

根据发动机相似工作原理以及平方和(Sun of squares,SOS)规划,基于发动机全飞行包线的换算线性变参数(Linear parameter varying,LPV)模型,提出了一种基于区域极点配置的航空发动机全包线切换H_∞/LPV控制方法。根据发动机相似换算参数,建立换算状态变量模型。以高压换算转速为调度参数,利用多项式拟合得到全包线慢车以上的换算LPV模型。考虑基于区域极点配置的H_∞/LPV控制问题,将LPV闭环系统的极点配置在复平面上一个期望的区域内,并将LPV闭环系统稳定性条件转化为SOS约束,进行控制器求解。基于Lyapunov理论,设计全包线的切换LPV控制器,保证切换闭环系统Lyapunov意义下稳定。仿真结果表明,设计的切换LPV控制器能保证全包线内系统稳定且具有较好的鲁棒性能和动态响应性能。     

基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。     

基于区域极点配置的航空发动机全包线/LPV控制

根据发动机相似工作原理以及平方和(Sun of squares, SOS)规划,基于发动机全飞行包线的换算线性变参数(Linear parameter varying, LPV)模型,提出了一种基于区域极点配置的航空发动机全包线切换/ LPV控制方法。根据发动机相似换算参数,建立换算状态变量模型。以高压换算转速为调度参数,利用多项式拟合得到全包线慢车以上的换算LPV模型。考虑基于区域极点配置的/LPV控制问题,将LPV闭环系统的极点配置在复平面上一个期望的区域内,并将LPV闭环系统稳定性条件转化为SOS约束,进行控制器求解。基于Lyapunov理论,设计全包线的切换LPV控制器,保证切换闭环系统Lyapunov意义下稳定。仿真结果表明,设计的切换LPV控制器能保证全包线内系统稳定且具有较好的鲁棒性能和动态响应性能。     

适用于全包线的航空发动机BP网络模型的动态辨识

为克服传统的发动机动态模糊辨识中存在的辨识精度低，辨识模型应用范围窄等不足，把对非线性系统具有高度逼近能力的神经网络应用于航空发动机动态特性的辨识，从而为发动机动态辨识开辟更为广阔的道路，采用均方差归一法的处理方法和BP算法的改进算法－输出端动量BP地，以某型发动机在飞行包线内某一飞行条件下的数据作为学习样本，辨识了发同的神经网络模型，在全包线范围内对该模型进行检验，结果表明，所得的发动机动态模型在全包线内都有很高的逼近精度，而且对噪声有很强的抑制能力。     

数字PID控制在天线伺服系统中的应用

天线伺服系统的作用是实现对目标的快速捕获和稳定跟踪,其采用电流环、速度环和位置环三环控制结构,通过双电机消隙,并进行速度同步控制。天线伺服系统可采用数字PID控制,分析其算法原理及其算法流程,给出一种PID参数整定方法,并应用该方法对某4.5米天线进行了PID参数整定,在此基础上,基于过渡过程曲线实测结果,总结出了PID参数对天线过渡过程的影响情况,对天线伺服系统PID参数的整定具有实际指导意义。     

UAV发射平台调平系统的NSSCA-PID控制方法

PID控制器是目前实现UAV(Unmanned Aerial Vehicle)发射平台在复杂环境下的自适应调平的主要手段,其控制性能取决于参数整定的品质。基于经典的正弦余弦算法架构,提出了一种嵌入边界缓冲策略的邻域搜索正弦余弦算法(Neighborhood Searching Sine Cosine Algorithm,NSSCA)用于整定PID控制器参数。以单位阶跃信号作为调平系统输入,邻域搜索正弦余弦算法优化PID控制调平系统的上升时间为0.04 s,调整时间为0.106 s,最大超调量为5.44%,表明邻域搜索正弦余弦算法对PID控制器参数的整定效果优于Z-N法、遗传算法、灰狼优化算法和经典正弦余弦算法。     

转台伺服控制系统模糊PID算法研究

转台伺服系统的控制是一个复杂的过程,精确的数学模型推导非常困难,传统PID控制算法对转台的控制效果不理想。针对转台伺服系统的结构和运行特点,研究一种模糊PID控制算法,利用模糊控制理论对目标误差值进行处理,实现PID参数的自整定,提高转台伺服系统的控制效果。仿真结果表明,所设计的模糊PID控制器实现了参数实时自整定,转台伺服系统的性能指标得到了保证。     

基于分布式并行遗传算法的PID参数整定

针对基于简单遗传算法(SGA)进行PID整定在收敛性及初值敏感度方面的缺陷,提出了基于分布式并行遗传算法(PGA)的PID参数整定方法。该方法可以将不同遗传操作的优点加以整合,通过并行运算提高整定效率,能够更有效地进行参数优化。选用典型被控对象仿真,并分别进行收敛性分析与初值敏感度分析。仿真试验表明与SGA相比PGA提高了局部搜索空间的微调能力,降低了对初值的敏感度,寻优效果也大为改善,从而说明了这种方法的可行性,为PID参数整定方法提供了一种新的尝试。     

跨大气层飞行器爬升段纵向飞行控制律和制导律设计

由于火箭发动机的巨大推力,跨大气层飞行器在爬升段加速很快,重量、重心、惯量、飞行速度以及飞行高度等参数变化剧烈,无法简单地用固定控制增益参数的形式来保证整个飞行包线内的飞行品质要求。根据飞行器的爬升特点和控制难点,在爬升段的飞行包线内选择典型设计点,分别进行纵向内外回路控制律的详细设计。采用控制增益参数随动压变化进行调参的方法,对爬升段飞行轨迹进行了数字仿真,结果表明设计的控制增益参数及控制律,满足了跨大气层飞行器爬升段的预定目标要求。     

一种BP网络自整定PID控制算法及其在NF-6风洞控制中的应用

NF-6风洞是一座增压、连续、高速回流式风洞,对各子系统的控制性能都有较高的要求。针对NF-6风洞对模型姿态系统控制性能提出的高要求,提出了一种BP网络自整定PID控制策略,并结合现有的改进型PID控制思想对其进行了进一步的分析与改进。仿真结果及初步应用表明:该算法在算法收敛性、实时性及控制精度上较传统PID算法及BP网络算法都有较大程度的提高。     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析,同时结合发动机试车台监测数据,提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,转换成故障征兆的布尔值;其次,建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系,由此获得了各子神经网络的训练样本,对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果;然后,将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值,利用改进的D—S证据理论。实现了对神经网络诊断结果的融合,由此获得了最终的融合诊断结果,最后,通过算例证明了该方法的有效性。     

PID控制器参数的隶属函数自整定技术及其应用研究

Ｐ Ｉ Ｄ 控制技术在工业过程控制中得到了广泛应用,但传统的 Ｐ Ｉ Ｄ 控制器不具有参数的在线整定功能,当系统工作条件较差时,难以满足控制要求,从而影响了控制品质的进一步提高。本文应用模糊数学中的隶属函数, 以工程施工机械中大量应用的液压阀控油缸为被控对象,建立数学模型和试验系统,实现 Ｐ Ｉ Ｄ 控制器参数的在线自整定。文中对其理论方法、计算机仿真和应用研究进行了论述。     

基于试车数据的发动机神经网络模型

利用人工神经网络对某型航空发动机在全飞行包线内的稳态、动态特性(非加力状态)进行建模,网络的训练样本来自该发动机在高空试车台的试车数据。模型的输入量包括燃油流量、喷口面积、高度及马赫数,输出量则包括高、低压转子的转速及各截面的温度和压力。计算表明,当具有足够的训练样本时,神经网络模型不仅在整个飞行包线内具有较高的稳态、动态精度,而且具有较好的实时性。     

基于神经网络的风洞尾支杆减振系统

风洞试验时,由于气流的影响,测试用悬臂式尾支杆容易产生大幅度低频振动,这会严重影响测试精度,甚至损坏自身结构。为了有效抑制尾支杆的振动,本文设计了基于压电组件的主动减振系统,并将人工神经网络应用于PID控制,提出了神经网络PID智能控制算法。对尾支杆进行有限元分析,获取其模态参数。然后设计试验测试减振系统的性能,将神经网络PID与经典PID的控制效果进行对比。试验结果表明:在连续载荷的作用下,采用经典PID控制算法与神经网络PID均可达到有效控制(减振幅度70%以上),且神经网络PID在保证减振效果的情况下实现控制参数自整定,具有良好的鲁棒性。     

航空发动机风扇叶片振动适航符合性设计方法

对航空发动机风扇叶片振动适航符合性设计方法开展了研究。采用非均匀有理B样条实现风扇叶片型线的设计,通过各截面型线质心实现风扇叶片积叠成型;建立榫头的草图,拉伸生成风扇叶片的圆弧榫;考虑强度、振动特性,实现伸根段的设计。从振动适航条款CCAR 33.83的要求出发,给出了风扇叶片振动符合性的验证方法,基于建立的风扇叶片模型,采用有限元方法对风扇叶片的振动特性和振动应力进行计算。计算结果表明,在整个飞行包线环境下,该风扇叶片的振动特性和振动应力水平满足振动的适航条款要求,为风扇叶片的振动符合性设计与验证提供了依据。     

航空发动机模型参考模糊自学习控制

模型参考模糊自学习控制方法利用一个参考模型作为被控对象的输出性能要求，并且根据参考模型的输出和实际对象的输出间的误差，经过一个逆模糊模型学习产生模糊控制系统的控制规则。本文基于该方法离线构造了某型发动机的模糊控制器，并在发动机的其它状态及飞行包线的其它点进行在线学习校正，以得到期望的性能。仿真结果表明用该方法设计的模糊控制系统获得了满意的控制效果。