基于相关性分析和神经网络的直接推力控制

传统的发动机控制是将一些可测量参数作为被控制量,如转速和压比,因为可由它们推算出推力。但由于推算的过程不准确,为保证发动机安全运行,在发动机的设计过程中常常保留了较大的裕度。而直接推力控制可以降低这些裕度,充分发挥发动机的性能。针对在飞行中推力无法直接测量的情况,本文使用了相关性分析和神经网络技术设计了非线性推力估计器,使用若干测量参数作为输入,实时计算出发动机的推力值。并针对发动机使用的实际情况,使设计出的估计器不但可以估计额定发动机的推力,而且可以估计非额定发动机的推力。在仿真结果中,估计出的推力跟踪上了正常和非额定发动机的推力。     

发动机复合模型及其在飞/推综合优化控制中的应用(英文)

研究了飞/推综合控制系统的在线优化实时性问题。提出将机载发动机复合模型与序列二次规划(Sequential quadratic programming,SQP)算法结合应用于飞/推综合优化控制的策略。首先,设计适用于全包线范围并可大幅度缩短优化时间的发动机稳态复合模型,然后基于SQP算法将该模型应用到发动机性能寻优控制中,包括最大推力和最小油耗优化模式,从而更加有效地完成各种不同的飞行任务。通过飞机巡航、平飞加速等仿真实验,表明了该优化控制方案能够在具有较好优化效果的前提下,明显提高飞/推综合控制系统的优化实时性。     

航空发动机大偏差状态变量模型建立方法

提出一种基于各参数物理意义的状态变量模型建立方法,研究了模型参数在包线内的变化情况.建模过程中,首先建立航空发动机的小偏差状态变量模型,再采用线性插值的方法构造航空发动机的大偏差状态变量模型.采用本方法建立的小偏差数学模型完全能保证模型的稳态精度,并取得了较高的动态建模精度,其计算工作量比原拟合法更小、运算速度更快.同时模型各参数物理意义明确,在包线内的变化较有规律,在构造大偏差模型时获得了较高的模型精度.     

面向21世纪航空动力控制展望

本文展望了跨入21世纪之际航空动力装置控制系统的发展方向,在技术上将向数字、综合、分布、光纤、多变量、容错及智能控制等方向发展,其达到的效益是提高性能(推力或功率)、提高可靠性、减轻重量、降低耗油率。      

一种不需要迭代的发动机辅助变量建模方法

现代航空发动机建模计算时常用牛顿迭代法求解非线性方程组,但由于发动机模型非线性太强且十分复杂而不易在全包线收敛。本文针对这一不足之处提出了一种不需要迭代就可以求解此非线性方程组的方法:引入航空发动机容积动力学中的变量及方程作为辅助变量及辅助方程,从而使整个非线性方程组闭合而可以直接求解。本文将此方法成功应用于某涡扇发动机,取得了良好的效果,验证了本方法的可行性。      

发动机数控系统诊断技术的发展

综述发动机数控系统传感器的故障诊断尤其是软故障诊断技术的发展。首先介绍了传感器故障检测与分离技术的初期研究工作,论述了鲁棒故障诊断的必要性及发展。最后介绍了基于人工神经网络的故障诊断方法。      

发动机性能量与输入量的相关性研究

展开了相关性研究，讨论了一种相关性分析的算法，并在此基础上进行了大量的数字仿真实验，结果表明通过相关性分析不但可减少计算工作量，而且即使在传感器有限的情况下，模型也可很好的跟踪发动机，两者的匹配效果较好     

基于遗传算法的航空发动机多目标优化PID控制

提出采用多目标遗传算法,对航空发动机PID控制器参数进行优化设计.使用先进多目标遗传算法NSGA-Ⅱ对航空发动机PID控制器进行参数整定.针对某型航空发动机在飞行包线内的飞行状态进行控制器参数的优化选取,仿真结果表明,与传统手动试凑调节PID控制器参数进行比较,转速阶跃响应过程的性能指标得到了很好的优化,获得了令人满意的优化效果.      

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。     

基于神经网络和证据融合理论的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了改良的D-S证据理论,对基于自组织竞争网络和BP神经网络的2个诊断子系统的诊断结果进行决策级融合。结果显示,经过融合整个系统降低了误诊率,改善了诊断性能。文章还针对噪声干扰的情况,通过调整对于2个子系统的权重,在保证高准确率的同时提高了系统的抗噪声性能。研究结果表明D-S证据理论的使用可以达到比单独运用2个神经网络子系统都要好的诊断效能。