排序方式: 共有50条查询结果,搜索用时 15 毫秒
21.
22.
23.
提出了基于误差反馈控制的建立航空发动机自适应模型方法.即以实际发动机的输出为参考指令,以航空发动机性能蜕化值为航空发动机模型的控制量,通过设计鲁棒性好且能消除稳态误差的增广线性二次型最优调节(ALQR)控制器以实现模型的输出自适应地无偏跟踪真实发动机的输出,利用ALQR的鲁棒性,使模型具有良好的自适应性.ALQR和发动机模型一起构成航空发动机自适应模型.最后通过稳态仿真和动态仿真表明该方法不仅可以实现自适应模型全包线跟踪稳态真实发动机,同时能实现动态跟踪真实发动机. 相似文献
24.
航空发动机PID控制参数优化的改进遗传算法 总被引:6,自引:0,他引:6
提出一种基于参考模型特征指标的P ID控制参数寻优算法。采用遗传算法(GA)优化某型涡扇发动机P ID控制参数,以理想二阶系统作为参考模型,将其与实际闭环系统输出差值平方的时间积分作为系统的适应度函数。设计过程中只需选择二阶系统的自然频率和阻尼比就能准确地实现期望的动态和稳态性能。与传统的基于系统性能指标加权的适应度函数相比,新的适应度函数计算方法避免了加权系数与系统响应形式没有明确对应关系的缺陷。新方法所选参数物理意义明确,算法简单,易于实现。 相似文献
25.
研究了状态空间模型的降阶方法,介绍了平衡截取降阶方法,提出最小二乘降阶方法.根据降阶前后系统应具有相同的输出,采用最小二乘法计算出降阶后系统的模型参数.以状态空间形式的某航空发动机控制器为降阶示例,采用以上两种方法进行了降阶研究,结果表明所提出的最小二乘法具有更优的性能. 相似文献
26.
本文针对变循环发动机包线范围大,自适应控制需求高的问题,在增广线性二次型调节器(ALQR)基础上,提出一种基于数据驱动的自适应ALQR(DA-ALQR)控制算法。构建了多变量系统自适应控制准则函数,以梯度下降法对控制器参数进行调整,借助基于数据驱动的动态线性化建模方法,递推进行输出对输入梯度的近似计算,实现了对ALQR控制参数的自适应调整。仿真结果表明,所设计的DA-ALQR控制器参数随发动机状态变化得到了有效调整,相较于ALQR控制算法,闭环系统动态性能得到了大幅度提升,推力在单外涵模式表现出较快的响应速度,在双外涵模式表现出更小的超调,转速同样表现出了超调减小和响应速度加快特性,验证了所提出方法的有效性。 相似文献
27.
研究了基于执行机构模型以及发动机逆模型的发动机燃油系统执行机构及其传感器故障诊断方法.基于发动机半物理仿真试验台试验数据建立执行机构小闭环传递函数模型,通过二次多项式拟合将油针位置转换为燃油流量.提出基于自校正在线训练神经网络算法建立发动机逆模型,以离线训练网络参数初始化在线系统,基于阈值更新网络参数,并对学习速率进行自校正,以提高算法的泛化能力及收敛速度.对比执行机构模型输出、发动机逆模型输出与LVDT传感器测量位移换算得到的燃油流量,基于阈值判断故障状态.在T700涡轴发动机半物理仿真试验平台上进行试验,实现了在发动机额定及各种性能退化状态下,执行机构及其传感器漂移和偏置故障的准确诊断及定位,验证了算法的有效性. 相似文献
28.
对第2代非支配排序遗传算法(NSGAⅡ)进行改进,提出以非支配序为进化方向的微分进化(DE)算法代替传统的遗传操作,提高了算法的收敛速度.针对目前航空发动机多变量控制领域广泛关注的线性二次型调节器(LQR)控制与H2/H∞控制存在的保守性问题,提出了将时域性能指标、二次型性能指标与H∞性能指标相结合,通过改进NSGAⅡ优化权矩阵Q,R,最终获得航空发动机LQ/H∞控制器的设计方法.与其他控制器设计方法相比,基于多目标优化的LQ/H∞控制器目标明确、鲁棒性强且保守性更低.仿真验证结果表明:相比于基于线性矩阵不等式(LMI)的H2/H∞控制器,基于多目标优化的LQ/H∞控制器时域性能提高了4倍,调节时间减少了50%,抗干扰能力提高了15%. 相似文献
29.
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。 相似文献
30.
智能推力估计面临飞行包线大、工作状态多变带来的数据采集和处理问题,获得的训练数据难以覆盖整个飞行包线的各种过渡工作状态,为此本文提出一种基于相似变换的推力估计数据处理方法。通过机理分析选择推力估计器输入,以相似变换对推力估计的输入和输出数据进行处理,并设计了基于输入延迟的深层动态神经网络来实现动态推力估计。非训练数据区域的动态仿真结果表明,相似变换后,深层动态神经网络的最大推力估计误差降低了62.20%,平均误差降低了43.50%;未进行相似变换时,相比深层静态神经网络,深层动态神经网络的最大推力估计误差降低了43.42%,平均误差降低了2.35%,仿真结果表明了本文所提出的数据处理方法和动态推力估计结构有效性。 相似文献