航空发动机两种加速控制计划的融合控制方法研究

转速导数(N-dot)和换算燃油流量加速控制计划是航空发动机加速过程安全、快速的重要保障,但各自分别易受到功率提取、性能衰退和传感器、燃油计量装置误差的影响导致失速喘振或加速性的下降。为了提高所控制加速过程的鲁棒性,使用这两种控制计划所获燃油流量的偏差大小对N-dot控制计划的控制目标进行调节修正的融合控制方法获得实际的加速燃油流量。以双转子加力涡扇发动机为对象的仿真验证表明,该控制方法可以适应全包线加速控制的需要;相比其余两种控制计划在受功率提取、误差影响下保持正常工作的范围更广;相同工作条件下,该方法比N-dot控制计划更不易发生喘振,比换算燃油流量控制计划的加速时间更小。     

基于鲁棒迭代学习的四旋翼无人机轨迹跟踪

针对四旋翼无人机高精度轨迹跟踪问题,充分考虑外部扰动等因素,提出了一种带遗忘因子的基于可变增益的前馈-反馈鲁棒迭代学习控制算法。其中,前馈迭代学习控制器采用选择迭代学习方案,弥补了传统的基于遗忘因子迭代学习控制方法的不足,且控制器学习增益可随迭代变化,可以加快算法的收敛性。反馈控制器采用比例-微分控制器,可以保持系统稳定并且加快跟踪误差收敛速度。最后通过收敛性分析和四旋翼仿真试验验证了所提出算法的有效性,所设计算法具有很好的鲁棒性和较高精度。     

基于控制分配的恒压腔压力精准控制

针对采用双阀调节的恒压腔系统压力在空气流量大范围变化时的精确控制问题,提出了一种基于控制分配的恒压腔压力精准控制方法。首先,建立了虚拟放气流量的双阀控制分配算法,包括：建立满足虚拟放气流量要求且调节阀能耗最小的优化问题;通过线性矩阵不等式(Linear Matrix Inequality, LMI)求解该优化问题得到双阀实际流通面积值;考虑调节阀动态并计算调节阀控制信号指令值。其次,建立以虚拟放气流量为恒压腔控制输入的闭环负反馈回路,基于此,设计满足伺服性能和抗干扰性能要求的PI控制器,引入上述双阀控制分配算法,进而构建完整的基于控制分配的恒压腔压力控制系统。仿真结果表明,采用该方法的控制系统性能明显优于传统单阀PI控制系统性能,恒压腔压力动态相对误差小于0.07%;干扰流量最大变化率为77kg/s2时,压力最大偏差低于500Pa;此外,调节阀动态时间常数和流量系数的拉偏仿真结果进一步验证了该控制器的鲁棒性。     

航空发动机模型参考自适应控制(MRAC)初探

航空发动机是一个非常复杂的多变量控制对象,参数变化范围非常大,因此选择合适的控制方法保证高性能的控制品质最优至关重要。目前的控制理论研究中,自适应技术的发展为发动机控制系统的设计提供了新的思路。采用基于李亚普诺夫稳定性理论设计模型参考自适应控制(Model Reference Adaptive Control),参照F100发动机设计数据设计参考模型,并根据发动机转速变化情况进行了数字仿真。     

330MHz低噪声捷变频率合成器

介绍了330MHz 低噪声捷变频率合成器的设计方案和工作原理。在提高频率捷变速度、降低相位噪声、减小杂波信号三个方面进行了综合考虑。此频率合成器在工程实施技术方面也有独特之处。其主要技术指标处于国内领先水平并首次使用了数字稳定技术来实现闭环实时频率控制。     

航空发动机的智能化控制

应用智能控制对某型发动机的加速控制进行了研究,提出了系统结构、智能控制的基本原则、特征模型的划分和智能控制规律的构成,并在此基础上,进行了仿真计算,结果表明,系统具有良好的动态品质。     

翻滚非合作目标逼近与跟踪的轨道和姿态控制

面向近距离逼近与捕获翻滚非合作目标的在轨服务空间清理任务需求,研究了航天器非合作式交会对接的轨道和姿态控制问题。在控制输入受限约束下,考虑存在参数不确定性和外部扰动的情况,结合滑模控制和自适应控制技术,分别进行鲁棒自适应位置和姿态控制器设计。利用自适应控制估计参数不确定性、未知干扰上界以及滑模控制反馈系数矩阵,提高了系统的鲁棒性。通过李雅普诺夫理论证明了系统在控制器作用下全局一致最终有界稳定。仿真结果验证了控制器的有效性,能够有效解决与高速旋转非合作目标的稳定相对位姿关系建立的难题。     

基于干扰观测器的柔性空间机器人在轨精细操作控制方法

由于强非线性、强耦合和强时变等特征,柔性空间机器人的稳定精细控制问题一直是一个重大挑战。轻质小型化机器人受空间及重量限制,其关节柔性通常不可忽略,这部分柔性主要是由谐波减速器和力矩传感器的柔性造成的。传统的运动学控制在空载时能保持稳定,但是对大负载、快速运动时的适应性差,严重时机械臂抖动剧烈甚至发散。针对以上特征,提出了一种基于非线性干扰观测器和动力学极点配置的柔性空间机器人在轨精细操作控制方法。仿真实验证明,该方法可以有效地抑制柔性激振,保证响应的快速性和准确性,同时有较好的鲁棒性,能够适应不同类型扰动的影响和末端环境柔顺控制的要求,对工程应用具有一定的参考意义。     

电机-变距螺旋桨动力系统功率优化控制

电动螺旋桨无人机应用越来越普及,但普遍续航时间较短,提高电动力系统效率、降低功率消耗是提高航时的主要措施。电机-变距螺旋桨动力系统（以下简称变距电动力系统）可同时改变转速、桨距两个量,存在桨距和转速的最佳组合,使系统功率最小。相比电机-定距螺旋桨动力系统,其在耗能方面具有特殊优势,但如何达到最小功率点,目前研究较少。针对上述问题,为提高计算效率,便于控制研究工作的开展,首先基于改进天牛须算法的BP神经网络训练得到变距电动力系统的神经网络代理模型。接着提出了一种变距电动力系统功率优化控制策略：在一定入流速度、拉力需求下,基于自适应扩展卡尔曼滤波-牛顿法实时优化桨距,并在一定桨距下利用模糊PID控制系统转速以达目标拉力,实现目标拉力需求下的最小功率控制。仿真验证结果表明,提出的功率优化控制策略鲁棒性更强、优化速度更快、收敛效果更好。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。