某型涡轴发动机数控系统的机械液压备份控制方案研究

综合国内外涡轴发动机控制系统的发展趋势及成熟度的基础上,提出了一种带机械液压备份功能的控制系统方案,该方案的机械液压备份功能模块能跟随数字控制功能模块,并能够在数字控制失效后平稳切换到机械液压备份控制,具有在包线范围内实现发动机的燃油和导叶机械液压备份控制功能,保证涡轴发动机安全工作和直升机的安全返航.该方案通过工程设计、试制,开展了半物理试验和台架试验验证,验证结果表明:该备份控制方案的动力涡轮转速控制精度优于±0.5%,导叶控制精度优于4°,具有良好的工程应用性.      

涡轴发动机LQ/H∞抗扰控制方法

提出了抑制涡轴发动机负载干扰的线性二次型（LQ）/H∞控制算法,以总距为干扰建模,利用线性矩阵不等式求得既满足LQ指标又对干扰具有H∞性能约束的状态反馈控制律.提出修正指令抑制干扰策略.采用比例微分控制将总距变化转换为动力涡轮转速指令的修正,实现增大或减小机动飞行中动力涡轮转速指令,抑制实际转速的下垂或超调.仿真结果表明：该控制方法能有效抑制干扰并具有良好的实时性.     

基于ADE-ELM的涡轴发动机建模方法

提出了基于自适应微分进化-极端学习机(ADE-ELM)求解平衡方程的高精度涡轴发动机实时部件级模型建立方法.基于牛顿-拉夫逊(N-R)迭代模型,以迭代计算前模型平衡方程残差为输入,迭代收敛后平衡方程猜值修正量为输出,训练极端学习机,并采用自适应微分进化(ADE)算法优化极端学习机(ELM)参数,提高猜值修正量映射精度.ADE算法中采用sigmoid型自适应缩放因子,提高了微分进化算法的寻优能力.在涡轴发动机不同飞行状态下的测试结果表明,以N-R迭代算法模型为基准,基于ADE-ELM的发动机模型,最大建模误差约为一次通过算法的1/3,运算耗时约为一次通过算法的1/3,验证了算法的有效性.      

涡轴发动机高精度实时部件级模型研究

提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。