智能航空发动机综合优化控制研究

发布时间：2020-03-24 08:56

【摘要】：随着现代航空发动机技术的快速发展及其作战环境复杂度大幅度提高,与之相对应的控制技术要求越来越高,智能发动机控制正是在此背景下产生的。其主要特征为发动机根据不同环境、飞行任务需求,能够自适应地在多种控制模式下运行,包括基线模式、延寿模式、应急模式、性能模式等。智能发动机优化控制是上述多模式控制的核心内容,本文开展了智能发动机综合优化控制相关理论与技术的研究。首先,发展了与智能发动机优化控制相关的实时仿真模型。建立了飞机/发动机综合实时仿真平台,用于模拟发动机在不同飞行任务和飞行条件下的动、稳态运行过程;针对涡扇发动机机载稳态模型,提出了基于单纯形样条的机载模型建模方法,该方法对平滑对象具有很强拟合能力以及良好的泛化能力;针对涡扇发动机机载动态模型,提出了基于最小批量梯度下降法神经网络的机载模型建模方法,该方法使得神经网络能够适用于发动机的大包线、多状态、多变量的大样本数据,极大提高了机载模型的精度和泛化性能。通过仿真结果验证了上述模型的精度和有效性。其次,研究了发动机加速优化控制方法。为了提高发动机的响应速度,提出了基于导叶角调节和改进可行序列二次规划算法的发动机加速优化控制,重点研究了风扇和压气机导叶角调节对发动机加速优化响应速度的影响;针对传统加速优化控制中只考虑当前时刻最优,忽略加速前后耦合作用影响,提出了基于控制量曲线优化的全局加速控制方法,该方法以控制量最终稳定时间为优化目标,以控制量曲线为优化量,综合考虑加速前后期控制输入对发动机响应的综合影响,从而提高发动机响应速度。再次,进行了基线模式研究,提出基于复合预测模型的非线性模型预测控制方法,并应用于基线模式中。基线模式以推力为控制目标,克服了传统控制器通过控制发动机可测参数来间接控制推力而导致推力控制精度不准的缺点;为了提高预测控制的实时性,建立了全包线机载预测模型,基于部级模型和卡尔曼滤波器建立复合预测模型,提高发动机健康参数的估计精度。仿真结果验证了控制效果的有效性和实时性。然后,开展了延寿模式和应急模式的研究。在延寿模式方面,提出了基于控制律实时优化的寿命延长控制,建立叶片热机械疲劳寿命模型和寿命延长控制的优化目标,重点研究如何降低在加速过程的热机械疲劳;在应急模式方面,提出了基于控制律实时优化的应急控制,建立快速响应和增推力的两种实时优化模式,研究了导叶角调节和放宽限制边界在应急过程对响应速度和最终推力输出的影响。最后,开展了性能模式的研究。建立了最大推力、最小耗油率和最低涡轮前温度三种性能模式;为了提高寻优模型精度,提出了基于深度神经网络的发动机机载模型建模方法,相比于浅层神经网络,该方法由于采用更深的网络结构,使得模型表达能力更强;为了提高寻优算法的全局搜索能力,提出了遗传粒子群-可行序列二次规划算法的混合优化算法,并应用于性能寻优控制中,该方法兼具有智能优化算法的全局搜索能力和数学规划局部搜索能力。
【图文】：

图 2. 14MGD NN 动态模型的训练相对误差0 1000 20000.00.51.01.5MRR-LSSVRMGD NN8200 8400 8600 8800 9000 9200 94000.120.140.160.180.20FSamplesror-FEni%/Samples Fin的测试相对误差1000 20000.00.20.4MRR-LSSVRMGD NNError- Nf/%Samplesb) Nf的测试相对误差500 1000 1500 20000.00.20.40.60.8MRR-LSSVRMGD NNError-Nc/%Samplesc) Nc的测试相对误差500 1000 1500 2000 25000.00.20.40.60.81.01.2MRR-LSSVRMGD NNror-ET14%/Samples) T4的测试相对误差1000 2000012MRR-LSSVRMGD NNError-Smf/%Samplese) Smf的测试相对误差1000 20000123 MRR-LSSVRMGD NNError-Smc/%Samplesf) Smc的测试相对误差5 MGD NN和MRR-LSSVR的相对测试误差 (H (10km~11km), Ma (1.4~1.5), Pla(65°~7

深度神经网络训练相对误差
【学位授予单位】：南京航空航天大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：V231

【参考文献】

相关期刊论文 前10条

1 赵凯;李冬;李本威;;发动机性能退化恢复技术研究[J];推进技术;2015年10期

2 王元;张平平;李秋红;黄向华;;变循环发动机建模方法研究及验证[J];航空动力学报;2014年11期

3 陈小磊;郭迎清;杜宪;;基于高速慢车的航空发动机快速响应控制[J];推进技术;2014年09期

4 王军;隋岩峰;;求解航空发动机数学模型的迭代算法及其改进算法的收敛性研究[J];系统仿真学报;2014年02期

5 陈小磊;郭迎清;杜宪;;航空发动机全寿命期自适应寿命延长控制[J];推进技术;2014年01期

6 刘楠;黄金泉;;应用改进粒子群算法的涡轴发动机性能寻优[J];南京航空航天大学学报;2013年03期

7 刘毅男;张胜修;张超;;基于核方法的航空发动机推力估计器设计[J];推进技术;2013年06期

8 刘帅;王占学;蔡元虎;刘增文;;升力风扇和涡扇发动机组合动力系统性能模拟与分析[J];航空动力学报;2013年05期

9 黄伟;黄向华;;基于主动防喘的航空发动机加速控制仿真[J];测控技术;2013年04期

10 Wang Jiankang;Zhang Haibo;Yan Changkai;Duan Shujing;Huang Xianghua;;An adaptive turbo-shaft engine modeling method based on PS and MRR-LSSVR algorithms[J];Chinese Journal of Aeronautics;2013年01期

相关博士学位论文 前10条

1 孙丰勇;超声速状态航空推进系统耦合特性与综合控制优化研究[D];南京航空航天大学;2017年

2 王元;变循环发动机建模及性能寻优控制技术研究[D];南京航空航天大学;2015年

3 李业波;智能航空发动机性能退化缓解控制技术研究[D];南京航空航天大学;2014年

4 张书刚;民用涡扇发动机在线健康诊断关键技术研究[D];西北工业大学;2014年

5 陈小磊;航空发动机智能寿命延长控制研究[D];西北工业大学;2014年

6 黄伟;航空发动机高稳定性控制及其在加速控制中的应用[D];南京航空航天大学;2013年

7 王健康;航空发动机模型基优化控制技术研究[D];南京航空航天大学;2013年

8 李秋红;航空发动机智能鲁棒控制研究[D];南京航空航天大学;2011年

9 赵永平;支持向量回归机及其在智能航空发动机参数估计中的应用[D];南京航空航天大学;2009年

10 孙丰诚;航空发动机性能寻优控制技术研究[D];南京航空航天大学;2007年

相关硕士学位论文 前4条

1 王健康;基于机载复合模型及SQP的发动机性能寻优控制研究[D];南京航空航天大学;2010年

2 吴丹;航空推进系统非线性性能寻优控制研究[D];西北工业大学;2004年

3 陈耀楚;X型涡扇发动机过渡态寻优控制[D];西北工业大学;2004年

4 倪凯;航空发动机维修成本评估与分析[D];南京航空航天大学;2002年

，

本文编号：2598095