CN105867121A - 用于自旋恢复的直升机非线性预测控制方法及装置 - Google Patents
用于自旋恢复的直升机非线性预测控制方法及装置 Download PDFInfo
- Publication number
- CN105867121A CN105867121A CN201610184036.9A CN201610184036A CN105867121A CN 105867121 A CN105867121 A CN 105867121A CN 201610184036 A CN201610184036 A CN 201610184036A CN 105867121 A CN105867121 A CN 105867121A
- Authority
- CN
- China
- Prior art keywords
- helicopter
- rsqb
- lsqb
- model
- electromotor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于自旋恢复的直升机非线性预测控制方法。在进入自旋之后,利用预先训练好的直升机需求扭矩模型对当前的直升机需求扭矩进行实时在线预测;在进入自旋恢复阶段后,利用预先训练好的发动机动态参数模型对当前的发动机动态参数进行实时在线预测,同时利用直升机需求扭矩模型和发动机动态参数模型的在线预测结果,求解以缩小离合器接通时的直升机需求扭矩和发动机提供的扭矩支持间的差值为目标,并考虑发动机稳定安全的运行条件的滚动优化问题,并将求解得到的控制量序列的第一项作为当前输入的直升机控制量。本发明还公开了直升机非线性预测控制装置。本发明可有效地缩短自旋恢复阶段的时间延迟并减小旋翼转速瞬态下滑。
Description
技术领域
本发明涉及直升机控制方法,尤其涉及一种用于自旋恢复的直升机非线性预测控制方法及装置。
背景技术
随着航空科技的不断进步,装备于直升机的涡轴发动机可靠性不断提高,但有飞行事故分析表明,由发动机故障引起的应急情况仍占飞行事故的73%。因此,在直升机失去动力后,直升机旋翼利用动能和势能,保持自身转速恒定,驾驶员利用其产生的拉力,操纵直升机以安全的速度降落,即自旋下滑过程,无疑成为保证直升机安全的重要措施,能很大程度地提高飞行员生存能力。直升机的自旋性能是直升机适航的重要指标,在飞行员训练中,自旋下滑操作也成为重要科目。
自旋训练分为低空悬停下滑训练和高空前飞自旋训练。自旋训练过程中,为保证安全,直升机在安全飞行区域内首先将旋翼轴和自由涡轮输出轴离合器脱开,以模拟直升机动力失效过程,同时把发动机下降至慢车状态。飞行员通过快速降低总距维持旋翼转速不变,以产生足够的拉力使直升机以安全的速度滑翔,该过程称为自旋进入。若飞行员退出训练过程,则需做提升总距操作,旋翼转速下降,当下降至与自由涡轮转速接近时离合器闭合,自由涡轮迅速提供扭矩给旋翼轴,直升机恢复正常飞行,该过程称为自旋恢复。
由此可见,在自旋训练过程特别是自旋恢复阶段,直升机子系统与发动机子系统之间的耦合程度显著增强,对于传统的带总矩前馈的串级PID控制方法,取得高品质的控制效果就显得非常困难。尤其是在直升机机动飞行时,存在由旋翼扭矩测量滞后、发动机控制动态响应等引起的不可忽略的时滞效应,在机动飞行小的时间尺度内这种滞后是必须考虑在控制规律设计中的,而串级PID等控制方法因不具备预测功能,对于上述时滞效应显得能力不足。
模型预测控制(MPC)技术由于具有对模型的宽容性(参数或非参数、线性或非线性)、有限时域滚动优化的有效性以及在设计中考虑各种软硬约束的可能性等突出特点,若应用到发动机控制系统中,对于解决上述时滞效应、改善闭环系统动态特性无疑是一种可期待的控制方案。20世纪90年代以来,线性MPC 方法在理论与应用中均取得了突飞猛进的进展,如动态矩阵控制、模型算法控制、广义预测控制等,其主要优点是能在线处理约束并使其动态性能得到满足。但对于直升机/涡轴发动机这个非线性强、高耦合度的复杂系统,若使用线性MPC方法必然会存在模型失配等问题。近年来,一些新型MPC方法被相继提出,可以有效地解决有扰动、有约束、非线性强的复杂系统控制难题,如鲁棒MPC和非线性模型预测控制(NMPC)等。
然而,现有预测控制方法对于直升机的自旋恢复阶段普遍存在时间延迟问题和旋翼转速瞬态下滑过大的问题,不利于直升机的安全可靠运行。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种用于自旋恢复的直升机非线性预测控制方法及装置,可有效地缩短自旋恢复阶段的时间延迟并减小旋翼转速瞬态下滑。
本发明具体采用以下技术方案解决上述技术问题:
一种用于自旋恢复的直升机非线性预测控制方法,在进入自旋之后,利用预先训练好的直升机需求扭矩模型对当前的直升机需求扭矩进行实时在线预测;在进入自旋恢复阶段后,利用预先训练好的发动机动态参数模型对当前的发动机动态参数进行实时在线预测,与此同时,利用直升机需求扭矩模型和发动机动态参数模型的在线预测结果,求解以下滚动优化问题,并将求解得到的控制量序列的第一项作为当前输入的直升机控制量:
其中,Np、Ng、T4、Smc、QE分别为发动机动态参数模型在线预测的动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩; QH为直升机需求扭矩模型在线预测的直升机需求扭矩;QE,ds为发动机在设计点所提供扭矩;t0为自旋恢复阶段的起始时刻;δp为预测时域;ω1和ω2为权重系数;F(*)为在[0,1]区间内的单调递减函数;x为优化变量,在k时刻,x={u(k),u(k+2),…,u(k+δu-1)},其中u为控制变量,δu为控制时域。
根据相同的发明思路还可以得到一种用于自旋恢复的直升机非线性预测控制装置,该装置包括:
直升机需求扭矩模型,用于在进入自旋之后对当前的直升机需求扭矩进行实时在线预测;
发动机动态参数模型,用于在进入自旋恢复阶段后,对当前的发动机动态参数进行实时在线预测;
控制量生成单元,用于在进入自旋恢复阶段后,利用直升机需求扭矩模型和发动机动态参数模型的在线预测结果,求解以下滚动优化问题,并将求解得到的控制量序列的第一项作为当前输入的直升机控制量:
其中,Np、Ng、T4、Smc、QE分别为发动机动态参数模型在线预测的动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;QH为直升机需求扭矩模型在线预测的直升机需求扭矩;QE,ds为发动机在设计点所提供扭矩;t0为自旋恢复阶段的起始时刻;δp为预测时域;ω1和ω2为权重系数;F(*)为在[0,1]区间内的单调递减函数;x为优化变量,在k时刻,x={u(k),u(k+2),…,u(k+δu-1)},其中u为控制变量,δu为控制时域。
所述直升机需求扭矩模型和发动机动态参数模型可采用各种现有技术实现,优选地,所述直升机需求扭矩模型具体如下:
QH(k)=fQH(X)
其中,H、Vx、Vz、θ0、B1S、A1C、Nm分别表示直升机的高度、前飞速度、爬升速度、旋翼总距、纵向周期变距、横向周期变距、旋翼转速;QH为直升机需求扭矩;k为当前预测时刻;N1,N2,…,N8为模型的阶数。
优选地,所述发动机动态参数模型具体如下:
Y=fE(X)
其中,Wf、αc、Np、Ng、T4、Smc、QE分别为发动机的燃油流量、压气机导叶角、动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;k为当前预测时刻;m1,m2,…,m7为模型的阶数。
优选地,所述直升机控制量为发动机的燃油流量Wf和压气机导叶角αc。
相比现有技术,本发明具有以下有益效果:
本发明针对直升机自旋恢复阶段,利用非线性模型预测控制技术,以缩小离合器接通时的直升机需求扭矩和发动机提供的扭矩支持间的差值为目标,并考虑发动机稳定安全的运行条件,对直升机控制量进行滚动优化,可以克服现有技术在自旋恢复控制过程中的时间延迟问题,同时有效地减小旋翼转速瞬态下滑。
附图说明
图1是仿真对象U60/T700的结构框图;
图2是针对仿真对象U60/T700所建立的用于自旋恢复的直升机非线性预测控制装置结构示意图;
图3是直升机需求扭矩模型的相对误差;
图4是发动机参数动态模型的相对误差;
图5是自旋训练的仿真结果。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
本发明针对现有预测控制方法对于直升机的自旋恢复阶段普遍存在时间延迟问题和旋翼转速瞬态下滑过大的问题,提出了一种新的预测控制方法,利用非线性模型预测控制技术,以缩小离合器接通时的直升机需求扭矩和发动机提供的扭矩支持间的差值为目标,并考虑发动机稳定安全的运行条件,对直升机控制量进行滚动优化,可以有效减小时间延迟和旋翼转速瞬态下滑。
具体地,在进入自旋之后,利用预先训练好的直升机需求扭矩模型对当前的直升机需求扭矩进行实时在线预测;在进入自旋恢复阶段后,利用预先训练好的发动机动态参数模型对当前的发动机动态参数进行实时在线预测,与此同时,利用直升机需求扭矩模型和发动机动态参数模型的在线预测结果,求解以下滚动优化问题,并将求解得到的控制量序列的第一项作为当前输入的直升机控制量
本发明以缩小离合器接通时的直升机需求扭矩和发动机提供的扭矩支持间的差值为目标,并考虑发动机稳定安全的运行条件,建立了以下的直升机控制量滚动优化模型:
其中,Np、Ng、T4、Smc、QE分别为发动机动态参数模型在线预测的动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;QH为直升机需求扭矩模型在线预测的直升机需求扭矩;QE,ds为发动机在设计点(作为基准的发动机稳定工作点,通常选取高度和马赫数都为0且油门杆角度为70度的发动机稳定工作点)所提供扭矩;t0为自旋恢复阶段的起始时刻;δp为预测时域;ω1和ω2为权重系数;F(*)为在[0,1]区间内的单调递减函数;x为优化变量,在k时刻,x={u(k),u(k+2),…,u(k+δu-1)},其中u为控制变量,δu为控制时域。
目标函数第一项是为了在接通前使涡轴发动机提供的扭矩与旋翼转速扭矩相差变小,从而减小动力涡轮转速的下垂量,性能函数第二项是为了使动力涡轮转速在优化过程中超调和下垂减小,并最终维持在100%左右,此优化问题为多目标函数,在预测控制前期,涡轴发动机提供的扭矩与旋翼转速扭矩相差较大,因此发挥重要作用,当离合接通后,因为主要目标是使动力涡轮转速超调量和下垂量小,因此,本发明让性能函数的第一项的权重ω1随执行自旋操作时间的增加而减小。第三个约束条件为控制量的变化范围,第四个约束条件是对控制量变化速率进行限制,而第五个到第八个约束条件主要是为了让发动机在安全工作范围进行的限制。
所述直升机需求扭矩模型和发动机动态参数模型可采用现有在线预测方法实现,例如分段线性化模型和基于数据和智能算法的非线性模型等。为了提高预测精度和预测实时性,本发明提出了以下的直升机需求扭矩模型和发动机动态参
数模型。
由于两个在线模型都是动态模型,因而要把历史信息作为输入。对于直升机需求扭矩模型,本发明选取高度H、直升机前飞速度Vx、爬升速度Vz、总距θ0、纵向周期变距B1S、横向周期变距A1C和旋翼转速Nm的当前和历史信息,QH的历史信息作为模型输入量,训练的期望输出为当前时刻的直升机需求扭矩QH,该直升机需求扭矩模型具体如下:
其中,
H、Vx、Vz、θ0、B1S、A1C、Nm分别表示直升机的高度、前飞速度、爬升速度、旋翼总距、纵向周期变距、横向周期变距、旋翼转速;QH为直升机需求扭矩;k为当前预测时刻;N1,N2,…,N8为模型的阶数。
对于发动机动态参数模型,在k时刻,以当前时刻和历史时刻的燃油流量Wf和压气机导叶角αc以及历史时刻的QE、Ng、Np、Smc、T4作为模型的输入量,模型的输出为当前时刻的QE、Ng、Np、Smc、T4。于是,发动机动态参数模型具体如下:
Y=fE(X) (3)
其中,Wf、αc、Np、Ng、T4、Smc、QE分别为发动机的燃油流量、压气机导叶角、动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发
动机输出扭矩;k为当前预测时刻;m1,m2,…,m7为模型的阶数。因为发动机可以简化为二阶对象,因此m1,m2,…,m7可都设为2。
上述直升机需求扭矩模型和发动机动态参数模型这两个在线预测模型可根据实际情况选用支持向量机、BP神经网络、RBF神经网络、深度学习神经网络等人工神经网络训练得到。以基于多输入多输出的迭代约简支持向量回归机MRR-LSSVR为例,则δu时刻之后的预测输出为:
Y(k)=f(X(k));Y(k+1)=f(X(k+1));…;Y(k+m)=f(X(k+m))
令:
则:
利用以上两个预测模型的在线预测结果,运用优化算法,对滚动优化问题式(1)进行求解,求出{u(k),u(k+2),…,u(k+δu-1)},其中,直升机控制量u可根据直升机具体结构选择,例如可选取燃油流量和压气机导叶角作为控制量,即u=[Wf,αc];然后把u(k)作为控制量输入执行机构。
为了验证本发明的控制效果,以UH-60直升机/T700发动机综合模型为仿真对象,对本发明控制方法进行了仿真并与常规的鲁棒控制器H2/H∞作比较。
图1给出了UH-60直升机和T700发动机的综合仿真平台的基本结构,它主要包括直升机模型、飞行控制器、直升机和发动机的传输模型、涡轴发动机模型和发动机控制器。直升机模型主要有主旋翼、机身、水平尾翼、纵向尾翼和尾
桨组成,T700发动机主要由进气道、压气机、燃烧室,燃气涡轮、动力涡轮和尾喷管组成。
图2为针对仿真对象U60/T700所建立的本发明的用于自旋恢复的直升机非线性预测控制装置。
由于在自旋下滑特别是自旋恢复过程,直升机和发动机负载大幅度变化,因此为了保证直升机需求扭矩模型的动态预测精度,在飞行包线划分多个区间,在每个包线进行多点自旋恢复训练,以区间0.4~0.6km,前飞速度5~15m/s为例,在高度分别为0.4km、0.5km、0.6km,前飞速度分别为5、10、15m/s的飞行点上分别进行自旋恢复动态过程训练,将得到的数据作为迭代约简最小二乘支持向量回归机的训练数据,选取核参数γ=0.22,支持向量个数500,正则化参数C=225。如图3所示,训练数据除了个别点在1%~2%之间,其它点误差基本小于1%。
对于发动机动态参数模型,与直升机扭矩模型类似,也将飞行包线进行划分,并在每个小包线训练一个动态模型,例如,在高度H=500km前飞速度Vx=10m/s闭环状态下对直升机旋翼负载进行充分激励,取其动态响应数据归一化后进行模型训练,利用MRRLSSVR算法,经调试,最终选取Gaussian核
k(xi,xj)=exp(-||xi-xj||2/2υ2)
核参数υ=1.5,正则化参数γ=220,筛选出700组优秀的支持向量。图4给出了发动机状态的动态模型相对误差,从图中可以看出,除了压气机的相对误差在3%以内,其余的相对误差均小于1%。
为了验证本发明方法能够有效减小旋翼的下滑量和提高涡轴发动机的响应速度,分别进行了在典型前飞点H=500m和Vx=10m/s进行的本发明控制算法和鲁棒控制H2/H∞的自旋训练实验,其结果如图4所示,图中用“NMPC”表示本发明方法,“H2/H∞”为鲁棒控制器H2/H∞。表1给出了涡轴发动机操作限制,在控制过程中必须满足,经过调试,预测时域和控制时域都选为2。
表.1涡轴发动机运行限制。
图5给出了自旋训练的仿真结果,如图所示,在5秒时离合器断开,涡轴发动机进入慢车状态,与此同时,直升机进入自旋状态。该过程不需要涡轴发动机快速跟踪上负载,因而只需选燃油作为控制量就满足控制要求。在35秒时,飞行员执行自旋恢复操作,总距快速增加以减小Nm,当旋翼转速和动力涡轮转速接近时,离合器接通。如图5所示,本发明控制方法和H2/H∞的接通时间分别为38.2秒和39.6秒。H2/H∞在此阶段主要让动力涡轮保持不变,而本发明控制方法为了减小接通时的QE和QH之差,因此,在离合接通前,本发明控制方法使QE更接近于QH相比于H2/H∞。而接通时越小的扭矩差,则瞬态下滑越小。而且本发明控制方法适当增加Np,使得有一段下滑缓冲区。因此,如图5所示,本发明控制方法的旋翼转速下滑量为0.36%,而H2/H∞控制算法由于不具有预测功能,其下垂量为2.3%,在整个优化过程,NP从执行自旋恢复到稳定在100%左右,H2/H∞控制算法需要20s左右,而预测控制只需5s左右。
在执行自旋恢复命令之后,预测控制使Wf快速增加,但其增长率受到最大NP的影响,在38.2s时,动力涡轮转速的上升使得预测控制离合器接通时间比H2/H∞提前,如图5所示,离合器接通,此时扭矩供需之差较大,同时由于惯性作用,NP有急剧下降的趋势,为了使NP下垂量了小,此时Wf以最大增速增加,并调节αc使得动力提供更大的扭矩,由于Wf的增加使得T4快速增加,并在第39.2s时,T4达到上限,开始起限制作用,在第40.1s时,为了保证发动机不进喘,最小Smc限制开始起作用,而H2/H∞控制算法在空中过程中未将约束条件考虑在内,T4达到1543K,比最高T4超过123K。因此,本发明提出的控制方法可以使得发动机在满足所有约束下减小旋翼转速下滑量,而H2/H∞控制却不能全部满足约束条件,如超温。
Claims (10)
1.一种用于自旋恢复的直升机非线性预测控制方法,其特征在于,在进入自旋之后,利用预先训练好的直升机需求扭矩模型对当前的直升机需求扭矩进行实时在线预测;在进入自旋恢复阶段后,利用预先训练好的发动机动态参数模型对当前的发动机动态参数进行实时在线预测,与此同时,利用直升机需求扭矩模型和发动机动态参数模型的在线预测结果,求解以下滚动优化问题,并将求解得到的控制量序列的第一项作为当前输入的直升机控制量:
其中,Np、Ng、T4、Smc、QE分别为发动机动态参数模型在线预测的动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;QH为直升机需求扭矩模型在线预测的直升机需求扭矩;QE,ds为发动机在设计点所提供扭矩;t0为自旋恢复阶段的起始时刻;δp为预测时域;ω1和ω2为权重系数;F(*)为在[0,1]区间内的单调递减函数;x为优化变量,在k时刻,x={u(k),u(k+2),…,u(k+δu-1)},其中u为控制变量,δu为控制时域。
2.如权利要求1所述直升机非线性预测控制方法,其特征在于,所述直升机需求扭矩模型具体如下:
其中,H、Vx、Vz、θ0、B1S、A1C、Nm分别表示直升机的高度、前飞速度、爬升速度、旋翼总距、纵向周期变距、横向周期变距、旋翼转速;QH为直升机需求扭矩;k为当前预测时刻;N1,N2,…,N8为模型的阶数。
3.如权利要求1所述直升机非线性预测控制方法,其特征在于,所述发动机动态参数模型具体如下:
Y=fE(X)
其中,Wf、αc、Np、Ng、T4、Smc、QE分别为发动机的燃油流量、压气机导叶角、动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;k为当前预测时刻;m1,m2,…,m7为模型的阶数。
4.如权利要求3所述直升机非线性预测控制方法,其特征在于,m1,m2,…,m7的值均为2。
5.如权利要求1~4任一项所述直升机非线性预测控制方法,其特征在于,所述直升机控制量为发动机的燃油流量Wf和压气机导叶角αc。
6.一种用于自旋恢复的直升机非线性预测控制装置,其特征在于,该装置包括:直升机需求扭矩模型,用于在进入自旋之后对当前的直升机需求扭矩进行实时在线预测;
发动机动态参数模型,用于在进入自旋恢复阶段后,对当前的发动机动态参数进行实时在线预测;
控制量生成单元,用于在进入自旋恢复阶段后,利用直升机需求扭矩模型和发动机动态参数模型的在线预测结果,求解以下滚动优化问题,并将求解得到的控制量序列的第一项作为当前输入的直升机控制量:
其中,Np、Ng、T4、Smc、QE分别为发动机动态参数模型在线预测的动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;QH为直升机需求扭矩模型在线预测的直升机需求扭矩;QE,ds为发动机在设计点所提供扭矩;t0为自旋恢复阶段的起始时刻;δp为预测时域;ω1和ω2为权重系数;F(*)为在[0,1]区间内的单调递减函数;x为优化变量,在k时刻,x={u(k),u(k+2),…,u(k+δu-1)},其中u为控制变量,δu为控制时域。
7.如权利要求6所述直升机非线性预测控制装置,其特征在于,所述直升机需求扭矩模型具体如下:
其中,H、Vx、Vz、θ0、B1S、A1C、Nm分别表示直升机的高度、前飞速度、爬升速度、旋翼总距、纵向周期变距、横向周期变距、旋翼转速;QH为直升机需求扭矩;k为当前预测时刻;N1,N2,…,N8为模型的阶数。
8.如权利要求6所述直升机非线性预测控制装置,其特征在于,所述发动机动态参数模型具体如下:
Y=fE(X)
其中,Wf、αc、Np、Ng、T4、Smc、QE分别为发动机的燃油流量、压气机导叶角、动力涡轮转子转速、燃气涡轮转子转速、涡轮前温度、压气机喘振裕度、发动机输出扭矩;k为当前预测时刻;m1,m2,…,m7为模型的阶数。
9.如权利要求8所述直升机非线性预测控制装置,其特征在于,m1,m2,…,m7的值均为2。
10.如权利要求6~9任一项所述直升机非线性预测控制装置,其特征在于,所述直升机控制量为发动机的燃油流量Wf和压气机导叶角αc。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184036.9A CN105867121B (zh) | 2016-03-28 | 2016-03-28 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184036.9A CN105867121B (zh) | 2016-03-28 | 2016-03-28 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105867121A true CN105867121A (zh) | 2016-08-17 |
CN105867121B CN105867121B (zh) | 2018-07-31 |
Family
ID=56625077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610184036.9A Expired - Fee Related CN105867121B (zh) | 2016-03-28 | 2016-03-28 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105867121B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886151A (zh) * | 2017-04-17 | 2017-06-23 | 大连理工大学 | 一种航空发动机多工况下约束预测控制器的设计及调度方法 |
CN107505931A (zh) * | 2017-07-10 | 2017-12-22 | 南京航空航天大学 | 一种基于深度信念网络的航空发动机维修等级决策方法 |
CN107608214A (zh) * | 2017-10-16 | 2018-01-19 | 浙江工业大学之江学院 | 三自由度直升机显式模型预测控制中的多级网格点定位方法 |
CN107817680A (zh) * | 2017-10-10 | 2018-03-20 | 浙江工业大学之江学院 | 直升机显式模型预测控制中基于k‑d树的点定位方法 |
CN109446605A (zh) * | 2018-10-16 | 2019-03-08 | 南京航空航天大学 | 涡轴发动机非线性动态逆控制方法及装置 |
CN109896026A (zh) * | 2019-03-21 | 2019-06-18 | 南京航空航天大学 | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 |
CN111487987A (zh) * | 2019-01-25 | 2020-08-04 | 沃科波特有限公司 | 使载人或载重多旋翼直升机飞行稳定的飞行控制单元和方法 |
CN111731471A (zh) * | 2020-07-03 | 2020-10-02 | 南京航空航天大学 | 一种变旋翼转速直升机的控制方法及控制装置 |
CN111731490A (zh) * | 2020-07-01 | 2020-10-02 | 南京航空航天大学 | 变旋翼转速直升机/涡轴发动机综合控制方法、装置 |
CN112862164A (zh) * | 2021-01-22 | 2021-05-28 | 桂林电子科技大学 | 基于动态神经网络时间序列预测的干式离合器温度预测法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5141177A (en) * | 1991-08-28 | 1992-08-25 | United Technologies Corporation | Model following control system |
CN1161753A (zh) * | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
CN102411305A (zh) * | 2011-11-11 | 2012-04-11 | 南京航空航天大学 | 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法 |
-
2016
- 2016-03-28 CN CN201610184036.9A patent/CN105867121B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5141177A (en) * | 1991-08-28 | 1992-08-25 | United Technologies Corporation | Model following control system |
CN1161753A (zh) * | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
CN102411305A (zh) * | 2011-11-11 | 2012-04-11 | 南京航空航天大学 | 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法 |
Non-Patent Citations (1)
Title |
---|
严长凯 等: "一种直升机自旋训练过程涡轴发动机控制规律设计与仿真", 《航空动力学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886151A (zh) * | 2017-04-17 | 2017-06-23 | 大连理工大学 | 一种航空发动机多工况下约束预测控制器的设计及调度方法 |
CN106886151B (zh) * | 2017-04-17 | 2019-08-13 | 大连理工大学 | 一种航空发动机多工况下约束预测控制器的设计及调度方法 |
CN107505931A (zh) * | 2017-07-10 | 2017-12-22 | 南京航空航天大学 | 一种基于深度信念网络的航空发动机维修等级决策方法 |
CN107817680A (zh) * | 2017-10-10 | 2018-03-20 | 浙江工业大学之江学院 | 直升机显式模型预测控制中基于k‑d树的点定位方法 |
CN107817680B (zh) * | 2017-10-10 | 2020-07-17 | 浙江工业大学之江学院 | 直升机显式模型预测控制中基于k-d树的点定位方法 |
CN107608214A (zh) * | 2017-10-16 | 2018-01-19 | 浙江工业大学之江学院 | 三自由度直升机显式模型预测控制中的多级网格点定位方法 |
CN107608214B (zh) * | 2017-10-16 | 2020-08-14 | 浙江工业大学之江学院 | 三自由度直升机显式模型预测控制中的多级网格点定位方法 |
CN109446605A (zh) * | 2018-10-16 | 2019-03-08 | 南京航空航天大学 | 涡轴发动机非线性动态逆控制方法及装置 |
CN111487987A (zh) * | 2019-01-25 | 2020-08-04 | 沃科波特有限公司 | 使载人或载重多旋翼直升机飞行稳定的飞行控制单元和方法 |
CN109896026A (zh) * | 2019-03-21 | 2019-06-18 | 南京航空航天大学 | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 |
CN109896026B (zh) * | 2019-03-21 | 2020-08-07 | 南京航空航天大学 | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 |
CN111731490A (zh) * | 2020-07-01 | 2020-10-02 | 南京航空航天大学 | 变旋翼转速直升机/涡轴发动机综合控制方法、装置 |
CN111731490B (zh) * | 2020-07-01 | 2021-07-23 | 南京航空航天大学 | 变旋翼转速直升机综合控制方法、装置 |
CN111731471A (zh) * | 2020-07-03 | 2020-10-02 | 南京航空航天大学 | 一种变旋翼转速直升机的控制方法及控制装置 |
CN112862164A (zh) * | 2021-01-22 | 2021-05-28 | 桂林电子科技大学 | 基于动态神经网络时间序列预测的干式离合器温度预测法 |
Also Published As
Publication number | Publication date |
---|---|
CN105867121B (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105867121A (zh) | 用于自旋恢复的直升机非线性预测控制方法及装置 | |
CN103321754B (zh) | 一种直升机/发动机综合仿真模型及涡轴发动机控制方法 | |
US9751614B1 (en) | Aeroelastic wing shaping using distributed propulsion | |
CN109896026B (zh) | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 | |
CN102880055B (zh) | 基于预测模型的高超声速飞行器神经网络控制方法 | |
CN107450324A (zh) | 考虑攻角约束的高超声速飞行器自适应容错控制方法 | |
Khan et al. | Modeling dynamics of agile fixed-wing UAVs for real-time applications | |
CN109611217B (zh) | 一种航空发动机过渡态控制规律优化的设计方法 | |
CN105843080A (zh) | 可变翼高超声速飞行器智能非线性控制系统 | |
CN105759609B (zh) | 一种基于显式非线性模型预测控制的舰载机自主着舰方法 | |
CN107272408A (zh) | 一种小型无人直升机飞行控制中的动力规划方法 | |
CN111731490B (zh) | 变旋翼转速直升机综合控制方法、装置 | |
CN110316358A (zh) | 基于动态逆的战斗机大迎角控制方法 | |
CN110109361A (zh) | 一种高超声速飞行器快速平滑自适应滑模控制方法 | |
CN111680357B (zh) | 一种变循环发动机机载实时模型的部件级无迭代构建方法 | |
CN109446605B (zh) | 涡轴发动机非线性动态逆控制方法及装置 | |
CN106707759A (zh) | 一种飞机Herbst机动控制方法 | |
WO2013047038A1 (ja) | 航空機設計装置、航空機設計プログラム、及び航空機設計方法 | |
Colas et al. | HALE multidisciplinary design optimization part i: solar-powered single and multiple-boom aircraft | |
CN104656659B (zh) | 舰载机滑跃起飞自动飞行控制方法 | |
CN112594069B (zh) | 基于功率需求预测的涡轴发动机抗扰控制方法及装置 | |
CN111255574A (zh) | 一种航空发动机进口畸变下推力衰退自主控制方法 | |
CN109973221A (zh) | 超声速进气道与涡扇发动机综合控制方法及装置 | |
Berger et al. | Outer-loop control design and simulation handling qualities assessment for a coaxial-compound helicopter and tiltrotor | |
CN115685764B (zh) | 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180731 Termination date: 20190328 |
|
CF01 | Termination of patent right due to non-payment of annual fee |