CN109630281B - 一种基于误差区间观测器的航空发动机主动容错控制方法 - Google Patents

一种基于误差区间观测器的航空发动机主动容错控制方法 Download PDF

Info

Publication number
CN109630281B
CN109630281B CN201910022722.XA CN201910022722A CN109630281B CN 109630281 B CN109630281 B CN 109630281B CN 201910022722 A CN201910022722 A CN 201910022722A CN 109630281 B CN109630281 B CN 109630281B
Authority
CN
China
Prior art keywords
actuator
fault
matrix
sensor
error
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.)
Active
Application number
CN201910022722.XA
Other languages
English (en)
Other versions
CN109630281A (zh
Inventor
王晔
汪锐
马艳华
杜宪
孙希明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910022722.XA priority Critical patent/CN109630281B/zh
Publication of CN109630281A publication Critical patent/CN109630281A/zh
Application granted granted Critical
Publication of CN109630281B publication Critical patent/CN109630281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于误差区间观测器的航空发动机主动容错控制方法，属于航空控制技术领域。包括通过误差反馈控制器实现航空发动机对参考模型状态和输出的跟踪；通过虚拟传感器和虚拟执行器实现对存在扰动信号及执行器和传感器故障的航空发动机控制系统的补偿；通过误差区间观测器观测航空发动机故障系统与其参考模型之间的误差，并将该误差反馈至误差反馈控制器；最后，故障系统的参考模型输出与虚拟执行器输出之差作为控制信号，来实现航空发动机的主动容错控制。本发明实现了在航空发动机发生执行器和传感器故障时，即使存在扰动信号，也能在不改变控制器的情况下，保证系统按期望的状态运行，具有较强的容错能力及抗干扰能力。

Description

一种基于误差区间观测器的航空发动机主动容错控制方法
技术领域
本发明涉及一种基于误差区间观测器的航空发动机主动容错控制方法，属于航空控制技术领域，具体来说，是指应用于航空发动机发生执行器和传感器故障，且存在扰动信号时的主动容错控制方法。
背景技术
航空发动机作为飞机唯一的动力装置，直接影响飞机的安全可靠性和经济性。虽然可靠的控制系统设计可降低系统故障发生率，但实际系统结构复杂，高强度运行，系统中可能发生故障的因素大幅增加，故障类型日趋多样，部件发生故障不可避免。执行器作为航空发动机的驱动元件，与系统的状态调整有着密不可分的联系，其工作负荷大，结构复杂，最易发生故障，且其发生故障会使整个系统崩溃，造成严重影响。传感器负责接收与发送航空发动机系统的信息，传感器故障的存在直接影响到系统的安全性及可靠性。因此，提高系统的容错能力，保证故障发生后系统的稳定性和性能指标具有重要的意义。传统的容错控制方法也面临新的挑战。
通常，容错控制研究方法分为两大类，即被动容错控制和主动容错控制。被动容错控制的思想在于根据预判出可能发生的故障来预先设计控制器，是一种基于鲁棒控制技术的控制器设计方法。在故障发生时，调用已设计的控制器，保持整个闭环系统对故障不敏感，从而实现系统的稳定。但随着系统日趋复杂，可能出现的故障种类及数量增加，因此传统的被动容错控制存在很大的局限性，即需要提前考虑全部可能发生的故障情况，导致控制器均有一定的保守性。为了降低控制系统保守性，通过对系统进行重构设计的主动容错控制成为研究热点。主动容错控制的思想在于故障发生后，通过重新调整控制器的参数或对系统进行重构设计来实现在线补偿故障。即无故障时，系统正常运行；一旦发生故障，系统则会自动进行控制律的调整或重构。航空发动机通常可以描述为一种线性参数变化(LPV)系统，现有的研究成果在处理带有执行器和传感器故障的LPV系统主动容错控制时，多采用增益自调度H∞优化方法，该方法在系统发生故障时重新调整控制器参数，因此增加了系统设计的复杂性。此外，航空发动机控制系统常受到噪声信号干扰，现有方法在处理干扰信号下，针对航空发动机传感器及执行器故障的主动容错控制，尚无理想的解决方法。
发明内容
本发明的技术解决问题是：针对航空发动机发生执行器和传感器故障，同时控制系统受到噪声信号干扰的影响下，为解决现有控制方法的不足，本发明提供了一种基于误差区间观测器的航空发动机主动容错控制方法，能够保证在不改变控制器结构与参数的前提下，航空发动机可实现对参考模型的跟踪，即重构后的系统与原来的无故障系统具有相同的状态和输出，实现期望的控制目标，并使系统具备自主消除故障的能力，提高了航空发动机运行的可靠性，降低了航空发动机的维修成本。
本发明的技术方案：
一种基于误差区间观测器的航空发动机主动容错控制方法，步骤如下：
步骤1.1：建立仿射参数依赖的航空发动机线性变参数(LPV)模型
Figure BDA0001941357930000021
其中，Rm和Rm×n分别表示m维实数列向量和m行n列实矩阵，状态向量
Figure BDA0001941357930000022
Ynl和Ynh分别表示低压和高压涡轮相对换算转速变化量，nx表示状态变量x的维数，ny表示输出向量y的维数，nu表示控制输入up的维数，控制输入
Figure BDA0001941357930000023
为油压阶跃信号，输出向量
Figure BDA0001941357930000024
Figure BDA0001941357930000025
为已知系统常数矩阵，df(t)为扰动变量，航空发动机高压涡轮相对换算转速nh为调度参数θ∈Rp，系统变量矩阵ΔA(θ)和ΔB(θ)满足
Figure BDA0001941357930000026
和
Figure BDA0001941357930000027
为ΔA(θ)的上界，
Figure BDA0001941357930000028
为ΔB(θ)的上界，且
Figure BDA0001941357930000029
Figure BDA00019413579300000210
状态变量初始值xp(0)满足
Figure BDA00019413579300000211
分别为状态变量初始值xp(0)的已知上界和下界；
Figure BDA0001941357930000031
为未知扰动df(t)的已知上界和下界；传感器噪声v(t)满足|v(t)|＜V，V为已知边界，且V＞0；
步骤1.2：航空发动机无故障系统的参考模型表示为
Figure BDA0001941357930000032
其中，
Figure BDA0001941357930000033
为无故障系统的参考状态向量，
Figure BDA0001941357930000034
为无故障系统的控制输入，
Figure BDA0001941357930000035
为参考输出向量；根据步骤1.1建立的航空发动机LPV模型，设计航空发动机无故障系统的误差反馈控制器；
步骤1.2.1：定义仿射参数依赖的航空发动机LPV模型与航空发动机无故障系统的参考模型之间的误差ep(t)＝xpref(t)-xp(t)，得到无故障系统的误差状态方程：
Figure BDA0001941357930000036
其中，Δucp(t)＝upref(t)-up(t)，εcp(t)＝ypref(t)-yp(t)；
步骤1.2.2：误差向量eP的上界
Figure BDA0001941357930000037
下界e p的状态方程为：
Figure BDA0001941357930000038
其中，
Figure BDA0001941357930000039
分别为误差向量eP的上界和下界，即
Figure BDA00019413579300000310
Figure BDA00019413579300000311
e p +＝max{0，e p}，e p -＝e p +-e p；
Figure BDA00019413579300000312
为无故障系统的误差增益矩阵，且满足
Figure BDA00019413579300000313
表示nx维Metzler矩阵的集合；|L|表示将矩阵L所有元素取绝对值；
步骤1.2.3：分别令
Figure BDA00019413579300000314
将公式(4)改写为：
Figure BDA00019413579300000315
其中
Figure BDA0001941357930000041
步骤1.2.4：误差反馈控制器输出为：
Δucp(t)＝Kaepa(t)+Kdepd(t) (7)
误差反馈控制器增益矩阵
Figure BDA0001941357930000042
令ex(t)＝ep(t)-epa(t)，-0.5epd(t)≤ex(t)≤0.5epd(t)，则有
Figure BDA0001941357930000043
步骤1.2.5：将式(5)和(8)改写为：
Figure BDA0001941357930000044
Figure BDA0001941357930000045
其中，ξp(t)＝[epd(t)T,epa(t)T]T，
Figure BDA0001941357930000046
有
Figure BDA0001941357930000047
步骤1.2.6：Sm×m表示m维实对称方阵，令矩阵
Figure BDA0001941357930000048
表示E,F中每个元素都大于0，常数λ＞0，得矩阵不等式：
Figure BDA00019413579300000413
即令Gp TE+EGp+λE+F中每个元素都小于0，求解矩阵不等式(12)，得误差反馈控制器增益矩阵Kd,Ka，从而由(7)得误差反馈控制器；
步骤1.3：将存在扰动及执行器和传感器故障的航空发动机LPV模型，描述为：
Figure BDA0001941357930000049
其中，
Figure BDA00019413579300000410
为故障系统的状态向量，
Figure BDA00019413579300000411
为故障系统的控制输入，
Figure BDA00019413579300000412
为故障系统的输出向量，Bf(γ(t))和Cf(φ(t))分别为执行器和传感器故障，表示为
Figure BDA0001941357930000051
其中，0≤γi(t)≤1，0≤φj(t)≤1分别表示第i个执行器和第j个传感器的失效程度，γi＝1和γi＝0分别表示第i个执行器完好无损和完全失效，φj同理；diag(γ1,γ2,…,γn)表示对角元素为γ1,γ2,…,γn的对角矩阵，diag(φ1,φ2,…,φn)同理；设γ(t)，φ(t)估计值分别为
Figure BDA0001941357930000052
则有
Figure BDA0001941357930000053
其中，
Figure BDA0001941357930000054
和
Figure BDA0001941357930000055
分别为γ(t)和φ(t)的估计误差；根据执行器和传感器故障分别设计虚拟执行器和虚拟传感器；
步骤1.3.1：设计虚拟传感器为：
Figure BDA0001941357930000056
其中
Figure BDA0001941357930000057
其中，
Figure BDA0001941357930000058
是虚拟传感器系统的状态变量，
Figure BDA0001941357930000059
为故障模型与故障参考模型控制输入之差，
Figure BDA00019413579300000510
为虚拟传感器系统的输出向量，Q和P分别为虚拟传感器的参数矩阵；
步骤1.3.2：LMI区域S1(ρ1,q1,r1,θ1)是以-ρ1为边界的左半复平面区域，以r1为半径，q1为圆心的圆形区域以及与负实轴夹角为θ1的扇形区域的交集，将虚拟传感器状态矩阵Avs表示为多胞体结构，
Figure BDA00019413579300000511
其中θj表示第j个顶点θ的取值，Avsj表示第j个顶点虚拟传感器状态矩阵Avs的取值，Avsj的特征值均在S1(ρ1,q1,r1,θ1)中的充分必要条件是存在一个对称矩阵X1＞0，使线性矩阵不等式(18)～(20)成立，从而得到对应顶点的虚拟传感器的参数矩阵Qj；
Figure BDA0001941357930000061
Figure BDA0001941357930000062
Figure BDA0001941357930000063
选择与θj相对应顶点的Qj作为虚拟传感器的参数矩阵；
步骤1.3.3：虚拟传感器的参数矩阵P为：
Figure BDA0001941357930000064
其中，
Figure BDA0001941357930000065
代表矩阵的伪逆；
步骤1.3.4：设计虚拟执行器为
Figure BDA0001941357930000066
其中
Figure BDA0001941357930000067
其中，
Figure BDA0001941357930000068
是虚拟执行器系统的状态变量，
Figure BDA0001941357930000069
为误差反馈控制器输出，
Figure BDA00019413579300000610
为虚拟执行器系统的输出向量，M和N分别为虚拟执行器的参数矩阵；
步骤1.3.5：LMI区域S2(ρ2,q2,r2,θ2)是以-ρ2为边界的左半复平面区域，以r2为半径，q2为圆心的圆形区域以及与负实轴夹角为θ2的扇形区域的交集，将虚拟执行器状态矩阵Ava表示为多胞体结构，
Figure BDA00019413579300000611
其中θj表示第j个顶点θ的取值，Avaj表示第j个顶点虚拟执行器状态矩阵Ava的取值，Avaj的特征值均在S2(ρ2,q2,r2,θ2)中的充分必要条件是存在一个对称矩阵X2＞0，使线性矩阵不等式(24)～(26)成立，从而得到的虚拟执行器的参数矩阵Mi：
Figure BDA0001941357930000071
Figure BDA0001941357930000072
Figure BDA0001941357930000073
选择与θj相对应顶点的Mj作为虚拟执行器的参数矩阵；
步骤1.3.6：虚拟执行器的参数矩阵N为：
Figure BDA0001941357930000074
其中，
Figure BDA0001941357930000075
代表矩阵的伪逆；
步骤1.4：根据存在扰动及执行器和传感器故障的航空发动机LPV模型与故障系统的参考模型，设计误差区间观测器；
步骤1.4.1：存在扰动及执行器和传感器故障的航空发动机系统的参考模型表示为：
Figure BDA0001941357930000076
其中，
Figure BDA0001941357930000077
为存在扰动及执行器和传感器故障系统的参考状态向量，
Figure BDA0001941357930000078
为存在扰动及执行器和传感器故障系统的控制输入，
Figure BDA0001941357930000079
为存在扰动及执行器和传感器故障的参考输出向量；
步骤1.4.2：存在扰动及执行器和传感器故障的航空发动机LPV模型与其参考模型之间的误差e(t)＝xref(t)-xf(t)，得到基于LPV模型的航空发动机故障系统的误差状态方程：
Figure BDA00019413579300000710
其中，Δu(t)＝uref(t)-uf(t)，εc(t)＝yref(t)-yf(t)；
步骤1.4.3：存在扰动及执行器和传感器故障的航空发动机LPV模型与其参考模型之间的误差e的上界
Figure BDA0001941357930000081
和下界e的状态方程为：
Figure BDA0001941357930000082
其中，
Figure BDA0001941357930000083
ev为基于LPV模型的航空发动机故障系统的误差状态变量与虚拟执行器的状态变量和虚拟传感器的状态变量之差，ev的上界为
Figure BDA0001941357930000084
ev的下界为e v(t)＝e(t)-xva(t)-xvs(t)，且
Figure BDA0001941357930000085
步骤1.4.4：令
Figure BDA0001941357930000086
由(30)得误差区间观测器：
Figure BDA0001941357930000087
其中
Figure BDA0001941357930000088
步骤1.5：将存在扰动及执行器和传感器故障的航空发动机LPV模型的航空发动机状态变量xf(t)、输出变量yf(t)、故障系统的参考模型状态变量xref(t)、虚拟执行器状态变量xva(t)和虚拟传感器状态变量xvs(t)作为误差区间观测器的输入；误差区间观测器输出ea(t),ed(t)作为误差反馈控制器的输入；误差反馈控制器输出Δuc(t)作为虚拟执行器输入；故障系统的参考模型输出uref(t)与虚拟执行器输出Δu(t)之差作为控制信号，输入给航空发动机故障系统，从而实现航空发动机的主动容错控制。
本发明设计的一种基于误差区间观测器的航空发动机主动容错控制方法与现有的技术相比优点在于：
(1)在针对带有执行器和传感器故障的LPV系统主动容错控制中，多采用传统的增益自调度H∞优化方法，该方法在系统发生故障时重新调整控制器参数，增加了系统设计的复杂性。采用本发明提出的主动容错控制方法可重构执行器和传感器同时发生故障的系统，无需重新设计控制器。
(2)本发明所提方法可在系统产生执行器故障和传感器故障时，使得重构后的系统与原来的无故障系统具有相同的状态和输出。
(3)本发明所提方法考虑了控制系统的噪声信号干扰这一实际工程中经常面临的问题，提高了控制系统鲁棒性。
附图说明
图1为系统的整体结构图。
图2(a)和图2(b)分别为H＝0,Ma＝0,n2＝94％航空发动机LPV模型状态xp1(t)和xp2(t)轨迹与无故障参考模型状态xpref,1(t)和xpref,2(t)轨迹对比。
图3为误差反馈控制器算法流程图。
图4(a)和图4(b)分别为H＝0,Ma＝0,n2＝94％航空发动机无故障系统的误差状态ep1(t)和ep2(t)及上界状态
Figure BDA0001941357930000091
和
Figure BDA0001941357930000092
下界状态e p1(t)和e p2(t)估计曲线。
图5为执行器故障因子γ1和传感器故障因子φ1变化曲线。
图6(a)和图6(b)分别为H＝0,Ma＝0,n2＝94％存在扰动及执行器和传感器故障的航空发动机状态xf1(t)和xf2(t)轨迹与无故障参考模型状态xpref,1(t)和xpref,2(t)轨迹对比。
图7(a)和图7(b)分别为H＝0,Ma＝0,n2＝94％存在扰动及执行器和传感器故障的航空发动机误差状态epf1(t)和epf2(t)及上界状态
Figure BDA0001941357930000093
和
Figure BDA0001941357930000094
下界状态e p1(t)和e p2(t)估计曲线。
图8为虚拟传感器算法流程图。
图9为虚拟执行器算法流程图。
图10为误差区间观测器算法流程图。
图11(a)和图11(b)分别为H＝0,Ma＝0,n2＝94％主动容错控制后航空发动机状态x1(t)和x2(t)轨迹与故障参考模型状态xref,1(t)和xref,2(t)轨迹对比。
图12(a)和图12(b)分别为H＝0,Ma＝0,n2＝94％主动容错控制后航空发动机误差状态e1(t)和e2(t)及误差观测器上界状态
Figure BDA0001941357930000101
和
Figure BDA0001941357930000102
下界状态e 1(t)和e 2(t)估计曲线。
具体实施方式
下面结合附图及技术方案对本发明实例做进一步详细说明。
本发明的整体结构如图1所示，具体步骤如下：
步骤1.1：建立仿射参数依赖的航空发动机LPV模型，以航空发动机高压涡轮相对换算转速n2为变参数θ，将转速n2＝88％、89％、…、100％作归一化处理，即θ∈[-1,1]，可得模型为
Figure BDA0001941357930000103
其中
Figure BDA0001941357930000104
状态变量初值xp(0)＝[0,0]T，扰动变量df(t)上下界
Figure BDA0001941357930000105
取
Figure BDA0001941357930000106
传感器噪声边界V＝0.01。ΔA(θ)和ΔB(θ)有
Figure BDA0001941357930000107
和
Figure BDA0001941357930000108
成立
Figure BDA0001941357930000109
步骤1.2：航空发动机无故障系统的参考模型为
Figure BDA0001941357930000111
其中，参考模型状态向量取常值xpref(t)＝[4,2]T。在H＝0，Ma＝0，n2＝94％条件下，航空发动机LPV模型状态xp1(t)和xp2(t)轨迹与无故障参考模型状态xpref,1(t)和xpref,2(t)轨迹对比，如图2所示。设计航空发动机无故障系统的误差反馈控制器，其算法流程如图3所示。
步骤1.2.1：仿射参数依赖的航空发动机LPV模型与航空发动机无故障系统的参考模型之间的误差ep(t)＝xpref-xp，其初值ep(0)＝xpref(0)-xp(0)＝[4,2]T。
步骤1.2.2：误差向量eP的上界
Figure BDA0001941357930000112
下界e p的状态方程为
Figure BDA0001941357930000113
其中e p(0)＝[-50,-50]T，
Figure BDA0001941357930000114
在H＝0，Ma＝0，n2＝94％条件下，航空发动机无故障系统的误差状态ep1(t)和ep2(t)及上界
Figure BDA0001941357930000115
和
Figure BDA0001941357930000116
下界e p1(t)和e p2(t)估计曲线如图4所示。由
Figure BDA0001941357930000117
可得无故障系统的误差增益矩阵
Figure BDA0001941357930000118
步骤1.2.3：分别令
Figure BDA0001941357930000119
得到
Figure BDA00019413579300001110
其中
Figure BDA00019413579300001111
和e p1(
Figure BDA00019413579300001112
和e p2)分别表示
Figure BDA00019413579300001113
和e p的第一个(第二个)元素，ex,1和ex,2分别表示ex的第一个和第二个元素
Figure BDA0001941357930000121
步骤1.2.4：误差反馈控制器输出为
Δucp(t)＝Kaepa(t)+Kdepd(t) (41)
误差反馈控制器增益矩阵
Figure BDA0001941357930000122
令ex(t)＝ep(t)-epa(t)，-0.5epd(t)≤ex(t)≤0.5epd(t)，则有
Figure BDA0001941357930000123
步骤1.2.5：将(39)和(42)改写为
Figure BDA0001941357930000124
Figure BDA0001941357930000125
其中ξp(t)＝[epd(t)T，epa(t)T]T
Figure BDA0001941357930000126
有
Figure BDA0001941357930000127
考虑到所有可能的组合形式：(a11,a13)∈{(1,2),(2,0),(1,-2)}，(a22,a24)∈{(1,2),(2,0),(1,-2)}，(a31,a41)∈{(-2.5,10),(2.5,-10)}。
步骤1.2.6：Sm×m表示m维实对称方阵，令矩阵
Figure BDA0001941357930000128
表示E,F中每个元素都大于0，常数λ＞0，可得矩阵不等式：
Figure BDA0001941357930000129
即令Gp TE+EGp+λE+F中每个元素都小于0，需要将矩阵不等式(46)转化为线性矩阵不等式(LMI)，将式(46)左右同乘E-1得到
Figure BDA0001941357930000138
Figure BDA0001941357930000131
K＝[Kd Ka]
引入W＝KE-1，则式(46)转化为线性矩阵不等式，利用LMI工具箱可得
Figure BDA0001941357930000132
步骤1.3：存在扰动及执行器和传感器故障的航空发动机LPV模型为
Figure BDA0001941357930000133
其中，状态变量初值xf(0)＝[0,0]T，Bf(γ(t))和Cf(φ(t))分别为执行器和传感器故障，执行器故障因子γ1和传感器故障因子φ1在第5至第6秒从1衰减到0.2，如图5所示。在H＝0，Ma＝0，n2＝94％条件下，存在扰动及执行器和传感器故障的航空发动机状态xf1(t)和xf2(t)轨迹与无故障参考模型状态xpref,1(t)和xpref,2(t)轨迹对比，如图6所示。存在扰动及执行器和传感器故障的航空发动机误差状态epf1(t)和epf2(t)及上界
Figure BDA0001941357930000134
和
Figure BDA0001941357930000135
下界e p1(t)和e p2(t)估计曲线，如图7所示。根据执行器和传感器故障分别设计虚拟传感器和虚拟执行器，其算法流程分别为图8和图9。
步骤1.3.1：设计虚拟传感器为
Figure BDA0001941357930000136
其中
Figure BDA0001941357930000137
其中
Figure BDA0001941357930000141
是虚拟传感器系统的状态变量，
Figure BDA0001941357930000142
为故障模型与故障参考模型控制输入之差，
Figure BDA0001941357930000143
为虚拟传感器系统的输出向量，Q和P分别为虚拟传感器的参数矩阵；
步骤1.3.2：选取LMI区域S1(10,-4.5,15,π/6)，求解线性矩阵不等式(53)～(55)
Figure BDA0001941357930000144
Figure BDA0001941357930000145
Figure BDA0001941357930000146
得到对应顶点的虚拟传感器的参数矩阵
Figure BDA0001941357930000147
步骤1.3.3：虚拟传感器的参数矩阵P为
Figure BDA0001941357930000148
其中，
Figure BDA0001941357930000149
代表矩阵的伪逆。
步骤1.3.4：设计虚拟执行器为
Figure BDA00019413579300001410
其中
Figure BDA00019413579300001411
其中
Figure BDA00019413579300001412
是虚拟执行器系统的状态变量，
Figure BDA00019413579300001413
为误差反馈控制器输出，
Figure BDA0001941357930000151
为虚拟执行器系统的输出向量，M和N分别为虚拟执行器的参数矩阵；
步骤1.3.5：选取LMI区域S2(1.5,-2,8,π/6)，求解线性矩阵不等式(60)～(62)
Figure BDA0001941357930000152
Figure BDA0001941357930000153
Figure BDA0001941357930000154
得到对应顶点的虚拟执行器的参数矩阵
Figure BDA0001941357930000155
步骤1.3.6：虚拟执行器矩阵N为
Figure BDA0001941357930000156
步骤1.4：设计误差区间观测器，其算法流程如图10所示。
步骤1.4.1：存在扰动及执行器和传感器故障的航空发动机系统的参考模型表示为
Figure BDA0001941357930000157
其中，参考模型状态向量取常值xref(t)＝[4,2]T。
步骤1.4.2：存在扰动及执行器和传感器故障的航空发动机LPV模型与其参考模型之间的误差e(t)＝xref-xf，其初值e(0)＝xref(0)-xf(0)＝[4,2]T。在H＝0，Ma＝0，n2＝94％条件下，主动容错控制后航空发动机状态x1(t)和x2(t)轨迹与故障参考模型状态xref1(t)和xref2(t)轨迹对比，如图11所示。
步骤1.4.3：存在扰动及执行器和传感器故障的航空发动机LPV模型与其参考模型之间的误差e的上界
Figure BDA0001941357930000158
和下界e的状态方程为
Figure BDA0001941357930000161
其中
Figure BDA0001941357930000162
e v(0)＝[-50,-50]T，
Figure BDA0001941357930000163
e v(t)＝e(t)-xva(t)-xvs(t)，观测器增益矩阵L满足
Figure BDA0001941357930000164
步骤1.4.4：令
Figure BDA0001941357930000165
由(66)可得误差区间观测器
Figure BDA0001941357930000166
其中
Figure BDA0001941357930000167
在H＝0，Ma＝0，n2＝94％条件下，主动容错控制后航空发动机误差状态e1(t)和e2(t)及误差观测器上界状态
Figure BDA0001941357930000168
和
Figure BDA0001941357930000169
下界状态e 1(t)和e 2(t)估计曲线，如图12所示。
步骤1.5：实现航空发动机的主动容错控制的整体结构如图1所示。
仿真结果表明当航空发动机的执行器和传感器发生故障时，在主动容错控制后其状态和输出会出现一个超调过程但很快恢复到正常状态。这说明基于误差区间观测器的航空发动机主动容错控制方法，能保证重构后的系统与原来的无故障系统有相同的性能指标。

Claims (1)

1.一种基于误差区间观测器的航空发动机主动容错控制方法，其特征在于，步骤如下：
步骤1.1：建立仿射参数依赖的航空发动机线性变参数LPV模型
Figure FDA0002687540890000011
其中，Rm和Rm×n分别表示m维实数列向量和m行n列实矩阵，状态向量
Figure FDA00026875408900000119
Ynl和Ynh分别表示低压和高压涡轮相对换算转速变化量，nx表示状态变量x的维数，ny表示输出向量y的维数，nu表示控制输入up的维数，控制输入
Figure FDA0002687540890000012
为油压阶跃信号，输出向量
Figure FDA0002687540890000013
Figure FDA0002687540890000014
为已知系统常数矩阵，df(t)为扰动变量，航空发动机高压涡轮相对换算转速nh为调度参数θ∈Rp，系统变量矩阵ΔA(θ)和ΔB(θ)满足
Figure FDA0002687540890000015
和
Figure FDA0002687540890000016
Figure FDA0002687540890000017
为ΔA(θ)的上界，
Figure FDA0002687540890000018
为ΔB(θ)的上界，且
Figure FDA0002687540890000019
Figure FDA00026875408900000110
状态变量初始值xp(0)满足
Figure FDA00026875408900000111
Figure FDA00026875408900000112
分别为状态变量初始值xp(0)的已知上界和下界；
Figure FDA00026875408900000113
为未知扰动df(t)的已知上界和下界；传感器噪声v(t)满足|v(t)|＜V，V为已知边界，且V＞0；
步骤1.2：航空发动机无故障系统的参考模型表示为
Figure FDA00026875408900000114
其中，
Figure FDA00026875408900000115
为无故障系统的参考状态向量，
Figure FDA00026875408900000116
为无故障系统的控制输入，
Figure FDA00026875408900000117
为参考输出向量；根据步骤1.1建立的航空发动机LPV模型，设计航空发动机无故障系统的误差反馈控制器；
步骤1.2.1：定义仿射参数依赖的航空发动机LPV模型与航空发动机无故障系统的参考模型之间的误差ep(t)＝xpref(t)-xp(t)，得到无故障系统的误差状态方程：
Figure FDA00026875408900000118
其中，Δucp(t)＝upref(t)-up(t)，εcp(t)＝ypref(t)-yp(t)；
步骤1.2.2：误差向量eP的上界
Figure FDA0002687540890000021
下界e p的状态方程为：
Figure FDA0002687540890000022
其中，
Figure FDA0002687540890000023
分别为误差向量eP的上界和下界，即
Figure FDA0002687540890000024
Figure FDA0002687540890000025
e p +＝max{0,e p}，e p -＝e p +-e p；
Figure FDA0002687540890000026
为无故障系统的误差增益矩阵，且满足
Figure FDA0002687540890000027
Figure FDA0002687540890000028
表示nx维Metzler矩阵的集合；|L|表示将矩阵L所有元素取绝对值；
步骤1.2.3：分别令
Figure FDA0002687540890000029
将公式(4)改写为：
Figure FDA00026875408900000210
其中
Figure FDA00026875408900000211
步骤1.2.4：误差反馈控制器输出为：
Δucp(t)＝Kaepa(t)+Kdepd(t) (7)
误差反馈控制器增益矩阵Kd,
Figure FDA00026875408900000217
令
Figure FDA00026875408900000212
-0.5epd(t)≤ex(t)≤0.5epd(t)，则有
Figure FDA00026875408900000213
步骤1.2.5：将式(5)和(8)改写为：
Figure FDA00026875408900000214
Figure FDA00026875408900000215
其中，ξp(t)＝[epd(t)T,epa(t)T[T，
Figure FDA00026875408900000216
有
Figure FDA0002687540890000031
步骤1.2.6：Sm×m表示m维实对称方阵，令矩阵E,
Figure FDA0002687540890000032
E,F＞0，表示E,F中每个元素都大于0，常数λ＞0，得矩阵不等式：
Gp TE+EGp+λE+F＜0 (12)
即令Gp TE+EGp+λE+F中每个元素都小于0，求解矩阵不等式(12)，得误差反馈控制器增益矩阵Kd,Ka，从而由(7)得误差反馈控制器；
步骤1.3：将存在扰动及执行器和传感器故障的航空发动机LPV模型，描述为：
Figure FDA0002687540890000033
其中，
Figure FDA0002687540890000034
为故障系统的状态向量，
Figure FDA0002687540890000035
为故障系统的控制输入，
Figure FDA0002687540890000036
为故障系统的输出向量，Bf(γ(t))和Cf(φ(t))分别为执行器和传感器故障，表示为
Figure FDA0002687540890000037
其中，0≤γi(t)≤1，0≤φj(t)≤1分别表示第i个执行器和第j个传感器的失效程度，γi＝1和γi＝0分别表示第i个执行器完好无损和完全失效，φj同理；diag(γ1,γ2,…,γn)表示对角元素为γ1,γ2,…,γn的对角矩阵，diag(φ1,φ2,…,φn)同理；设γ(t)，φ(t)估计值分别为
Figure FDA0002687540890000038
Figure FDA0002687540890000039
则有
Figure FDA00026875408900000310
其中，
Figure FDA00026875408900000311
和
Figure FDA00026875408900000312
分别为γ(t)和φ(t)的估计误差；根据执行器和传感器故障分别设计虚拟执行器和虚拟传感器；
步骤1.3.1：设计虚拟传感器为：
Figure FDA0002687540890000041
其中
Figure FDA0002687540890000042
其中，
Figure FDA0002687540890000043
是虚拟传感器系统的状态变量，
Figure FDA0002687540890000044
为故障模型与故障参考模型控制输入之差，
Figure FDA0002687540890000045
为虚拟传感器系统的输出向量，Q和P分别为虚拟传感器的参数矩阵；
步骤1.3.2：LMI区域S1(ρ1,q1,r1,θ1)是以-ρ1为边界的左半复平面区域，以r1为半径，q1为圆心的圆形区域以及与负实轴夹角为θ1的扇形区域的交集，将虚拟传感器状态矩阵Avs表示为多胞体结构，
Figure FDA0002687540890000046
其中θj表示第j个顶点θ的取值，Avsj表示第j个顶点虚拟传感器状态矩阵Avs的取值，Avsj的特征值均在S1(ρ1,q1,r1,θ1)中的充分必要条件是存在一个对称矩阵X1＞0，使线性矩阵不等式(18)～(20)成立，从而得到对应顶点的虚拟传感器的参数矩阵Qj；
Figure FDA0002687540890000047
Figure FDA0002687540890000048
Figure FDA0002687540890000049
选择与θj相对应顶点的Qj作为虚拟传感器的参数矩阵；
步骤1.3.3：虚拟传感器的参数矩阵P为：
Figure FDA00026875408900000410
其中，
Figure FDA00026875408900000411
代表矩阵的伪逆；
步骤1.3.4：设计虚拟执行器为
Figure FDA0002687540890000051
其中
Figure FDA0002687540890000052
其中，
Figure FDA0002687540890000053
是虚拟执行器系统的状态变量，
Figure FDA0002687540890000054
为误差反馈控制器输出，
Figure FDA0002687540890000055
为虚拟执行器系统的输出向量，M和N分别为虚拟执行器的参数矩阵；
步骤1.3.5：LMI区域S2(ρ2,q2,r2,θ2)是以-ρ2为边界的左半复平面区域，以r2为半径，q2为圆心的圆形区域以及与负实轴夹角为θ2的扇形区域的交集，将虚拟执行器状态矩阵Ava表示为多胞体结构，
Figure FDA0002687540890000056
其中θj表示第j个顶点θ的取值，Avaj表示第j个顶点虚拟执行器状态矩阵Ava的取值，Avaj的特征值均在S2(ρ2,q2,r2,θ2)中的充分必要条件是存在一个对称矩阵X2＞0，使线性矩阵不等式(24)～(26)成立，从而得到的虚拟执行器的参数矩阵Mi：
Figure FDA0002687540890000057
Figure FDA0002687540890000058
Figure FDA0002687540890000059
选择与θj相对应顶点的Mj作为虚拟执行器的参数矩阵；
步骤1.3.6：虚拟执行器的参数矩阵N为：
Figure FDA00026875408900000510
其中，
Figure FDA00026875408900000511
代表矩阵的伪逆；
步骤1.4：根据存在扰动及执行器和传感器故障的航空发动机LPV模型与故障系统的参考模型，设计误差区间观测器；
步骤1.4.1：存在扰动及执行器和传感器故障的航空发动机系统的参考模型表示为：
Figure FDA0002687540890000061
其中，
Figure FDA0002687540890000062
为存在扰动及执行器和传感器故障系统的参考状态向量，
Figure FDA0002687540890000063
为存在扰动及执行器和传感器故障系统的控制输入，
Figure FDA0002687540890000064
为存在扰动及执行器和传感器故障的参考输出向量；
步骤1.4.2：存在扰动及执行器和传感器故障的航空发动机LPV模型与其参考模型之间的误差e(t)＝xref(t)-xf(t)，得到基于LPV模型的航空发动机故障系统的误差状态方程：
Figure FDA0002687540890000065
其中，Δu(t)＝uref(t)-uf(t)，εc(t)＝yref(t)-yf(t)；
步骤1.4.3：存在扰动及执行器和传感器故障的航空发动机LPV模型与其参考模型之间的误差e的上界
Figure FDA0002687540890000066
和下界e的状态方程为：
Figure FDA0002687540890000067
其中，
Figure FDA0002687540890000068
ev为基于LPV模型的航空发动机故障系统的误差状态变量与虚拟执行器的状态变量和虚拟传感器的状态变量之差，ev的上界为
Figure FDA0002687540890000069
ev的下界为e v(t)＝e(t)-xva(t)-xvs(t)，且
Figure FDA00026875408900000610
步骤1.4.4：令
Figure FDA00026875408900000611
由(30)得误差区间观测器：
Figure FDA00026875408900000612
其中
Figure FDA0002687540890000071
步骤1.5：将存在扰动及执行器和传感器故障的航空发动机LPV模型的航空发动机状态变量xf(t)、输出变量yf(t)、故障系统的参考模型状态变量xref(t)、虚拟执行器状态变量xva(t)和虚拟传感器状态变量xvs(t)作为误差区间观测器的输入；误差区间观测器输出ea(t)和ed(t)作为误差反馈控制器的输入；误差反馈控制器输出Δuc(t)作为虚拟执行器输入；故障系统的参考模型输出uref(t)与虚拟执行器输出Δu(t)之差作为控制信号，输入给航空发动机故障系统，从而实现航空发动机的主动容错控制。
CN201910022722.XA 2019-01-10 2019-01-10 一种基于误差区间观测器的航空发动机主动容错控制方法 Active CN109630281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910022722.XA CN109630281B (zh) 2019-01-10 2019-01-10 一种基于误差区间观测器的航空发动机主动容错控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910022722.XA CN109630281B (zh) 2019-01-10 2019-01-10 一种基于误差区间观测器的航空发动机主动容错控制方法

Publications (2)

Publication Number Publication Date
CN109630281A CN109630281A (zh) 2019-04-16
CN109630281B true CN109630281B (zh) 2020-12-11

Family

ID=66061663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910022722.XA Active CN109630281B (zh) 2019-01-10 2019-01-10 一种基于误差区间观测器的航空发动机主动容错控制方法

Country Status (1)

Country Link
CN (1) CN109630281B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020142984A1 (zh) * 2019-01-10 2020-07-16 大连理工大学 一种基于误差区间观测器的航空发动机主动容错控制方法
CN110096048B (zh) * 2019-05-17 2020-11-20 山东科技大学 一种基于区间观测器的自主水下机器人auv执行器故障检测方法
CN110320799B (zh) * 2019-06-13 2021-05-07 大连理工大学 一种面向航空发动机执行器故障的无扰切入容错控制方法
US11492980B2 (en) * 2019-06-13 2022-11-08 Dalian University Of Technology Bumpless transfer fault tolerant control method for aero-engine under actuator fault
CN110513199B (zh) * 2019-07-23 2021-06-22 南京航空航天大学 一种航空发动机推力衰退缓解的神经网络控制方法
CN110513198B (zh) * 2019-08-13 2021-07-06 大连理工大学 一种涡扇发动机控制系统主动容错控制方法
CN110716431B (zh) * 2019-09-30 2022-03-29 哈尔滨工程大学 一种基于观测器的增压柴油机气路抗干扰容错控制方法
CN111830827B (zh) * 2020-06-15 2022-06-10 西北工业大学 航空发动机容错增益调度二自由度μ控制器
CN112346336A (zh) * 2020-06-15 2021-02-09 西北工业大学 航空发动机气路部件故障鲁棒增益调度容错控制器
CN111856929B (zh) * 2020-06-15 2022-06-10 西北工业大学 航空发动机容错增益调度二自由度h∞控制器
CN111880403A (zh) * 2020-06-15 2020-11-03 西北工业大学 航空发动机最大推力状态容错二自由度μ控制器
CN112034823B (zh) * 2020-09-03 2022-03-22 西北工业大学 一种基于区间观测器的飞机系统容错控制方法
CN111965981B (zh) * 2020-09-07 2022-02-22 厦门大学 一种航空发动机强化学习控制方法及系统
CN112965461B (zh) * 2021-02-05 2022-02-11 江南大学 一种基于最小保守性区间滤波的电机系统故障估计方法
CN113110017B (zh) * 2021-02-28 2023-08-04 北京空间飞行器总体设计部 一种传感器故障下航天器伺服机构的容错控制方法
CN113282004B (zh) * 2021-05-20 2022-06-10 南京航空航天大学 基于神经网络的航空发动机线性变参数模型建立方法
CN114003016B (zh) * 2021-10-12 2024-04-05 燕山大学 数字阀组多故障模式下的主动容错控制方法
CN113998001B (zh) * 2021-11-05 2024-01-16 合肥工业大学 一种无人驾驶车辆线控转向的容错控制器及其设计方法
CN115185178B (zh) * 2022-06-23 2023-06-30 江南大学 一种基于虚拟传感器的离散非线性系统的mfac容错控制方法
CN117148863B (zh) * 2023-09-15 2024-04-05 南京航空航天大学 一种复合故障下的集群无人机容错协同控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5300843A (en) * 1992-11-02 1994-04-05 General Electric Company Fault tolerant active magnetic bearing
CN103838145A (zh) * 2014-01-17 2014-06-04 南京航空航天大学 基于级联观测器的垂直起降飞机鲁棒容错控制系统及方法
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
CN104238357A (zh) * 2014-08-21 2014-12-24 南京航空航天大学 一种近空间飞行器的容错滑模控制方法
CN105353615A (zh) * 2015-11-10 2016-02-24 南京航空航天大学 一种基于滑模观测器的四旋翼飞行器的主动容错控制方法
CN105626270A (zh) * 2015-12-29 2016-06-01 中国航空工业集团公司沈阳发动机设计研究所 一种涡扇发动机全权限控制系统容错方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5300843A (en) * 1992-11-02 1994-04-05 General Electric Company Fault tolerant active magnetic bearing
CN103838145A (zh) * 2014-01-17 2014-06-04 南京航空航天大学 基于级联观测器的垂直起降飞机鲁棒容错控制系统及方法
CN104022742A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法
CN104238357A (zh) * 2014-08-21 2014-12-24 南京航空航天大学 一种近空间飞行器的容错滑模控制方法
CN105353615A (zh) * 2015-11-10 2016-02-24 南京航空航天大学 一种基于滑模观测器的四旋翼飞行器的主动容错控制方法
CN105626270A (zh) * 2015-12-29 2016-06-01 中国航空工业集团公司沈阳发动机设计研究所 一种涡扇发动机全权限控制系统容错方法

Also Published As

Publication number Publication date
CN109630281A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109630281B (zh) 一种基于误差区间观测器的航空发动机主动容错控制方法
WO2020142984A1 (zh) 一种基于误差区间观测器的航空发动机主动容错控制方法
CN110513198B (zh) 一种涡扇发动机控制系统主动容错控制方法
Xiaofang et al. RBF networks-based adaptive inverse model control system for electronic throttle
Ouyang et al. Adaptive fault-tolerant control and performance recovery against actuator failures with deferred actuator replacement
Cui et al. Neural network-based finite-time adaptive tracking control of nonstrict-feedback nonlinear systems with actuator failures
Zhang et al. Supervisory switching‐based prescribed performance control of unknown nonlinear systems against actuator failures
CN114564000A (zh) 基于智能飞行器执行器故障诊断的主动容错方法及系统
CN113625562B (zh) 一种基于自适应观测器的非线性系统模糊容错控制方法
CN111610719A (zh) 一种基于观测器的非线性执行器故障系统的容错控制方法
Lin-Kwong-Chon et al. A review of adaptive neural control applied to proton exchange membrane fuel cell systems
Hu et al. Fuzzy adaptive hybrid compensation for compound faults of hypersonic flight vehicle
Song et al. Prescribed performance tracking control for a class of nonlinear system considering input and state constraints
Liu et al. Resilient H∞ control for uncertain turbofan linear switched systems with hybrid switching mechanism and disturbance observer
Share Pasand Luenberger‐type cubic observers for state estimation of linear systems
CN110488600B (zh) Lqr优化型无刷直流电机调速神经网络pid控制器
Cheng et al. Self-repairing control of air-breathing hypersonic vehicle with actuator fault and backlash
CN114415506B (zh) 航空发动机双模跟踪预测控制系统设计方法
CN114924485A (zh) 一种过驱动水下机器人动力定位自适应容错控制架构及方法
CN112631129B (zh) 一种弹性飞机容错飞行控制方法及系统
Ichalal et al. Nonlinear observer based sensor fault tolerant control for nonlinear systems
Ge et al. Integral sliding mode active fault-tolerant control for unmanned aerial vehicles
Li et al. Fault‐Tolerant Control of Wind Turbine System Using Linear Parameter‐Varying Model
Soltani et al. Observer-based fault-tolerant control for time delay system
Xu et al. Adaptive Neural Control for Nonaffine Pure‐Feedback System Based on Extreme Learning Machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant