CN109854389A - 涡轴发动机双发扭矩匹配控制方法及装置 - Google Patents

Abstract

本发明公开了一种涡轴发动机双发扭矩匹配控制方法，通过对双发动机的燃油流量进行实时优化来实现涡轴发动机双发扭矩匹配控制，该方法除了考虑转速控制指标外，还在目标函数中引入两台发动机的输出扭矩之差作为惩罚项。不仅能适用于不同飞行条件下涡轴发动机动力涡轮转速闭环控制，在有效减小直升机机动飞行时动力涡轮转速超调与下垂量，实现涡轴发动机快速响应控制的同时，缩短双发扭矩匹配的时间，完成快速扭矩匹配控制。本发明还公开了一种涡轴发动机双发扭矩匹配控制装置。本发明可在有效减小直升机机动飞行时动力涡轮转速超调与下垂量，实现涡轴发动机快速响应控制的同时，缩短双发扭矩匹配的时间，完成快速扭矩匹配控制。

Description

涡轴发动机双发扭矩匹配控制方法及装置

技术领域

本发明涉及一种涡轴发动机双发扭矩匹配控制方法，属于航空宇航推进理论与工程中的系统控制与仿真技术领域。

背景技术

自20世纪90年代以来，直升机电子系统朝着高度综合化的方向发展。而现代武装直升机的作战环境日益严峻，提高攻击力和机动能力已成为直升机提高自身生存力所追求的目标。涡轴发动机因具有更高的功率储备以及更宽广的飞行包线(参见文献[一种涡轴发动机系统应急状态快速响应控制方法])，成为现代直升机动力装置的不二选择。由于旋翼负载的要求，直升机往往配置两台或多台涡轴发动机并列运行。然而即使是同一型号的发动机，由于制造误差及使用中不同程度的性能退化，每台发动机的性能也并不完全相同，因此，在双发乃至多发共同驱动同一直升机的情况下，常规的基于PI控制器的串级双回路控制结构无法保证每台发动机在同一时刻输出的功率相同，这使得直升机的操纵变得不稳定(参见文献[NASA Glenn research in controls and diagnostics for intelligentaerospace propulsion systems[M]])。此时，需要发动机控制系统能够通过匹配控制策略实现负载的平均分担。

多发匹配策略需均衡传动系统寿命、发动机寿命、单个发动机性能退化等因素，因此如何更有效地实现双发乃至多发匹配控制一直是直升机界的一大难题，与此同时也引起了一些学者的关注。Gaulmin F X设计了一种燃油测量系统并提出了一种双发功率匹配方法。该方法将两台发动机的限制边界转化成功率边界，通过比较两者的功率边界值进而加速具有较大功率裕度的发动机，以匹配两台发动机间的功率(参见文献[Balancing thepower of two turboshaft engines of an aircraft[P]])。Shi R建立了三发匹配下直升机旋翼综合模型，提出了单边、双边扭矩匹配方法。双边匹配可同时改变两台发动机的燃油流量，消除两台发动机的输出扭矩之差，从而尽快实现扭矩匹配。数值仿真结果表明：双边匹配比单边匹配稳定时间更短(参见文献[Integrated model and matching control ofturbo shaft triple engines with helicopter rotor[C]])。杨超为了应对多发驱动直升机时，单个发动机性能衰退所引发的输出功率不平衡问题(参见文献[[涡轴发动机双回路PI控制器多发功率匹配[J]]])。将常规串级PID控制回路的外回路改为直接功率控制回路，结合旋翼需求功率机载模型，构建了涡轴发动机多发功率平衡匹配控制系统，可使性能衰退程度不同的2台发动机输出相同的功率。

多发功率匹配控制与涡轴发动机恒转速控制相互耦合、影响，难以折中。对于常规的涡轴发动机串级PID控制结构而言，因不具备预测、解耦功能，很难取得高品质的控制效果，因此为了实现多台发动机功率匹配控制，难免需牺牲涡轴发动机动力涡轮转速的动态响应性能。相反，模型预测控制作为一种基于模型的控制方法，对模型精度的要求不高，可用于求解时变非线性系统耦合控制问题(参见文献[State of the art of finitecontrol set model predictive control in power electronics[J]])。如鲁棒MPC和非线性模型预测控制(NMPC)。这些方法可有效地解决含复杂约束和扰动的耦合非线性系统控制问题。王健康基于直升机/涡轴发动机综合仿真平台研究了涡轴发动机带约束优化的非线性模型预测控制技术，基于多输出迭代约简最小二乘支持向量回归机(RRLSSVR)，设计了单涡轴发动机模型预测控制器(参见文献[基于直升机/涡轴发动机综合仿真平台的发动机非线性模型预测控制[J]])。但研究成果仅涉及单发驱动直升机的情形，而无法适用于双发匹配下涡轴发动机转速闭环控制。

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，提供一种涡轴发动机双发扭矩匹配控制方法，不仅能适用于不同飞行条件下涡轴发动机动力涡轮转速闭环控制，在有效减小直升机机动飞行时动力涡轮转速超调与下垂量，实现涡轴发动机快速响应控制的同时，缩短双发扭矩匹配的时间，完成快速扭矩匹配控制。

本发明涡轴发动机双发扭矩匹配控制方法，通过对以下优化模型进行求解来获得两台涡轴发动机A、B的燃油流量W_fb,A、W_fb,B：

其中，下标A、B分别表示涡轴发动机A、B，下标min、max分别表示最小值、最大值，T_Qe、W_fb、pnc、T₄₁分别为涡轴发动机的输出扭矩、燃油流量、燃气涡轮转速与涡轮前温度，H、ν_c分别为飞行高度与前飞速度；pnp为动力涡轮相对转速，T_Qr为旋翼需求扭矩，N_T为直升机旋翼到动力涡轮物理转速的传动比，ω₁、ω₂为权系数，μ为罚因子，ε为阈值，P为预测时域，k表示当前采样时刻，Δ为当前时刻相对于前一时刻的变化量，i为计数器；sat函数定义为

进一步地，通过具有双发动态耦合特性模拟功能的双涡轴发动机机载模型来对A、B两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩进行预测；所述双涡轴发动机机载模型是以当前时刻两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩为输出，以历史时刻两台涡轴发动机的飞行高度、前飞速度、燃油流量、燃气涡轮转速、涡轮前温度、输出扭矩、旋翼需求扭矩、动力涡轮相对转速以及当前时刻的飞行高度、前飞速度、燃油流量作为输入，通过采用神经网络离线训练得到。

优选地，所述神经网络为最小批量梯度下降法神经网络。

优选地，所述双涡轴发动机机载模型的输入中的涡轮前温度，根据实测的动力涡轮相对转速、旋翼需求扭矩以及双涡轴发动机机载模型所对应的预测值，通过使用无迹卡尔曼滤波器在线估计得到。

优选地，使用序列二次优化算法求解所述优化模型。

根据相同的发明思路还可以得到以下技术方案：

涡轴发动机双发扭矩匹配控制装置，包括在线优化单元，用于通过对以下优化模型进行求解来获得两台涡轴发动机A、B的燃油流量W_fb,A、W_fb,B：

其中，下标A、B分别表示涡轴发动机A、B，下标min、max分别表示最小值、最大值，T_Qe、W_fb、pnc、T₄₁分别为涡轴发动机的输出扭矩、燃油流量、燃气涡轮转速与涡轮前温度，H、ν_c分别为飞行高度与前飞速度；pnp为动力涡轮相对转速，T_Qr为旋翼需求扭矩，N_T为直升机旋翼到动力涡轮物理转速的传动比，ω₁、ω₂为权系数，μ为罚因子，ε为阈值，P为预测时域，k表示当前采样时刻，Δ为当前时刻相对于前一时刻的变化量，i为计数器；sat函数定义为：

进一步地，该装置还包括具有双发动态耦合特性模拟功能的双涡轴发动机机载模型，用于对A、B两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩进行预测；所述双涡轴发动机机载模型是以当前时刻两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩为输出，以历史时刻两台涡轴发动机的飞行高度、前飞速度、燃油流量、燃气涡轮转速、涡轮前温度、输出扭矩、旋翼需求扭矩、动力涡轮相对转速以及当前时刻的飞行高度、前飞速度、燃油流量作为输入，通过采用神经网络离线训练得到。

优选地，所述神经网络为最小批量梯度下降法神经网络。

进一步地，该装置还包括无迹卡尔曼滤波器，用于根据实测的动力涡轮相对转速、旋翼需求扭矩以及双涡轴发动机机载模型所对应的预测值，对所述双涡轴发动机机载模型的输入中的涡轮前温度进行在线估计。

优选地，在线优化单元使用序列二次优化算法求解所述优化模型。

相比现有技术，本发明技术方案及其进一步改进技术方案具有以下有益效果：

本发明通过对双发动机的燃油流量进行实时优化来实现涡轴发动机双发扭矩匹配控制，该方法除了考虑转速控制指标外，还在目标函数中引入两台发动机的输出扭矩之差作为惩罚项。不仅能适用于不同飞行条件下涡轴发动机动力涡轮转速闭环控制，在有效减小直升机机动飞行时动力涡轮转速超调与下垂量，实现涡轴发动机快速响应控制的同时，缩短双发扭矩匹配的时间，完成快速扭矩匹配控制。

本发明利用神经网络离线构建具有双发动态耦合特性模拟功能的双涡轴发动机机载模型，能实现对双发动态耦合特性的精确模拟，利用该双涡轴发动机机载模型可对涡轴发动机相关参数进行快速准确的预测。

本发明进一步利用无迹卡尔曼滤波器实现了对实践中难以测量的涡轮前温度进行准确估计，从而有效提高了系统控制精度。

附图说明

图1是本发明涡轴发动机双发扭矩匹配控制装置的结构框图；

图2a～图2h是双涡轴发动机机载模型训练误差图；

图3是两台涡轴发动机动力涡轮相对转速变化曲线对比图；

图4是两台涡轴发动机输出扭矩变化曲线对比图；

图5是两台涡轴发动机燃油流量变化曲线对比图；

图6是两台涡轴发动机燃气涡轮相对转速变化曲线对比图；

图7是两台涡轴发动机涡轮前温度变化曲线对比图；

图8是两台涡轴发动机涡轮前温度估计值与真实值对比图。

具体实施方式

为便于公众理解，下面结合附图来对本发明的技术方案进行详细说明：

如图1所示，本发明涡轴发动机双发扭矩匹配控制装置由双涡轴发动机机载模型、无迹卡尔曼滤波器、在线优化3个部分组成。在单个仿真步长内，双涡轴发动机机载模型可根据输入量与状态量预测未来时刻的输出量，而无迹卡尔曼滤波器可根据机载模型输出的动力涡轮转速与旋翼需求扭矩在线估计不可测的涡轮前温度，并传递至机载模型与非线性模型预测控制器。在线优化部分通过优化算法在线求解目标函数，输出两台涡轴发动机的燃油流量，完成涡轴发动机转速闭环控制的同时，实现双发扭矩匹配控制。其中，T_Qe,A、T_Qe,B、W_fb,A、W_fb,B、pnc_,A、pnc_,B、与分别为涡轴发动机A、B的输出扭矩、燃油流量、燃气涡轮转速与涡轮前温度估计值；H、ν_c为飞行高度与前飞速度；pnp为动力涡轮相对转速，T_Qr为旋翼需求扭矩。

下面对其中的各主要部分进行进一步详细说明：

1)具有双发动态耦合特性模拟功能的双涡轴发动机机载模型

双发共同驱动直升机主旋翼与尾桨时，由于负载基本保持不变，因此，当单台发动机发生变化时，为了满足旋翼与尾桨的功率需求，势必需改变另一台发动机的工作状态，整个双发推进系统相互耦合、相互作用。因此，与常规的单涡轴发动机机载模型不同，双涡轴发动机机载模型需综合考虑两台发动机的动态耦合特性。

为了使非参数实时模型更好地保留原双涡轴发动机耦合系统的动态特性，采用非线性自回归滑动平均模型结构。为了减小训练计算量且适用于大样本数据，采用最小批量梯度下降法神经网络进行离线训练，获得精度满足要求的双涡轴发动机机载模型。

输入变量的阶数会影响机载模型的精度，由于涡轴发动机一般可简化为一个二阶对象，因此阶数设置为2，构建的双涡轴发动机机载模型如下：

Y＝f_NN(x)

其中，输出量为当前时刻两台发动机的pnc、T₄₁、T_Qe以及pnp，输入量为历史时刻两台发动机的H、ν_c、W_fb、pnc、T₄₁、T_Qe、T_Qr、pnp以及当前时刻的H、ν_c、W_fb。为了准确表述两台发动机在匹配过程中转子动态特性，特在机载模型的输入、输出中加入旋翼需求扭矩T_Qr。因此，整个神经网路模型包含28个输入与8个输出，同时设置30个隐含层节点。

在飞行高度H＝600m，前飞速度为ν_c＝118m/s的飞行条件下，对直升机/双涡轴发动机综合模型进行充分激励，将获得的数据进行归一化处理，随后作为神经网络的训练样本。训练误差如图2a～图2h所示，由图可知，涡轴发动机机载模型各输出参数相对于真实值的误差均小于1％，精度较高，可用于预测双涡轴发动机关键性能参数。

2)基于无迹卡尔曼滤波器的状态估计器

式(1)所示的双涡轴发动机机载模型输入量中包含涡轮前温度T₄₁。而目前的温度传感器由于受到材质的限制，难以对如此高的涡轮前温度进行有效测量并加以控制，因此需设计合适的状态估计器对其进行在线估计。卡尔曼滤波算法理论成熟，实现简单且对于噪声具有一定的鲁棒性，较其它状态估计器具有一定的优势。而无迹卡尔曼滤波器不仅避免了扩展卡尔曼滤波器雅克比矩阵的计算，同时在不增加计算量的前提下，显著提高了估计精度和收敛速度。因此可基于双涡轴发动机机载模型，在线估计涡轮前温度。

为了准确估计两台涡轴发动机的涡轮前温度，需选取两个合适的可测状态参数，这里选择T_Qr与pnp。

结合式(1)，则详细的无迹卡尔曼滤波器算法如下：

1)滤波器初始化

2)计算Sigma点χ_i,k-1

3)时间更新

根据式(1)，h(χ_i,k-1)＝[0,0,0,0,0,0,1,1]^T。

4)测量更新

利用当前时刻的测量值y_k、状态估计值和估计误差协方差进行修正。

结合上述算法，根据实测的动力涡轮相对转速、旋翼需求扭矩以及式(1)所示双涡轴发动机机载模型所对应的预测值，可在线估计两台发动机的不可测涡轮前温度。

3)在线优化单元

涡轴发动机控制目标为尽可能地使动力涡轮相对转速应保持100％不变；同时，负载扭矩经变速箱后与发动机输出扭矩之差应尽可能小。为了在动力涡轮相对转速保持恒定的同时，缩短双发扭矩匹配的时间，在目标函数中引入两台发动机的输出扭矩之差作为惩罚项。在预测控制过程中，还需确保涡轴发动机满足不超温、不超转等约束条件，因此整个控制目标函数如式(6)所示。

其中，N_T为直升机旋翼到动力涡轮物理转速的传动比，μ为罚因子，ε为阈值，P为预测时域，这里P＝3。sat函数定义如下：

式(6)中目标函数第一项使pnp恒定在100％左右；第二项使负载扭矩经变速箱后与发动机输出扭矩之差减小，可用于减小双发匹配过程中动力涡轮转速的超调与下垂量；第三项用于实现双发扭矩匹配，当两台发动机输出扭矩之差不满足阈值要求，即双发扭矩难以匹配时，该项发挥惩罚作用。求解这类优化问题的方法有很多，本发明优选采用序列二次规划算法进行求解。

为了验证上述技术方案的效果，在飞行高度H＝600m、前飞速度ν_c＝118m/s的飞行条件下进行动仿真验证，并与基于串级PID控制回路的双发双边扭矩匹配控制方法进行对比。t＝10s时，给涡轴发动机A增加5％的压气机空气流量来调整两台同类型发动机在不同飞行状态下的输出扭矩，具体仿真结果如图3-8所示。

如图3所示，10s时涡轴发动机A的压气机空气流量瞬间增加，动力涡轮转速出现瞬间超调。而使用非线性模型预测控制器可使动力涡轮转速稳态误差小于0.2％的前提下，使pnp在双发匹配过程中的超调量减小65％左右，涡轴发动机输出响应速度得到显著提升。由图4可知，相比于基于串级PID的双边扭矩匹配控制方法，NMPC控制方法可以有效提升扭矩匹配速度，使匹配时间缩短15.5％左右，所提出的基于双发扭矩匹配的涡轴发动机非线性模型预测控制方法可在实现涡轴发动机快速响应控制的同时，显著缩短双发扭矩匹配时间。图5～图7分别为发动机的燃油流量、燃气涡轮相对转速与涡轮前温度变化曲线。由图可知，由于NMPC在优化过程中需满足式(6)所示的各项约束，因此燃油流量曲线更加平滑。图8中为涡轮前温度归一化后的数值，由图可知，涡轴发动机A涡轮前温度的无迹卡尔曼滤波器估计值与真实值存在稳态误差，但误差不超过0.2％；而发动机B涡轮前温度的估计值与真实值基本保持一致，由此证明无迹卡尔曼滤波器参数估计精度较高。

Claims (10)

1.涡轴发动机双发扭矩匹配控制方法，其特征在于，通过对以下优化模型进行求解来获得两台涡轴发动机A、B的燃油流量W_fb,A、W_fb,B：

其中，下标A、B分别表示涡轴发动机A、B，下标min、max分别表示最小值、最大值，T_Qe、W_fb、pnc、T₄₁分别为涡轴发动机的输出扭矩、燃油流量、燃气涡轮转速与涡轮前温度，H、ν_c分别为飞行高度与前飞速度；pnp为动力涡轮相对转速，T_Qr为旋翼需求扭矩，N_T为直升机旋翼到动力涡轮物理转速的传动比，ω₁、ω₂为权系数，μ为罚因子，ε为阈值，P为预测时域，k表示当前采样时刻，Δ为当前时刻数值相对于前一时刻的变化量，i为计数器；sat函数定义为

2.如权利要求1所述涡轴发动机双发扭矩匹配控制方法，其特征在于，通过具有双发动态耦合特性模拟功能的双涡轴发动机机载模型来对A、B两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩进行预测；所述双涡轴发动机机载模型是以当前时刻两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩为输出，以历史时刻两台涡轴发动机的飞行高度、前飞速度、燃油流量、燃气涡轮转速、涡轮前温度、输出扭矩、旋翼需求扭矩、动力涡轮相对转速以及当前时刻的飞行高度、前飞速度、燃油流量作为输入，通过采用神经网络离线训练得到。

3.如权利要求2所述涡轴发动机双发扭矩匹配控制方法，其特征在于，所述神经网络为最小批量梯度下降法神经网络。

4.如权利要求2所述涡轴发动机双发扭矩匹配控制方法，其特征在于，所述双涡轴发动机机载模型的输入中的涡轮前温度，根据实测的动力涡轮相对转速、旋翼需求扭矩以及双涡轴发动机机载模型所对应的预测值，通过使用无迹卡尔曼滤波器在线估计得到。

5.如权利要求1～4任一项所述涡轴发动机双发扭矩匹配控制方法，其特征在于，使用序列二次优化算法求解所述优化模型。

6.涡轴发动机双发扭矩匹配控制装置，其特征在于，包括在线优化单元，用于通过对以下优化模型进行求解来获得两台涡轴发动机A、B的燃油流量W_fb,A、W_fb,B：

其中，下标A、B分别表示涡轴发动机A、B，下标min、max分别表示最小值、最大值，T_Qe、W_fb、pnc、T₄₁分别为涡轴发动机的输出扭矩、燃油流量、燃气涡轮转速与涡轮前温度，H、ν_c分别为飞行高度与前飞速度；pnp为动力涡轮相对转速，T_Qr为旋翼需求扭矩，N_T为直升机旋翼到动力涡轮物理转速的传动比ω₁、ω₂为权系数，μ为罚因子，ε为阈值，P为预测时域，k表示当前采样时刻，Δ为当前时刻相对于前一时刻的变化量，i为计数器；sat函数定义为

7.如权利要求6所述涡轴发动机双发扭矩匹配控制装置，其特征在于，还包括具有双发动态耦合特性模拟功能的双涡轴发动机机载模型，用于对A、B两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩进行预测；所述双涡轴发动机机载模型是以当前时刻两台涡轴发动机的燃气涡轮转速、涡轮前温度、输出扭矩、动力涡轮相对转速、旋翼需求扭矩为输出，以历史时刻两台涡轴发动机的飞行高度、前飞速度、燃油流量、燃气涡轮转速、涡轮前温度、输出扭矩、旋翼需求扭矩、动力涡轮相对转速以及当前时刻的飞行高度、前飞速度、燃油流量作为输入，通过采用神经网络离线训练得到。

8.如权利要求7所述涡轴发动机双发扭矩匹配控制装置，其特征在于，所述神经网络为最小批量梯度下降法神经网络。

9.如权利要求7所述涡轴发动机双发扭矩匹配控制装置，其特征在于，还包括无迹卡尔曼滤波器，用于根据实测的动力涡轮相对转速、旋翼需求扭矩以及双涡轴发动机机载模型所对应的预测值，对所述双涡轴发动机机载模型的输入中的涡轮前温度进行在线估计。

10.如权利要求6～9任一项所述涡轴发动机双发扭矩匹配控制装置，其特征在于，在线优化单元使用序列二次优化算法求解所述优化模型。