CN110333666A - 一种基于状态估计的航空发动机分布式控制设计方法 - Google Patents
一种基于状态估计的航空发动机分布式控制设计方法 Download PDFInfo
- Publication number
- CN110333666A CN110333666A CN201910617790.0A CN201910617790A CN110333666A CN 110333666 A CN110333666 A CN 110333666A CN 201910617790 A CN201910617790 A CN 201910617790A CN 110333666 A CN110333666 A CN 110333666A
- Authority
- CN
- China
- Prior art keywords
- controller
- state
- network
- packet loss
- distributed control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013461 design Methods 0.000 title claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 239000012190 activator Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于状态估计的航空发动机分布式控制设计方法,包括建立基于TrueTime工具箱的航空发动机分布式控制系统模型、利用二分法建立网络信道丢包模型、设计基于两类不同Kalman滤波器的丢包状态估计器、基于状态估计器发送的状态估计值,设计PI增量型控制器、在基于TrueTime工具箱的航空发动机分布式控制系统模型中,融合基于Kalman滤波器的丢包状态估计器和PI控制器;通过丢包状态的估计值来设计发动机分布式控制,抑制控制器输入状态的误差,提高控制器输入信息的准确性和控制器设计的灵活性,采用TrueTime工具箱进行数字仿真具有通用性,有利于分析各类参数对网络控制系统性能的影响。
Description
技术领域
本发明涉及航空发动机控制技术领域,尤其涉及一种基于状态估计的航空发动机分布式控制设计方法。
背景技术
航空发动机分布式控制系统中,信号通过网络在控制器、传感器和执行机构之间传输,其实质是一类网络控制系统(Network Control System简称NCS);TrueTime工具箱是针对网络控制系统开发的一个基于Matlab/Simulink的仿真平台,利用TrueTime工具箱可以构建分布式实时控制系统的动态过程、控制任务执行以及网络交互的联合仿真环境,在该仿真环境中,可以研究多数调度策略和物理层网络协议对控制系统性能的影响,其控制任务既可以用C++代码编写,也可以用Matlab的M文件编写,还可以利用Simulink仿真模块的形式实现,具有简单、成本低、代码开放的优点,还可以很方便地进行网络控制器设计,是对网络控制系统迟延补偿算法和不同资源调度算法仿真的理想平台。
在NCS中,各部件要通过共享网络来进行系统信息交换,而通过网络进行数据交换不可避免会带来数据传输时间延迟、丢包、数据包时序错乱等问题,这些问题主要集中发生在信号从传感器传输到控制器以及控制信号从控制器传输到执行机构过程,数据丢包或是数据传输延迟可能增大控制系统的超调量,响应变慢,调节时间变长,甚至严重可能直接导致系统不稳定,因此,本发明提出一种基于状态估计的航空发动机分布式控制设计方法。
发明内容
针对上述问题,为了克服航空发动机分布式控制系统中数据传输丢包对控制效果的不良影响,本发明通过对分布式控制系统中数据传输丢包采用状态估计,可以进一步抑制控制器输入状态的误差,提高控制器输入信息的准确性,起到改善控制效果的作用,通过采用TrueTime工具箱进行数字仿真具有通用性,有利于分析各类参数对网络控制系统性能的影响。
本发明提出一种基于状态估计的航空发动机分布式控制设计方法,包括以下步骤:
步骤一:建立基于TrueTime工具箱的航空发动机分布式控制系统模型;
步骤二:利用二分法建立网络信道丢包模型;
步骤三:设计基于两类不同Kalman滤波器的丢包状态估计器;
步骤四:基于状态估计器发送的状态估计值,设计PI增量型控制器;
步骤五:在基于TrueTime工具箱的航空发动机分布式控制系统模型中,融合基于Kalman滤波器的丢包状态估计器和PI增量型控制器。
进一步改进在于:所述步骤一中基于TrueTime工具箱的航空发动机分布式控制系统模型的具体构建步骤为:
步骤1-1:首先选择状态变量为高压转子转速nH,控制变量为主燃烧室燃油流量Wf,然后依据航空发动机的部件级模型,利用系统辨识方法建立航空发动机Wf-nH回路传递函数模型;
步骤1-2:依据TrueTime工具箱中固有模块,选择TrueTime Kernel模块设计航空发动机分布式控制系统中传感器、控制器及执行机构的网络节点,选择TrueTime Network模块建立分布式控制系统网络模型;
步骤1-3:初始化传感器、控制器、执行机构的TrueTime Kernel模块及控制系统网络模型TrueTime Network模块,完成基于TrueTime的航空发动机分布式控制系统模型搭建。
进一步改进在于:所述步骤1-3中的具体步骤如下:
步骤1-3-1:设置传感器Kernel模块的网络节点参数为1,模拟输入信号参数为1,模拟输出信号参数为1,初始化文件名为“sensor_init”,代码文件名为“sensor_code”;
步骤1-3-2:设置控制器Kernel模块的网络节点参数为2,模拟输入信号参数为1,模拟输出信号参数为3,初始化文件名为“controller_init”,代码文件名为“controller_code”;
步骤1-3-3:设置执行机构的Kernel模块的网络节点参数为3,模拟输入信号参数为0,模拟输出信号参数为1,初始化文件名为“actuator_init”,代码文件名为“actuator_code”;
步骤1-3-4:设置Network模块的网络协议参数为时分多址(TDMA)协议,网络节点参数为3,网络调度策略为1、2和3,设置网络传输速率为80000bits/s。
进一步改进在于:所述步骤二中利用二分法建立网络信道丢包模型的具体步骤为:
步骤2-1:设置网络传输丢包率p(p<1);
步骤2-2:以二分法建立数据传输丢包模型,利用Matlab中的随机函数rand产生在(0-1)之间均匀分布的随机值λ,与网络传输丢包率p进行比较,如式(1)所示;
步骤2-3:在传感器到控制器的网络传输信道加入丢包模型,即在步骤1-3-1中的“sensor_code”代码文件中写入丢包过程代码。
进一步改进在于:所述步骤三中设计基于两类不同Kalman滤波器的丢包状态估计器的具体步骤为:
步骤3-1:依据航空发动机部件级模型利用小扰动法和拟合法建立系统离散状态空间模型,如式(2)所示:
其中,xk,xk+1分别为系统在k和k+1时刻的状态变量,uk为系统在k时刻的控制变量,yk为系统在k时刻的输出变量;
步骤3-2:依据建立的离散状态空间模型,选取Kalman滤波器系数矩阵Ak,Bk,Ck,Dk;
步骤3-3:考虑网络传输数据丢包情况,设计两类Kalman滤波器进行控制器状态估计,其中第一类Kalman滤波器基于量测信号和控制信号,用于在无时延和掉包情况下的状态估计;第二类Kalman滤波器基于估计信号和控制信号,用于存在时延和掉包时的状态估计;
步骤3-4:依据两类Kalman滤波器的输出,设计如式(3)所示的估计状态。
进一步改进在于:所述步骤3-3的具体步骤为:
步骤3-3-1:基于量测信号和控制信号的Kalman滤波器如式(4)、(5)、(6)、(7)和(8)所示:
其中,为系统的先验估计状态,为系统的后验估计状态,zk为传感器的量测信号,Pk为系统估计的先验误差协方差与后验误差协方差,Q,R为系统噪声和过程噪声的协方差矩阵,Kk为Kalman状态估计器的增益;
步骤3-3-2:基于估计信号和控制信号的Kalman滤波器如式(9)和(10)所示。
进一步改进在于:所述步骤四中基于状态估计器发送的状态估计值,设计PI增量型控制器的具体步骤为:
步骤4-1:接受状态估计器的发送数据
步骤4-2:给出指令信号rk,并计算误差信号ek,ek的计算如式(11)所示;
步骤4-3:根据增量型PI控制算法计算控制器增量Δuk,Δuk计算如式(12)所示:
Δuk=u(k)-u(k-1)=KP[e(k)-e(k-1)]+KIe(k) (12)
其中,KP为比例增益,KI=KPT/TI为积分系数;
步骤4-4:计算实际控制变量uk,uk计算如式(13)所示:
u(k)=u(k-1)+Δuk (13)
其中,u(k-1)为系统k-1时刻的控制变量,u(k)为系统k时刻的控制变量,Δuk为系统的控制量增量。
进一步改进在于:所述步骤五中具体步骤包括:在步骤1-3-2中的“controller_code”文件中编写两类Kalman滤波器。
进一步改进在于:所述步骤五中具体步骤还包括:在步骤1-3-2中的“controller_code”文件中,编写PI控制器代码。
本发明的有益效果为:
(1)通过对分布式控制系统中数据传输丢包采用状态估计,可以进一步抑制控制器输入状态的误差,提高控制器输入信息的准确性,起到改善控制效果的作用;
(2)通过采用TrueTime工具箱进行数字仿真具有通用性,构建模型时只需选用对应的接口功能连接,可以加快构建模型速度,还能够实时模拟各种调度策略,通过Scope模块能够方便观察任务调度情况及数据输出情况,TrueTime Network模块还能够方便的设置通信协议、数据传输率、数据包大小及丢包率等网络参数,有利于分析各类参数对网络控制系统性能的影响。
附图说明
图1本发明方法流程示意图。
图2为本发明分布式控制系统结构示意图。
图3为本发明中发动机气路部件截面标识示意图。
图4为本发明中TrueTime工具箱界面示意图。
图5为本发明建立的分布式控制系统数字仿真模型示意图。
图6为本发明数据传输状态估计流程图示意图。
图7为本发明实施例中数据丢包示意图。
图8为本发明实施例中状态估计仿真结果示意图。
图9为本发明实施例中PI控制器仿真结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据图1、2、3、4、5、6、7、8、9所示,本实施例提出一种基于状态估计的航空发动机分布式控制设计方法,包括以下步骤:
一种基于状态估计的航空发动机分布式控制设计方法,包括以下步骤:
步骤一:建立基于TrueTime工具箱的航空发动机分布式控制系统模型,具体构建步骤为:
步骤1-1:首先选择状态变量为高压转子转速nH,控制变量为主燃烧室燃油流量Wf,然后依据航空发动机的部件级模型,利用系统辨识方法建立航空发动机Wf-nH回路传递函数模型;
步骤1-2:依据TrueTime工具箱中固有模块,选择TrueTime Kernel模块设计航空发动机分布式控制系统中传感器、控制器及执行机构的网络节点,选择TrueTime Network模块建立分布式控制系统网络模型;
步骤1-3:初始化传感器、控制器、执行机构的TrueTime Kernel模块及控制系统网络模型TrueTime Network模块,完成基于TrueTime的航空发动机分布式控制系统模型搭建,具体步骤如下:
步骤1-3-1:设置传感器Kernel模块的网络节点参数为1,模拟输入信号参数为1,模拟输出信号参数为1,初始化文件名为“sensor_init”,代码文件名为“sensor_code”;
步骤1-3-2:设置控制器Kernel模块的网络节点参数为2,模拟输入信号参数为1,模拟输出信号参数为3,初始化文件名为“controller_init”,代码文件名为“controller_code”;
步骤1-3-3:设置执行机构的Kernel模块的网络节点参数为3,模拟输入信号参数为0,模拟输出信号参数为1,初始化文件名为“actuator_init”,代码文件名为“actuator_code”;
步骤1-3-4:设置Network模块的网络协议参数为时分多址(TDMA)协议,网络节点参数为3,网络调度策略为1、2和3,设置网络传输速率为80000bits/s;
步骤二:利用二分法建立网络信道丢包模型,具体步骤为:
步骤2-1:设置网络传输丢包率p(p<1);
步骤2-2:以二分法建立数据传输丢包模型,利用Matlab中的随机函数rand产生在(0-1)之间均匀分布的随机值λ,与网络传输丢包率p进行比较,如式(1)所示;
步骤2-3:在传感器到控制器的网络传输信道加入丢包模型,即在步骤1-3-1中的“sensor_code”代码文件中写入丢包过程代码;
步骤三:设计基于两类不同Kalman滤波器的丢包状态估计器,具体步骤为:
步骤3-1:依据航空发动机部件级模型利用小扰动法和拟合法建立系统离散状态空间模型,如式(2)所示:
其中,xk,xk+1分别为系统在k和k+1时刻的状态变量,uk为系统在k时刻的控制变量,yk为系统在k时刻的输出变量;
步骤3-2:依据建立的离散状态空间模型,选取Kalman滤波器系数矩阵Ak,Bk,Ck,Dk;
步骤3-3:考虑网络传输数据丢包情况,设计两类Kalman滤波器进行控制器状态估计,其中第一类Kalman滤波器基于量测信号和控制信号,用于在无时延和掉包情况下的状态估计;第二类Kalman滤波器基于估计信号和控制信号,用于存在时延和掉包时的状态估计,步骤3-3的具体步骤为:
步骤3-3-1:基于量测信号和控制信号的Kalman滤波器如式(4)、(5)、(6)、(7)和(8)所示:
其中,为系统的先验估计状态,为系统的后验估计状态,zk为传感器的量测信号,Pk为系统估计的先验误差协方差与后验误差协方差,Q,R为系统噪声和过程噪声的协方差矩阵,Kk为Kalman状态估计器的增益;
步骤3-3-2:基于估计信号和控制信号的Kalman滤波器如式(9)和(10)所示;
步骤3-4:依据两类Kalman滤波器的输出,设计如式(3)所示的估计状态。
步骤四:基于状态估计器发送的状态估计值,设计PI增量型控制器,具体步骤为:
步骤4-1:接受状态估计器的发送数据
步骤4-2:给出指令信号rk,并计算误差信号ek,ek的计算如式(11)所示;
步骤4-3:根据增量型PI控制算法计算控制器增量Δuk,Δuk计算如式(12)所示:
Δuk=u(k)-u(k-1)=KP[e(k)-e(k-1)]+KIe(k) (12)
其中,KP为比例增益,KI=KPT/TI为积分系数;
步骤4-4:计算实际控制变量uk,uk计算如式(13)所示:
u(k)=u(k-1)+Δuk (13)
其中,u(k-1)为系统k-1时刻的控制变量,u(k)为系统k时刻的控制变量,Δuk为系统的控制量增量;
步骤五:在基于TrueTime工具箱的航空发动机分布式控制系统模型中,融合基于Kalman滤波器的丢包状态估计器和PI增量型控制器,具体步骤包括:在步骤1-3-2中的“controller_code”文件中编写两类Kalman滤波器,在步骤1-3-2中的“controller_code”文件中,编写PI控制器代码。
以图2中某型涡扇发动机的主燃油控制回路为例,基于涡扇发动机气动热力学的部件级模型,建立其离散空间的状态空间模型,并以此模型得到Kalman状态估计器的系数矩阵;利用部件级模型与系统辨识的方法建立Wf-nH回路的传递函数模型;利用TrueTime工具箱搭建涡扇发动机分布式控制系统数字仿真模型;基于该模型,构建丢包过程,设计状态估计器与输出跟踪控制器,获得控制变量传输给被控涡扇发动机,完成闭环控制。
某型涡扇发动机气路部件截面标识图如图3所示,主要部件包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、混合室、加力燃烧室和尾喷管,发动机在包线内某点、某工作稳定状态下的离散状态空间模型如下所式(14)所示:
采用小扰动法与拟合法结合求取状态空间方程系数矩阵,其原理为:首先,对状态变量采用小扰动法求出系数矩阵A,C的初始解,对控制变量采用小扰动法求出系数矩阵B,D的初始值;其次,分别对上述得到的初始状态空间模型与涡扇发动机部件级模型做控制量阶跃得到动态响应,利用非线性最小二乘方法进行拟合,得到系数矩阵A,B,C.D的元素值;最终,对连续模型进行离散化得到离散状态空间模型。
在MATLAB环境下利用TrueTime工具箱开展某涡扇发动机的状态估计及跟踪控制方法研究,验证本发明方法的有效性。
在发动机设计点H=0,Ma=0,Wf=2.48kg/s,A8=0.2597m2,利用小扰动法和拟合法结合求解在该工作点下的状态变量模型系数矩阵,各系数矩阵如式(15)所示:
Ak=0.9048,Bk=0.02988,Ck=1,Dk=0 (15)
系统传递函数如式(16)所示:
离散状态空间方程如式(17)所示:
设置系统丢包率为0.5,设计的PI控制器增益,如式(18)所示:
Kp=5.2,Ki=0.65 (18)
在该丢包率下,系统数据丢包过程如图7所示,对高压转子转速做脉冲信号仿真测试,离散Kalman状态估计器的状态估计结果如图8所示,PI控制器跟踪控制仿真结果如图9所示,其结果表明,离散Kalman状态估计器能对含丢包的系统进行丢失信息的补偿,具有良好的精度。
本发明中状态空间模型是在发动机地面工作点依据部件级模型利用小扰动法和拟合法建立的,获得系统对象的数学描述,考虑航空发动机分布式控制系统中数据通过网络传输存在数据丢包的问题,利用二分法建立数据丢包的数学模型,模拟网络传输环境,针对网络信息丢失问题,利用Kalman状态估计器对信息进行状态估计,并设计PI控制器对对象进行跟踪控制,验证控制系统的控制品质;图7-图9分别为控制系统数据丢包结果图,Kalman状态估计结果及PI跟踪控制结果,由图8图9可知,Kalman状态估计器对丢失信息进行状态估计时具有良好的精度,能够保证控制系统具有较高的控制品质,因此,本发明中基于Kalman滤波的状态估计及控制方法能够保证控制系统在丢包情况下具有较好的控制品质,Kalman状态估计器保证了(1)对丢失的信息进行状态估计(2)保证控制器输入参数的连续性,间接保证了控制品质。
通过对分布式控制系统中数据传输丢包采用状态估计,可以进一步抑制控制器输入状态的误差,提高控制器输入信息的准确性,起到改善控制效果的作用,通过采用TrueTime工具箱进行数字仿真具有通用性,构建模型时只需选用对应的接口功能连接,可以加快构建模型速度,还能够实时模拟各种调度策略,通过Scope模块能够方便观察任务调度情况及数据输出情况,TrueTime Network模块还能够方便的设置通信协议、数据传输率、数据包大小及丢包率等网络参数,有利于分析各类参数对网络控制系统性能的影响。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于状态估计的航空发动机分布式控制设计方法,其特征在于,包括以下步骤:
步骤一:建立基于TrueTime工具箱的航空发动机分布式控制系统模型;
步骤二:利用二分法建立网络信道丢包模型;
步骤三:设计基于两类不同Kalman滤波器的丢包状态估计器;
步骤四:基于状态估计器发送的状态估计值,设计PI增量型控制器;
步骤五:在基于TrueTime工具箱的航空发动机分布式控制系统模型中,融合基于Kalman滤波器的丢包状态估计器和PI增量型控制器。
2.根据权利要求1所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤一中基于TrueTime工具箱的航空发动机分布式控制系统模型的具体构建步骤为:
步骤1-1:首先选择状态变量为高压转子转速nH,控制变量为主燃烧室燃油流量Wf,然后依据航空发动机的部件级模型,利用系统辨识方法建立航空发动机Wf-nH回路传递函数模型;
步骤1-2:依据TrueTime工具箱中固有模块,选择TrueTime Kernel模块设计航空发动机分布式控制系统中传感器、控制器及执行机构的网络节点,选择TrueTime Network模块建立分布式控制系统网络模型;
步骤1-3:初始化传感器、控制器、执行机构的TrueTime Kernel模块及控制系统网络模型TrueTime Network模块,完成基于TrueTime的航空发动机分布式控制系统模型搭建。
3.根据权利要求2所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤1-3中的具体步骤如下:
步骤1-3-1:设置传感器Kernel模块的网络节点参数为1,模拟输入信号参数为1,模拟输出信号参数为1,初始化文件名为“sensor_init”,代码文件名为“sensor_code”;
步骤1-3-2:设置控制器Kernel模块的网络节点参数为2,模拟输入信号参数为1,模拟输出信号参数为3,初始化文件名为“controller_init”,代码文件名为“controller_code”;
步骤1-3-3:设置执行机构的Kernel模块的网络节点参数为3,模拟输入信号参数为0,模拟输出信号参数为1,初始化文件名为“actuator_init”,代码文件名为“actuator_code”;
步骤1-3-4:设置Network模块的网络协议参数为时分多址(TDMA)协议,网络节点参数为3,网络调度策略为1、2和3,设置网络传输速率为80000bits/s。
4.根据权利要求1所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤二中利用二分法建立网络信道丢包模型的具体步骤为:
步骤2-1:设置网络传输丢包率p(p<1);
步骤2-2:以二分法建立数据传输丢包模型,利用Matlab中的随机函数rand产生在(0-1)之间均匀分布的随机值λ,与网络传输丢包率p进行比较,如式(1)所示;
步骤2-3:在传感器到控制器的网络传输信道加入丢包模型,即在步骤1-3-1中的“sensor_code”代码文件中写入丢包过程代码。
5.根据权利要求1所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤三中设计基于两类不同Kalman滤波器的丢包状态估计器的具体步骤为:
步骤3-1:依据航空发动机部件级模型利用小扰动法和拟合法建立系统离散状态空间模型,如式(2)所示:
其中,xk,xk+1分别为系统在k和k+1时刻的状态变量,uk为系统在k时刻的控制变量,yk为系统在k时刻的输出变量;
步骤3-2:依据建立的离散状态空间模型,选取Kalman滤波器系数矩阵Ak,Bk,Ck,Dk;
步骤3-3:考虑网络传输数据丢包情况,设计两类Kalman滤波器进行控制器状态估计,其中第一类Kalman滤波器基于量测信号和控制信号,用于在无时延和掉包情况下的状态估计;第二类Kalman滤波器基于估计信号和控制信号,用于存在时延和掉包时的状态估计;
步骤3-4:依据两类Kalman滤波器的输出,设计如式(3)所示的估计状态。
6.根据权利要求5所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤3-3的具体步骤为:
步骤3-3-1:基于量测信号和控制信号的Kalman滤波器如式(4)、(5)、(6)、(7)和(8)所示:
其中,为系统的先验估计状态,为系统的后验估计状态,zk为传感器的量测信号,Pk为系统估计的先验误差协方差与后验误差协方差,Q,R为系统噪声和过程噪声的协方差矩阵,Kk为Kalman状态估计器的增益;
步骤3-3-2:基于估计信号和控制信号的Kalman滤波器如式(9)和(10)所示。
7.根据权利要求1所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤四中基于状态估计器发送的状态估计值,设计PI增量型控制器的具体步骤为:
步骤4-1:接受状态估计器的发送数据
步骤4-2:给出指令信号rk,并计算误差信号ek,ek的计算如式(11)所示;
步骤4-3:根据增量型PI控制算法计算控制器增量Δuk,Δuk计算如式(12)所示:
Δuk=u(k)-u(k-1)=KP[e(k)-e(k-1)]+KIe(k) (12)
其中,KP为比例增益,KI=KPT/TI为积分系数;
步骤4-4:计算实际控制变量uk,uk计算如式(13)所示:
u(k)=u(k-1)+Δuk (13)
其中,u(k-1)为系统k-1时刻的控制变量,u(k)为系统k时刻的控制变量,Δuk为系统的控制量增量。
8.据权利要求3所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤五中具体步骤包括:在步骤1-3-2中的“controller_code”文件中编写两类Kalman滤波器。
9.据权利要求3所述的一种基于状态估计的航空发动机分布式控制设计方法,其特征在于:所述步骤五中具体步骤还包括:在步骤1-3-2中的“controller_code”文件中,编写PI控制器代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617790.0A CN110333666B (zh) | 2019-07-10 | 2019-07-10 | 一种基于状态估计的航空发动机分布式控制设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617790.0A CN110333666B (zh) | 2019-07-10 | 2019-07-10 | 一种基于状态估计的航空发动机分布式控制设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110333666A true CN110333666A (zh) | 2019-10-15 |
CN110333666B CN110333666B (zh) | 2020-11-06 |
Family
ID=68145054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910617790.0A Active CN110333666B (zh) | 2019-07-10 | 2019-07-10 | 一种基于状态估计的航空发动机分布式控制设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110333666B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850740A (zh) * | 2019-11-21 | 2020-02-28 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
CN110889239A (zh) * | 2019-12-06 | 2020-03-17 | 中国航发控制系统研究所 | 基于飞参数据辨识的航空燃气涡轮发动机建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101686100A (zh) * | 2008-09-25 | 2010-03-31 | 华为技术有限公司 | 处理丢包的方法、传输质量控制方法、装置及系统 |
RU2419815C1 (ru) * | 2009-11-03 | 2011-05-27 | ОАО "ГСКБ "АЛМАЗ-АНТЕЙ" им. АКАДЕМИКА А.А. РАСПЛЕТИНА | Способ сопровождения воздушной цели из класса "самолет с турбореактивным двигателем" |
CN103490955A (zh) * | 2013-09-18 | 2014-01-01 | 电子科技大学 | 基于卡尔曼滤波的时变网络链路丢包率的估计方法 |
CN103942357A (zh) * | 2014-02-13 | 2014-07-23 | 南京航空航天大学 | 包线内全状态的涡扇发动机机载实时模型构建方法 |
CN105262656A (zh) * | 2015-09-22 | 2016-01-20 | 南京航空航天大学 | 航空发动机分布式控制系统时间触发通信总线的实现方法 |
CN105931130A (zh) * | 2016-04-11 | 2016-09-07 | 南京工业大学 | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 |
CN106647253A (zh) * | 2016-09-28 | 2017-05-10 | 南京航空航天大学 | 航空发动机分布式控制系统多性能鲁棒跟踪控制方法 |
CN109597306A (zh) * | 2018-12-13 | 2019-04-09 | 济南大学 | 一种丢包网络控制系统的跟踪控制器设计方法 |
-
2019
- 2019-07-10 CN CN201910617790.0A patent/CN110333666B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101686100A (zh) * | 2008-09-25 | 2010-03-31 | 华为技术有限公司 | 处理丢包的方法、传输质量控制方法、装置及系统 |
RU2419815C1 (ru) * | 2009-11-03 | 2011-05-27 | ОАО "ГСКБ "АЛМАЗ-АНТЕЙ" им. АКАДЕМИКА А.А. РАСПЛЕТИНА | Способ сопровождения воздушной цели из класса "самолет с турбореактивным двигателем" |
CN103490955A (zh) * | 2013-09-18 | 2014-01-01 | 电子科技大学 | 基于卡尔曼滤波的时变网络链路丢包率的估计方法 |
CN103942357A (zh) * | 2014-02-13 | 2014-07-23 | 南京航空航天大学 | 包线内全状态的涡扇发动机机载实时模型构建方法 |
CN105262656A (zh) * | 2015-09-22 | 2016-01-20 | 南京航空航天大学 | 航空发动机分布式控制系统时间触发通信总线的实现方法 |
CN105931130A (zh) * | 2016-04-11 | 2016-09-07 | 南京工业大学 | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 |
CN106647253A (zh) * | 2016-09-28 | 2017-05-10 | 南京航空航天大学 | 航空发动机分布式控制系统多性能鲁棒跟踪控制方法 |
CN109597306A (zh) * | 2018-12-13 | 2019-04-09 | 济南大学 | 一种丢包网络控制系统的跟踪控制器设计方法 |
Non-Patent Citations (5)
Title |
---|
FENG LU,等: "Nonlinear Kalman filters for aircraft engine gas path health estimation with measurement uncertainty", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
K.CHABIR*+,等: "Design of an Adaptive Kalman Filter for Fault Detection of Networked Control Systems", 《16TH MEDITERRANEAN CONFERENCE ON CONTROL AND AUTOMATION》 * |
宋军强,等: "存在数据丢包的航空发动机分布式控制器设计", 《航空发动机》 * |
张驭,等: "时延分布式控制系统的Truetime仿真分析", 《火力与指挥控制》 * |
董富强: "具有数据包丢失的网络控制系统的分析与丢包补偿", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850740A (zh) * | 2019-11-21 | 2020-02-28 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
CN110850740B (zh) * | 2019-11-21 | 2021-04-20 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
CN110889239A (zh) * | 2019-12-06 | 2020-03-17 | 中国航发控制系统研究所 | 基于飞参数据辨识的航空燃气涡轮发动机建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110333666B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Spall | An overview of the simultaneous perturbation method for efficient optimization | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
KR101933964B1 (ko) | 임의로 스위치 된 불확실한 비아핀 비선형 시스템의 적응 관측기 기반 출력 제약 추종을 이용한 제어 장치 | |
CN110333666B (zh) | 一种基于状态估计的航空发动机分布式控制设计方法 | |
CN109612738B (zh) | 一种涡扇发动机的气路性能改进的分布式滤波估计方法 | |
Herlambang | Design of a navigation and guidance system of missile with trajectory estimation using ensemble Kalman Filter square root (EnKF-SR) | |
CN104199295A (zh) | 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法 | |
CN109472062A (zh) | 一种变循环发动机自适应部件级仿真模型构建方法 | |
Benyon | A review of numerical methods for digital simulation | |
Ueda et al. | Flutter analysis using nonlinear aerodynamic forces | |
CN105912013A (zh) | 一种组合体航天器姿态无模型自适应控制方法 | |
CN104392039A (zh) | 一种过渡态发动机仿真建模方法 | |
CN112286047A (zh) | 基于神经网络的narma-l2多变量控制方法 | |
CN108153151B (zh) | Mimo全格式无模型控制器基于系统误差的参数自整定方法 | |
CN113219826B (zh) | 基于事件触发机制的非线性振荡器的自适应跟踪控制方法 | |
Eriksson et al. | Adaptive computational methods for parabolic problems | |
Volponi | Use of hybrid engine modeling for on-board module performance tracking | |
CN109858170B (zh) | 一种强非线性Modelica系统模型的频率特性估算系统及方法 | |
Kumarin et al. | Hardware-in-the-loop neuro-based simulation for testing gas turbine engine control system | |
Bund et al. | Sensitivity analysis of dropped samples for performance-oriented controller design | |
Oden | Adaptive finite element methods for problems in solid and fluid mechanics | |
Volponi et al. | A bootstrap data methodology for sequential hybrid engine model building | |
Meyer et al. | Solving differential equations by first-order explicit integration | |
Horváth et al. | Analysis of second-order Markov reward models | |
CN112733259B (zh) | 一种气动伺服弹性快速迭代分析与设计方法 |
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 |