CN110502840A - 航空发动机气路参数在线预测方法 - Google Patents

Abstract

本发明公开了一种航空发动机气路参数在线预测方法，包括：步骤A、通过传感器获得当前时刻k的发动机可测参数测量值；步骤B、利用线性化卡尔曼滤波器对发动机健康参数和状态量进行增量式估计；步骤C、更新发动机模型的健康参数和外部输入，基于部件级偏导数模型进行卡尔曼滤波器所需状态空间模型和气路参数预测状态空间模型更新；步骤D、将控制输入序列传给气路参数预测状态空间模型，对发动机气路参数变化进行在线预测。本发明能在动态过程中有效评估真实发动机健康状态，并根据给定的输入序列快速、准确地在线预测气路参数变化。

Description

航空发动机气路参数在线预测方法

技术领域

本发明属于航空宇航推进理论与工程中的系统仿真与控制领域，具体涉及一种航空发动机气路参数在线预测方法。

背景技术

随着发动机技术的发展和进步，对航空发动机控制系统提出了更高的要求，这使得具有挖掘发动机性能潜力的模型基控制方法备受关注。模型基控制以机载模型来实现对发动机气路输出参数的估计和预测，为控制系统提供发动机状态变化信息，以实现高性能控制。

基于优化思想的模型基控制方法在应用过程中，需要在多组给定的未来输入序列下分别预测出被控制量和安全限制量对应的输出序列以进行优化评估，计算相应的优化目标参数和约束。因而预测的准确性直接决定了控制效果的好坏。由于预测过程实际上是通过重复调用某一形式的机载模型进行滚动优化实现的，因而会产生巨大的模型计算需求，对机载模型的实时性提出了极高的要求。因此，在这类模型基控制应用中需要一种高精度、高实时性的气路参数在线预测方法。

当前的在线预测方法中，往往采用部件级模型、分段线性化模型、线性变参数模型以及智能模型实现预测过程，但这些机载模型受建模原理和技术手段的限制，存在一些缺点使其难以满足基于优化思想的模型基控制的使用需求。

分段线性模型或是线性变参数模型是基于状态空间模型的非线性模型。这类模型具有计算简单的优点，但精度往往不如部件级模型。这是因为在当前的技术条件下，为建立分段线性模型或是线性变参数模型，只能在有限个稳态工作点建立状态变量模型，然后通过参数调度方法进行模型的调度。此外，由于状态变量模型的系数矩阵元素变化规律性较差，对这些矩阵元素进行拟合时往往存在较大的拟合误差，使得这类模型的精度难以保证。

由于安装公差、发动机维护等原因，同一类型的发动机不同个体也会存在一定的性能偏差，使得基于通用特性所建立的各类数学模型难以与实际发动机个体匹配，而线性模型由于其自身结构的简单性和发动机的强非线性进一步加剧了该不确定性引起的建模误差。此外，随着发动机的长期使用，会使得发动机的性能出现一定程度的下降。由于航空发动机部件较多，各个部件均会出现性能退化的情况，且各个部件的退化程度各不相同，这就极大地增加了考虑发动机性能退化的状态空间模型的建模难度，导致了当前状态空间模型往往仅建立在未退化条件下。为了能够适用于退化发动机的参数预测，往往需要额外地通过神经网络、支持向量机、极端学习机等对状态空间模型的输出进行补偿。而这些智能算法所需的飞行数据只能包括发动机工作过程中的可测量，对关键性能量例如推力、喘振裕度等不可测量无法进行针对发动机个体差异的个别训练和补偿。另外，这些算法往往利用整个数据库的数据对模型进行离线更新，这意味着在飞行过程中当性能发生偏差时模型的输出将不能很好地被补偿，使得基于线化模型和智能补偿模型的复合模型精度下降。

而直接作为机载模型的智能模型，需要大量的离线数据进行预先训练，且同样面临着对数据未覆盖的飞行包线内发动机工作状态难以预测的缺点，以及难以确定采集何种退化情况下的数据方能有效保证模型在各种退化情况下都具有高精度的难题。

相比之下，部件级模型的建模方法成熟、整体精度较高，引入健康参数后可以表征发动机个体之间的差异，预测存在发动机性能退化情况下的气路参数输出。但其由于自身结构复杂，计算量较大，在优化过程中反复调用该模型将产生巨大的机载系统计算能力需求。加之为实现卡尔曼滤波估计而进行的线性化操作将产生额外的模型计算需求，因而难以满足基于优化思想的模型基控制的实时性需求。

因此，已有的在线气路参数预测方法受制于其所采用的机载模型的缺点，难以满足基于优化思想的模型基控制的应用要求，需要一种精度高且实时性高、计算负担低的在线气路参数预测方法。

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，提供一种航空发动机气路参数在线预测方法，利用该预测方法，能够有效地估计真实发动机的健康参数和状态量，并在给定输入条件下以较低计算负担准确预测航空发动机气路参数变化。

本发明一种航空发动机气路参数在线预测方法，包括以下步骤：

步骤A、通过传感器获得当前时刻k的发动机可测参数测量值；

步骤B、利用改进的线性化卡尔曼滤波器对发动机健康参数和状态量进行增量式估计；

步骤C、更新发动机模型的健康参数和外部输入，基于偏导数模型进行卡尔曼滤波器所需状态空间模型和气路参数预测状态空间模型更新；

步骤D、将控制输入序列传给气路参数预测状态空间模型，对发动机气路参数变化进行在线预测。

优选地，所述步骤B具体包括：

步骤B1、利用k-1时刻的系统矩阵及输出矩阵更新协方差矩阵P和滤波器增益矩阵K：

式中，下标k-1和k分别表示k-1时刻和当前k时刻，下标LKF表示该变量为线性化卡尔曼滤波器相关变量，A_LKF,k-1和C_LKF,k-1分别表示k-1时刻的线性化卡尔曼滤波器的系统矩阵和输出矩阵，上标T表示矩阵转置，Q、R分别表示适维系统噪声协方差矩阵和测量噪声协方差矩阵，上标“-1”表示对矩阵求逆，上标“+”表示该变量经过了校正，校正后的值相较于未校正前的值可以视为该变量更准确的值；

步骤B2、估计当前时刻健康参数和状态量的增量

Δy_ob,k＝y_ob,k-y_ob,CLM,k-1

式中，y_ob表示传感器测量值，下标CLM表示该变量的值由部件级模型提供，y_ob,CLM表示部件级模型输出值，该变量内包含的具体物理量与y_ob相同，u_k、u_k-1分别表示k时刻、k-1时刻的发动机控制输入量，D_LKF,k-1表示k-1时刻线性化卡尔曼滤波器的前馈矩阵，上标^表示对应变量的估计值，为增广了健康参数之后的发动机状态量：

式中，η_k为k时刻的健康参数，x_k表示k时刻发动机状态量；

步骤B3、根据上一时刻增广状态量的估计值和估计增量获得当前时刻增广状态量的估计

步骤B4、校正协方差矩阵P：

式中，I表示适维单位阵。

优选地，所述步骤C具体包括：

步骤C1、以步骤B中得到的健康参数估计值和状态量估计值更新部件级模型的对应变量，将当前时刻k的飞行条件和输入传给部件级模型；

步骤C2、利用固定迭代次数的牛顿-拉夫逊算法对部件级模型和偏导数模型进行联合求解；

步骤C3、利用部件级模型和偏导数模型的输出构造如下预测模型：

式中，下标m表示该离散状态空间预测模型的采样时刻；下标p表示预测气路参数；k时刻的状态变量模型矩阵(A_SSM,k、B_SSM,k、C_SSM,k和D_SSM,k)由偏导数模型的输出构成相应的雅克比矩阵，按如下定义：

其余变量由相应的部件级模型的输出构成，按如下定义：

式中，x_k+1,CLM和y_p,k,CLM为部件级模型的输出，分别表示由部件级模型求解得到的下一时刻的状态量和当前时刻的相应的气路参数值；

步骤C4、利用部件级模型和偏导数模型的输出构造如下线性化卡尔曼滤波器所需的状态空间方程：

式中，A_LKF,k、B_LKF,k、C_LKF,k和D_LKF,k由相应的偏导数模型的输出构成，表示相应的雅克比矩阵，定义如下：

优选地，所述步骤D具体包括：

步骤D1、给定将来若干时刻的控制输入序列U_p＝[u_p,k+1,…,u_p,k+n]，其中n为给定的预测步长且n≥1；

步骤D2、利用k时刻的气路参数预测状态空间模型依次计算k+1时刻到k+n时刻的状态空间模型输出y_p,k+1到y_p,k+n，作为发动机在将来可能输入条件下的预测输出序列Y_p＝[y_p,e+1,…,y_p,k+n]；

步骤D3、判断整个动态过程是否结束，若是则结束，若否则返回步骤A。

相比现有技术，本发明技术方案具有以下有益效果：

(1)预测精度高、可预测周期长：本发明能够精确且解析地计算出所需要的雅克比矩阵的偏导数，在各个采样周期内自适应地更新预测模型参数，使得模型能够充分表达发动机当前健康状态下的特性，可以提供对发动机输出量更准确的预测、以及在更长的预测周期内保证预测精度。

(2)稳定性高：本发明充分利用上一时刻部件级模型和部件偏导数模型的计算信息，从而将线性化卡尔曼滤波器构造在上一时刻最优估计点，进而实现在下一时刻对健康参数等估计量变化的增量式估计，相比位置式估计具有更高的估计稳定性。

(3)实时性高、计算量小：本发明的主要导数计算过程采用了解析推导、求解，避免了传统差分方法需要大量调用模型进行求导计算的缺陷，极大地降低了模型整体的计算量，提高了整体预测过程的实时性。

(4)通用性和可移植性：本发明基于航空发动机部件级模型和部件偏导数模型实施，对能够建立部件级模型的各类航空发动机均适用。

附图说明

图1为本发明的实施流程图；

图2为典型的双轴混排涡扇发动机结构图；

图3为本发明的预测模型总体结构图；

图4为动态仿真过程飞行条件变化；

图5为本发明在线求解低压转子转速与发动机测量值对比图；

图6为本发明在线求解高压转子转速与发动机测量值对比图；

图7为本发明在线求解风扇出口总压与发动机测量值对比图；

图8为本发明在线求解风扇出口总温与发动机测量值对比图；

图9为本发明在线求解压气机出口总压与发动机测量值对比图；

图10为本发明在线求解压气机出口总温与发动机测量值对比图；

图11为本发明在线求解高压涡轮出口总压与发动机测量值对比图；

图12为本发明在线求解高压涡轮出口总温与发动机测量值对比图；

图13为本发明在线求解低压涡轮出口总压与发动机测量值对比图；

图14为本发明在线求解低压涡轮出口总温与发动机测量值对比图；

图15为本发明在线预测发动机下一时刻推力的预测值图；

图16为本发明在线预测发动机下一时刻高压涡轮进口总温预测值图。

具体实施方式

针对现有航空发动机气路参数预测方法所存在的缺陷，本发明通过部件级模型、部件偏导数模型和改进的线性化卡尔曼滤波器对真实发动机工作状态进行跟踪，从而使在线构造的状态空间模型具有自适应能力，能够用于对发动机将来输出变化的预测。利用航空发动机原理和气动热力计算方法，在部件级模型基础上，通过微分运算及链式求导法则构建偏导数模型来实现线性化操作，在线更新每个采样时刻的状态空间模型和卡尔曼滤波递推过程中所需的系统矩阵。改进线性化卡尔曼滤波器的估计逻辑，充分利用上一时刻的工作点信息，以增量方式对健康参数和状态量进行估计。其适用对象为能够建立复杂解析模型的各种动力机械，包括但不限于涡喷发动机、涡扇发动机、涡轴发动机、涡桨发动机、变循环发动机、涡轮基冲压组合发动机等。

图1给出了本发明的实施流程图，为了便于公众理解，下面以在线预测图2所示的双轴混排涡扇发动机性能量为例对本发明技术方案进行详细说明。

图2中的1截面为进气道进口；2截面为进气道出口和风扇进口；22截面为风扇出口；25和15截面为内外涵进口；3截面为压气机出口和燃烧室进口；4截面为燃烧室出口；41截面为高压涡轮进口；42截面为高压涡轮出口；45截面为低压涡轮进口；46截面为低压涡轮出口；16和6截面分别为外涵出口和内涵出口；8截面为尾喷管喉道；9截面为尾喷管出口。

本发明所提出的航空发动机气路参数在线预测方法的总体结构如图3所示。图中u表示真实发动机输入量向量，y_ob表示由传感器获得的真实发动机参数测量值，y_ob,CLM表示由部件级模型计算得到的、且和传感器测量值相同含义的物理量，η为健康参数，U_p为优化控制进行预测时的输入序列，Y_p为对应的预测输出序列。另外指出，上标^表示对应物理量的估计值。

在本实施例中u＝[m_fb A₈]^T，m_fb为主燃油流量，A₈为尾喷口喉道面积。y_ob由低压转子转速n_f、高压转子转速n_c、风扇出口总压P₂₂、风扇出口总温T₂₂、压气机出口总压P₃、总温T₃、高压涡轮出口总压P₄₂、高压涡轮出口总温T₄₂、低压涡轮出口总压P₄₆、低压涡轮出口总温T₄₆，即y_ob＝[n_f n_c P₂₂ T₂₂ P₃ T₃ P₄₂ T₄₂ P₄₆ T₄₆]^T。需要在线预测的参数是推力F和高压涡轮进口温度T₄₁。

部件级模型基于气动热力学、转子动力学和部件级建模方法建立。部件级模型的动态计算过程以风扇压比系数Z_f、压气机压比系数Z_c、高压涡轮落压比X_pitg和低压涡轮落压比X_pilg作为猜值，通过牛顿-拉夫逊迭代算法修正4个猜值使高压涡轮进口流量连续方程e₁、低压涡轮进口流量连续方程e₂、内外涵出口静压平衡方程e₃和尾喷管喉道处总压平衡e₄方程四项的残差收敛。设定平衡方程残差的收敛阈值为10^-6，即当各平衡方程残差绝对值小于该值时认为模型已经收敛。通过转子动力学方程更新每一时刻的低、高压转速n_f、n_c。

此外，部件级模型在风扇、压气机、高压涡轮和低压涡轮中分别引入2个退化量，即流量退化量SW和效率退化量SE。故健康参数η如下：

η＝[SW_fan SE_fan SW_com SE_com SW_ht SE_ht SW_lt SE_lt]^T (1)

式中，下标fan、com、ht和lt分别表示风扇、压气机、高压涡轮和低压涡轮部件。

部件流量退化量SW和效率退化量SE定义如下：

式中，m^*为由风扇特性图获得的流量，e^*为由风扇特性图获得的效率，m和e分别为实际流量和效率。

此外，本发明需要首先离线建立偏导数模型。建立偏导数模型的方法，可以采用已公开发明专利：基于精确偏导数的航空发动机部件级模型构建方法(申请号：201810453574.2)以构建部件级的偏导数模型，也可以采用如下简化方法直接构建需要的偏导数模型。

下面以改进的简化方法构造偏导数模型为例说明本例所需要的偏导数模型建立过程。在本例子中，自变量V包括发动机输入u＝[m_fb A₈]^T，猜值变量X＝[Z_f Z_c X_pitgX_pilg]^T，健康参数η、状态量x＝[n_f n_c]^T。由此，自变量V的维数为16。因变量M包括y_ob、F、T₄₁、平衡方程残差向量E＝[e₁ e₂ e₃ e₄]^T以及根据转子动力学更新的下一时刻状态量x。

筛选部件级模型中从自变量V到因变量M的计算过程，用以下公式描述相应的关系式：

式中，H和L表示相应的函数关系，U为中间变量。

将自变量V的微分向量转化为对角矩阵，并直接令其为单位阵：

式中，dV为V的微分向量，dv₁、dv₂、…、dv₁₆为对应自变量的微分量，为dV对角化后的矩阵，I为适维单位阵。

根据链式法则，建立中间变量的热力学参数U对自变量V的偏微分关系和因变量M对中间变量U的偏微分关系，即：

式(6)即为自变量V到M的偏导数模型。该偏导数模型将用于偏导数的在线计算过程，以获得状态变量预测模型，实现本发明的预测过程。

下面以当前时刻为k为例，对本发明的在线预测流程部分加以说明。

根据步骤A，通过传感器获得当前时刻k的发动机参数测量值y_ob。

根据步骤B1，利用k-1时刻的系统矩阵及输出矩阵更新协方差矩阵P和滤波器增益矩阵K：

式中，下标k-1和k分别表示k-1时刻和当前k时刻，下标LKF表示该变量为线性化卡尔曼滤波器相关变量，A_LKF,k-1和C_LKF,k-1分别表示k-1时刻的线性化卡尔曼滤波器的系统矩阵和输出矩阵，上标T表示矩阵转置，Q、R分别表示适维系统噪声协方差矩阵和测量噪声协方差矩阵，上标“-1”表示对矩阵求逆，上标“+”表示该变量经过了校正，校正后的值相较于未校正前的值可以视为该变量更准确的值。

特别地，当k＝1时为首次进行步骤B，则k-1时刻对应为初始化时刻。在初始化时刻，对部件级模型和卡尔曼滤波器进行初始化。具体地，本例中给定该发动机的地面中间状态的飞行条件(高度0km和零马赫数)和相应的m_fb和A₈作为初始输入条件，并设定健康参数η为0，状态量为中间状态转速。通过牛顿-拉夫逊算法对部件级模型和部件偏导数模型进行迭代求解来初始化部件级模型，利用部件级模型和部件级偏导数模型的解构造卡尔曼滤波器所需要的状态空间模型。具体的迭代求解过程和构造过程，同后续步骤C中的过程类似，在此不再赘述。此外，设置卡尔曼滤波器初始协方差矩阵为零矩阵，且P⁺∈R^10×10。根据系统噪声水平和测量噪声水平分别设置相应的系统噪声矩阵协方差矩阵Q＝0.002²×I^10×10和测量噪声协方差矩阵R＝0.002²×I^10×10。

根据步骤B2，根据测量值，估计当前时刻健康参数和状态量的增量

Δy_ob,k＝y_ob,k-y_ob,CLM,k-1 (9)

式中，y_ob表示传感器测量值，下标CLM表示该变量的值由部件级模型提供，y_ob,CLM,表示部件级模型输出值，该变量内包含的具体物理量与y_ob相同，u_k、u_k-1分别表示k时刻、k-1时刻的发动机控制输入，D_LKF,k-1表示k-1时刻线性化卡尔曼滤波器的前馈矩阵，上标^表示对应变量的估计值，为增广了健康参数之后的发动机状态量：

式中，η_k为k时刻的健康参数，x_k表示k时刻发动机状态量。值得指出，由k-1时刻部件级模型计算得到。

根据步骤B3，根据上一时刻增广状态量的估计值和估计增量获得当前时刻增广状态量的估计

根据步骤B4，校正协方差矩阵P：

式中，I表示适维单位阵。

根据步骤C1，以步骤B中得到的健康参数估计值和状态量估计值更新部件级模型的对应变量，将当前时刻k的飞行条件和输入传给部件级模型；。

根据步骤C2，利用固定迭代次数的牛顿-拉夫逊算法对部件级模型和偏导数模型进行联合求解。本例中采用2次通过算法对部件级模型和偏导数模型进行求解，并设定牛顿-拉夫逊算法的迭代步长为1。具体地，

(1)初始化模型共同工作方程猜值X₁、增广状态向量和输入u_k的微分量：

式中，X₁表示当前时刻k时进行第一次气动热力计算所采用的初猜值。

(2)进行第一次气动热力计算：

式中，E₁为由部件级模型平衡方程残差组成的向量，O为增广状态量u_k和猜值X到E₁的热力学关系。J₁为相应的雅克比矩阵，下标和u分别表示对x和对u的微分。

(3)利用牛顿-拉夫逊方法对部件级模型猜值进行更新：

式中，X₂为更新后的猜值。

(4)设置迭代过程中猜值的微分值：

dX₂＝I^4×4 (17)

(5)进行第二次气动热力计算：

式中，y_k,CLM为测量参数和预测参数构成的向量，即y_p＝[FT₄₁]^T，f₁表示从u_k、X₂到y_k,CLM的热力学关系式，下标p表示预测的气路参数。

(6)状态更新计算：

式中，表示根据转子动力学计算的下一时刻的转子转速，f₂表示从u_k、X₂到功率W的热力学关系式，f₃表示从功率W到关系式。功率W为风扇消耗功率W_fan、压气机消耗功率W_com、高压涡轮产生功率W_ht和低压涡轮产生功率W_lt的向量，即W＝[W_fanW_com W_ht W_lt]^T。

根据步骤C3、利用部件级模型和偏导数模型的输出构造如下状态空间模型：

式中，下标m表示该离散状态空间预测模型的采样时刻；下标p表示预测的气路参数；k时刻的状态变量模型矩阵(A_SSM,k、B_SSM,k、C_SSM,k、D_SSM,k)由偏导数模型的输出构成相应的雅克比矩阵，按如下定义：

其余变量由相应的部件级模型的输出构成，按如下定义：

式中，x_k+1,CLM和y_p,k,CLM为部件级模型的输出，分别表示由部件级模型求解得到的下一时刻的状态量和当前时刻的相应的气路参数值。

特别指出，k代表预测模型的建立时刻，为总体仿真时间，m代表所建立预测模型自身的采样时刻，如m＝1可以预测k+1时刻输出，m＝2可以预测k+2时刻输出，以此类推。

根据步骤C4、利用部件级模型和偏导数模型的输出构造如下改进的线性化卡尔曼滤波器所需的状态空间方程：

式中，A_LKF,k、B_LKF,k、C_LKF,k和D_LKF,k由相应的偏导数模型的输出构成，表示相应的雅克比矩阵，定义如下。

该状态空间模型用于下一时刻步骤B的改进线性卡尔曼滤波估计过程。

根据步骤D1，给定将来若干时刻的输入序列U_p＝[u_p,k+1,…,u_p,k+n]，其中n为给定的预测步长且n≥1。方便起见，本例中取预测步长n＝1，即在当前时刻k在给定输入条件下预测下一时刻k+1的参数变化。输入序列U_p开环给定，且每一时刻仅给定一组输入序列。

根据步骤D2，利用式(7)和式(8)依次计算k+1时刻的状态空间模型输出y_p,k+1作为给定输入序列下的预测结果。

根据步骤D3，判断整个动态过程是否结束，若是则结束程序，若否则返回步骤A。

为了验证本发明的有效性，本例采用的验证方式为在存在健康参数退化的动态过程中，考察本发明的气路参数预测的精度。气路参数预测精度是指在相同输入下，用状态空间模型所预测出的下一时刻参数和发动机实际输出的比较。

仿真飞行条件如图4所示，图中H表示飞行高度，Ma表示飞行马赫数，PLA表示油门杆角度。8个健康参数值从0开始以线性变化的方式从0.05秒时开始变化，在第75秒达到下表1中所示的值。

表1健康参数最终变化值

仿真环境为Dell T5810Win7旗舰版，CPU为Intel Xeon(TM)1650v4 3.6GHz。程序运行平台为VS2010旗舰版Debug模式。

图5到图13给出了本发明中所采用的部件级模型在改进线性卡尔曼滤波器框架下每个采样时刻的输出与真实发动机输出n_f、n_c、P₂₂、T₂₂、P₃、T₃、P₄₂、T₄₂、P₄₆、T₄₆的对比结果，图中所有物理量为以初始点为基准进行归一化后的值，Engine表示发动机测量值，CLM表示部件级模型输出。从这些图中可以看出，本发明在线计算的气路参数与真实发动机所有测量参数的误差绝对值均小于2％。特别地对高低压转子转速、各截面输出温度测量值的最大动态误差绝对值基本小于0.5％。表明了用于构造状态空间模型的部件级模型及改进线性卡尔曼滤波器具有较高的精度，进而保证了状态空间模型的精度。

图14和图15给出了本发明所建立状态空间预测模型对下一时刻推力和高压涡轮进口温度的预测结果，图中所有物理量是以初始点为基准进行归一化后的值，Engine表示发动机输出，SSM为预测模型输出。从图中可以看出，对下一时刻的预测最大动态误差绝对值均小于2％，满足在线预测的要求。

为了验证本发明的实时性，反复执行本发明步骤A到D共3000次循环，以避免计算机自身性能变动的影响。测试结果为执行一次步骤A到步骤D平均耗时12.89毫秒，远小于25毫秒采样步长，满足实时性需求。

Claims (4)

1.一种航空发动机气路参数在线预测方法，其特征在于，包括以下步骤：

步骤A、通过传感器获得当前时刻k的发动机可测参数测量值；

步骤B、利用改进的线性化卡尔曼滤波器对发动机健康参数和状态量进行增量式估计；

步骤C、更新发动机模型的健康参数和外部输入，基于偏导数模型进行卡尔曼滤波器所需状态空间模型和气路参数预测状态空间模型更新；

步骤D、将控制输入序列传给气路参数预测状态空间模型，对发动机气路参数变化进行在线预测。

2.如权利要求1所述一种航空发动机气路参数在线预测方法，其特征在于，所述步骤B具体包括：

步骤B1、利用k-1时刻的系统矩阵及输出矩阵更新协方差矩阵P和滤波器增益矩阵K：

式中，下标k-1和k分别表示k-1时刻和当前k时刻，下标LKF表示该变量为线性化卡尔曼滤波器相关变量，A_LKF,k-1和C_LKF,k-1分别表示k-1时刻的线性化卡尔曼滤波器的系统矩阵和输出矩阵，上标T表示矩阵转置，Q、R分别表示适维系统噪声协方差矩阵和测量噪声协方差矩阵，上标“-1”表示对矩阵求逆，上标“+”表示该变量经过了校正，校正后的值相较于未校正前的值可以视为该变量更准确的值；

步骤B2、估计当前时刻健康参数和状态量的增量

Δy_ob,k＝y_ob,k-y_ob,CLM,k-1

式中，y_ob表示传感器测量值，下标CLM表示该变量的值由部件级模型提供，y_ob,CLM,表示部件级模型输出值，该变量内包含的具体物理量与y_ob相同，u_k、u_k-1分别表示k时刻、k-1时刻的发动机控制输入，D_LKF,k-1表示k-1时刻线性化卡尔曼滤波器的前馈矩阵，上标^表示对应变量的估计值，为增广了健康参数之后的发动机状态量：

式中，η_k为k时刻的健康参数，x_k表示k时刻发动机状态量；

步骤B3、根据上一时刻增广状态量的估计值和估计增量获得当前时刻增广状态量的估计

步骤B4、校正协方差矩阵P：

式中，I表示适维单位阵。

3.如权利要求1所述一种航空发动机气路参数在线预测方法，其特征在于，所述步骤C具体包括：

步骤C1、以步骤B中得到的健康参数估计值和状态量估计值更新部件级模型的对应变量，将当前时刻k的飞行条件和输入传给部件级模型；

步骤C2、利用固定迭代次数的牛顿-拉夫逊算法对部件级模型和偏导数模型进行联合求解；

步骤C3、利用部件级模型和偏导数模型的输出构造如下预测模型：

式中，下标m表示该离散状态空间预测模型的采样时刻；下标p表示预测的气路参数；k时刻的状态变量模型矩阵(A_SSM,k、B_SSM,k、C_SSM,k、D_SSM,k)由偏导数模型的输出构成相应的雅克比矩阵，按如下定义：

其余变量由相应的部件级模型的输出构成，按如下定义：

式中，x_k+1,CLM和y_p,k,CLM为部件级模型的输出，分别表示由部件级模型求解得到的下一时刻的状态量和当前时刻的相应的气路参数值；

步骤C4、利用部件级模型和偏导数模型的输出构造如下线性化卡尔曼滤波器所需的状态空间方程：

式中，A_LKF,k、B_LKF,k、C_LKF,k和D_LKF,k由相应的偏导数模型的输出构成，表示相应的雅克比矩阵，定义如下：

4.如权利要求1所述航空发动机气路参数在线预测方法，其特征在于，所述步骤D具体包括：

步骤D1、给定将来若干时刻的控制输入序列U_p＝[u_p,k+1,…,u_p,k+n]，其中n为给定的预测步长且n≥1；

步骤D2、利用k时刻的气路参数预测状态空间模型依次计算k+1时刻到k+n时刻的状态空间模型输出y_p,k+1到y_p,k+n，作为发动机在将来可能输入条件下的预测输出序列Y_p＝[y_p,k+1,…,y_p,k+n]；

步骤D3、判断整个动态过程是否结束，若是则结束，若否则返回步骤A。