CN110579962B - 基于神经网络的涡扇发动机推力预测方法及控制器 - Google Patents
基于神经网络的涡扇发动机推力预测方法及控制器 Download PDFInfo
- Publication number
- CN110579962B CN110579962B CN201910762040.2A CN201910762040A CN110579962B CN 110579962 B CN110579962 B CN 110579962B CN 201910762040 A CN201910762040 A CN 201910762040A CN 110579962 B CN110579962 B CN 110579962B
- Authority
- CN
- China
- Prior art keywords
- thrust
- neural network
- model
- prediction
- output
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 abstract 1
- 230000005764 inhibitory process Effects 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 230000004044 response Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
本发明公开了一种基于神经网络的涡扇发动机推力预测方法及控制器，该方法包括：建立涡扇发动机关键气路量测参数的稳态多输入多输出的神经网络模型；利用神经网络模型作为预测模型设计推力模型预测控制器；利用该模型预测控制器，设计某型涡扇发动机闭环控制系统，对推力控制系统的跟踪性能、约束性能进行研究。本发明在考虑发动机现有控制约束条件基础上，利用稳态神经网络模型结合SQP优化算法，以发动机不可测推力性能参数误差最小为目标，设计推力预测控制器，计算发动机控制量，该控制方法结构简单，对于设计控制器工作量的降低以及控制器推力性能衰退抑制具有积极促进作用。
Description
技术领域
本发明属于航空发动机仿真与控制领域，具体涉及一种基于神经网络的涡扇发动机推力预测方法及控制器。
背景技术
由于航空发动机技术的不断改进，发动机控制系统的性能要求也越来越高。传统的控制方法以牺牲发动机性能为代价来满足所有的约束限制，难以满足发动机越来越高的性能要求。与传统控制方法相比，模型预测控制(Model Predictive Control,MPC)不仅能够处理系统的时滞以及限制约束等问题，还能够基于预测模型实现最优控制，使控制系统具有良好的控制性能，以满足控制需求。
航空发动机中机械、流体和热力等效应的耦合很复杂，并且在飞行包线范围内，发动机参数变动很大，是一种具有强非线性特点的对象。而神经网络可以通过联系记忆及容错等方式有效地处理复杂系统的非线性特性，这种独特的处理非线性特性的能力以及简单的学习过程能够有效地反映航空发动机的特性。
目前国内外设计的预测控制器都是基于动态模型设计的，而基于动态模型的预测控制器在满足对象动态特性的情况下，响应时间变长，并且被控制量多以可测转速等设计。以不可测推力为被控制参数，设计模型预测控制器的方法尚未出现。
发明内容
本发明所要解决的技术问题是针对背景技术的缺陷，基于稳态多输入多输出神经网络模型设计涡扇发动机推力预测控制器，用于解决发动机的限制约束、非线性特性的问题以及基于动态模型预测控制器响应时间长的问题，该控制器具有良好的跟踪性能及约束性能。
本发明为解决上述技术问题采用以下技术方案：
一种基于神经网络的涡扇发动机推力预测方法，包括以下步骤：
步骤A)，建立涡扇发动机稳态多输入多输出神经网络模型；
步骤B)，设计推力模型预测控制器并对其进行性能验证。
作为本发明一种基于神经网络的涡扇发动机推力预测控制器进一步的优化方案，步骤A)的具体步骤如下：
步骤A1)，根据涡扇发动机部件级模型，在飞行包线内按照工作条件及被控量，获得包含推力在内的关键气路测量参数，将数据进行归一化换算作为神经网络的训练数据及测试数据，对飞行包线按高度和马赫数分区，同时以此为依据确定包线内稳态多输入多输出神经网络模型个数；
步骤A2)，利用训练数据建立稳态多输入多输出神经网络模型，该网络模型采用BP-NN网络拓扑结构，选择飞行高度H、飞行马赫数Ma，主燃油流量Wf和喉道面积A8作为网络的输入，低压转速NL、高压转速NH、发动机压比EPR、推力FG和风扇喘振裕度SMF作为网络的输出完成训练；
步骤A3)，利用测试数据验证稳态多输入多输出神经网络模型的精度，根据精度确定网络模型是否需迭代更新；
作为本发明一种基于神经网络的涡扇发动机推力预测方法进一步的优化方案，步骤B)具体步骤如下：
步骤B1)，将已建立含不可测推力的稳态多输入多输出神经网络模型作为推力模型预测控制器的预测模型，用来预测未来有限预测时域内发动机性能和关键可测输出参数，计算当前时刻的预测输出与发动机的实际输出之间的误差，设计反馈环节来校正预测输出；
步骤B2)，根据选定的二次型性能指标函数以及参数约束条件，在线求出此刻起有限控制时域内的最优控制律，且仅将控制律中的第一个控制量作用于发动机，控制律作用于预测模型，并且在下一时刻重复该过程；优化时域随着时间的推进不断地向前滚动，从而形成在线滚动优化，以优化预测模型的参数，得到推力模型预测控制器；
步骤B3)，推力模型预测控制器设计后，与航空发动机、传感器、执行机构等构成涡扇发动机推力控制闭环系统，对设计点和非设计点进行跟踪性能以及约束边界验证。
基于神经网络的涡扇发动机推力预测控制器，包括稳态多输入多输出神经网络预测模型模块、在线滚动优化模块和反馈校正模块。
所述稳态多输入多输出神经网络预测模型模块用于根据系统的未来输入进行未来输出预测。
所述在线滚动优化模块用于根据性能指标函数，在线求出此刻起有限控制时域内的最优控制律，作用于神经网络预测模型，且仅将控制律中的第一个控制量作用于航空发动机，并且在下一时刻重复该过程。
所述反馈校正模块用于校正未来预测值。计算当前时刻的系统预测输出与当前时刻的系统实际输出之间的误差，并根据该误差校正未来预测输出值。滚动优化是在已校正的预测输出值的基础上得到控制律的，这样整个预测控制系统就形成闭环结构。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明提出的涡扇发动机稳态多输入多输出神经网络模型，能反映发动机非线性特性，根据未来输入进行未来输出预测。
(2)本发明提出的基于神经网络的涡扇发动机推力预测控制器，具有良好的跟踪性能和约束性能，且控制器响应时间缩短；
附图说明
图1是飞行包线示意图；
图2是BP-NN神经网络结构示意图；
图3是稳态多输入多输出神经网络测试结果表；
图4是预测控制算法原理图；
图5是H＝0km，Ma＝0时FG输出响应图；
图6是H＝10km，Ma＝0.8时FG输出响应图；
图7是H＝0km，Ma＝0时低压转速约束图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明的思路是针对涡扇发动机非线性特性以及约束限制等要求，以涡扇发动机部件级模型为基础，建立稳态多输入多输出神经网络模型，并基于神经网络模型设计推力预测控制器。相比于非线性部件级模型，该神经网络模型实时性良好，运行速度较快，相比于基于动态模型的推力预测控制器，该控制器的响应加快。该控制器是基于稳态多输入多输出神经网络模型的有益尝试，能显著降低劳动强度，提高控制性能。
本发明的具体实施方式以某型涡扇发动机稳态多输入多输出神经网络模型构建与推力预测控制器设计为例，该稳态多输入多输出神经网络模型建立与控制器的设计包括以下步骤：
步骤A)，建立涡扇发动机稳态多输入多输出神经网络模型；
步骤B)，设计推力模型预测控制器并对其进行性能验证。
其中步骤A)的详细步骤如下：
步骤A1)，根据涡扇发动机飞行包线内的不同状态点(飞行包线示意图如图1所示)，可得到包含推力在内的关键气路测量参数及各截面参数。其中状态点按照如下规则选取：高度H由0km至20km，每次递增1km进行变化，Ma由0至2，每次递增0.2进行变化。而包线内的每一个状态点都对应一组使得发动机能正常运行的燃油量范围，状态点的不同燃油量同时对应不同的喉道面积。将每个状态点对应的燃油量范围和喉道面积范围均分，发动机飞行包线内共获得两万多组稳态训练数据。为了使建立的神经网络模型更好的模拟发动机在低空、高空以及其他不同状态点的行为，在训练神经网络之前对训练数据进行归一化处理，并采用分区域设计神经网络模型的思路，将两万多组数据均分为6块，每一块区域都建立一个神经网络模型。
步骤A2)，利用训练数据建立稳态多输入多输出神经网络模型，选择飞行高度H、飞行马赫数Ma，主燃油流量Wf和喉道面积A8作为网络的输入，低压转速NL、高压转速NH、发动机压比EPR、推力FG和风扇喘振裕度SMF作为网络的输出进行神经网络的训练。该神经网络模型为BP-NN网络拓扑结构，选取的训练算法为trainbr，网络的隐层数为1，隐层节点数为30。BP-NN神经网络结构示意图如图2所示。
步骤A3)，将数据集中的80％作为训练数据，20％作为测试数据，验证稳态多输入多输出神经网络模型的精度，并根据精度确定网络模型是否需迭代更新，图3给出了稳态多输入多输出神经网络的测试结果。
步骤B)的详细步骤如下：
步骤B1)，使用含推力的稳态多输入多输出神经网络模型作为预测模型进行推力模型预测控制器的设计，预测模型、在线滚动优化和反馈校正三大部分之间的关系如图4所示。预测模型用于预测发动机的性能和关键可测输出参数。在k时刻，参考指令r(k)和神经网络预测模型对未来有限预测时域内发动机的预测输出值
之间存在偏差，滚动优化模块依据这个偏差以及选取的性能指标函数，可以计算得到未来控制时域内的最优控制序列u(k),u(k+1),u(k+2),…,u(k+nu-1)，并只将控制序列中的第一个分量u(k)作为发动机的未来输入。而反馈校正模块则基于模型的预测输出
和发动机的实际输出y(k)之间的误差e(k)来校正未来预测值。
定义预测跟踪误差为
式中，y(k)为k时刻的实际输出，
为k时刻的模型预测输出。则校正后的预测输出为
式中，K为校正系数矩阵，K＝[K1,K2,…,Kny]T，其中校正系数矩阵中各项系数Ki，i＝1,2,…,ny的取值，一般为[0,1]。
步骤B2)，根据选定的二次型性能指标函数以及参数约束条件，在线求出此刻起有限控制时域内的最优控制律，且仅将控制律中的第一个控制量作用于系统，并且在下一时刻重复该过程。这样，优化时域随着时间的推进也不断地向前滚动，从而形成在线滚动优化；
定义预测误差为
ΔY(k)＝r(k)-Yp(k) (3)
式中，r(k)为参考指令，Yp(k)为校正后的预测输出。
定义控制增量为
Δu(k)＝u(k)-u(k-1) (4)
式中，u(k)为当前时刻控制量，u(k-1)为前一时刻控制量。
本文选取带约束条件的性能指标函数为
约束条件为
NL≤1.05NL,d (6)
Δu(k)≤1 (7)
式中，△Y(k+i)，△u(k+i)分别为当前时刻起未来i步的预测误差和控制增量。ny为预测时域，nu为控制时域，且ny≥nu。若nu<i<ny时，则△u(k+i)＝0。Q为预测误差权重系数矩阵，R为控制增量权重系数矩阵。NL为低压转速，NL,d为设计点低压转速。
步骤B3)，建立涡扇发动机推力控制闭环系统，对设计点和非设计点验证系统的跟踪性能及约束性能。在设计点H＝0km，Ma＝0和非设计点H＝10km，Ma＝0.8两种情况下分别对推力进行跟踪。H＝0km，Ma＝0状态下的仿真结果如图5所示，此状态下控制器的各参数取值为：预测时域ny＝5，控制时域nu＝3，预测误差权重系数矩阵Q＝diag[1,1,1,1,1]，控制增量权重系数矩阵R＝diag[0.1,0.1,0.1]，校正系数矩阵K＝[1,1,1,1,1]T，推力参考输入相对于设计点的值为105.8％。由图可知，系统的调节时间小于1s，超调量为0.18％，不存在无静差，并且具有良好的动、静态特性。
H＝10km，Ma＝0.8状态下的仿真结果如图6所示，此状态下控制器的各参数取值为：预测时域ny＝5，控制时域nu＝3，预测误差权重系数矩阵Q＝diag[1,1,1,1,1]，控制增量权重系数矩阵R＝diag[0.1,0.1,0.1]，校正系数矩阵K＝[1,1,1,1,1]T，推力参考输入相对于设计点为33.7％。由图可知，系统的调节时间小于0.5s，超调量为0.15％，不存在静差，并且具有良好的动、静态特性。
以H＝0km，Ma＝0状态点为例，选取了低压转速NL为约束量，证明所设计的预测控制器具有约束能力。虽然只研究了NL为约束量的情况，但该方法同样可以研究其他约束量。给定一个发动机不可能达到的推力指令，验证控制器的约束是否起作用，NL的约束仿真结果如图7所示。由图可知，预测控制器存在约束能力，随着时间的推移，低压转速并没有超过限制线。
需要指出的是，以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于神经网络的涡扇发动机推力预测方法，其特征在于，包括以下步骤：
步骤A)，建立含不可测推力的涡扇发动机关键气路量测参数的稳态多输入多输出神经网络模型；
步骤B)，利用所述神经网络模型作为预测模型设计推力模型预测控制器；利用推力模型预测控制器，建立涡扇发动机推力闭环控制系统，并对推力模型预测控制器进行性能验证；
步骤B2)中二次型性能指标函数为：
约束条件为
NL≤1.05NL,d
Δu(k)≤1
式中，△Y(k+i)，△u(k+i)分别为当前时刻起未来i步的预测误差和控制增量，△u(k)为第k步的控制增量；ny为预测时域，nu为控制时域，且ny≥nu；若nu<i<ny时，则△u(k+i)＝0；Q为预测误差权重系数矩阵，R为控制增量权重系数矩阵；NL为低压转速，NL,d为设计点低压转速；k为时刻。
2.根据权利要求1所述的一种基于神经网络的涡扇发动机推力预测方法，其特征在于，步骤A)的具体步骤如下：
步骤A1)，根据涡扇发动机部件级模型，在飞行包线内按照工作条件及被控量，获得包含推力在内的关键气路测量参数，将数据进行归一化换算作为神经网络的训练数据及测试数据，对飞行包线按高度和马赫数分区，每一个区域建立一个神经网络模型；
步骤A2)，利用训练数据建立稳态多输入多输出神经网络模型，选择飞行高度H、飞行马赫数Ma，主燃油流量Wf和喉道面积A8作为网络的输入，低压转速NL、高压转速NH、发动机压比EPR、推力FG和风扇喘振裕度SMF作为网络的输出完成训练；
步骤A3)，利用测试数据验证稳态多输入多输出神经网络模型的精度，根据精度确定网络模型是否需迭代更新。
3.如权利要求1所述的一种基于神经网络的涡扇发动机推力预测方法，其特征在于，步骤B)的具体步骤如下：
步骤B1)，将已建立含不可测推力的稳态多输入多输出神经网络模型作为推力模型预测控制器的预测模型，用来预测未来有限预测时域内发动机性能和关键可测输出参数，计算当前时刻的预测输出与发动机的实际输出之间的误差，设计反馈环节来校正预测输出；
步骤B2)，根据选定的二次型性能指标函数以及参数约束条件，进行如下过程：在线求出此刻起有限控制时域内的最优控制律，且仅将控制律中的第一个控制量作用于发动机，控制律作用于预测模型，并且在下一时刻重复该过程；优化时域随着时间的推进不断地向前滚动，从而形成在线滚动优化，以优化预测模型的参数，得到推力模型预测控制器；
步骤B3)，推力模型预测控制器设计后，与航空发动机、传感器、执行机构构成涡扇发动机推力控制闭环系统，对设计点和非设计点进行跟踪性能以及约束边界验证。
4.基于权利要求1所述涡扇发动机推力预测方法的涡扇发动机推力预测控制器，其特征在于，包括稳态多输入多输出神经网络预测模型模块、在线滚动优化模块和反馈校正模块；
所述稳态多输入多输出神经网络预测模型模块用于根据系统的未来输入进行未来输出预测；
所述在线滚动优化模块用于根据性能指标函数，在线求出此刻起有限控制时域内的最优控制律，作用于神经网络预测模型，且仅将控制律中的第一个控制量作用于航空发动机，并且在下一时刻重复该过程；
所述反馈校正模块用于校正未来预测输出值，计算当前时刻的控制器预测输出与当前时刻的发动机实际输出之间的误差，并根据该误差校正未来预测输出值；
所述在线滚动优化模块在已校正的未来预测输出值的基础上得到控制律。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910762040.2A CN110579962B (zh) | 2019-08-19 | 2019-08-19 | 基于神经网络的涡扇发动机推力预测方法及控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910762040.2A CN110579962B (zh) | 2019-08-19 | 2019-08-19 | 基于神经网络的涡扇发动机推力预测方法及控制器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110579962A CN110579962A (zh) | 2019-12-17 |
| CN110579962B true CN110579962B (zh) | 2021-06-15 |
Family
ID=68811601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910762040.2A Active CN110579962B (zh) | 2019-08-19 | 2019-08-19 | 基于神经网络的涡扇发动机推力预测方法及控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110579962B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111042928B (zh) * | 2019-12-30 | 2020-12-11 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
| US11823057B2 (en) | 2019-12-30 | 2023-11-21 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
| CN111734533B (zh) * | 2020-05-28 | 2022-09-23 | 北京仿真中心 | 一种基于涡扇发动机的模型预测方法及系统 |
| CN114237029B (zh) * | 2021-12-16 | 2023-09-22 | 南京航空航天大学 | 基于主动切换逻辑的涡扇发动机加速过程控制方法及装置 |
| CN114961985B (zh) * | 2022-05-11 | 2024-05-07 | 西安交通大学 | 一种氢燃料航空转子发动机性能智能预测方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9254759B1 (en) * | 2013-03-15 | 2016-02-09 | Arx Pax, LLC | Propulsion and control for a magnetically lifted vehicle |
| CN107193212B (zh) * | 2017-06-26 | 2020-04-07 | 南京航空航天大学 | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 |
| CN107992648B (zh) * | 2017-11-15 | 2021-04-20 | 南京航空航天大学 | 一种自适应rbf神经网络进行航空发动机推力估计算法 |
| CN108153982B (zh) * | 2017-12-26 | 2021-07-06 | 哈尔滨工业大学 | 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 |
| CN108762089B (zh) * | 2018-06-15 | 2021-02-19 | 大连理工大学 | 一种基于模型预测的航空发动机在线优化及多变量控制设计方法 |
-
2019
- 2019-08-19 CN CN201910762040.2A patent/CN110579962B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110579962A (zh) | 2019-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110579962B (zh) | 基于神经网络的涡扇发动机推力预测方法及控制器 | |
| WO2019144337A1 (zh) | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 | |
| US11454177B2 (en) | Method of aero-engine on-line optimization and multivariable control based on model prediction | |
| CN106647253B (zh) | 航空发动机分布式控制系统多性能鲁棒跟踪控制方法 | |
| CN109162813B (zh) | 一种基于迭代学习修正的航空发动机智能转速控制方法 | |
| CN108803336B (zh) | 一种航空发动机自适应lqg/ltr控制器设计方法 | |
| CN103306822B (zh) | 一种基于喘振裕度估计模型的航空涡扇发动机控制方法 | |
| Lv et al. | Recent research progress on airbreathing aero-engine control algorithm | |
| CN112286047B (zh) | 基于神经网络的narma-l2多变量控制方法 | |
| Zhou et al. | An improved multivariable generalized predictive control algorithm for direct performance control of gas turbine engine | |
| CN110502840B (zh) | 航空发动机气路参数在线预测方法 | |
| CN102411305A (zh) | 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法 | |
| CN110219736B (zh) | 基于非线性模型预测控制的航空发动机直接推力控制方法 | |
| CN110221537A (zh) | 控制方法、装置及航空发动机限制保护控制方法、装置 | |
| CN110647052B (zh) | 一种变循环发动机模式切换自适应身份证模型构建方法 | |
| CN111042928A (zh) | 一种基于动态神经网络的变循环发动机智能控制方法 | |
| CN111666648B (zh) | 一种航空发动机动态特性模拟方法 | |
| CN113267314A (zh) | 一种暂冲式风洞的超声速流场总压控制系统 | |
| CN107037727A (zh) | 一种无人直升机大包线自适应增益调度方法 | |
| Bing et al. | Wide-range model predictive control for aero-engine transient state | |
| Yangjing et al. | Neural network-based model predictive control with fuzzy-SQP optimization for direct thrust control of turbofan engine | |
| CN115773569A (zh) | 基于自抗扰解耦的海洋平台通风系统风量控制方法 | |
| Liu et al. | A robust adaptive linear parameter-varying gain-scheduling controller for aeroengines | |
| CN114035429B (zh) | 一种基于干扰观测器的涡扇发动机切换系统的输出跟踪控制方法 | |
| CN110985216A (zh) | 一种含在线修正的航空发动机智能多变量控制方法 |
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 |