CN110821683B - 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 - Google Patents
一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 Download PDFInfo
- Publication number
- CN110821683B CN110821683B CN201911138666.2A CN201911138666A CN110821683B CN 110821683 B CN110821683 B CN 110821683B CN 201911138666 A CN201911138666 A CN 201911138666A CN 110821683 B CN110821683 B CN 110821683B
- Authority
- CN
- China
- Prior art keywords
- control
- aircraft engine
- engine
- optimal
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000001133 acceleration Effects 0.000 title claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000011217 control strategy Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005312 nonlinear dynamic Methods 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 239000000446 fuel Substances 0.000 description 7
- 239000002245 particle Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 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
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/81—Modelling or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/01—Purpose of the control system
- F05D2270/04—Purpose of the control system to control acceleration (u)
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
一种航空发动机在最优加速跟踪控制中的自适应动态规划方法,属于航空发动机控制的技术领域。首先,根据发动机的工作状态,建立航空发动机非线性动态模型的最优控制问题。其次,根据航空发动机的非线性模型定义航空发动机的最优控制问题。再次,针对定义的航空发动机最优控制问题,构建一种自适应动态规划ADP算法计算最优控制策略v*。本发明应用于航空发动机的加速控制问题中,克服传统PID控制方法的局限性,能够解决航空发动机在加速控制问题中的最优控制规律。与PID控制方法进行比较,并获得了响应时间快,超调量小以及收敛速度快等优势。因此,所提出的ADP方法与之前的分析结果是吻合的。
Description
技术领域
本发明属于航空发动机控制的技术领域,提供了一种关于航空发动机在最优加速跟踪控制中的自适应动态规划(ADP)方法,并通过仿真验证了该方法的有效性。它具体是针对具有非线性非解析的航空发动机黑箱动态模型,建立了一种基于航空发动机动态模型的最优加速控制问题,并通过哈密顿-雅可比-贝尔曼方程与基函数逼近的方法设计了一种在线迭代的自适应动态规划(ADP)算法来获得最优的闭环反馈控制,最后与PID控制方法进行了比较。
背景技术
随着航空技术的持续发展,航空发动机的建模、材料和控制系统不仅受到了人们的关注,并且如何在多变的过渡态环境下使航空发动机满足节能和省时的性能要求,从而在最大程度上挖掘航空发动机的潜在性能。例如,加速过程中的最大推力和最小耗油率等。因此,解决这个问题的有效方法是针对航空发动机提出一种最优控制问题,并通过设计相应的优化算法得到最优的控制规律。
航空发动机的最优控制问题可以归结为:在给定的航空发动机仿真模型,控制和转速等约束条件下来获得加速,节能和省时等性能指标最优值的过程。然而,航空发动机是一种高度复杂的气动-热力-机械系统,具有很强的耦合性、非线性和不可解析性。因此,航空发动机的最优控制问题仍然是一个难以解决的关键问题。目前存在的方法主要有如下几个方面:
1)基于线性模型的方法
该方法是在平衡和非平衡状态下建立航空发动机的线性模型的思想。然而,基于线性模型获得的控制精度仍然相对较低,无法满足在特定性能指标下的最优控制规律,也无法适应整个飞行包线。
2)基于非线性模型的非线性规划方法
该方法研究了航空发动机的最小加速时间问题。然而非线性规划方法仍然具有一些局限性,例如较高的计算复杂度并且很难通过在线计算得到最优控制规律。
3)性能寻优数值计算方法
航空发动机性能寻优的数值计算方法主要包括序列二次规划方法、智能寻优方法(如粒子群算法),动态规划方法,但是这些方法也无法完全满足航空发动机最优控制的需求。特别是粒子群算法对航空发动机的燃油控制器增益进行调节时,粒子群算法能够更好的得到全局最优解。然而,粒子群算法的收敛时间过长,稳定性和精度相对较低。此外,动态规划方法随着状态变量和控制变量的维数的不断增加容易发生所谓的“维数灾难”,即通过动态规划方法求解最优控制问题时的计算量和存储量变得非常巨大,从而导致很难求解最优控制规律。
综合以上论述,自适应动态规划方法被认为是一种能够克服动态规划“维数灾难”的新方法,并能够获得最优的反馈控制规律。同时,自适应动态规划方法是一种不完全基于系统模型,并能够结合强化学习和动态规划来获得最优控制规律的方法。
发明内容
本发明针对航空发动机在传统的加速控制中采用比例、积分、微分控制(简称PID控制)方法所带来的局限性问题,提供一种针对航空发动机最优加速跟踪控制问题的自适应动态规划方法,并获得了更好的控制品质。由于航空发动机是一种高度复杂的气动-热力-机械系统,具有很强的非线性和不可解析性,因此如何在多变的全包线环境下使航空发动机满足推力最大和耗油率最低等性能指标。
为实现上述的目的,本发明的技术方案如下:
一种针对航空发动机在最优加速跟踪控制中的自适应动态规划方法被提出,该方法能够解决航空发动机在加速控制问题中的最优控制规律。首先,建立航空发动机非线性动态模型的最优控制问题。其次,针对航空发动机的最优控制问题,利用牛顿-莱布尼茨公式,哈密顿-雅可比-贝尔曼方程,基函数逼近方法和航空发动机的输入输出数据信息,提出一种航空发动机在黑箱非线性动态模型下的在线迭代自适应动态规划算法。另外,通过与PID控制方法进行比较,所提出的自适应动态规划方法具有低超调、响应时间快以及快速稳定等优势。本发明具体包括以下步骤:
步骤1:根据发动机的工作状态,建立航空发动机的非线性模型,并确定状态变量、控制变量和输出变量:
其中,t表示时间变量,x(t)表示航空发动机的状态向量,表示状态向量关于时间的导数,v(t)表示航空发动机的控制输入向量,y(t)表示航空发动机的输出向量,t0表示初始时刻,x0表示给定的初始状态,x(t0)表示在初始时刻t0下的状态值,f和g分别表示关于状态与控制的两个函数。
步骤2:根据航空发动机的非线性模型定义航空发动机的最优控制问题:
对于航空发动机模型(1),求解最优控制输入v*使航空发动机模型获得全局渐进稳定,并且使如公式(2)所表示的性能指标函数达到最小:
步骤3:针对定义的航空发动机最优控制问题,构建一种自适应动态规划(ADP)算法计算最优控制策略v*。具体的过程如下:
3.1)首先,根据牛顿-莱布尼茨公式与哈密顿-雅可比-贝尔曼方程,得到如下公式:
其中,i是第i个迭代步,tk是第k个时间节点,s是时间区间[tk-1,tk]中的一个时间点,v0是初始的控制输,vi-1(x(s))是状态反馈控制v(x(t))在第i-1步和第s处的取值;V(x(t))=J(v(x(t)))是一个值函数,J(v(x(t)))是在状态反馈控制v(x(t))下的性能指标函数,Vi(x(tk))是值函数V(x(t))在第i步和第tk处的取值,(x(s))=θVi(x(s))/θx(t)是第i步的值函数Vi(x(s))关于状态的偏导数,T为转置符号。
其中,是无误差表示的第i-1步控制函数序列,{ψj}(j=1,2,...,N1),{φj}(j=1,2,...,N2),分别是线性无关的基函数序列, 分别是未知函数vi-1(x(s)),Vi(x(tk))和的权重系数,分别是是未知函数vi-1(x(s)),Vi(x(tk))和 的近似误差函数。
3.3)紧接着,将近似公式(4)-(6)代入公式(3)中,获得如下的方程:
3.4)另外,通过公式(7)建立如下二次误差性能函数:
3.6)最后,设计如下的自适应动态规划(ADP)算法。
1)初始化:初始化控制输入v0和初始化状态x0,并令i=1;
本发明的有益效果为:本发明应用于航空发动机的加速控制问题中,并克服了传统PID控制方法的局限性,解决了以下问题,具体如下:1)该方法设计了具有非线性动态模型的航空发动机最优控制问题;2)针对航空发动机最优控制问题,提出了一种自适应动态规划(ADP)算法;3)与PID控制方法进行比较,并获得了响应时间快,超调量小以及收敛速度快等优势。因此,所提出的ADP方法与之前的分析结果是吻合的。
附图说明
图1是根据上述的分析过程,针对燃油流量获得了自适应动态规划(ADP)与PID控制方法的对比图。
图2是根据上述的分析过程,针对高压压气机出口总压获得了自适应动态规划(ADP)与PID控制方法的对比图。
图3是根据上述的分析过程,针对尾喷口出口总温获得了自适应动态规划(ADP)与PID控制方法的对比图。
图4是根据上述的分析过程,针对低压转子转速和高压转子转速获得了自适应动态规划(ADP)与PID控制方法的对比图。
具体实施方式
以下结合具体实施例对本发明做进一步说明。
步骤1:根据发动机工作状态,建立如公式(1)所示的航空发动机非线性动力学黑箱模型。
步骤2:根据航空发动机的非线性黑箱模型设计了如下航空发动机的最优加速跟踪控制的性能指标函数:
其中N1表示航空发动机低压转子转速,N2表示航空发动机高压转子转速,T6表示航空发动机的尾喷口出口总温,P3表示航空发动机的高压压气机出口总压,WFM表示航空发动机的燃油流量。
步骤3:针对上述步1与步2定义的航空发动机最优加速跟踪控制问题,通过设计3.6)中的自适应动态规划(ADP)算法来获得最优的控制策略v*。
实施结果
1)从仿真图1中可以看出,通过自适应动态规划(ADP)算法获得的最优燃油流量最终到达了期望值4000,并且比PID控制方法的响应时间快,超调量小等优势。
2)从仿真图2-图4中可以看出,在自适应动态规划(ADP)算法获得的最优燃油流量下,高压压气机出口总压,尾喷口出口总温,低压转子转速和高压转子转速都分别到达了期望值29,924.5,8300,14000,并且也比PID控制方法的响应时间快,超调量小。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (1)
1.一种航空发动机在最优加速跟踪控制中的自适应动态规划方法,其特征在于,包括以下步骤:
步骤1:根据发动机的工作状态,建立航空发动机的非线性模型,并确定状态变量、控制变量和输出变量:
其中,t表示时间变量,x(t)表示航空发动机的状态向量,表示状态向量关于时间的导数,v(t)表示航空发动机的控制输入向量,y(t)表示航空发动机的输出向量,t0表示初始时刻,x0表示给定的初始状态,x(t0)表示在初始时刻t0下的状态值,f和g分别表示关于状态与控制的两个函数;
步骤2:根据航空发动机的非线性模型定义航空发动机的最优控制问题:
对于航空发动机模型,求解最优控制输入v*使航空发动机模型获得全局渐进稳定,并且使如公式(2)所表示的性能指标函数达到最小:
其中,L(x(t),v(t))是状态与控制输入的被积函数;
步骤3:针对定义的航空发动机最优控制问题,构建一种自适应动态规划ADP算法计算最优控制策略v*;具体过程如下:
3.1)首先,根据牛顿-莱布尼茨公式与哈密顿-雅可比-贝尔曼方程,得到如下公式:
其中,i是第i个迭代步,tk是第k个时间节点,s是时间区间[tk-1,tk]中的一个时间点,v0是初始的控制输,vi-1(x(s))是状态反馈控制v(x(t))在第i-1步和第s处的取值;V(x(t))=J(v(x(t)))是一个值函数,J(v(x(t)))是在状态反馈控制v(x(t))下的性能指标函数,Vi(x(tk))是值函数V(x(t))在第i步和第tk处的取值,是第i步的值函数Vi(x(s))关于状态的偏导数;
其中,是无误差表示的第i-1步控制函数序列,{ψj}(j=1,2,...,N1),{φj}(j=1,2,...,N2),分别是线性无关的基函数序列, 分别是未知函数vi-1(x(s)),Vi(x(tk))和的权重系数,分别是是未知函数vi -1(x(s)),Vi(x(tk))和 的近似误差函数;
3.3)紧接着,将近似公式(4)-(6)代入公式(3)中,获得如下的方程:
3.4)另外,通过公式(7)建立如下二次误差性能函数:
其中,l是未知的决策参数向量,是基函数序列{ψj}(j=1,2,...,N1)构成的向量;是变量与构成的向量,Pk,j=φj(x(tk))-φj(x(tk-1))(j=1,2,...,N2)和 分别是公式(7)中φj(x(tk))-φj(x(tk-1))和的替代变量;
3.6)最后,设计如下的自适应动态规划ADP算法;
1)初始化:初始化控制输入v0和初始化状态x0,并令i=1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138666.2A CN110821683B (zh) | 2019-11-20 | 2019-11-20 | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138666.2A CN110821683B (zh) | 2019-11-20 | 2019-11-20 | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110821683A CN110821683A (zh) | 2020-02-21 |
CN110821683B true CN110821683B (zh) | 2021-07-06 |
Family
ID=69557120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138666.2A Active CN110821683B (zh) | 2019-11-20 | 2019-11-20 | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110821683B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624886B (zh) * | 2020-06-05 | 2022-04-08 | 沈阳航空航天大学 | 一种基于sarsa的变循环航空发动机推力控制方法 |
CN111856933B (zh) * | 2020-07-06 | 2022-08-09 | 大连理工大学 | 一种考虑不确定性的航空发动机自适应控制器设计方法 |
CN112085145B (zh) * | 2020-09-04 | 2023-02-21 | 北京航空航天大学 | 自适应循环航空发动机模式转换过程控制规律设计方法 |
WO2022061871A1 (zh) * | 2020-09-28 | 2022-03-31 | 大连理工大学 | 一种基于混合自适应差分进化的航空发动机模型迭代算法 |
CN112949027A (zh) * | 2021-01-21 | 2021-06-11 | 西北工业大学 | 基于isqp的航空发动机最低油耗控制优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6532454B1 (en) * | 1998-09-24 | 2003-03-11 | Paul J. Werbos | Stable adaptive control using critic designs |
CN104166344A (zh) * | 2014-05-12 | 2014-11-26 | 中国石油大学(华东) | 基于自适应动态规划的天然气管网运行调控方法 |
CN105955023A (zh) * | 2016-05-16 | 2016-09-21 | 浙江大学 | 一种用于快速运动控制系统的模型预测控制方法 |
CN107380165A (zh) * | 2017-07-27 | 2017-11-24 | 浙江工业大学 | 一种车辆自适应变速巡航过程车间距控制方法 |
CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
CN108828949A (zh) * | 2018-07-20 | 2018-11-16 | 南京航空航天大学 | 一种基于自适应动态规划的分布式最优协同容错控制方法 |
KR20190001477A (ko) * | 2017-06-27 | 2019-01-04 | 최진배 | 최적 듀얼 제어를 위한 방법과 체계 |
RU2680019C1 (ru) * | 2018-01-30 | 2019-02-14 | Публичное акционерное общество "ОДК-Уфимское моторостроительное производственное объединение" (ПАО "ОДК-УМПО") | Способ определения погасания камеры сгорания газотурбинного двигателя |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2893535C (en) * | 2015-06-03 | 2022-08-09 | Benoit Boulet | Seamless two-speed transmission for electric vehicle |
-
2019
- 2019-11-20 CN CN201911138666.2A patent/CN110821683B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6532454B1 (en) * | 1998-09-24 | 2003-03-11 | Paul J. Werbos | Stable adaptive control using critic designs |
CN104166344A (zh) * | 2014-05-12 | 2014-11-26 | 中国石油大学(华东) | 基于自适应动态规划的天然气管网运行调控方法 |
CN105955023A (zh) * | 2016-05-16 | 2016-09-21 | 浙江大学 | 一种用于快速运动控制系统的模型预测控制方法 |
KR20190001477A (ko) * | 2017-06-27 | 2019-01-04 | 최진배 | 최적 듀얼 제어를 위한 방법과 체계 |
CN107380165A (zh) * | 2017-07-27 | 2017-11-24 | 浙江工业大学 | 一种车辆自适应变速巡航过程车间距控制方法 |
RU2680019C1 (ru) * | 2018-01-30 | 2019-02-14 | Публичное акционерное общество "ОДК-Уфимское моторостроительное производственное объединение" (ПАО "ОДК-УМПО") | Способ определения погасания камеры сгорания газотурбинного двигателя |
CN108828949A (zh) * | 2018-07-20 | 2018-11-16 | 南京航空航天大学 | 一种基于自适应动态规划的分布式最优协同容错控制方法 |
CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110821683A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110821683B (zh) | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 | |
CN110502840B (zh) | 航空发动机气路参数在线预测方法 | |
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 | |
WO2021097696A1 (zh) | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 | |
CN110672328B (zh) | 一种基于随机配置网络的涡扇发动机健康参数估计方法 | |
CN112286047B (zh) | 基于神经网络的narma-l2多变量控制方法 | |
CN112668104B (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
CN104834785B (zh) | 基于单纯形样条函数的航空发动机稳态模型的建模方法 | |
CN113267314A (zh) | 一种暂冲式风洞的超声速流场总压控制系统 | |
CN105404750A (zh) | 一种基于改进Broyden算法求解方程组的涡轴发动机自适应模型建立方法 | |
Bei et al. | Non-affine parameter dependent LPV model and LMI based adaptive control for turbofan engines | |
Liu et al. | Model reference adaptive control for aero-engine based on system equilibrium manifold expansion model | |
CN111255574A (zh) | 一种航空发动机进口畸变下推力衰退自主控制方法 | |
CN111305954B (zh) | 输入受限的航空发动机降保守性鲁棒增益调度控制器 | |
CN110985216B (zh) | 一种含在线修正的航空发动机智能多变量控制方法 | |
CN107169163A (zh) | 一种适用于机翼气动参数分布实时计算的解耦算法 | |
Liu et al. | Design of gain-scheduling robust controller for aircraft engine | |
Zhang et al. | Direct surge margin control for aeroengines based on improved SVR machine and LQR method | |
Pasquale et al. | Robust control of flow separation over a pitching aerofoil using plasma actuators | |
Wang et al. | Gain scheduling controller of the aero-engine based on LPV model | |
CN115981160B (zh) | 一种基于反演滑模控制的航空发动机喘振主动控制系统 | |
CN113741195B (zh) | 一种航空发动机非线性控制方法及系统 | |
Han et al. | Direct learning control for an Aero-engine based on Adaboost-LSSVM | |
Ursu et al. | Control synthesis methodology related to an advanced nonlinear electrohydraulic servo system | |
CN111443595B (zh) | 基于健康退化的航空发动机增益调度控制器 |
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 |