CN110850740B - 基于改进型Smith预估器的航空发动机H∞控制方法 - Google Patents

基于改进型Smith预估器的航空发动机H∞控制方法 Download PDF

Info

Publication number
CN110850740B
CN110850740B CN201911145405.3A CN201911145405A CN110850740B CN 110850740 B CN110850740 B CN 110850740B CN 201911145405 A CN201911145405 A CN 201911145405A CN 110850740 B CN110850740 B CN 110850740B
Authority
CN
China
Prior art keywords
control
controller
model
engine
controlled object
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
Application number
CN201911145405.3A
Other languages
English (en)
Other versions
CN110850740A (zh
Inventor
孙希明
李杰杰
郭昆
杜宪
温思歆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Beijing Power Machinery Institute
Original Assignee
Dalian University of Technology
Beijing Power Machinery Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology, Beijing Power Machinery Institute filed Critical Dalian University of Technology
Priority to CN201911145405.3A priority Critical patent/CN110850740B/zh
Publication of CN110850740A publication Critical patent/CN110850740A/zh
Application granted granted Critical
Publication of CN110850740B publication Critical patent/CN110850740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00Systems involving the use of models or simulators of said systems
    • G05B17/02Systems 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

本发明提供了基于改进型Smith预估器的航空发动机H∞控制方法,属于航空发动机控制与仿真技术领域。本发明首先针对航空发动机非线性模型建立合理的小偏差线性模型,并选择某工况的状态空间模型数据作为控制器设计的被控对象;选取合适的性能指标加权函数参数,求解出H输出反馈控制器,调节参数至基本达到控制要求;基于采用H控制律设计的闭环反馈控制系统,设计改进结构的Smith预估补偿器,构成复合控制器,针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,在控制系统中增加一个采用PID控制律设计的偏差矫正控制器,用于镇定被控对象,利用被控对象与模型输出信号的比较来做出适应性修正,从而进一步增强系统的鲁棒性。

Description

基于改进型Smith预估器的航空发动机H∞控制方法
技术领域
本发明提供了基于改进型Smith预估器的航空发动机H∞控制方法,属于航空发动机控制与仿真技术领域。
背景技术
本发明依托背景为某型双轴涡扇发动机非线性部件级数学模型的分布式网络时滞系统的补偿与控制。
航空发动机是一个复杂的多变量控制系统,具有强时变性与强非线性,其工作的可靠性与高效性对飞机的安全飞行至关重要。随着航空发动机控制系统设计要求的不断提高,集中式控制架构难以满足复杂的控制要求。为了进一步提高系统的可靠性、减重以及降低成本,发动机分布式控制架构的应用越来越广泛。航空发动机分布式控制系统中引入了网络,不可避免的会在传感器/执行机构和控制器间引起通信时延,它是一种网络控制系统。相对传统控制系统而言,网络通信技术在控制系统中的应用具有很多优点,但同时也带来了一系列亟待研究和解决的特殊问题,其中网络诱导时延就是系统中存在的最主要的问题之一。时延对控制系统的稳定性和性能有着极大的影响,严重情况下甚至会导致系统的失稳。因此,对航空发动机分布式控制系统中时延补偿策略与控制方法的研究具有重要意义。
目前,国内外对于网络控制系统的分析研究理论严重滞后于其实际应用现状,尤其是网络控制系统的时延补偿与稳定控制等方面。根据现有的文献,国内外研究者针对随机、时变和不确定的网络时延,从多种角度提出了控制方法与解决方案:一是改变控制策略,把网络时延看成广义被控对象的参数,采用智能控制算法,如模糊、神经网络等,但是先进控制算法较为复杂,过多占用网络控制系统中的节点资源,难以在实际应用中实施;二是通过改进通信协议来降低网络时延对系统稳定性的影响,但是,通信协议的制定以及获得国际标准化组织的认可周期很长,难以在短期内得到应用;三是利用现代测控技术,在线测量、估计或辨识网络时延,从而实现对时延的补偿与控制,但是时延预测、估计或辨识数学模型因网络时延的复杂性难以准确建立,无法满足传统 Smith预估器的时延条件。目前为止,没有专利公开改进型Smith预估器与H∞控制律相结合构成复合控制的航空发动机分布式网络时滞系统补偿与控制方法。
发明内容
为了保证航空发动机控制系统的稳定性,以及针对网络控制系统中传感器/ 执行机构和控制器间的通信时延问题,本发明提出基于改进型Smith预估器的航空发动机H∞控制方法。
本发明的技术方案:
基于改进型Smith预估器的航空发动机H∞控制方法,该航空发动机H∞控制方法中采用的控制系统闭环回路中控制器部分包含两个部分,第一部分是采用H∞控制策略设计的控制器,主要完成对航空发动机被控变量的跟踪控制;第二部分是采用改进型Smith预估器的时延补偿策略,解决依据H∞控制策略设计出的航空发动机控制器对时延现象适应能力不足的问题;
基于改进型Smith预估器的航空发动机H∞控制方法,包括以下步骤:
S1.航空发动机某工况下线性模型的获取
发动机模型是控制系统设计的基础,首先需要对航空发动机非线性模型建立合理的线性模型;基于多变量控制目标,选择高压转子转速和落压比作为被控变量,与被控变量对应的控制量分别为燃油和尾喷管面积;航空发动机在某工况下的小偏差线性模型用以下状态空间方程表示:
Figure 1
其中,Δx=[Δx1 Δx2]T为状态变量,
Figure BDA0002282035890000032
为对应的状态变量的导数;Δu=[ΔWf ΔA8]T为控制作用量(被控对象输入量),ΔWf表示控制器输出的燃油增量,ΔA8表示尾喷管面积的增量;Δy=[ΔN2 ΔPiT]T为系统输出量,ΔN2、ΔPiT 分别表示高压转子转速和落压比;A,B,C,D为发动机线性模型参数矩阵;利用 Matlab提供的系统辨识工具箱对某型双轴涡扇发动机非线性模型进行辨识,以获取发动机的小偏离线性模型。
S2.设计针对航空发动机非线性模型的多变量H∞控制器
根据多变量H∞控制器设计原理,选取合适的性能指标加权函数参数,求解H∞输出反馈控制器,调节参数至达到控制要求;进行多变量非线性控制器测试,微调各参数保证涡扇发动机的整体效果,以增强涡扇发动机的多变量控制系统的鲁棒性;
S2.1.选取通过系统辨识获取的小偏差线性模型作为标称模型,飞行包线内其他各点的模型看作是相对于标称模型的摄动;
S2.2.根据发动机控制指标的稳态控制要求、动态控制要求以及鲁棒性要求,选取合适的加权函数,加权函数与控制设计指标的关系描述为如下形式:
Figure BDA0002282035890000033
Figure BDA0002282035890000034
Figure BDA0002282035890000035
其中,
Figure BDA0002282035890000036
为控制系统的灵敏度函数;
Figure BDA0002282035890000037
为系统的补灵敏度函数;
Figure BDA0002282035890000038
通常用||R(s)||来衡量系统的加性不确定性;Ws(s)为性能加权函数;WR(s)为控制器输出加权函数;WT(s)为鲁棒加权函数;G(s) 为原被控对象,K(s)为控制器;
S2.3.建立如下形式的增广被控对象:
Figure BDA0002282035890000041
式中,A,B1,B2,C1,C2,D11,D12,D21,D22为增广被控对象的模型参数矩阵,u 为控制作用量(被控对象输入量),w为外部干扰,y为系统量测输出信号,z为评价信号,通常包括跟踪误差、调节误差和执行机构输出。
增广被控对象可以表示为:
Figure BDA0002282035890000042
其中,P为增广被控对象,G为原被控对象;Ws、WR和WT分别为性能加权函数、控制器输出加权函数、鲁棒加权函数。
S2.4.构成增广被控对象后,根据控制系统指标要求选取合适的参数,进行控制器的求解,得到H∞混合灵敏度控制器;满足H∞混合灵敏度控制问题的性能指标为:
min||Tzw(s)||<γ0(H混合灵敏度最优控制问题) (7)
||Tzw(s)||<γ(H混合灵敏度次优控制问题) (8)
式中:Tzw(s)为系统从外部输入w到被控输出z的闭环传递函数;γ0,γ为给定值且γ>min||Tzw(s)||
把非1的γ归入到各权函数中,则将航空发动机H∞控制器转化为标准H∞控制:
Figure BDA0002282035890000043
S2.5.搭建基于发动机线性模型的控制系统仿真,调节性能指标加权函数的参数至基本达到控制指标要求,使系统闭环稳定;
S2.6.进行多变量非线性控制器测试,微调各参数保证涡扇发动机的整体效果,以增强涡扇发动机的多变量控制系统的鲁棒性;
S3.设计改进结构的Smith预估器
根据Smith预估器的基本原理,基于采用H∞控制律设计的闭环反馈控制系统,设计改进结构的Smith预估控制器,构成复合控制器,将影响系统稳定性的网络时延的指数项从系统的闭环特征方程中消除,实现对系统网络诱导时延的预估补偿,增强系统的稳定性且不需要对系统时延进行在线测量;针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,在控制系统中增加一个用于镇定被控对象的控制器,利用被控对象与模型输出信号的比较做出适应性修正,从而进一步增强系统的鲁棒性;
S3.1.根据航空发动机分布式控制系统的典型结构,分析闭环反馈系统的传递函数,进一步分析其闭环特征方程;
闭环传递函数:
Figure BDA0002282035890000051
闭环特征方程:
Figure BDA0002282035890000052
其中,Y(s)为系统测量输出信号,R(s)为参考输入信号;K(s)为控制器,G(s) 为被控对象;τca和τsc分别表示信号从传感器到控制器和从控制器到执行器的网络时延。
S3.2.针对随机、不确定的网络时延预估模型的不准确,在不同位置上增加一些并联或串联的环节进行补偿,在一定条件下,使得其闭环特征方程中不再包含网络时延的指数项;
S3.3.针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,把被控对象和模型之间的差别看作是增益的误差,利用被控对象与模型输出信号的比较来对模型增益做出适应性修正,设计现场偏差矫正控制器,用于镇定被控对象,从而改善控制性能质量;
S3.4.进行航空发动机时延系统的复合控制器测试,微调各参数保证发动机的转速跟踪控制效果,以增强发动机的多变量控制系统的鲁棒性以及针对时延的补偿的有效性。
航空发动机某工况下线性模型的获取的步骤如下:
S1.将某型双轴涡扇发动机在闭环控制作用下得到的燃油流量、尾喷管面积数据以及相对应的高压转子转速、落压比数据进行保存;
S2.将保存的燃油流量和尾喷管面积数据作为发动机非线性部件级仿真模型的输入,同时给定阶跃信号作为激励信号,得到发动机的输出,相关输出参数经过数据处理后作为系统辨识的输入输出数据;
S3.基于Matlab系统辨识工具箱,导入输入输出数据,设置数据名称、开始时间和采样间隔,然后去除均值、选择有效输入输出数据范围,选择模型以及辨识方法对目标系统进行辨识;
S4.分析系统辨识误差并验证所获取的模型,并选出最符合系统特性的模型。
本发明的有益效果:
(1)本发明为航空发动机分布式控制系统的网络时延补偿与控制提供了一种新的更为有效的控制思路,将H∞控制方法和Smith预估补偿方法相融合,在满足航空发动机的稳态控制要求、跟踪控制要求和抗干扰性能要求的基础上,建立改进型Smith预估器,减小时延影响,保证航空发动机在一定范围内的随机时延下仍能达到较好的稳态性能及动态性能。
(2)本发明提出的基于改进型Smith预估器的航空发动机H∞控制方法,闭环反馈控制系统中没有出现网络时延的预估补偿模型,可以保证系统满足改进型Smith预估补偿的时延条件,免除了对随机、时变和不确定性网络时延的测量、估计或辨识,并且,采用双控制器的改进型Smith预估补偿方案,可以增强系统的鲁棒性与抗干扰能力。
(3)本方法也适用于具有相似结构的燃气轮机以及相似工作原理的内燃机的控制系统的设计,应用范围广泛。
附图说明
图1为存在时延的航空发动机闭环控制系统结构示意图。
图2为基于改进型Smith预估器的航空发动机H∞控制方法设计流程图。
图3为航空发动机线性模型获取流程图。
图4为H∞控制器设计流程图。
图5为H∞控制器的增广系统双端子结构框图。
图6为改进型Smith预估补偿器的设计流程图。
图7为改进型Smith预估器与H∞控制律复合控制结构图。
图8为采用双控制器的改进型Smith预估器与H∞控制律复合控制结构图。
图9(a)为0.5s时延条件下航空发动机转速跟踪控制效果图。
图9(b)为0.7s时延条件下航空发动机转速跟踪控制效果图。
图10(a)为0.5s时延条件下航空发动机落压比跟踪控制效果图。
图10(b)为0.7s时延条件下航空发动机落压比跟踪控制效果图。
图11为航空发动机转速抗扰效果图。
图12为航空发动机落压比抗扰效果图。
具体实施方式
下面结合附图和技术方案,进一步说明本发明的具体实施方式。本发明的依托背景为某型双轴涡扇发动机时延系统的补偿与控制,网络时滞系统的结构如图1所示。
如图2所示,基于改进型Smith预估器的航空发动机H∞控制方法,具体详细设计步骤如下:
S1.航空发动机某工况下线性模型的获取
发动机模型是控制系统设计的基础,首先需要对航空发动机非线性模型建立合理的线性模型。基于多变量控制目标,选择高压转子转速和落压比作为被控变量,与被控变量对应的控制量分别为燃油和尾喷管面积。航空发动机在某工况下的小偏差线性模型可用以下状态空间方程表示:
Figure BDA0002282035890000081
其中,Δx=[Δx1 Δx2]T为状态变量,
Figure BDA0002282035890000082
为对应的状态变量的导数;Δu=[ΔWf ΔA8]T为控制作用量(被控对象输入量),ΔWf表示控制器输出的燃油增量,ΔA8表示尾喷管面积的增量;Δy=[ΔN2 ΔPiT]T为系统输出量,ΔN2、ΔPiT 分别表示高压转子转速和落压比;A,B,C,D为发动机线性模型参数矩阵。利用 Matlab提供的系统辨识工具箱对某型双轴涡扇发动机非线性模型进行辨识,以获取发动机的小偏离线性模型。
S2.设计针对航空发动机非线性模型的多变量H∞控制器
根据H∞控制器设计原理,选取合适的性能指标加权函数参数,求解H∞输出反馈控制器,调节参数至基本达到控制要求。进行多变量非线性控制器测试,微调各参数保证涡扇发动机的整体效果,以增强涡扇发动机的多变量控制系统的鲁棒性。
S3.设计改进结构的Smith预估器
根据Smith预估器的基本原理,基于采用H∞控制律设计的闭环反馈控制系统,设计改进结构的Smith预估控制器,构成复合控制器,将影响系统稳定性的网络时延的指数项从系统的闭环特征方程中消除,可实现对系统网络诱导时延的预估补偿,增强系统的稳定性且不需要对系统时延进行在线测量;针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,在控制系统中增加一个用于镇定被控对象的控制器,利用被控对象与模型输出信号的比较来对模型增益做出适应性修正,从而进一步增强系统的鲁棒性。
如图3所示,航空发动机某工况下线性模型的获取的具体步骤如下:
S1.将某型双轴涡扇发动机在闭环控制作用下得到的燃油流量、尾喷管面积数据以及相对应的高压转子转速、落压比等相关数据保存。
S2.将保存的燃油流量和尾喷管面积数据作为发动机非线性部件级仿真模型的输入,同时给定一定的阶跃信号作为激励信号,燃油输入端的阶跃信号幅值设置为1000,尾喷管面积输入端的阶跃信号变化量设置为100,保存发动机的输出数据。对相关输出参数进行数据处理,去除设计点的稳态参数,获得相对于稳态点数据的偏差数据,可以作为系统辨识的输入输出数据;
S3.基于Matlab系统辨识工具箱,导入输入输出数据,设置数据名称、开始时间、采样间隔设置为0.025s,然后进行数据预处理,由于激励信号是在某一时刻T才起作用的,将[0,T]时刻内的输入数据删除掉,只保留T时刻以后的有效输入输出数据作为模型辨识数据源。选择状态空间模型辨识,并指定状态空间阶数为2,采用子空间辨识方法对目标系统进行辨识;
S4.分析系统辨识误差并验证所获取的模型,将S1保存的燃油流量以及尾喷管面积数据分别作为发动机非线性模型以及辨识得到的发动机小偏差线性模型的输入,对比分析模型的输出高压转子转速和落压比响应曲线的吻合度,并选出最符合系统特性的模型。
如图4所示,设计针对航空发动机非线性模型的多变量H∞控制器的具体步骤如下:
S1.选取通过系统辨识获取的小偏差线性模型作为标称模型,飞行包线内其他各点的模型看作是相对于标称模型的摄动;
S2.根据发动机控制指标的稳态控制要求、动态控制要求以及鲁棒性要求,选取合适的加权函数,加权函数与控制设计指标的关系可描述为如下形式:
Figure BDA0002282035890000091
Figure BDA0002282035890000092
Figure BDA0002282035890000101
Figure BDA0002282035890000093
其中,
Figure BDA0002282035890000102
为控制系统的灵敏度函数;
Figure BDA0002282035890000103
为系统的补灵敏度函数;
Figure BDA0002282035890000104
通常用||R(s)||来衡量系统的加性不确定性; Ws(s)为性能加权函数;WR(s)为控制器输出加权函数;WT(s)为鲁棒加权函数;G(s) 为原被控对象,K(s)为控制器。
分析加权函数的奇异值曲线,最终选取满足性能指标设计要求的加权函数为:
Figure BDA0002282035890000105
Figure BDA0002282035890000106
Figure BDA0002282035890000107
S3.建立如下形式的增广被控对象(图5):
Figure BDA0002282035890000108
式中,A,B1,B2,C1,C2,D11,D12,D21,D22为增广被控对象的模型参数矩阵,u 为控制作用量(被控对象输入量),w为外部干扰信号,y为系统量测输出信号,z为评价信号,通常包括跟踪误差、调节误差和执行机构输出。
增广被控对象可以表示为:
Figure BDA0002282035890000111
其中,P为增广被控对象,G为原被控对象;Ws、WR和WT分别为性能加权函数、控制器输出加权函数、鲁棒加权函数。
S4.构成增广被控对象后,进行控制器的求解,得到H∞混合灵敏度控制器。满足H∞混合灵敏度控制问题的性能指标为:
min||Tzw(s)||<γ0(H混合灵敏度最优控制问题) (10)
||Tzw(s)||<γ(H混合灵敏度次优控制问题) (11)
式中:Tzw(s)为系统从外部输入w到被控输出z的闭环传递函数;γ0,γ为给定值且γ>min||Tzw(s)||
把非1的γ归入到各权函数中,则将航空发动机H∞控制器转化为标准H∞控制:
Figure BDA0002282035890000112
根据控制系统指标要求选取合适的参数,合理设置H∞控制器求解函数 hinfsyn()的输入参数,精度设置为0.001,性能指标γ范围为(0.5,20);
S5.搭建基于发动机线性模型建立的控制系统仿真,调节性能指标加权函数的参数至基本达到控制指标要求,使系统闭环稳定;
S6.进行多变量非线性控制器测试,微调各参数保证涡扇发动机的整体效果,以增强涡扇发动机的多变量控制系统的鲁棒性。
如图6所示,设计改进结构的Smith预估器的具体步骤如下:
S1.根据航空发动机分布式控制系统的典型结构,分析闭环反馈系统的传递函数,进一步分析其闭环特征方程;
闭环传递函数:
Figure BDA0002282035890000121
闭环特征方程:
Figure BDA0002282035890000122
其中,Y(s)为系统测量输出信号,R(s)为参考输入信号;K(s)为控制器,G(s) 为被控对象;τca和τsc分别表示信号从传感器到控制器和从控制器到执行器的网络时延。Smith预估补偿的基本原理就是,就是在航空发动机闭环反馈控制系统中引入一个预估补偿环节,使得系统闭环特征方程中不含有时延项,改善整个系统的控制性能品质。
S2.针对随机、不确定的网络时延预估模型的不准确,改进型的Smith预估器与H∞控制律复合控制结构如图7所示,在控制器以及被控对象环节的位置上增加一些补偿环节,补偿后的系统闭环传递函数为:
Figure BDA0002282035890000123
其中,Gm(s)为原被控对象G(s)的预估模型。
由上式可以看出,当被控对象预估模型等价于实际模型时,闭环特征方程中不再包含网络时延的指数项;
S3.针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,把被控对象和模型之间的差别看作是增益的误差,利用被控对象与模型输出信号的比较来做出适应性修正,采用双控制器的改进型Smith预估器与H∞控制律复合控制结构如图8所示。采用PID控制律设计现场偏差矫正控制器,用于镇定被控对象,从而改善控制性能质量;
S4.进行航空发动机时延系统的复合控制器测试,微调各参数保证发动机的转速跟踪控制效果,以增强发动机的多变量控制系统的鲁棒性以及针对时延的补偿的有效性。
为了进一步说明本实施例中基于改进型Smith预估器的航空发动机H∞控制方法的效果,通过两组仿真实验,来验证本发明中方法的有效性。
(1)不同时延条件下控制效果
设计完成后基于改进型Smith预估器的航空发动机H∞控制方法的控制效果如图9和图10所示。由仿真结果可以看出,存在不同时延的情况下,基于改进型Smith预估器的航空发动机H∞控制方法可以明显的改善系统的稳态性能与动态性能,提高系统的鲁棒性。仿真实验中,系统的采样周期设置为25ms。如图9(a)所示,在500ms的时延条件下,采用双控制器的改进型Smith预估器的控制系统转速上升过程中,超调量为1.3%,稳态控制精度为0.04%,减速过程中超调量为2.45%,稳态控制精度为0.11%。如图10(a)所示,在500ms 的时延条件下,采用双控制器的改进型Smith预估器的控制系统落压比上升过程中,超调量为0,稳态控制精度为0.2%,落压比下降过程中,超调量为12.8%,稳态控制精度为0.27%。
(2)抗扰性能测试
运行基于改进型Smith预估器的航空发动机H∞控制系统,使得发动机达到额定工况,在控制系统稳定运行后,在不改变控制器参数的条件下施加幅值为 1000kg/h的加力燃油,观测并分析该扰动对控制系统性能的影响。仿真结果如图11和图12所示,系统稳定运行后施加扰动,持续35秒后扰动撤销。由图可以看出,加力过程中转速超调量为0.08%,调节时间约为11.4秒,落压比超调量为1.6%,调节时间约为14.4秒;撤销加力过程中,转速超调量0.03%,调节时间约为12.3秒,落压比超调量为1.8%,调节时间约为16.2秒。
综上,本发明提出的基于改进型Smith预估器的航空发动机H∞控制方法是有效的、可行的,能够达到航空发动机分布式控制系统中对时延的补偿与控制要求。

Claims (2)

1.一种基于改进型Smith预估器的航空发动机H∞控制方法,该航空发动机H∞控制方法中采用的控制系统闭环回路中控制器部分包含两个部分,第一部分是采用H∞控制策略设计的控制器,主要完成对航空发动机被控变量的跟踪控制;第二部分是采用改进型Smith预估器的时延补偿策略,解决依据H∞控制策略设计出的航空发动机控制器对时延现象适应能力不足的问题;
其特征在于,步骤如下:
S1.航空发动机某工况下线性模型的获取
发动机模型是控制系统设计的基础,首先对航空发动机非线性模型建立合理的线性模型;基于多变量控制目标,选择高压转子转速和落压比作为被控变量,与被控变量对应的控制量分别为燃油和尾喷管面积;航空发动机在某工况下的小偏差线性模型用以下状态空间方程表示:
Figure FDA0002282035880000011
其中,Δx=[Δx1 Δx2]T为状态变量,
Figure FDA0002282035880000012
为对应的状态变量的导数;Δu=[ΔWf ΔA8]T为控制作用量,ΔWf表示控制器输出的燃油增量,ΔA8表示尾喷管面积的增量;Δy=[ΔN2 ΔPiT]T为系统输出量,ΔN2、ΔPiT分别表示高压转子转速和落压比;A,B,C,D为发动机线性模型参数矩阵;利用Matlab提供的系统辨识工具箱对双轴涡扇发动机非线性模型进行辨识,以获取发动机的小偏离线性模型;
S2.设计针对航空发动机非线性模型的多变量H∞控制器
根据多变量H∞控制器设计原理,选取合适的性能指标加权函数参数,求解H∞输出反馈控制器,调节参数至达到控制要求;进行多变量非线性控制器测试,微调各参数保证涡扇发动机的整体效果,以增强涡扇发动机的多变量控制系统的鲁棒性;
S2.1.选取通过系统辨识获取的小偏差线性模型作为标称模型,飞行包线内其他各点的模型看作是相对于标称模型的摄动;
S2.2.根据发动机控制指标的稳态控制要求、动态控制要求以及鲁棒性要求,选取合适的加权函数,加权函数与控制设计指标的关系描述为如下形式:
Figure FDA0002282035880000021
Figure FDA0002282035880000022
Figure FDA0002282035880000023
其中,
Figure FDA0002282035880000024
为控制系统的灵敏度函数;
Figure FDA0002282035880000025
为系统的补灵敏度函数;
Figure FDA0002282035880000026
用||R(s)||来衡量系统的加性不确定性;Ws(s)为性能加权函数;WR(s)为控制器输出加权函数;WT(s)为鲁棒加权函数;G(s)为原被控对象,K(s)为控制器;
S2.3.建立如下形式的增广被控对象:
Figure FDA0002282035880000027
式中,A,B1,B2,C1,C2,D11,D12,D21,D22为增广被控对象的模型参数矩阵,u为控制作用量,w为外部干扰,y为系统量测输出信号,z为评价信号,包括跟踪误差、调节误差和执行机构输出;
增广被控对象表示为:
Figure FDA0002282035880000028
其中,P为增广被控对象,G为原被控对象;Ws、WR和WT分别为性能加权函数、控制器输出加权函数、鲁棒加权函数;
S2.4.构成增广被控对象后,根据控制系统指标要求选取合适的参数,进行控制器的求解,得到H∞混合灵敏度控制器;满足H∞混合灵敏度控制问题的性能指标为:
min||Tzw(s)||<γ0(H混合灵敏度最优控制问题) (7)
||Tzw(s)||<γ(H混合灵敏度次优控制问题) (8)
式中:Tzw(s)为系统从外部输入w到被控输出z的闭环传递函数;γ0,γ为给定值且γ>min||Tzw(s)||
把非1的γ归入到各权函数中,则将航空发动机H∞控制器转化为标准H∞控制:
Figure FDA0002282035880000031
S2.5.搭建基于发动机线性模型的控制系统仿真,调节性能指标加权函数的参数至基本达到控制指标要求,使系统闭环稳定;
S2.6.进行多变量非线性控制器测试,微调各参数保证涡扇发动机的整体效果,以增强涡扇发动机的多变量控制系统的鲁棒性;
S3.设计改进结构的Smith预估器
根据Smith预估器的基本原理,基于采用H∞控制律设计的闭环反馈控制系统,设计改进结构的Smith预估控制器,构成复合控制器,将影响系统稳定性的网络时延的指数项从系统的闭环特征方程中消除,实现对系统网络诱导时延的预估补偿,增强系统的稳定性且不需要对系统时延进行在线测量;针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,在控制系统中增加一个用于镇定被控对象的控制器,利用被控对象与模型输出信号的比较做出适应性修正,从而进一步增强系统的鲁棒性;
S3.1.根据航空发动机分布式控制系统的典型结构,分析闭环反馈系统的传递函数,进一步分析其闭环特征方程;
闭环传递函数:
Figure FDA0002282035880000041
闭环特征方程:
Figure FDA0002282035880000042
其中,Y(s)为系统测量输出信号,R(s)为参考输入信号;K(s)为控制器,G(s)为被控对象;τca和τsc分别表示信号从传感器到控制器和从控制器到执行器的网络时延;
S3.2.针对随机、不确定的网络时延预估模型的不准确,在不同位置上增加一些并联或串联的环节进行补偿,在一定条件下,使得其闭环特征方程中不再包含网络时延的指数项;
S3.3.针对被控对象的预估模型和参数与其真实模型和参数存在较大偏差,把被控对象和模型之间的差别看作是增益的误差,利用被控对象与模型输出信号的比较来对模型增益做出适应性修正,设计现场偏差矫正控制器,用于镇定被控对象,从而改善控制性能质量;
S3.4.进行航空发动机时延系统的复合控制器测试,微调各参数保证发动机的转速跟踪控制效果,以增强发动机的多变量控制系统的鲁棒性以及针对时延的补偿的有效性。
2.根据权利要求1所述的基于改进型Smith预估器的航空发动机H∞控制方法,其特征在于,航空发动机某工况下线性模型的获取的步骤如下:
S1.1.将某型双轴涡扇发动机在闭环控制作用下得到的燃油流量、尾喷管面积数据以及相对应的高压转子转速、落压比数据进行保存;
S1.2.将保存的燃油流量和尾喷管面积作为发动机非线性部件级仿真模型的输入,同时给定阶跃信号作为激励信号,得到发动机的输出,相关输出参数经过数据处理后作为系统辨识的输入输出数据;
S1.3.基于Matlab系统辨识工具箱,导入输入输出数据,设置数据名称、开始时间和采样间隔,然后去除均值、选择有效输入输出数据范围,选择模型以及辨识方法对目标系统进行辨识;
S1.4.分析系统辨识误差并验证所获取的模型,并选出最符合系统特性的模型。
CN201911145405.3A 2019-11-21 2019-11-21 基于改进型Smith预估器的航空发动机H∞控制方法 Active CN110850740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911145405.3A CN110850740B (zh) 2019-11-21 2019-11-21 基于改进型Smith预估器的航空发动机H∞控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911145405.3A CN110850740B (zh) 2019-11-21 2019-11-21 基于改进型Smith预估器的航空发动机H∞控制方法

Publications (2)

Publication Number Publication Date
CN110850740A CN110850740A (zh) 2020-02-28
CN110850740B true CN110850740B (zh) 2021-04-20

Family

ID=69602779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911145405.3A Active CN110850740B (zh) 2019-11-21 2019-11-21 基于改进型Smith预估器的航空发动机H∞控制方法

Country Status (1)

Country Link
CN (1) CN110850740B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413866B (zh) * 2020-03-06 2021-08-06 大连理工大学 一种考虑时延的航空发动机分布式控制律设计及验证方法
CN111459028B (zh) * 2020-04-04 2022-06-07 西北工业大学 航空发动机最大推力状态降保守性二自由度μ控制器
CN111273554B (zh) * 2020-04-04 2022-06-07 西北工业大学 航空发动机最大推力状态降保守性二自由度h∞控制器
CN111523184B (zh) * 2020-04-21 2022-01-04 南京航空航天大学 一种航空发动机控制系统的鲁棒性分析方法及存储介质
CN112016158A (zh) * 2020-07-20 2020-12-01 南京航空航天大学 一种航空发动机高空小表速抖振抑制方法
CN112147879A (zh) * 2020-09-29 2020-12-29 大连理工大学人工智能大连研究院 一种针对线性控制器的无扰切换设计方法
CN112327669B (zh) * 2020-11-14 2022-02-18 大连理工大学 一种航空发动机显式预测控制器的设计方法
CN112483261B (zh) * 2020-11-16 2021-11-05 大连理工大学 一种航空发动机抗加力扰动方法
CN113569319B (zh) * 2021-07-29 2023-12-29 大连理工大学人工智能大连研究院 基于pso_de智能算法的航空发动机模型自适应修正器设计方法
CN113741170B (zh) * 2021-08-17 2023-04-04 南京航空航天大学 一种基于深度神经网络的航空发动机直接推力逆控制方法
CN113671833B (zh) * 2021-08-22 2024-01-05 北京工业大学 不确定重复控制系统协调设计方法及系统
CN113867148B (zh) * 2021-09-29 2023-10-10 郑州大学 基于阶跃响应并考虑前馈的串联控制闭环系统辨识方法
CN113885322B (zh) * 2021-09-29 2023-09-15 郑州大学 一种基于斜坡响应的双控制器闭环系统辨识方法
CN114638051B (zh) * 2022-03-08 2024-02-27 浙江大学 一种基于系统不变量的智能汽车时滞稳定性分析方法
CN116577993B (zh) * 2023-06-19 2024-01-26 南京航空航天大学 涡轴发动机神经网络自适应控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104131872A (zh) * 2014-07-16 2014-11-05 潍柴动力股份有限公司 一种scr反应器温度的控制方法和装置
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
CN106886151A (zh) * 2017-04-17 2017-06-23 大连理工大学 一种航空发动机多工况下约束预测控制器的设计及调度方法
CN110333666A (zh) * 2019-07-10 2019-10-15 南京航空航天大学 一种基于状态估计的航空发动机分布式控制设计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104131872A (zh) * 2014-07-16 2014-11-05 潍柴动力股份有限公司 一种scr反应器温度的控制方法和装置
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
CN106886151A (zh) * 2017-04-17 2017-06-23 大连理工大学 一种航空发动机多工况下约束预测控制器的设计及调度方法
CN110333666A (zh) * 2019-07-10 2019-10-15 南京航空航天大学 一种基于状态估计的航空发动机分布式控制设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AFR control for motorcycle engine using smith predictor and h∞ control;Tomoyasu Konno 等;《SICE Annual Conference 2008》;20081021;第1368-1373页 *
基于混合灵敏度函数的H_∞控制器参数模糊优化方法;李大中 等;《控制理论与应用》;20040229;第21卷(第1期);第134-138页 *
带有网络时延的航空发动机分布式系统H_∞鲁棒控制;李勇等;《伺服控制》;20131215(第12期);第39-41,44页 *
航空发动机智能控制算法研究;孙晓东;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20111215;全文 *

Also Published As

Publication number Publication date
CN110850740A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110850740B (zh) 基于改进型Smith预估器的航空发动机H∞控制方法
WO2021097738A1 (zh) 基于改进型Smith预估器的航空发动机H∞控制方法
CN112286047B (zh) 基于神经网络的narma-l2多变量控制方法
CN105911869B (zh) 一种基于干扰观测的快速反射镜扰动抑制方法
CN110579962B (zh) 基于神经网络的涡扇发动机推力预测方法及控制器
CN109460050A (zh) 一种针对变体无人机的复合分层抗干扰控制方法
CN110703693B (zh) 一种机床进给系统的迭代学习前馈控制方法及系统
Mohammadpour et al. LPV decoupling and input shaping for control of diesel engines
CN107357176B (zh) 一种航空发动机试车数据建模方法
CN111158386B (zh) 一种干扰自主免疫的无人机姿态控制系统及实现方法
CN107037727A (zh) 一种无人直升机大包线自适应增益调度方法
CN115390459A (zh) 模型预测控制方法及装置
US9098078B2 (en) Control algorithm based on modeling a controlled object
CN114114928A (zh) 一种压电微定位平台的固定时间自适应事件触发控制方法
Shih et al. Reinforcement-learning-based dual-control methodology for complex nonlinear discrete-time systems with application to spark engine EGR operation
Vance et al. Neural network controller development and implementation for spark ignition engines with high EGR levels
CN116184839B (zh) 一种航空发动机自适应抗扰解耦控制系统及方法
Vance et al. Output feedback controller for operation of spark ignition engines at lean conditions using neural networks
CN117145642A (zh) 基于自适应带宽的增压lp-egr发动机空燃比预测抗扰控制方法
CN117170236A (zh) 基于逆强化学习的工业调速系统执行器故障智能自愈方法
CN110687783A (zh) 一种机载光电稳定平台扰动观测及补偿方法
CN110985216A (zh) 一种含在线修正的航空发动机智能多变量控制方法
CN111679571B (zh) 一种低速飞艇的给定速度滑模自适应跟踪方法
CN112034712B (zh) 一种基于事件触发的滑模容错控制方法
CN111459028B (zh) 航空发动机最大推力状态降保守性二自由度μ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