CN112327669B - 一种航空发动机显式预测控制器的设计方法 - Google Patents

一种航空发动机显式预测控制器的设计方法 Download PDF

Info

Publication number
CN112327669B
CN112327669B CN202011282677.0A CN202011282677A CN112327669B CN 112327669 B CN112327669 B CN 112327669B CN 202011282677 A CN202011282677 A CN 202011282677A CN 112327669 B CN112327669 B CN 112327669B
Authority
CN
China
Prior art keywords
control
model
formula
state
aircraft engine
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
CN202011282677.0A
Other languages
English (en)
Other versions
CN112327669A (zh
Inventor
杨斌
冯川
孙希明
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
Original Assignee
Dalian University of Technology
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 filed Critical Dalian University of Technology
Priority to CN202011282677.0A priority Critical patent/CN112327669B/zh
Publication of CN112327669A publication Critical patent/CN112327669A/zh
Application granted granted Critical
Publication of CN112327669B publication Critical patent/CN112327669B/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

本发明提供了一种航空发动机显式预测控制器的设计方法,属于航空宇航推进理论与工程中的系统控制与仿真技术领域。为了解决传统模型预测控制算法在实际应用中存在运算量大、实时性较差的问题,本发明的方法中多变量控制采用多速率双闭环控制,保证了控制精度;在计算上通过多参数规划将在线优化问题转化为线性的读取映射和函数计算问题,大幅度减少了计算量。数值仿真和硬件在环仿真结果表明,转速和压比稳态误差分别不超过±0.25%和±1%,控制器在25ms控制周期内能完成计算,满足嵌入式系统实时性要求,具有一定的工程应用价值。

Description

一种航空发动机显式预测控制器的设计方法
技术领域
本发明提供了一种航空发动显式预测控制器的设计方法,属于航空宇航推进理论与工程中的系统控制与仿真领域。
背景技术
航空发动机是具有强非线性、多变量耦合的复杂非线性系统,实际工作过程中还要考虑环境中的噪声和执行机构幅值限制、速率限制等约束的影响。传统航空发动机控制系统基于单变量控制器实现对目标值的跟踪,并通过Max-Min选择逻辑实现约束管理。但这种约束管理方法并不能保证受限控制器输出在所有情况下都不超限,在过渡态和某些极端环境下依然可能出现部分物理量超限,给航空发动机的安全运行带来隐患。因此,针对带约束的多变量控制理论具有重大的研究意义。模型预测控制将控制问题简化为二次规划问题,通过反复在线滚动优化,求解带约束情况下的最优控制律,可以很好的解决多变量和约束管理问题,在炼油化工等慢动态领域已经有大量的应用。但是一方面当问题规模较大以及系统动态变化较快的情况下,如电机控制、汽车高频振动以及航空领域,其在线计算量和需要的存储空间将会比较大,这限制了模型预测控制在快速动态领域的应用;另一方面模型预测控制的反复在线计算特点使得闭环预测控制属于一类复杂的非线性系统,很难建立该系统的输入与输出之间的显式表达式,从而无法分析该闭环系统的稳定性和鲁棒性等。显式模型预测控制将多参数规划理论引入到线性时不变对象的约束二次优化控制问题的解中,将系统的状态区域进行凸划分,在离线计算阶段得到对应每个状态分区上的状态反馈最优显式控制律,在线计算阶段通过查表确定当前状态所在的分区,大大减少了计算量,为硬件在环和半实物仿真试验提供了理论基础。目前为止,没有专利公开基于航空发动机的显式预测控制器的设计方法并开展硬件在环仿真试验。
发明内容
为了解决传统模型预测控制算法在实际应用中存在运算量大、实时性较差的问题,本发明提出了一种基于多参数规划的显式模型预测控制器设计方法。
一种航空发动机显式模型预测控制器设计方法,包括以下步骤:
第一步,获得航空发动机状态变量模型;
第二步,设计显式模型控制器;
第三步,数值仿真和硬件在环仿真。
现具体阐述如下:
第一步,获得航空发动机状态变量模型;
根据航空发动机工作原理,发动机输出高压转子转速与主燃油相关性比较强,输出涡轮落压比与尾喷管面积相关性比较强。采用系统辨识法,由于求解的各控制变量之间一般相差多个数量级,为了数值计算的稳定性,首先需要对状态变量模型归一化。归一化完成后,在标准工况点分别对燃油和尾喷管面积控制量施加小阶跃扰动,其他控制量不变,得到发动机输出的多个非线性动态响应序列,由拟合法思想可得到关于状态变量模型参数矩阵的多变量最小二乘方程,求解参数方程即可获得航空发动机状态变量模型。
第二步,设计显式模型控制器;
显式模型预测控制算法包括离线计算和在线计算,离线计算应用多参数规划方法对系统的状态区域进行凸划分,并得到每个状态区上的状态反馈最优控制律,在线计算时只需确定当前时刻系统状态所处的分区并线性计算得到当前时刻的最优控制量。显式模型预测控制通过离校计算和在线计算大幅度减少了计算量,为控制器的硬件在环仿真提供了理论基础。
第三步,数值仿真和硬件在环仿真。
为了验证辨识得到的状态变量模型和设计的显式模型预测控制器的性能,在不同的工况点,设置不同的油门杆角度使航空发动机在起动到慢车、中间状态完成稳态和过渡态控制,同时验证显式模型预测控制的鲁棒性。完成数值仿真以后,在simulink中利用RTW工具箱生成嵌入式C代码,然后基于MPC55xx处理器进行硬件在环仿真试验。由于硬件在环仿真系统存在着大量的干扰,因此硬件在环仿真可以很好的验证控制器的鲁棒性,同时嵌入式处理器也能验证控制器的实时性。
本发明的有益效果:
传统模型预测控制算法需要在每个控制周期在线求解一个二次规划问题,无法满足航空发动机硬件在环仿真试验实时性的需求。本发明采用一种基于参数规划的显式模型预测控制设计策略,为模型预测控制的嵌入式应用提供了参考。数值仿真和硬件在环仿真表明,显式模型预测在完成航空发动机稳态和过渡态控制的同时,还具有优异的约束管理能力,满足嵌入式系统实时性要求。本发明操作简单,可行性强,为现代控制理论在FADEC上的应用提供了参考。
附图说明
图1是多变量控制架构图。
图2是硬件在环仿真系统结构图。
图3是辨识得到的航空发动机线性模型和非线性模型的阶跃曲线。
图4是航空发动机在H=0km,Ma=0工况下燃油曲线。
图5是是航空发动机在H=0km,Ma=0工况下尾喷管面积曲线。
图6是航空发动机在H=0km,Ma=0工况下高压转子响应曲线。
图7是航空发动机在H=0km,Ma=0工况下压比响应曲线。
图8是航空发动机在H=10km,Ma=1.5工况下燃油曲线。
图9是是航空发动机在H=10km,Ma=1.5工况下尾喷管面积曲线。
图10是航空发动机在H=10km,Ma=1.5工况下高压转子响应曲线。
图11是航空发动机在H=10km,Ma=1.5工况下压比响应曲线。
图12是航空发动机在H=0km,Ma=0工况下硬件在环燃油曲线。
图13是是航空发动机在H=0km,Ma=0工况下硬件在环尾喷管面积曲线。
图14是航空发动机在H=0km,Ma=0工况下硬件在环高压转子响应曲线。
图15是航空发动机在H=0km,Ma=0工况下硬件在环压比响应曲线。
具体实施方式
为了使本发明的目的、技术及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步详细说明。
本发明是一种航空发动机显式模型预测控制器设计方法,具体设计步骤如下:
步骤1.获得航空发动机状态变量模型
在飞行条件一定情况下,设航空发动机的离散型非线性模型为:
Figure BDA0002781293760000041
式中x∈Rn,u∈Rm,y∈Rp分别为状态向量、控制向量和输出向量。
在平衡点(x0,u0,y0)处对式(1)进行线性化,即泰勒展开并忽略高阶项,可得其离散小偏差状态变量模型为:
Figure BDA0002781293760000042
式中Δxk=xk-x0,Δuk=uk-u0,Δyk=yk-y0,而A∈Rn×n,B∈Rn×m,C∈Rp×n,D∈Rp×m为待定系统矩阵。
由于各变量之间相差多个数量级,为了数值计算的稳定性,需要对该状态变量模型进行归一化处理。引入对角元素分别为向量x0、u0、y0的归一化对角方阵Nx,Ny,Ny,将式(2)变换为:
Figure BDA0002781293760000051
式中,
Figure BDA0002781293760000052
Figure BDA0002781293760000053
为归一化系统矩阵。
对发动机的各控制量分别作小阶跃扰动而保持其他控制变量不变,即:
Figure BDA0002781293760000054
式中,
Figure BDA0002781293760000055
i为第i个控制变量的扰动幅度,该值的大小和发动机在当前平衡点的非线性程度有关。
在式(4)所表示的控制变量作用下,发动机将经历m个不同的过渡过程,其非线性动态响应序列分别为
Figure BDA0002781293760000056
由此可以推出
Figure BDA0002781293760000057
Figure BDA0002781293760000058
由于发动机状态变量属于非线性动态响应序列中的一部分,即
Figure BDA0002781293760000059
假设输出量中前n个变量与状态变量一一对应,即
Figure BDA00027812937600000510
因此,
Figure BDA00027812937600000511
数据序列都是已知的,再根据拟合法思想,由式(4)可得:
Figure BDA00027812937600000512
式中,K为采样点个数。求解式(5)所示最小二乘问题,反归一化得到系统矩阵:
Figure BDA0002781293760000061
Figure BDA0002781293760000062
将状态空间模型(2)作为显式模型预测控制器的预测模型。
步骤2.设计显式模型控制器;
考虑线性时不变系统:
Figure BDA0002781293760000063
满足状态和控制输入的约束条件:
Ex(t)+Lu(t)≤Mt>0 (7)
式(6)中x(t)∈Rn为系统n维状态变量,u(t)∈Rm为m维操作变量,y(t)∈Rp为p维操作输出。
定义二次性能目标函数:
Figure BDA0002781293760000064
其中,矩阵P≥0,Q≥0,R≥0为对称矩阵,矩阵P通过在假定K≥N约束不起作用时由代数黎卡提方程求得:
K=-(R+B′PB)-1B′PA
P=-(A+BK)′P(A+BK)+K′RK+Q
考虑约束线性时不变系统的有限时间最优控制问题:
Figure BDA0002781293760000065
其中xN∈χf为终端状态约束条件,
Figure BDA0002781293760000066
为系统状态的终端约束条件,增加xN∈χf约束条件是为了保证闭环系统的稳定性和可行性,χf为多面体区域:
χf={χ∈Rn|Hx≤Kf}式(9)中,UN=[u′0,…,u′N-1]∈Rs,s=m·N,为优化问题(9)的决策向量。
根据模型预测控制算法的滑动时域控制策略,每一时刻实际作用到被控对象上的控制信号为优化问题(9)的最优决策向量
Figure BDA0002781293760000071
中的
Figure BDA0002781293760000072
所以
Figure BDA0002781293760000073
也为x0的分段线性连续函数:
Figure BDA0002781293760000074
因而模型预测控制系统每一时刻作用到系统的控制信号为分段线性状态反馈信号,由于系统为时不变的,因而
Figure BDA0002781293760000075
Figure BDA0002781293760000076
因而,闭环预测控制系统可以转化为如下形式:
Figure BDA0002781293760000077
当x(t)∈CRi,i=1,…,Nr,
Figure BDA0002781293760000078
时,式(11)即闭环预测控制系统的PWA模型。
当系统方程为:
Figure BDA0002781293760000079
对应闭环预测控制系统的PWA模型为:
Figure BDA00027812937600000710
为了进一步说明本发明中辨识得到的线性模型和显式模型预测控制器的控制效果,通过几组仿真实验,来验证本发明中方法的有效性。
(1)线性辨识模型阶跃响应
针对某型小涵道比军用涡扇发动机,取u=[Wf,A8]T,x=[nL,nH]T,y=[nH,πT]T,其中Wf,A8,nL,nH,πT分别为主燃油流量、尾喷口面积、风扇转速、压气机转速、涡轮落压比。根据本文的线性拟合法在稳态点建立航空发动机的状态变量模型,其中扰动幅度∈1=∈2=5%,优化算法trust-region-reflective,采样周期25ms,初值为0,主要调用matlab自带的lsqcurvefit函数。在地面慢车工作状态,即高度H=0km、马赫数Ma=0、压气机转速nH=86nH,design时,求解得到如下归一化系统矩阵:
Figure BDA0002781293760000081
Figure BDA0002781293760000082
Figure BDA0002781293760000083
Figure BDA0002781293760000084
发动机非线性模型和状态变量模型的主燃油和压比小阶跃响应曲线如说明书附图3所示,由附图3可知,高压转子转速平均拟合精度为99.98%,曲线拟合程度很高,涡轮落压比平均拟合精度为98.84%,曲线拟合程度略低,这是因为压比等于涡轮出口与进口压力之比,使压比输出表现出较强得非线性。综合来看,辨识模型可以用来作为显式模型预测控制器的预测模型
(2)数值仿真
本发明选择H=0km,Ma=0和H=10km,Ma=1.5两个包线点,根据航空发动机控制理论,设计如说明书附图1所示的多变量控制结构,仿真结果如图说明书附图4-11所示,图中实线为目标值,虚线为发动机模型被控输出值。由图可知,航空发动机可实现从起动到慢车、中间等状态的稳态和过渡态控制,同时满足执行机构和输出约束。高压转子转速超调不超过±0.25%,稳态误差不超过±0.1%,落压比稳态控制精度不超过±0.1%。在图10-11中,转速和压比在起动阶段出现执行机构饱和现象,这是因为高度马赫数变化时,发动机模型非线性变强,但是整体上EMPC表现了优异的鲁棒性。
(3)硬件在环仿真
实际环境中存在的延时、噪声等干扰会对航空发动机控制系统产生较大的影响,硬件在环仿真是验证控制系统鲁棒性的重要环节。首先完成EMPC控制器的数值仿真,利用RTW的自动代码生成技术,生成嵌入式处理器可用的C/C++代码,并导入到嵌入式处理器codewarrior工程中,经过编译得到60KB的二进制bin文件,小于MPC55xx处理器512KB的内存限制。
按照说明书附图2所示的架构搭建硬件在环仿真系统,在H=0km,Ma=0状态点进行试验,由于仿真系统噪声容易导致控制系统触碰执行机构饱和限制,将执行机构约束设置为[0,0.42]T≤u1≤[0.85 0.85]T,经过反复调试得到如图说明书附图12-15得仿真曲线。可以看出,航空发动机在满足执行机构约束情况下很好得完成了稳态和过渡态控制,转速稳态误差不超过±0.25%,压比稳态误差不超过±1%,EMPC程序内存不超过60KB,控制器在25ms控制周期内能完成计算,显式预测控制器满足嵌入式系统实时性要求。

Claims (1)

1.一种航空发动机显式预测控制器的设计方法,其特征在于,步骤如下:
步骤1.获得航空发动机状态变量模型
在飞行条件一定情况下,设航空发动机的离散型非线性模型为:
Figure FDA0003224832160000011
式中x∈Rn,u∈Rm,y∈Rp分别为状态向量、控制向量和输出向量;
在平衡点(x0,u0,y0)处对式(1)进行线性化,即泰勒展开并忽略高阶项,得其离散小偏差状态变量模型为:
Figure FDA0003224832160000012
式中Δxk=xk-x0,Δuk=uk-u0,Δyk=yk-y0,而A∈Rn×n,B∈Rn×m,C∈Rp×n,D∈Rp×m为待定系统矩阵;
由于各变量之间相差多个数量级,为了数值计算的稳定性,需要对该状态变量模型进行归一化处理;引入对角元素分别为向量x0、u0、y0的归一化对角方阵Nx,Nu,Ny,将式(2)变换为:
Figure FDA0003224832160000013
式中,
Figure FDA0003224832160000014
Figure FDA0003224832160000015
为归一化系统矩阵;
对发动机的各控制量分别作小阶跃扰动而保持其他控制变量不变,即:
Figure FDA0003224832160000016
式中,i=1,2,…,m,
Figure FDA0003224832160000017
i为第i个控制变量的扰动幅度,该值的大小和发动机在当前平衡点的非线性程度有关;
在式(4)所表示的控制变量作用下,发动机将经历m个不同的过渡过程,其非线性动态响应序列分别为
Figure FDA0003224832160000021
由此推出
Figure FDA0003224832160000022
Figure FDA0003224832160000023
由于发动机状态变量属于非线性动态响应序列中的一部分,即
Figure FDA0003224832160000024
假设输出量中前n个变量与状态变量一一对应,即
Figure FDA0003224832160000025
因此,
Figure FDA0003224832160000026
数据序列都是已知的,再根据拟合法思想,由式(4)得:
Figure FDA0003224832160000027
Figure FDA0003224832160000028
式中,K为采样点个数;求解式(5)所示最小二乘问题,反归一化得到系统矩阵:
Figure FDA0003224832160000029
Figure FDA00032248321600000210
将离散小偏差状态变量模型(2)作为显式模型预测控制器的预测模型;
步骤2.设计显式模型控制器;
考虑线性时不变系统:
Figure FDA00032248321600000211
满足状态和控制输入的约束条件:
Ex(t)+Lu(t)≤Mt>0 (7)
式(6)中x(t)∈Rn为系统n维状态变量,u(t)∈Rm为m维操作变量,y(t)∈Rp为p维操作输出;
定义二次性能目标函数:
Figure FDA00032248321600000212
其中,矩阵P≥0,Q≥0,R≥0为对称矩阵,矩阵P通过在假定K≥N约束不起作用时由代数黎卡提方程求得:
K=-(R+B′PB)-1B′PA
P=-(A+BK)′P(A+BK)+K′RK+Q
考虑约束线性时不变系统的有限时间最优控制问题:
Figure FDA0003224832160000031
其中xN∈χf为终端状态约束条件,
Figure FDA0003224832160000032
为系统状态的终端约束条件,增加xN∈χf约束条件是为了保证闭环系统的稳定性和可行性,χf为多面体区域:
χf={χ∈Rn|Hx≤Kf}
式(9)中,UN=[u′0,…,u′N-1]∈Rs,s=m·N,为优化问题(9)的决策向量;
根据模型预测控制算法的滑动时域控制策略,每一时刻实际作用到被控对象上的控制信号为优化问题(9)的最优决策向量
Figure FDA0003224832160000033
中的
Figure FDA0003224832160000034
所以
Figure FDA0003224832160000035
也为x0的分段线性连续函数:
Figure FDA0003224832160000036
Figure FDA0003224832160000037
因而模型预测控制系统每一时刻作用到系统的控制信号为分段线性状态反馈信号,由于系统为时不变的,因而
Figure FDA0003224832160000038
Figure FDA0003224832160000039
因而,闭环预测控制系统转化为如下形式:
Figure FDA00032248321600000310
当x(t)∈CRi,i=1,…,Nr,
Figure FDA0003224832160000041
t≥0时,式(11)即闭环预测控制系统的PWA模型;
当系统方程为:
Figure FDA0003224832160000042
对应闭环预测控制系统的PWA模型为:
Figure FDA0003224832160000043
CN202011282677.0A 2020-11-14 2020-11-14 一种航空发动机显式预测控制器的设计方法 Active CN112327669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011282677.0A CN112327669B (zh) 2020-11-14 2020-11-14 一种航空发动机显式预测控制器的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011282677.0A CN112327669B (zh) 2020-11-14 2020-11-14 一种航空发动机显式预测控制器的设计方法

Publications (2)

Publication Number Publication Date
CN112327669A CN112327669A (zh) 2021-02-05
CN112327669B true CN112327669B (zh) 2022-02-18

Family

ID=74318267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011282677.0A Active CN112327669B (zh) 2020-11-14 2020-11-14 一种航空发动机显式预测控制器的设计方法

Country Status (1)

Country Link
CN (1) CN112327669B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1538319A1 (en) * 2003-12-05 2005-06-08 General Electric Company Apparatus for model predictive control of aircraft gas turbine engines
EP1577721A2 (en) * 2004-03-16 2005-09-21 United Technologies Corporation Model predictive controller with life extending control
EP2639435A1 (en) * 2012-03-16 2013-09-18 Perkins Engines Company Limited Optimised real-time control of a highly dynamic engine system
CN104343571A (zh) * 2013-08-02 2015-02-11 通用汽车环球科技运作有限责任公司 用于模型预测控制器的标定系统和方法
CN104948308A (zh) * 2014-03-26 2015-09-30 通用汽车环球科技运作有限责任公司 用模型预测控制提高发动机响应时间的系统和方法
CN105308296A (zh) * 2012-12-21 2016-02-03 丰田自动车工程及制造北美公司 用于内燃机空气路径控制的基于速率的模型预测控制方法
CN105652664A (zh) * 2016-02-29 2016-06-08 北京航空航天大学 一种基于鸽群优化的四旋翼无人机显式预测控制方法
CN105759609A (zh) * 2016-02-29 2016-07-13 北京航空航天大学 一种基于显式非线性模型预测控制的舰载机自主着舰方法
CN106762170A (zh) * 2015-11-23 2017-05-31 丰田自动车工程及制造北美公司 用于内燃机空气路径控制的基于离散时间速率的模型预测控制方法
CN108762089A (zh) * 2018-06-15 2018-11-06 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
CN109739091A (zh) * 2019-01-16 2019-05-10 大连理工大学 一种基于子结构技术的智能张拉整体结构振动多层级分布式模型预测控制方法
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
CN112363411A (zh) * 2020-11-14 2021-02-12 大连理工大学 一种航空发动机动态矩阵控制器的设计方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6823253B2 (en) * 2002-11-27 2004-11-23 General Electric Company Methods and apparatus for model predictive control of aircraft gas turbine engines
US8295951B2 (en) * 2007-12-21 2012-10-23 The University Of Florida Research Foundation, Inc. Systems and methods for offset-free model predictive control
US8924331B2 (en) * 2010-09-03 2014-12-30 Honeywell International Inc. System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver
CN102411305B (zh) * 2011-11-11 2014-03-05 南京航空航天大学 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法
US9441547B2 (en) * 2014-06-02 2016-09-13 United Technologies Corporation Model-based optimal control for stall margin limit protection in an aircraft engine
CN105871281B (zh) * 2016-03-07 2018-02-16 大连理工大学 一种改进的永磁同步电机模型预测控制算法
CN106886151B (zh) * 2017-04-17 2019-08-13 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

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1538319A1 (en) * 2003-12-05 2005-06-08 General Electric Company Apparatus for model predictive control of aircraft gas turbine engines
EP1577721A2 (en) * 2004-03-16 2005-09-21 United Technologies Corporation Model predictive controller with life extending control
EP2639435A1 (en) * 2012-03-16 2013-09-18 Perkins Engines Company Limited Optimised real-time control of a highly dynamic engine system
WO2013136090A1 (en) * 2012-03-16 2013-09-19 Perkins Engines Company Limited Optimised real-time control of a highly dynamic engine system
CN104302896A (zh) * 2012-03-16 2015-01-21 珀金斯发动机有限公司 高度动态发动机系统的优化实时控制
CN105308296A (zh) * 2012-12-21 2016-02-03 丰田自动车工程及制造北美公司 用于内燃机空气路径控制的基于速率的模型预测控制方法
CN104343571A (zh) * 2013-08-02 2015-02-11 通用汽车环球科技运作有限责任公司 用于模型预测控制器的标定系统和方法
CN104948308A (zh) * 2014-03-26 2015-09-30 通用汽车环球科技运作有限责任公司 用模型预测控制提高发动机响应时间的系统和方法
CN106762170A (zh) * 2015-11-23 2017-05-31 丰田自动车工程及制造北美公司 用于内燃机空气路径控制的基于离散时间速率的模型预测控制方法
CN105652664A (zh) * 2016-02-29 2016-06-08 北京航空航天大学 一种基于鸽群优化的四旋翼无人机显式预测控制方法
CN105759609A (zh) * 2016-02-29 2016-07-13 北京航空航天大学 一种基于显式非线性模型预测控制的舰载机自主着舰方法
CN108762089A (zh) * 2018-06-15 2018-11-06 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
CN109739091A (zh) * 2019-01-16 2019-05-10 大连理工大学 一种基于子结构技术的智能张拉整体结构振动多层级分布式模型预测控制方法
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
CN112363411A (zh) * 2020-11-14 2021-02-12 大连理工大学 一种航空发动机动态矩阵控制器的设计方法

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
A discrete time H/sub /spl infin// observer-based controller and its application to an aero-engine;R. Samar;G. Murad;I. Postlethwaite;Da-Wei Gu;《Proceedings of 1995 American Control Conference - ACC"95》;19951231;第1931-1935页 *
Explicit Model-Following Design of Propulsion Control Aircraft Using Genetic Algorithms;Gwo-Ruey Yu;《2006 IEEE International Conference on Systems, Man and Cybernetics》;20061231;第4348-4353页 *
Explicit MPC design and performance evaluation of an ACC Stop-&-Go;Gerrit Naus etal;《2008 American Control Conference》;20081231;第224-229页 *
Explicit MPC PHEV Energy Management using Markov Chain Based Predictor: Development and Validation at Engine-In-The-Loop Testbed;Raja Sangili Vadamalu and Christian Beidl;《2016 European Control Conference (ECC)》;20161231;第453-458页 *
Mustafa Engin Emekli and Bilin Aksun Güvenç.Explicit MIMO Model Predictive Boost Pressure Control of a Two-Stage Turbocharged Diesel Engine.《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》.2017, *
基于MPC的民用涡扇发动机主动容错控制研究;杜宪等;《推进技术》;20151231;第1242-1247页 *
基于模型预测算法的民用航空发动机集成控制方法研究;刘帅等;《第五届空天动力联合会议暨中国航天第三专业信息网第41届技术交流会论文集(第一册)》;20200916;第428-437页 *
基于非线性模型预测控制方法的航空发动机约束管理;杜宪等;《航空动力学报》;20151231;第1766-1771页 *
模型预测控制快速在线优化算法研究;杨月彩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;第I140-802页 *
涡轴发动机限制管理保护模型预测控制方法研究;谷楠楠等;《中国航天第三专业信息网第四十届技术交流会暨第四届空天动力联合会议论文集——S11发动机控制及相关技术》;20191231;第2808-2817页 *
航空发动机性能恢复控制方法研究;杨思幸;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215;第C031-373页 *
航空发动机状态空间模型约束预测控制;乔洪信等;《推进技术》;20051231;第548-551、576页 *

Also Published As

Publication number Publication date
CN112327669A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
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
Bamberger et al. Adaptive on-line steady-state optimization of slow dynamic processes
Simon A comparison of filtering approaches for aircraft engine health estimation
CN111679574B (zh) 一种基于大规模全局优化技术的变循环发动机过渡态优化方法
CN113268000B (zh) 一种航空发动机多模型预测控制的软切换方法
Ibrahem et al. Nonlinear generalized predictive controller based on ensemble of NARX models for industrial gas turbine engine
Du et al. Multivariable sliding-mode strategy with output constraints for aeroengine propulsion control
CN112286047B (zh) 基于神经网络的narma-l2多变量控制方法
Waxenegger-Wilfing et al. Machine Learning Methods for the Design and Operation of Liquid Rocket Engines--Research Activities at the DLR Institute of Space Propulsion
DeCastro Rate-based model predictive control of turbofan engine clearance
CN112483261B (zh) 一种航空发动机抗加力扰动方法
Haji et al. Adaptive model predictive control design for the speed and temperature control of a V94. 2 gas turbine unit in a combined cycle power plant
CN112668162A (zh) 一种基于惯性滑模的航空发动机建模方法
CN114415506B (zh) 航空发动机双模跟踪预测控制系统设计方法
Du et al. A method of multiple model adaptive control of affine systems and its application to aero-engines
CN112327669B (zh) 一种航空发动机显式预测控制器的设计方法
Song et al. Disturbance-compensation-based predictive sliding mode control for aero-engine networked systems with multiple uncertainties
CN115933412B (zh) 基于事件触发预测控制的航空发动机控制方法及装置
CN115981156A (zh) 一种时变输出约束下的航空发动机主动限制保护控制方法
Albin et al. Nonlinear mpc for combustion engine control: A parameter study for realizing real-time feasibility
Haggan-Ozaki et al. An Akaike state-space controller for RBF-ARX models
Sanusi et al. Reinforcement learning for condition-based control of gas turbine engines
CN111734533B (zh) 一种基于涡扇发动机的模型预测方法及系统
CN112363411A (zh) 一种航空发动机动态矩阵控制器的设计方法
Tang et al. Off-equilibrium linearisation-based nonlinear control of turbojet enginese with sum-of-squares programming

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