CN113741195B - 一种航空发动机非线性控制方法及系统 - Google Patents
一种航空发动机非线性控制方法及系统 Download PDFInfo
- Publication number
- CN113741195B CN113741195B CN202111072293.0A CN202111072293A CN113741195B CN 113741195 B CN113741195 B CN 113741195B CN 202111072293 A CN202111072293 A CN 202111072293A CN 113741195 B CN113741195 B CN 113741195B
- Authority
- CN
- China
- Prior art keywords
- representing
- state space
- engine
- space model
- model
- 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 50
- 239000000446 fuel Substances 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 15
- 230000000052 comparative effect Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000000334 grey box Nutrition 0.000 description 1
- 244000085685 grey box Species 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
本发明提供了一种航空发动机非线性控制方法及系统,所述控制方法包括如下步骤:S1,建立航空发动机在巡航阶段时的双变量多输入状态空间模型;S2,通过所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;S3,基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。本发明将NMPC非线性控制器技术应用于航空发动机巡航阶段,并对发动机的燃油流量、可调静子叶片位置和可变排气阀进行控制,大幅提高了航空发动机的控制精度,减少超调量。
Description
技术领域
本发明涉及航空发动机控制技术领域,尤其涉及一种航空发动机非线性控制方法及系统。
背景技术
航空发动机是强非线性、工作点大范围变化的复杂系统,其工作过程受各种约束的限制,包括机械约束如转速,热动约束如压强及温度,安全稳定工作过程约束如喘振裕度、燃烧室熄火限制等。目前工程上广泛将航空发动机飞行包线分为几十个区域,对于每个区域选择一个或若干个稳定工作点进行线性化,针对线性化模型设计控制器,并通过增益调度技术对控制器进行集成设计。工作点的数目取决于航空发动机的复杂性、非线性以及物理作用。随着航空发动机性能的提升,其非线性日益突出,工作点数目过多导致调度系统的设计过于复杂。针对控制系统的参数和工况偏离设计工作点的情况,一般结合鲁棒控制,将参数的不确定变化当作相对于基准模型的摄动,很少对系统的非线性进行建模研究,往往对这种不确定性范围的估计过于保守,导致系统性能的下降,而随着新一代航空发动机技术的不断提高,对于发动机控制系统的性能要求也越来越高。显然线性化并不能满足对控制性能的要求。
近年来,出现了基于非线性模型预测控制(Non-linear model predictivecontrol,NMPC)的非线性控制方法。基于NMPC的非线性控制方法已经应用于移动机器人实时路径跟踪控制、变风量空调控制系统智能车路径跟踪以及绳系系统系绳摆振控制等领域,而少有将非线性模型预测控制应用在航空发动机控制系统。
发明内容
本发明提供了一种航空发动机非线性控制方法及系统,可以有效解决上述问题。
本发明是这样实现的:一种航空发动机非线性控制方法,包括如下步骤:
S1,建立航空发动机在巡航阶段时的双变量多输入状态空间模型;
S2,通过所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;
S3,基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
作为进一步改进的,在步骤S1中,所述建立航空发动机在巡航阶段时的双变量多输入状态空间模型的步骤包括:
S11,建立发动机部件级模型;
S12,对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;
S13,对所述归一化处理后的发动机部件级模型采用系统辨识建立双变量多输入归一化状态空间模型;
S14,对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型。
作为进一步改进的,在步骤S12中,所述对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型通过如下公式获得:
其中,n表示阶数;表示低压涡轮转速偏差值变化率归一化值;/>表示高压涡轮转速偏差值变化率归一化值;a1(2n-1)表示任意参数;a1(2n)表示任意参数;a2(2n-1)表示任意参数;a2(2n)表示任意参数;b11表示任意参数;b12表示任意参数;b13表示任意参数;b21表示任意参数;b22表示任意参数;b23表示任意参数;ΔnLmax表示最大低压涡轮转速偏差值;ΔnHmax表示最大高压涡轮转速偏差值;/>表示n阶低压涡轮转速偏差归一化值;/>表示n阶高压涡轮转速偏差归一化值;/>表示燃油流量偏差归一化值;ΔWfmax表示最大燃油流量偏差值;/>表示高压压缩机内可调静子叶片的偏差位置归一化值;ΔVSVmax表示最大高压压缩机内可调静子叶片的偏差位置;/>表示位于低压压缩机和高压压缩机之间可变排气阀的偏差位置归一化值;VBVmax表示最大低压压缩机和高压压缩机之间可变排气阀的偏差位置。
作为进一步改进的,在步骤S14中,所述对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型通过如下公式获得:
其中,表示低压涡轮转速偏差值变化率;/>表示高压涡轮转速偏差值变化率;a1(2n-1)表示任意参数;a1(2n)表示任意参数;a2(2n-1)表示任意参数;a2(2n)表示任意参数;b11表示任意参数;b12表示任意参数;b13表示任意参数;b21表示任意参数;b22表示任意参数;b23表示任意参数;/>表示n阶低压涡轮转速偏差值;/>表示n阶高压涡轮转速偏差值;ΔWf表示燃油流量偏差值;ΔVSV表示高压压缩机内可调静子叶片的偏差位置;ΔVBV表示位于低压压缩机和高压压缩机之间可变排气阀的偏差位置;n表示阶数。
作为进一步改进的,在步骤S3中,所述基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置的步骤包括:
通过所述双变量多输入状态空间模型得到预测模型;
通过所述预测模型确定优化目标函数方法;
通过所述优化目标函数方法确定所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
本发明进一步提供一种航空发动机非线性控制系统,所述控制系统包括:
双变量多输入状态空间模型建立模块,用于建立航空发动机在巡航阶段时的双变量多输入状态空间模型;
控制器构建模块,用于根据所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;
执行模块,用于基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
作为进一步改进的,所述双变量多输入状态空间模型建立模块包括:
发动机部件级模型建立单元,用于建立发动机部件级模型;
归一化处理单元,用于对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;
双变量多输入归一化状态空间模型确定单元,用于对所述归一化处理后的发动机部件级模型采用系统辨识建立双变量多输入归一化状态空间模型;
反归一化单元,用于对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型。
本发明的有益效果是:
本发明首先通过建立航空发动机在巡航阶段时的双变量多输入状态空间模型;其次根据所述双变量多输入状态空间模型构建基于NMPC非线性控制器;最后基于所述控制器对发动机的燃油流量、可调静子叶片位置和可变排气阀进行控制;本发明首次提出将NMPC非线性控制器技术应用于航空发动机巡航阶段,并对发动机的燃油流量、可调静子叶片位置和可变排气阀进行控制,相对于传统的MPC线性控制器来说,能够克服对数学模型线性化带来的降低模型精度的缺点,大幅提高了航空发动机的控制精度,减少超调量。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例1提供的一种航空发动机非线性控制方法流程图。
图2是本发明实施例1提供的一种航空发动机非线性双变量多输入状态空间模型关于ΔnH和ΔnL的拟合结果图。
图3是本发明对比例1提供的基于传统MPC线型控制器的航空发动机控制系统的控制结构图。
图4是本发明对比例1提供的基于NMPC非线性控制器的航空发动机控制系统的控制结构图。
图5为本发明对比例1提供的NMPC非线性控制器和MPC线性控制器在t=2s时转速ΔNl=480.4256指令下的控制效果对比图。
图6为本发明对比例1提供的NMPC非线性控制器和MPC线性控制器在t=2s时转速ΔNh=272.6473指令下的控制效果对比图。
图7为本发明对比例1提供的NMPC非线性控制器和MPC线性控制器在t=2s时转速ΔNl=159.7745指令下的控制效果对比图。
图8为本发明对比例1提供的NMPC非线性控制器和MPC线性控制器在t=2s时ΔNh=106.9173指令下的控制效果对比图。
图9为本发明对比例1提供的NMPC非线性控制器和MPC线性控制器在t=2s时转速ΔNl=-618.7921指令下的控制效果对比图。
图10为本发明对比例1提供的NMPC非线性控制器和MPC线性控制器在t=2s时转速ΔNh=-444.9682指令下的控制效果对比图。
图11为本发明实施例2提供的一种航空发动机非线性控制系统的结构示意图。
图中附图标识为:
10.双变量多输入状态空间模型建立模块;
20.控制器构建模块;
30.执行模块。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例1
参照图1所示,本发明实施例提供了一种航空发动机非线性控制方法,包括如下步骤:
S1,建立航空发动机在巡航阶段时的双变量多输入状态空间模型;
S2,通过所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;
S3,基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
具体的,航空发动机的燃油流量指单位时间内燃油进油量;可调静子叶片(Variable Stator Vanes,VSV)的位置,表示可通过调整高压压缩机内可调静子叶片的位置,通过调整可调静子叶片的位置以提高压气机气流量,从而调整压气机效率,增加喘振边界;可变排气阀(Variable Bleed Valve,VBV)的位置,通过调整位于低压压缩机和高压压缩机之间可变排气阀的位置,消除发动机失速,给压气机放气。
进一步的,在步骤S1中,所述建立航空发动机在巡航阶段时的双变量多输入状态空间模型的步骤包括:
S11,建立发动机部件级模型;
S12,对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;
S13,对所述归一化处理后的发动机部件级模型采用系统辨识建立双变量多输入归一化状态空间模型;
S14,对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型。
具体的,本实施例首先建立发动机部件级模型。发动机的工作过程是一个非常复杂的非线性过程,要建立这一过程的非线性数学模型较困难,目前最常用的建模方法是部件法。部件法建模是指根据发动机各部件较为精确的特性,按发动机的部件顺序,逐一建立发动机的气流过程、热力过程的方程,从而得到发动机的稳态模型。该方法是以各部件的特性为依据,按动态匹配关系将各部件连接成一个完整的系统。这里的匹配关系则是由各部件间容积环节的热力和动力的物理联系以及转子的动力学特性来确定的。采用部件法的优点是不对计算公式作线性化处理,从而避免了静态性能的失真。该方法能够更好地了解发动机各部件的稳态特性和动态特性,以及各部件间的相互关系及它们对整台发动机性能的影响。进一步的,为了降低输入输出的数值差距造成的部件级模型建立误差,对部件级模型进行归一化处理。进一步的,建立双变量多输入的数学模型以便定量的给出系统中一些变量之间的相互关系,从而对控制系统进行各种性能的分析和控制器设计。在归一化处理之后,进行反归一化得到最终的模型。
进一步的,本实施例以JT9D航空发动机为例,首先建立JT9D航空发动机部件级模型,为了降低输入输出值数值差距造成的模型建立误差,对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型,然后通过反归一化得到工作范围内的双变量多输入状态空间模型。
具体的,建立发动机部件级模型,对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;其中,归一化处理后的发动机部件级模型采用以下公式得到:
其中,n表示阶数,表示低压涡轮转速偏差值变化率归一化值;/>表示高压涡轮转速偏差值变化率归一化值;a1(2n-1)表示任意参数,a1(2n)表示任意参数;a2(2n-1)表示任意参数;a2(2n)表示任意参数;b11表示任意参数;b12表示任意参数;b13表示任意参数;b21表示任意参数;b22表示任意参数;b23表示任意参数;ΔnLmax表示最大低压涡轮转速偏差值;ΔnHmax表示最大高压涡轮转速偏差值;/>表示n阶低压涡轮转速偏差归一化值;/>表示n阶高压涡轮转速偏差归一化值;/>表示燃油流量偏差归一化值;ΔWfmax表示最大燃油流量偏差值;/>表示高压压缩机内可调静子叶片的偏差位置归一化值;ΔVSVmax表示最大高压压缩机内可调静子叶片的偏差位置;/>表示位于低压压缩机和高压压缩机之间可变排气阀的偏差位置归一化值;VBVmax表示最大低压压缩机和高压压缩机之间可变排气阀的偏差位置。
再对对所述归一化处理后的发动机部件级模型进行反归一化,具体如下:
其中,表示低压涡轮转速偏差值变化率;/>表示高压涡轮转速偏差值变化率;a1(2n-1)表示任意参数;a1(2n)表示任意参数;a2(2n-1)表示任意参数;a2(2n)表示任意参数;b11表示任意参数;b12表示任意参数;b13表示任意参数;b21表示任意参数;b22表示任意参数;b23表示任意参数;/>表示n阶低压涡轮转速偏差值;/>表示n阶高压涡轮转速偏差值;ΔWf表示燃油流量偏差值;ΔVSV表示高压压缩机内可调静子叶片的偏差位置;ΔVBV表示位于低压压缩机和高压压缩机之间可变排气阀的偏差位置;n表示阶数。
具体的,本实施例选择的阶数为n=5,则在航空发动机工作平衡点nL=3236.9578、nH=7026.9231和输入平衡点Wf=1.25、VBV=0.5和VSV=1.5(平衡点参数可以在合理情况下任意选择)进行参数辨识,确定模型的参数。
模型建立过程主要利用了Matlab中nonlinear Grey-Box Models中的idnlgrey和nlgreyest两个命令。
对于idnlgreys命令,建立了一个包含模型结构,输入、输出、状态变量个数,模型参数,初始状态以及采样时间的灰色非线性模型sys。具体使用方法如下:
sys=idnlgrey(FileName,Order,Parameters,InitialStates,Ts),
其中FileName代表模型结构,Order表示输出个数、输入个数和状态变量个数,Parameters表示模型参数(初始时可均设为0),InitialStates表示系统初始状态,Ts表示离散模型的采样时间,由于建立模型为连续型,因此Ts=0。
对于nlgreyest命令,最大限度地估计合适的模型参数。具体使用方法如下:
SYS=nlgreyest(DATA,SYSINIT,OPTIONS),
其中,DATA是待估计系统SYSINIT的输入输出数据,OPTIONS表示参数优化选项,一般包含估计目标、梯度计算选项和数值搜索方法等。SYS表示一个结构和SYSINIT相同但含有更新参数值的灰色模型。
参数初始值均设为0进行优化,辨识精度达到98%以上,拟合结果如图2所示,最终得到发动机在巡航阶段时的双变量多输入状态空间模型,其具体参数如下所示:
进一步的,在步骤S3中,所述基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置的步骤包括:
通过所述双变量多输入状态空间模型得到预测模型;
通过所述预测模型确定优化目标函数方法;
通过所述优化目标函数方法确定所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
本实施例中的所述预测模型会根据当前状态模拟多种控制方案,并通过所述优化目标函数获取其中最优的控制方案,从而得到最优的航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
具体的,通过双变量多输入状态空间模型得到预测模型过程如下:
为了便于表达,将数学模型抽象为:
其中,X为状态变量,U为输入变量,采用欧拉法(Euler method)进行离散化,则/> 式中T为控制器的控制周期,将上式代入/>可得X(t+1|t)=X(t|t)+Tf(X(t|t),U(t|t))。
假设预测步数为Np,控制步数为Nc,则在预测时域内航空发动机的预测模型为:
具体的,通过确定优化目标函数方法确定航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置三个控制量如下所示:
设航空发动机转速的参考曲线序列点为Xref(t+i|t)(i=1,2,…,Np),则优化目标函数可以设计为:
式中Q表示误差惩罚项权重矩阵,R表示控制量增量惩罚项权重矩阵,其中控制量增量惩罚项的作用是保证控制器能够比较平稳的控制发动机转速,避免发动机转速在短时间内频繁变化。
转速控制即等效于在约束条件下求解,具体的公式如下所示:
式中ΔWfmax、ΔWfmin为燃油流量的在单位时间内变化量的上下限;ΔVSVmax、ΔVSVmin表示高压压缩机内可调静子叶片位置的上下限;ΔVBVmax、ΔVBVmin位于低压压缩机和高压压缩机之间可变排气阀位置的上下限;Q表示误差惩罚项权重矩阵;R表示控制量增量惩罚项权重矩阵。
求解后,即可获得转速跟踪的输入变量序列为:
U*=(U(1),U(2),…,U(Nc))T;其中第一个元素U(1)即是控制器下一个时刻输出的控制变量。
对比例1
本对比例针对传统的MPC控制系统和本发明实施例提供的基于NMPC非线性控制方法的航空发动机控制系统进行了仿真研究。
图3提供了基于传统的MPC线型控制器的航空发动机控制系统的控制结构图,其中的控制器为MPC线性控制器;图4提供了基于NMPC非线性控制方法的航空发动机控制系统控制结构图,其中的控制器为NMPC非线性控制器。
设计非线性模型预测控制的相关参数:采样时间为T=0.05s,预测步数为Np=20,控制步数为Nc=5,误差惩罚项权重矩阵控制量增量惩罚项权重矩阵
当对JT9D_Model_Dyn模型施加同样的命令时,基于NMPC非线性控制器和传统的MPC控制器效果不同,具体体现在超调量和稳态误差上;其中,超调量是指输出量的最大值减去稳态值,与稳态值之比的百分数。超调量越大,则控制效果越差。对比两种控制器对nL和nH的控制效果如下:
如图5所示,对于控制nL转速,NMPC非线性控制器的稳态误差为0.5763,而MPC线性控制器的稳态误差为11.8911。如图6所示,对比nH转速的控制效果,NMPC非线性控制器的稳态误差为0.1751,而MPC线性控制器的稳态误差为0.6935。由上可知,MPC线性控制器对于nL的控制效果稳态误差较大,而NMPC非线性控制器的控制效果会更好。
如图7所示,对于控制nL转速,NMPC非线性控制器的稳态误差为0.1752,而MPC线性控制器的稳态误差为0.3137,响应速度上几乎一致。如图8所示,对于控制nH转速两者的控制效果差别较大。NMPC非线性控制器的超调量为11.9611,稳态误差为0.1841;而MPC线性控制器的超调量为17.518,稳态误差为1.3109。因此,NMPC非线性控制器的控制效果显然优于MPC线性控制器的控制效果。
如图9所示,对于控制nL转速,NMPC非线性控制器的响应速度快于MPC线性控制器。如图10所示,对于控制nH转速两者的控制效果差别较大。NMPC非线性控制器的稳态误差最大为0.9468,而MPC线性控制器最大的稳态误差为12.8648。故,NMPC非线性控制器的控制效果更优于MPC线性控制器。
实施例2
本实施例提供一种航空发动机非线性控制系统,所述控制系统包括:
双变量多输入状态空间模型建立模块10,用于建立航空发动机在巡航阶段时的双变量多输入状态空间模型;
控制器构建模块20,用于根据所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;
执行模块30,用于基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
进一步的,所述双变量多输入状态空间模型建立模块包括:
发动机部件级模型建立单元,用于建立发动机部件级模型;
归一化处理单元,用于对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;
双变量多输入归一化状态空间模型确定单元,用于对所述归一化处理后的发动机部件级模型采用系统辨识建立双变量多输入归一化状态空间模型;
反归一化单元,用于对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种航空发动机非线性控制方法,其特征在于,包括如下步骤:
S1,建立航空发动机在巡航阶段时的双变量多输入状态空间模型;
S2,通过所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;
S3,基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置;
在步骤S1中,所述建立航空发动机在巡航阶段时的双变量多输入状态空间模型的步骤包括:
S11,建立发动机部件级模型;
S12,对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;
S13,对所述归一化处理后的发动机部件级模型采用系统辨识建立双变量多输入归一化状态空间模型;
S14,对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型;
在步骤S12中,所述对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型通过如下公式获得:
其中,n表示阶数;表示低压涡轮转速偏差值变化率归一化值;/>表示高压涡轮转速偏差值变化率归一化值;a1(2n-1)表示任意参数;a1(2n)表示任意参数;a2(2n-1)表示任意参数;a2(2n)表示任意参数;b11表示任意参数;b12表示任意参数;b13表示任意参数;b21表示任意参数;b22表示任意参数;b23表示任意参数;ΔnLmax表示最大低压涡轮转速偏差值;ΔnHmax表示最大高压涡轮转速偏差值;/>表示n阶低压涡轮转速偏差归一化值;/>表示n阶高压涡轮转速偏差归一化值;/>表示燃油流量偏差归一化值;ΔWfmax表示最大燃油流量偏差值;/>表示高压压缩机内可调静子叶片的偏差位置归一化值;ΔVSVmax表示最大高压压缩机内可调静子叶片的偏差位置;/>表示位于低压压缩机和高压压缩机之间可变排气阀的偏差位置归一化值;VBVmax表示最大低压压缩机和高压压缩机之间可变排气阀的偏差位置,/>表示n阶最大高压涡轮转速偏差值,/>表示n阶最大低压涡轮转速偏差值。
2.根据权利要求1所述的航空发动机非线性控制方法,其特征在于,在步骤S14中,所述对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型通过如下公式获得:
其中,表示低压涡轮转速偏差值变化率;/>表示高压涡轮转速偏差值变化率;a1(2n-1)表示任意参数;a1(2n)表示任意参数;a2(2n-1)表示任意参数;a2(2n)表示任意参数;b11表示任意参数;b12表示任意参数;b13表示任意参数;b21表示任意参数,b22表示任意参数,b23表示任意参数,/>表示n阶低压涡轮转速偏差值;/>表示n阶高压涡轮转速偏差值;ΔWf表示燃油流量偏差值;ΔVSV表示高压压缩机内可调静子叶片的偏差位置;ΔVBV表示位于低压压缩机和高压压缩机之间可变排气阀的偏差位置;n表示阶数。
3.根据权利要求1所述的航空发动机非线性控制方法,其特征在于,在步骤S3中,所述基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置的步骤包括:
通过所述双变量多输入状态空间模型得到预测模型;
通过所述预测模型确定优化目标函数方法;
通过所述优化目标函数方法确定所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
4.一种航空发动机非线性控制系统,用于实现权利要求1-3任一所述的航空发动机非线性控制方法,其特征在于,所述控制系统包括:
双变量多输入状态空间模型建立模块,用于建立航空发动机在巡航阶段时的双变量多输入状态空间模型;
控制器构建模块,用于根据所述双变量多输入状态空间模型构建基于NMPC的非线性控制器;
执行模块,用于基于所述非线性控制器控制所述航空发动机的燃油流量、可调静子叶片位置以及可变排气阀位置。
5.根据权利要求4所述的航空发动机非线性控制系统,其特征在于,所述双变量多输入状态空间模型建立模块包括:
发动机部件级模型建立单元,用于建立发动机部件级模型;
归一化处理单元,用于对所述发动机部件级模型进行归一化处理,得到归一化处理后的发动机部件级模型;
双变量多输入归一化状态空间模型确定单元,用于对所述归一化处理后的发动机部件级模型采用系统辨识建立双变量多输入归一化状态空间模型;
反归一化单元,用于对所述双变量多输入归一化状态空间模型进行反归一化,得到所述双变量多输入状态空间模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072293.0A CN113741195B (zh) | 2021-09-14 | 2021-09-14 | 一种航空发动机非线性控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072293.0A CN113741195B (zh) | 2021-09-14 | 2021-09-14 | 一种航空发动机非线性控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113741195A CN113741195A (zh) | 2021-12-03 |
CN113741195B true CN113741195B (zh) | 2023-09-08 |
Family
ID=78738456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111072293.0A Active CN113741195B (zh) | 2021-09-14 | 2021-09-14 | 一种航空发动机非线性控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741195B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713162A (zh) * | 2009-10-06 | 2012-10-03 | 斯奈克玛 | 控制静子叶片角度位置的系统和优化所述角度位置的方法 |
CN106574535A (zh) * | 2014-08-15 | 2017-04-19 | 罗伯特·博世有限公司 | 带有压力控制的柴油机尾气处理液输送系统 |
CN109896026A (zh) * | 2019-03-21 | 2019-06-18 | 南京航空航天大学 | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 |
CN110219736A (zh) * | 2019-06-19 | 2019-09-10 | 南京航空航天大学 | 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 |
CN110516395A (zh) * | 2019-09-02 | 2019-11-29 | 南京航空航天大学 | 一种基于非线性模型预测的航空发动机控制方法 |
CN111425304A (zh) * | 2020-04-23 | 2020-07-17 | 南京航空航天大学 | 基于复合模型预测控制的航空发动机直接推力控制方法 |
CN111965981A (zh) * | 2020-09-07 | 2020-11-20 | 厦门大学 | 一种航空发动机强化学习控制方法及系统 |
CN112286047A (zh) * | 2020-09-28 | 2021-01-29 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
CN113268000A (zh) * | 2021-05-20 | 2021-08-17 | 大连理工大学 | 一种航空发动机多模型预测控制的软切换方法 |
-
2021
- 2021-09-14 CN CN202111072293.0A patent/CN113741195B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713162A (zh) * | 2009-10-06 | 2012-10-03 | 斯奈克玛 | 控制静子叶片角度位置的系统和优化所述角度位置的方法 |
CN106574535A (zh) * | 2014-08-15 | 2017-04-19 | 罗伯特·博世有限公司 | 带有压力控制的柴油机尾气处理液输送系统 |
CN109896026A (zh) * | 2019-03-21 | 2019-06-18 | 南京航空航天大学 | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 |
CN110219736A (zh) * | 2019-06-19 | 2019-09-10 | 南京航空航天大学 | 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 |
CN110516395A (zh) * | 2019-09-02 | 2019-11-29 | 南京航空航天大学 | 一种基于非线性模型预测的航空发动机控制方法 |
CN111425304A (zh) * | 2020-04-23 | 2020-07-17 | 南京航空航天大学 | 基于复合模型预测控制的航空发动机直接推力控制方法 |
CN111965981A (zh) * | 2020-09-07 | 2020-11-20 | 厦门大学 | 一种航空发动机强化学习控制方法及系统 |
CN112286047A (zh) * | 2020-09-28 | 2021-01-29 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
CN113268000A (zh) * | 2021-05-20 | 2021-08-17 | 大连理工大学 | 一种航空发动机多模型预测控制的软切换方法 |
Non-Patent Citations (1)
Title |
---|
Research on nonlinear model predictive control for turboshaft engines based on double engines torques matching;Yong WANG;《Chinese Journal of Aeronautics》;20191116;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113741195A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10934944B2 (en) | Method for optimization of transient control law of aero-engine | |
US10316760B2 (en) | Turboshaft engine control | |
US6904353B1 (en) | Method and system for sliding mode control of a turbocharger | |
EP3316051B1 (en) | Model reference adaptive controller | |
US8849542B2 (en) | Real time linearization of a component-level gas turbine engine model for model-based control | |
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 | |
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 | |
CN109162813A (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 | |
CN111666648B (zh) | 一种航空发动机动态特性模拟方法 | |
CN110821683A (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 | |
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 | |
Liu et al. | Model reference adaptive control for aero-engine based on system equilibrium manifold expansion model | |
CN111856919A (zh) | 航空发动机气路部件故障增益调度容错控制器 | |
Yiyang et al. | Direct thrust control for multivariable turbofan engine based on affine linear parameter-varying approach | |
CN113741195B (zh) | 一种航空发动机非线性控制方法及系统 | |
CN114415506B (zh) | 航空发动机双模跟踪预测控制系统设计方法 | |
CN111305954A (zh) | 输入受限的航空发动机降保守性鲁棒增益调度控制器 | |
CN114995123A (zh) | 一种航空发动机宽范围模型预测控制方法 | |
CN111219258B (zh) | 发动机控制策略切换中防止积分饱和的pi控制器设计方法 | |
Sanusi et al. | Reinforcement learning for condition-based control of gas turbine engines | |
CN113075882A (zh) | 基于非平衡态线性化的涡扇发动机多变量鲁棒变增益控制方法 | |
Liu et al. | Design of gain-scheduling robust controller for aircraft engine | |
Chen et al. | Acceleration Control Design for Turbofan Aero-Engines Based on a Switching Control Strategy | |
CN111624886B (zh) | 一种基于sarsa的变循环航空发动机推力控制方法 | |
Wang et al. | Gain scheduling controller of the aero-engine based on LPV model |
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 |