CN113821893A - 一种航空发动机伺服作动系统自适应状态估计方法 - Google Patents

Abstract

本发明涉及航空发动机控制技术领域，具体公开了一种航空发动机伺服作动系统自适应状态估计方法，其中，包括：获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式；当判定所述伺服作动系统处于稳态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计；当判定所述伺服作动系统处于动态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计。本发明提供的航空发动机伺服作动系统自适应状态估计方法能够实现对伺服作动系统的状态特性参数的估计，从而实现对伺服作动系统的全生命周期实时状态监控。

Description

一种航空发动机伺服作动系统自适应状态估计方法

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伺服作动系统自适应状态估计方法。

背景技术

由于航空发动机伺服作动系统运行于高温高压的恶劣工况下，长期工作后必然出现一定程度的蜕化甚至故障，伺服作动系统状态特性发生变化，蜕化后的伺服状态特性与伺服控制器初始设计不再匹配，从而可能发生控制异常，危及发动机运行安全。但由于伺服作动系统状态特性属于不可测参数，在伺服作动系统实际运行中难以直接获取，因此传统伺服控制在伺服作动系统性能蜕化情况难以有效应对，存在增加航空发动机控制风险。

发明内容

本发明提供了一种航空发动机伺服作动系统自适应状态估计方法，解决相关技术中存在的伺服作动系统的状态特性参数无法获取的问题。

作为本发明的一个方面，提供一种航空发动机伺服作动系统自适应状态估计方法，其中，包括：

获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式；

当判定所述伺服作动系统处于稳态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计；

当判定所述伺服作动系统处于动态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计。

进一步地，所述获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式，包括：

获取伺服作动系统的驱动电流特征和位移偏差信号特征；

根据隶属度判别函数的输出结果判断伺服作动系统的状态模式，其中所述隶属度判别函数的输入量包括所述伺服作动系统的驱动电流特征和位移偏差信号特征。

进一步地，所述根据隶属度判别函数的输出结果判断伺服作动系统的状态模式，其中所述隶属度判别函数的输入量包括所述伺服作动系统的驱动电流特征和位移偏差信号特征，包括：

根据稳动态隶属度判别函数的模式判断所述伺服作动系统的状态模式，其中所述稳动态隶属度判别函数的输入量包括：伺服作动系统的位移控制指令与位移信号之间的偏差以及伺服控制电流变化量。

进一步地，所述航空发动机伺服作动系统自适应状态估计方法还包括：

当判定所述伺服作动系统满足伺服模型自适应特性参数修正条件时，对伺服自适应稳态特性参数进行修正或对伺服自适应动态特性参数进行修正。

进一步地，所述稳动态隶属度判别函数的计算公式为：

其中，e(k)＝Z_cmd(k)-Z(k)，e(k)表示伺服作动系统的位移控制指令Z_cmd(k)与位移信号Z(k)之间的偏差，du(k)＝u(k)-u(k-1)，du(k)表示伺服控制电流变化量，ε_Z和ε_u均表示隶属度判别阈值，n表示伺服作动系统的状态判别周期数，Jdy表示动态隶属度判别函数，Jst表示静态隶属度判别函数；

当Jst为1时，判定所述伺服作动系统的工作状态为稳态作动状态模式；

当Jdy为1时，判定所述伺服作动系统的工作状态为动态作动状态模式；

当Jst∪Jdy＝0时，判定所述伺服作动系统满足伺服模型自适应特性参数修正条件。

进一步地，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计，包括：

根据所述无迹卡尔曼滤波估计算法对伺服作动系统的平衡电流和稳态噪声进行自适应估计，其中所述无迹卡尔曼滤波估计算法的输入量包括伺服作动系统反馈位移信号与伺服模型预测期望位移。

进一步地，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计，包括：

根据所述无迹卡尔曼滤波估计算法对伺服作动系统的作动增益和动态响应进行自适应估计，其中所述无迹卡尔曼滤波估计算法的输入量包括伺服作动系统反馈位移信号与伺服模型预测期望位移。

进一步地，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计和所述根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计均包括：

选定对应的关键状态特性参数为等待估计的状态量X，以伺服位移信号为观测量Z，以伺服电流为输入u，以伺服振动和测量误差为状态噪声w和测量噪声v，构建非线性系统方程，所述非线性系统方程的公式为：

其中，f表示状态转移矩阵，h表示观测矩阵，K_ac表示伺服作动系统作动增益参数，T_s表示伺服作动系统作动惯性时间参数，u_Bal表示平衡电流，T_delay表示伺服作动系统作动延迟时间参数，v表示伺服作动系统作动稳态测量噪声参数；

所述状态转移矩阵的计算和观测矩阵的计算公式分别为：。

进一步地，所述无迹卡尔曼滤波估计算法的自适应估计过程包括：

首先以估计前状态参数X₀和修正前协方差矩阵P₁₀为输入，构造Sigma采样点，计算公式为：

其中，cho(P₁₀)表示修正前协方差矩阵P₁₀的cholesky分解项，基于设定的状态权重参数向量W_m和观测权重参数向量W_c，以Sigma采样点、伺服位移信息前值Z₀及伺服电流u为输入，分别计算状态预测X₁₀、修正前协方差矩阵P₁₀和观测量预测值Z₁₀，计算公式为：

以观测量预测值和状态量预测值的Sigma采样点及加权值为输入，更新获得修正参数K，计算公式为：

以观测量预测值与实际观测量误差为输入，通过修正系数K对状态量预测值进行修正，获得最新状态量预测X₁，即当前伺服作动状态模式下期望识别的特定关键状态参数，同时获得最新协方差矩阵P₁，计算公式为：

X₁＝X₁₀+K*(Z-Z₁₀)，

P₁＝P₁₀-K*P_z*K^T，

使用最新估计获得的特定关键状态参数对伺服模型进行修正，不同作动状态模式下分别识别不同关键状态特性参数，包括伺服作动系统作动增益参数K_ac、伺服作动系统作动惯性时间T_s、平衡电流u_Bal、伺服作动系统作动延迟时间参数T_delay及伺服作动系统稳态噪声参数v，在满足伺服模型自适应特性参数修正条件时更新伺服模型特性参数。

本发明提供的航空发动机伺服作动系统自适应状态估计方法，基于当前伺服作动系统控制相关信息，实时判别伺服作动系统运行状态模式，分模态自适应识别伺服作动系统各项关键特性参数，自适应修正伺服模型，实现对伺服作动系统的全生命周期实时状态监控。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1为本发明提供的航空发动机伺服作动系统自适应状态估计方法的流程图。

图2为本发明提供的航空发动机伺服作动系统自适应状态估计方法的具体实施过程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。

为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本实施例中提供了一种航空发动机伺服作动系统自适应状态估计方法，图1是根据本发明实施例提供的航空发动机伺服作动系统自适应状态估计方法的流程图，如图1所示，包括：

S110、获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式；

需要说明的是，所述伺服作动系统的状态模式可以包括稳态、动态、准稳态、收敛波动、持续波动等，在本发明实施例中，主要以稳态和动态来分析。

具体地，所述获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式，包括：

获取伺服作动系统的驱动电流特征和位移偏差信号特征；

根据隶属度判别函数的输出结果判断伺服作动系统的状态模式，其中所述隶属度判别函数的输入量包括所述伺服作动系统的驱动电流特征和位移偏差信号特征。

进一步地，根据稳动态隶属度判别函数的模式判断所述伺服作动系统的状态模式，其中所述稳动态隶属度判别函数的输入量包括：伺服作动系统的位移控制指令与位移信号之间的偏差以及伺服控制电流变化量。

S120、当判定所述伺服作动系统处于稳态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计；

具体地，根据所述无迹卡尔曼滤波估计算法对伺服作动系统的平衡电流和稳态噪声进行自适应估计，其中所述无迹卡尔曼滤波估计算法的输入量包括伺服作动系统反馈位移信号与伺服模型预测期望位移。

S130、当判定所述伺服作动系统处于动态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计。

具体地，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计，包括：

根据所述无迹卡尔曼滤波估计算法对伺服作动系统的作动增益和动态响应进行自适应估计，其中所述无迹卡尔曼滤波估计算法的输入量包括伺服作动系统反馈位移信号与伺服模型预测期望位移。

需要说明的是，当判定所述伺服作动系统满足伺服模型自适应特性参数修正条件时，对伺服自适应稳态特性参数进行修正或对伺服自适应动态特性参数进行修正。

本发明实施例提供的航空发动机伺服作动系统自适应状态估计方法，基于当前伺服作动系统控制相关信息，实时判别伺服作动系统运行状态模式，分模态自适应识别伺服作动系统各项关键特性参数，自适应修正伺服模型，实现对伺服作动系统的全生命周期实时状态监控。

下面结合图2对本发明实施例提供的航空发动机伺服作动系统自适应状态估计方法的具体工作原理进行详细说明。

在本发明实施例中，所述航空发动机伺服作动系统自适应状态估计方法主要包括伺服作动系统的状态模式判别、基于无迹卡尔曼滤波估计的稳态模式特性自适应估计以及基于无迹卡尔曼滤波估计动态模式特性自适应估计。

具体地，所述伺服作动系统的状态模式判别主要包括以当前伺服控制器位移指令与传感器反馈位移控制偏差、伺服驱动电流变化量信号为输入，通过稳动态隶属度判别函数的模式判断，实现对伺服作动系统稳态或动态运行模式的识别，并判别伺服模型自适应特性参数修正时机。

具体地，基于无迹卡尔曼滤波估计的稳态模式特性自适应估计主要包括当伺服作动系统当前处于稳态运行模式时，以伺服作动系统反馈位移信号与伺服模型预测期望位移为输入，基于无迹卡尔曼滤波估计算法实现对平衡电流、稳态噪声等伺服稳态特征参数的自适应估计；当满足伺服模型自适应参数修正时机条件时，修正伺服自适应模型稳态特性参数，提高伺服自适应模型稳态预测精度。

具体地，所述基于无迹卡尔曼滤波估计动态模式特性自适应估计主要包括当伺服作动系统当前处于动态运行模式时，以伺服作动系统反馈位移信号与伺服模型预测期望位移为输入，基于无迹卡尔曼滤波估计方法实现对作动增益、动态响应延迟等伺服动态特征参数的自适应估计；当满足伺服模型自适应参数修正时机条件时，修正伺服自适应模型动态特性参数，提高伺服自适应模型动态预测精度。

作为具体地实施方式，所述稳动态隶属度判别函数的计算公式为：

其中，e(k)＝Z_cmd(k)-Z(k)，e(k)表示伺服作动系统的位移控制指令Z_cmd(k)与位移信号Z(k)之间的偏差，du(k)＝u(k)-u(k-1)，du(k)表示伺服控制电流变化量，ε_Z和ε_u均表示隶属度判别阈值，n表示伺服作动系统的状态判别周期数，Jdy表示动态隶属度判别函数，Jst表示静态隶属度判别函数；

当Jst为1时，判定所述伺服作动系统的工作状态为稳态作动状态模式；

当Jdy为1时，判定所述伺服作动系统的工作状态为动态作动状态模式；

当Jst∪Jdy＝0时，判定所述伺服作动系统满足伺服模型自适应特性参数修正条件。

应当理解的是，当满足Jst为1时，表示当前伺服作动系统处于稳态作动状态模式，开始进行静态模式下的特性参数自适应估计，当退出静态模式且不满足动态模式时(Jst∪Jdy＝0)，自适应修正伺服模型静态特性参数；当满足Jdy为1时，表示当前伺服作动系统进入动态作动模式，开始进行动态模式下的特性参数自适应估计，当退出动态模式且不满足稳态模式时(Jst∪Jdy＝0)，自适应修正伺服模型动态特性参数。

具体地，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计和所述根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计均包括：

选定对应的关键状态特性参数为等待估计的状态量X，以伺服位移信号为观测量Z，以伺服电流为输入u，以伺服振动和测量误差为状态噪声w和测量噪声v，构建非线性系统方程，所述非线性系统方程的公式为：

其中，f表示状态转移矩阵，h表示观测矩阵，K_ac表示伺服作动系统作动增益参数，T_s表示伺服作动系统作动惯性时间参数，u_Bal表示平衡电流，T_delay表示伺服作动系统作动延迟时间参数，v表示伺服作动系统作动稳态测量噪声参数；

所述状态转移矩阵的计算和观测矩阵的计算公式分别为：。

进一步具体地，为自适应估计伺服系统相关状态参数，采用具有良好的非线性对象状态估计性能的无迹卡尔曼滤波估计算法，所述无迹卡尔曼滤波估计算法的自适应估计过程包括：

首先以估计前状态参数X₀和修正前协方差矩阵P₁₀为输入，构造Sigma采样点，计算公式为：

其中，cho(P₁₀)表示修正前协方差矩阵P₁₀的cholesky分解项，基于设定的状态权重参数向量W_m和观测权重参数向量W_c，以Sigma采样点、伺服位移信息前值Z₀及伺服电流u为输入，分别计算状态预测X₁₀、修正前协方差矩阵P₁₀和观测量预测值Z₁₀，计算公式为：

以观测量预测值和状态量预测值的Sigma采样点及加权值为输入，更新获得修正参数K，计算公式为：

以观测量预测值与实际观测量误差为输入，通过修正系数K对状态量预测值进行修正，获得最新状态量预测X₁，即当前伺服作动状态模式下期望识别的特定关键状态参数，同时获得最新协方差矩阵P₁，计算公式为：

X₁＝X₁₀+K*(Z-Z₁₀)，

P₁＝P₁₀-K*P_z*K^T，

使用最新估计获得的特定关键状态参数对伺服模型进行修正，不同作动状态模式下分别识别不同关键状态特性参数，包括伺服作动系统作动增益参数K_ac、伺服作动系统作动惯性时间T_s、平衡电流u_Bal、伺服作动系统作动延迟时间参数T_delay及伺服作动系统稳态噪声参数v，在满足伺服模型自适应特性参数修正条件时更新伺服模型特性参数。

应当理解的是，通过更新伺服模型特性参数，使伺服模型逐步逼近伺服作动系统实际状态，实现对伺服作动系统状态全生命周期状态的自适应监控。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (9)

1.一种航空发动机伺服作动系统自适应状态估计方法，其特征在于，包括：

获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式；

当判定所述伺服作动系统处于稳态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计；

当判定所述伺服作动系统处于动态作动状态模式时，根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计。

2.根据权利要求1所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述获取伺服作动系统的控制信号特征，并根据所述控制信号特征判断伺服作动系统的状态模式，包括：

获取伺服作动系统的驱动电流特征和位移偏差信号特征；

根据隶属度判别函数的输出结果判断伺服作动系统的状态模式，其中所述隶属度判别函数的输入量包括所述伺服作动系统的驱动电流特征和位移偏差信号特征。

3.根据权利要求2所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述根据隶属度判别函数的输出结果判断伺服作动系统的状态模式，其中所述隶属度判别函数的输入量包括所述伺服作动系统的驱动电流特征和位移偏差信号特征，包括：

根据稳动态隶属度判别函数的模式判断所述伺服作动系统的状态模式，其中所述稳动态隶属度判别函数的输入量包括：伺服作动系统的位移控制指令与位移信号之间的偏差以及伺服控制电流变化量。

4.根据权利要求3所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述航空发动机伺服作动系统自适应状态估计方法还包括：

当判定所述伺服作动系统满足伺服模型自适应特性参数修正条件时，对伺服自适应稳态特性参数进行修正或对伺服自适应动态特性参数进行修正。

5.根据权利要求4所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述稳动态隶属度判别函数的计算公式为：

其中，e(k)＝Z_cmd(k)-Z(k)，e(k)表示伺服作动系统的位移控制指令Z_cmd(k)与位移信号Z(k)之间的偏差，du(k)＝u(k)-u(k-1)，du(k)表示伺服控制电流变化量，ε_Z和ε_u均表示隶属度判别阈值，n表示伺服作动系统的状态判别周期数，Jdy表示动态隶属度判别函数，Jst表示静态隶属度判别函数；

当Jst为1时，判定所述伺服作动系统的工作状态为稳态作动状态模式；

当Jdy为1时，判定所述伺服作动系统的工作状态为动态作动状态模式；

当Jst∪Jdy＝0时，判定所述伺服作动系统满足伺服模型自适应特性参数修正条件。

6.根据权利要求4所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计，包括：

根据所述无迹卡尔曼滤波估计算法对伺服作动系统的平衡电流和稳态噪声进行自适应估计，其中所述无迹卡尔曼滤波估计算法的输入量包括伺服作动系统反馈位移信号与伺服模型预测期望位移。

7.根据权利要求4所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计，包括：

根据所述无迹卡尔曼滤波估计算法对伺服作动系统的作动增益和动态响应进行自适应估计，其中所述无迹卡尔曼滤波估计算法的输入量包括伺服作动系统反馈位移信号与伺服模型预测期望位移。

8.根据权利要求4所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述根据无迹卡尔曼滤波估计算法对伺服作动系统的稳态特性进行自适应估计和所述根据无迹卡尔曼滤波估计算法对伺服作动系统的动态特性进行自适应估计均包括：

选定对应的关键状态特性参数为等待估计的状态量X，以伺服位移信号为观测量Z，以伺服电流为输入u，以伺服振动和测量误差为状态噪声w和测量噪声v，构建非线性系统方程，所述非线性系统方程的公式为：

其中，f表示状态转移矩阵，h表示观测矩阵，K_ac表示伺服作动系统作动增益参数，T_s表示伺服作动系统作动惯性时间参数，u_Bal表示平衡电流，T_delay表示伺服作动系统作动延迟时间参数，v表示伺服作动系统作动稳态测量噪声参数；

所述状态转移矩阵的计算和观测矩阵的计算公式分别为：。

9.根据权利要求8所述的航空发动机伺服作动系统自适应状态估计方法，其特征在于，所述无迹卡尔曼滤波估计算法的自适应估计过程包括：

首先以估计前状态参数X₀和修正前协方差矩阵P₁₀为输入，构造Sigma采样点，计算公式为：

其中，cho(P₁₀)表示修正前协方差矩阵P₁₀的cholesky分解项，基于设定的状态权重参数向量W_m和观测权重参数向量W_c，以Sigma采样点、伺服位移信息前值Z₀及伺服电流u为输入，分别计算状态预测X₁₀、修正前协方差矩阵P₁₀和观测量预测值Z₁₀，计算公式为：

以观测量预测值和状态量预测值的Sigma采样点及加权值为输入，更新获得修正参数K，计算公式为：

以观测量预测值与实际观测量误差为输入，通过修正系数K对状态量预测值进行修正，获得最新状态量预测X₁，即当前伺服作动状态模式下期望识别的特定关键状态参数，同时获得最新协方差矩阵P₁，计算公式为：

X₁＝X₁₀+K*(Z-Z₁₀)，

P₁＝P₁₀-K*P_z*K^T，

使用最新估计获得的特定关键状态参数对伺服模型进行修正，不同作动状态模式下分别识别不同关键状态特性参数，包括伺服作动系统作动增益参数K_ac、伺服作动系统作动惯性时间T_s、平衡电流u_Bal、伺服作动系统作动延迟时间参数T_delay及伺服作动系统稳态噪声参数v，在满足伺服模型自适应特性参数修正条件时更新伺服模型特性参数。

Images