CN114265368B - 航空发动机伺服控制系统组合状态自适应估计方法 - Google Patents

Abstract

本发明涉及航空发动机伺服系统技术领域，具体公开了一种航空发动机伺服控制系统组合状态自适应估计方法，其中，包括：根据实时监控到的伺服输入电流和作动位移信号确定航空发动机伺服作动机构的当前作动状态；当当前作动状态为稳态作动模式时，根据滤波状态估计器估计平衡电流；当当前作动状态为动态作动模式时，根据快速轨迹拟合的方式估计伺服作动增益和作动时间延迟；根据当前历史性能存储模块中的性能特性数据评估稳态作动模式下输出的平衡电流的置信度以及评估动态作动模式下输出的伺服作动增益和作动时间延迟的置信度。本发明提供的航空发动机伺服控制系统组合状态自适应估计方法能够提高发动机控制安全性。

Description

航空发动机伺服控制系统组合状态自适应估计方法

技术领域

本发明涉及航空发动机伺服系统技术领域，尤其涉及一种航空发动机伺服控制系统组合状态自适应估计方法。

背景技术

航空发动机伺服系统是发动机控制系统的重要组成部分，其主要功能是基于控制系统指令激励调节燃油、导叶或喷管等伺服机构位移，从而改变发动机燃油流量、导叶角度或喷管面积等，实现对发动机状态的调节，因此伺服系统性能直接影响发动机的控制品质，对发动机安全稳定控制至关重要。

由于航空发动机伺服系统长期工作在高温、高压、大负载环境下，随着使用时间延长，伺服机构内部的污染磨损等因素将导致伺服作动特性发生不同程度的退化，如主燃油和导叶伺服机构平衡电流漂移、伺服驱动增益变小、作动时间延迟变长等，伺服机构的可靠性乃至使用寿命随着作动特性的退化而降低，伺服控制回路的控制性能随之下降，最终影响发动机控制的安全稳定性。

当伺服系统处于离线状态时，采用特定开环或闭环特性辨识试验，结合对伺服油压、油温、作动位移等信号的控制和监测，可以有效辨识伺服系统特性参数，包括伺服平衡电流、伺服作动增益、作动延迟等，建立精确的伺服模型，用于伺服系统检验及伺服控制器设计；但当伺服系统安装于航空发动机上时，由于使用环境和安装条件的限制，只能在线获取位移传感器测量的作动筒位移信号，此时可测信号数目少于伺服机构特性参数数目，难以通过传统的状态估计器完整精确的估计伺服系统实时特性，对航空发动机安全稳定控制构成不确定性风险。

在传统的航空发动机伺服控制设计中，为包容伺服系统在服役过程中的性能退化造成的不确定性影响，通常预留一定的控制裕度，牺牲部分作动带宽而增强伺服控制稳定性，以确保发动机更长时间的安全稳定控制，并通过定期维护保障伺服系统使用过程中的可靠性。但由于发动机运行环境差异及控制装置伺服系统个体差异，伺服系统的性能退化速度难以简单预测，若伺服系统发生超预期退化时，维护人员往往只能在安全隐患产生后通过对发动机控制异常数据分析及对伺服系统拆解检修才能发现问题。

随着自适应控制方法在工业领域的逐步成熟应用，模型参考自适应控制、预测控制等先进控制方法也被逐渐应用于伺服控制领域，并在一些领域取得了良好效果。这类控制方法主要通过模型预测与自适应修正的方式补偿外部负载或内部增益变化造成的控制性能偏差，使伺服系统在性能偏移的情况下仍能达到期望控制效果。但在航空发动机中，由于伺服结构和工作环境的复杂性，发动机伺服控制性能的偏差来源除外部负载和内部增益变化外，也可能来源于平衡电流的漂移或伺服作动延迟，而这些造成控制偏差的实际因素对应的控制补偿手段并不相同甚至截然相反，在只有伺服位移信号的情况下难以有效定位控制偏差原因，也就难以取得期望的自适应控制效果。因此，如何提供一种能够在仅有伺服位移传感器测量信号的情况下，有效辨识伺服系统关键状态参数并跟踪状态性能趋势以提高发动机控制安全性的在线自适应估计方法成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了一种航空发动机伺服控制系统组合状态自适应估计方法，解决相关技术中存在的缺乏发动机控制安全性的在线自适应估计方法的问题。

作为本发明的一个方面，提供一种航空发动机伺服控制系统组合状态自适应估计方法，其中，用于实现伺服特性参数的估计，所述伺服特性参数包括伺服作动增益、平衡电流和作动时间延迟，所述方法包括：

根据实时监控到的伺服输入电流和作动位移信号确定航空发动机伺服作动机构的当前作动状态，其中所述作动状态包括稳态作动模式和动态作动模式；

当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，其中所述伺服作动增益和所述作动时间延迟为动态作动模式下更新的估计值；

当当前作动状态为动态作动模式时，根据快速轨迹拟合的方式估计所述伺服作动增益和所述作动时间延迟，其中所述平衡电流为所述稳态作动模式下更新的估计值；

根据当前历史性能存储模块中的性能特性数据评估所述稳态作动模式下输出的所述平衡电流的置信度以及评估所述动态作动模式下输出的所述伺服作动增益和所述作动时间延迟的置信度；

根据所述平衡电流的置信度以及所述伺服作动增益和所述作动时间延迟的置信度确定是否更新当前历史性能存储模块中的性能特性数据。

进一步地，所述根据实时监控到的伺服输入电流和作动位移信号确定航空发动机伺服作动机构的当前作动状态，包括：

实时监控伺服输入电流和作动位移信号；

根据所述作动位移信号的累计阈值确定稳态模式判定条件和动态模式判定条件；

若航空发动机伺服作动机构的当前作动状态满足稳态模式判定条件，则确定当前作动状态为稳态作动模式；

若航空发动机伺服作动机构的当前作动状态满足动态模式判定条件，则确定当前作动状态为动态作动模式。

进一步地，所述根据所述作动位移信号的累计阈值确定稳态模式判定条件和动态模式判定条件，包括：

统计航空发动机伺服作动机构在稳态作动模式下的作动位移信号的测量噪声，并用信号标准差σ_z,0表示，计算最近m_z个采用周期内作动位移信号的标准差σ_z；

将所述标准差σ_z与准稳态阈值λ_sσ_z,0进行比较，当σ_z＜λ_sσ_z,0时确定航空发动机伺服作动机构的当前作动状态处于稳态作动模式；

将所述标准差σ_z与动态阈值λ_dσ_z,0进行比较，当σ_z＞λ_dσ_z,0时确定航空发动机伺服作动机构的当前作动状态处于动态作动模式；

其中，m_z,λ_s,λ_d均表示常数，且λ_s＜λ_d。

进一步地，所述当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，包括：

建立伺服作动机构非线性模型；

根据对称采样算法设计用于估计所述平衡电流的UKF滤波器；

将所述UKF滤波器应用至所述伺服作动机构非线性模型，以实现估计所述平衡电流。

进一步地，所述将所述UKF滤波器应用至所述伺服作动机构非线性模型，包括：

滤波器运动模型载入伺服作动增益K_v和作动时间延迟t_delay，并确定待估计的平衡电流的初始值I_bal,0；

计算Sigma点并确定权重：

其中，λ,α,β均表示调整因子，表示矩阵(1+λ)P_x的平方根矩阵的第i行或第i列；

时间更新：

测量更新，根据当前时刻测量值y_k对预测状态和估计误差协方差/>进行修正：

对待估计的平衡电流的估计值进行收敛性判断，当待估计的平衡电流的估计值满足收敛条件时，输出待估计的平衡电流的估计值，其中ε表示设置的平衡电流估计收敛阈值；

返回更新待估计的平衡电流的初始值，重复上述步骤。

进一步地，所述当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，还包括：

当输出的平衡电流的估计值趋近收敛后，将所述平衡电流的估计值分别传递至动态参数估计模块、置信度评估模块和历史性能存储模块。

进一步地，所述当当前作动状态为动态作动模式时，所述根据快速轨迹拟合的方式估计所述伺服作动增益和所述作动时间延迟，包括：

初始化，并载入平衡电流I_bal，设置2m+1个BFGS优化器的伺服作动增益初始值K_v,0和作动时间延迟初始值t_delay,0；

进行BFGS优化，其中2m+1个BFGS优化器各自进行一次拟牛顿迭代优化，获取2m+1个损失函数f_i(x_k)，i＝1……2m+1；

通过最小损失函数选择器获取f_i(x_k)中最小损失函数f_min(x_k)对应的BFGS优化器的伺服作动增益预测值和梯度信息f′(x_k)，传递给每组BFGS优化器作为更新初值；

通过最小损失函数选择器获取f_i(x_k)中最小损失函数对应的BFGS优化器的伺服作动延时预测值以此更新每组BFGS优化器的时间延迟设置[t_delay,k+1-m，…，t_delay,k+1，…，t_delay,k+1+m]，其中t_delay,k+1的更新公式为：

其中，Δt_max和Δt_min分别表示单次延迟周期更新的最大限制和最小限制，t_max和t_min分别表示作动延迟周期估计值的最大限制和最小限制；

优化收敛与结束判断，其中判断条件为：

(a)最小损失函数f_min(x_k)满足收敛条件

|f_min(x_k)-f_min(x_k-1)|＜ε_f，

(b)优化估计参数满足收敛条件：

(c)优化估计参数满足收敛条件：

若同时满足(a)、(b)和(c)所示的收敛条件，且迭代次数k＜k_max，则结束迭代优化计算并输出作为本次伺服作动增益的估计值以及输出/>作为本次作动时间延迟的估计值；若k＞k_max则结束迭代优化计算且不输出估计值；其他情况均返回初始化后重新迭代计算。

进一步地，还包括：

将满足收敛条件的伺服作动增益的估计值和作动时间延迟的估计值分别传递至稳态参数估计模块、置信度评估模块和历史性能存储模块。

进一步地，所述根据当前历史性能存储模块中的性能特性数据评估所述稳态作动模式下输出的所述平衡电流的置信度以及评估所述动态作动模式下输出的所述伺服作动增益和所述作动时间延迟的置信度，包括：

分别构造平衡电流趋势阈值范围伺服作动增益趋势阈值范围/>和作动时间延迟趋势阈值范围/>其中，/> 分别表示伺服系统在相同工况下进行多次辨识记录结果的均值，/>为基于工程经验设计的阈值偏差；

将估计得到的平衡电流的估计值与所述平衡电流趋势阈值范围进行比较，将估计得到的伺服作动增益的估计值与所述伺服作动增益趋势阈值范围/>进行比较，以及将估计得到的作动时间延迟的估计值与作动时间延迟趋势阈值范围/>进行比较；

若平衡电流的估计值在所述平衡电流趋势阈值范围内，则确定平衡电流的估计值具有高置信度，若伺服作动增益的估计值在所述伺服作动增益趋势阈值范围内，则确定伺服作动增益具有高置信度，若作动时间延迟的估计值在所述作动时间延迟趋势阈值范围内，则确定作动时间延迟具有高置信度。

进一步地，所述根据所述平衡电流的置信度以及所述伺服作动增益和所述作动时间延迟的置信度确定是否更新当前历史性能存储模块中的性能特性数据，包括：

将具有高置信度的所述平衡电流、所述伺服作动增益和所述作动时间延迟均更新至所述历史性能存储模块中。

本发明提供的航空发动机伺服控制系统组合状态自适应估计方法，通过设计航空发动机伺服控制系统状态参数组合估计架构、设计伺服作动模式识别分类模块、设计平衡电流的稳态估计模块、设计枚举型BFGS优化器组并设计作动增益与作动延迟周期数组合状态的动态估计模块、设计稳态估计模块与动态估计模块的参数更新逻辑、置信度评估模块与历史性能存储模块，能够在仅有伺服位移传感器测量信号的情况下，有效辨识伺服系统关键状态参数并跟踪状态性能趋势，为发动机伺服自适应控制与故障诊断提供在线模型依据，提高发动机控制安全性。

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为本发明提供的导叶伺服控制回路结构。

图2为本发明提供的电液伺服阀和作动筒工作原理。

图3为本发明提供的伺服系统参数自适应组合估计框架。

图4为本发明提供的航空发动机伺服控制系统组合状态自适应估计方法的流程图。

图5为本发明提供的基于UKF滤波器的稳态参数估计模块。

图6为本发明提供的BFGS在线优化器。

图7为本发明提供的枚举型优化器组。

图8为本发明提供的航空发动机伺服系统闭环控制回路。

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。

航空发动机的伺服控制回路众多，包括主燃油计量、加力燃油计量、风扇或压气机导叶角度调节、喷口面积调节等。以风扇或压气机导叶伺服控制回路为例，其伺服控制回路结构图如图1所示。

伺服控制回路中的转换单元和执行单元作为伺服作动机构，是航空发动机伺服系统建模的核心。以电液伺服阀和作动筒为例，其工作原理如图2所示。

用ΔI表示由伺服控制器输入的电流I_in与电液伺服阀本身的平衡电流I_bal的差值，则作动筒位移Z对ΔI的传递函数一般可以表示为：

其中，ω_m表示力矩马达的穿越频率，ω_h表示作动筒-负载的液压固有频率，ξ_h表示作动筒-负载的相对阻尼系数，K_v表示作动筒-负载的速度放大系数，即伺服作动机构的伺服作动增益，T_delay表示作动机构接收到电流激励到开始作动的作动时间延迟。航空发动机伺服系统中通常具有ω_m＞＞ω_h，并且可以将二阶惯性环节简化为一阶惯性环节[19]，则G(s)可以进一步简化为

其中T_v为简化后的一阶惯性环节时间常数。

对式(2)进行双线性变换可得电液伺服阀的离散递推模型如下。

其中，模型参数包括伺服作动增益K_v，作动时间延迟T_delay，平衡电流I_bal和惯性环节时间常数T_v，并且a₄＝2a₃，a₅＝a₃。

根据工程经验，在航空发动机的伺服系统全生命周期中，由于伺服油源污染、泄露、磨损、外部交变负载等原因，伺服作动增益K_v和平衡电流I_bal常发生较大程度的退化，且退化后对伺服控制性能影响显著，是必须估计并监控的伺服特性参数。作动时间延迟T_delay与惯性环节时间常数T_v的影响存在重合，而伺服作动延迟退化大多表现于T_delay而非T_v，且作动时间延迟T_delay对伺服控制性能的影响也远大于惯性环节时间常数T_v，因此忽略惯性环节时间常数T_v的退化与影响，仅将作动时间延迟T_delay与伺服作动增益K_v和平衡电流I_bal一同作为待估计的伺服特性参数。

由式(2)所示的航空发动机的伺服系统数学模型可以看出，伺服作动增益K_v、平衡电流I_bal及作动时间延迟T_delay对伺服作动性能的影响存在耦合，在只有位移测量一个输出信号的情况下，如果按常规的单一状态估计方法难以实现对三个待估计特性参数的准确估计。

对式(2)伺服系统数学模型的进一步分析可知，当伺服机构处于不同作动状态，伺服作动增益K_v、平衡电流I_bal及作动时间延迟T_delay对伺服作动性能的影响程度不同。充分利用不同作动状态下的特性参数影响差异，同时采用多个状态估计器组合估计，则有可能实现模型在单一输出参数情况下的多个模型参数估计目标。

伺服机构不同作动状态下的特性参数影响差异主要表现在以下两点：

(A)稳态或准稳态控制时，ΔI在0mA附近波动，位移传感器测量得到的伺服机构位移信号在小范围内小幅波动(波动来源主要为气动噪声或测量噪声等)，此时由于ΔI基本为零，因此伺服作动增益K_v和作动时间延迟T_delay对伺服机构的稳态性能影响较小，而平衡电流I_bal占主导作用，此状态下K_v与T_delay的估计偏差对平衡电流I_bal估计影响较小；

(B)动态控制时，伺服机构受ΔI的驱动产生运动，运动速度随ΔI大小而有所不同，此时伺服作动增益K_v和平衡电流I_bal都对作动性能产生影响，若ΔI电流激励足够充分，伺服机构作动位移明显大于相关信号噪声，则基于稳态控制时估计获取精确I_bal数值的前提下，可以通过作动轨迹拟合的方式获取K_v和T_delay的估计值。

基于以上分析，航空发动机伺服控制系统组合状态自适应估计方法，用于实现伺服特性参数的估计，所述伺服特性参数包括伺服作动增益、平衡电流和作动时间延迟，其架构图如图3所示，图4是根据本发明实施例提供的航空发动机伺服控制系统组合状态自适应估计方法的流程图，如图3所示，自适应组合估计的过程如下：

(1)作动模式识别分类：实时监控伺服电流与作动位移信号，当作动状态符合准稳态模式判定条件时，准稳态估计模块工作，当作动状态符合足够激励的动态模式判定条件时，动态估计模块开始工作；

(2)稳态性能参数估计：采用滤波状态估计器估计平衡电流，其中状态估计器模型参数和采用动态估计器更新的估计值；

(3)动态性能参数估计：存储并调用符合足够激励条件的动态时间窗口内的动态数据，通过快速轨迹拟合的方式估计伺服作动增益和时间延迟，其中模型参数采用稳态估计器更新的估计值；

(4)置信度决策：基于性能特性历史存储数据累积的性能趋势经验，决策稳态估计与动态估计输出的特性参数的置信度，以区分出由于负载扰动、气动卡滞等偶发情况引起的异常性能数据，并采用存储库中高置信度估计参数更新伺服机载模型，为伺服自适应控制和故障诊断提供在线模型依据。

如图4所示，所述方法包括：

S110、根据实时监控到的伺服输入电流和作动位移信号确定航空发动机伺服作动机构的当前作动状态，其中所述作动状态包括稳态作动模式和动态作动模式；

具体地，实时监控伺服输入电流和作动位移信号；

根据所述作动位移信号的累计阈值确定稳态模式判定条件和动态模式判定条件；

若航空发动机伺服作动机构的当前作动状态满足稳态模式判定条件，则确定当前作动状态为稳态作动模式；

若航空发动机伺服作动机构的当前作动状态满足动态模式判定条件，则确定当前作动状态为动态作动模式。

在本发明实施例中，所述根据所述作动位移信号的累计阈值确定稳态模式判定条件和动态模式判定条件，包括：

统计航空发动机伺服作动机构在稳态作动模式下的作动位移信号的测量噪声，并用信号标准差σ_z,0表示，计算最近m_z个采用周期内作动位移信号的标准差σ_z；

将所述标准差σ_z与准稳态阈值λ_sσ_z,0进行比较，当σ_z＜λ_sσ_z,0时确定航空发动机伺服作动机构的当前作动状态处于稳态作动模式；

将所述标准差σ_z与动态阈值λ_dσ_z,0进行比较，当σ_z＞λ_dσ_z,0时确定航空发动机伺服作动机构的当前作动状态处于动态作动模式；

其中，m_z,λ_s,λ_d均表示常数，且λ_s＜λ_d。

应当理解的是，参数m_z,λ_s,λ_d需要根据经验与试验结果确定，需满足λ_s＜λ_d。当λ_sσ_z,0＜σ_z＜λ_dσ_z,0时，判断控制装置伺服系统当前处于激励不充分的动态过程中，既不进行稳态性能参数估计，也不进行动态性能参数估计。虑到动态估计时的轨迹拟合计算量不应超过控制器硬件限制，限制控制装置伺服系统单次持续处于动态模式的数据存储时间窗口最长不超过200个采用周期。

S120、当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，其中所述伺服作动增益和所述作动时间延迟为动态作动模式下更新的估计值；

考虑到稳态过程中伺服测量信号必然受到气动噪声与测量噪声的干扰，因此本文选择采用具有滤波估计能力且计算量较小的无迹卡尔曼滤波器(UKF)进行稳态性能参数平衡电流I_bal的估计。

具体地，建立伺服作动机构非线性模型；

根据对称采样算法设计用于估计所述平衡电流的UKF滤波器；

将所述UKF滤波器应用至所述伺服作动机构非线性模型，以实现估计所述平衡电流。

将伺服作动机构模型表示为如下离散形式的非线性系统

其中ω_k,v_k分别为系统噪声和测量噪声，一般假设ω_k,v_k均为高斯白噪声，满足ω_k≈N(0,Q_k),ν_k≈N(0,R_k)，状态向量x_k＝I_b的维数为1，广义输入向量为t_delay表示作动时间延迟T_delay离散化后的延迟周期数。结合式(3)所示的伺服机构离散递推模型，则非线性观测函数h(x_k,u_k)表示为

UKF是利用Unscented变换，代替标准或扩展卡尔曼滤波器中估计变量统计特性线性化传播方式的一种非线性卡尔曼滤波器。Unscented变换通过一组加权的Sigma点来获得随机变量的统计数学特性，其中Sigma点的选取策略是整个算法关键所在，为了保证经过非线性变换后随机变量的协方差矩阵的半正定性，本发明实施例采用对称采样算法。

具体地，所述将所述UKF滤波器应用至所述伺服作动机构非线性模型，包括：

步骤1，滤波器运动模型载入伺服作动增益K_v和作动时间延迟t_delay，并确定待估计的平衡电流的初始值I_bal,0。

应当理解的是，在该实施方式中，伺服作动增益K_v和作动时间延迟t_delay为默认或最新估计的动态参数，待估计的平衡电流的初始值I_bal,0为通过特定辨识实验获取，并离线设置的默认值。

步骤2，计算Sigma点并确定权重：

其中，λ,α,β均表示调整因子，表示矩阵(1+λ)P_x的平方根矩阵的第i行或第i列；

步骤3，时间更新：

步骤4，测量更新，根据当前时刻测量值y_k对预测状态和估计误差协方差/>进行修正：

步骤5，对待估计的平衡电流的估计值进行收敛性判断，当待估计的平衡电流的估计值满足收敛条件时，输出待估计的平衡电流的估计值，其中ε表示设置的平衡电流估计收敛阈值；

返回更新待估计的平衡电流的初始值，重复上述步骤1再次循环计算。

图5给出了基于UKF滤波器进行稳态性能参数估计的原理图，其中执行机构非线性模型为式(5)所示的伺服作动离散模型，模型中的K_v和t_delay为动态估计模块输出的高置信度估计值。UKF滤波器能够根据估计伺服模型计算位移z_e与控制装置伺服系统测量反馈位移z的差值实现对平衡电流I_bal的在线估计。

由于动态性能参数K_v和t_delay对伺服稳态性能影响较小，因此所设计UKF滤波器对平衡电流I_bal的辨识精度受K_v和t_delay的估计误差的影响较小，这能够保证稳态参数估计模块的估计结果具有较高的精度。

具体地，所述当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，还包括：

当输出的平衡电流的估计值趋近收敛后，将所述平衡电流的估计值分别传递至动态参数估计模块、置信度评估模块和历史性能存储模块。

应当理解的是，在持续的稳态估计过程中，UKF滤波器状态估计数值趋近收敛后，模块输出平衡电流I_bal估计值依次传递给动态参数估计模块、置信度评估模块和历史性能存储模块。

S130、当当前作动状态为动态作动模式时，根据快速轨迹拟合的方式估计所述伺服作动增益和所述作动时间延迟，其中所述平衡电流为所述稳态作动模式下更新的估计值；

当航空发动机的伺服系统作动状态满足动态判定条件后，动态参数估计模块首先完成一组时间窗口的动态数据存储，其中动态数据时间窗口的长度取决于满足动态条件的持续时间，并受最大最小窗口长度限制。满足长度限制的动态窗口数据被用于动态性能参数K_v和t_delay的辨识估计计算。

本发明实施例采用动态轨迹优化的方式对动态参数K_v和t_delay进行估计，其中优化的损失函数定义为伺服测量反馈位移z与伺服模型估计位移z_e之间误差向量的二范数，误差向量的长度即为数据窗口长度。

考虑到机载场景下控制器计算资源有限，而优化算法必然需要反复迭代计算，需要耗费大量计算资源，因此需要采用优化计算量尽可能少、优化收敛速度尽可能快的优化算法。综合考虑计算量和优化精度的限制，本文选择采用BFGS算法进行动态参数估计的优化计算。

BFGS算法作为典型的拟牛顿迭代优化方法，通过迭代对二阶导数信息进行近似处理，迭代过程中只需求解一阶导数信息，计算效率高，计算精度好，是较为合适的在线优化算法。BFGS算法原理如下：

设优化计算时的优化变量为x_k，损失函数表示为f(x_k)，一阶梯度表示g_k＝f′(x_k)，二阶梯度表示为H_k＝f″(x_k)，k为优化迭代次数，则牛顿法迭代公式为

BFGS算法通过如下迭代公式计算对进行近似，避免了二阶梯度与求逆计算，在保证迭代精度的同时大大减少了计算量。

其中s_k＝x_k+1-x_k,y_k＝g_k+1-g_k，B_k的初始对称正定矩阵B₀一般可取为单位阵。则迭代公式X变为了x_k+1＝x_k-B_kg_k。

基于BFGS算法的伺服作动增益K_v的估计结构如图6所示。

由于伺服作动时间延迟t_delay实际变动范围有限，并且在轨迹优化梯度计算时的影响较大，为避免梯度过大引起优化发散并尽可能减少迭代计算量，将待估计的t_delay设置为受范围限制的离散量，通常离散间隔为一个伺服控制周期。

将伺服作动时间延迟t_delay定义为以伺服控制周期为单位的周期数，该周期数为离散变量，此时难以使用BFGS优化算法直接估计延迟周期t_delay。针对该问题，本发明实施例设计了枚举型BFGS在线优化器结构进行连续型估计参数K_v和离散型估计参数t_delay的同步辨识，最终设计的动态优化器结构如图7所示。

枚举优化器组包括2m+1个BFGS优化器，每个BFGS在线优化器的延迟周期分别为[t_delay-m，…，t_delay，…，t_delay+m]。每次优化器组迭代中，当各BFGS优化器完成一次优化计算后，最小函数选择器选取损失函数最小的优化器的参数及延迟设置作为下一个迭代的输入，重新设置各BFGS优化器参数。在各BFGS优化器中，伺服作动增益K_v通过BFGS优化算法的迭代公式进行优化更新。枚举型优化器组具体运行步骤如下：

步骤11：初始化，并载入平衡电流I_bal，设置2m+1个BFGS优化器的伺服作动增益初始值K_v,0和作动时间延迟初始值t_delay,0；

其中所述平衡电流为默认或最新估计得到，所述K_v,0和t_delay,0为通过特定辨识试验获取并离线设置的默认值。

步骤12：进行BFGS优化，其中2m+1个BFGS优化器各自进行一次拟牛顿迭代优化，获取2m+1个损失函数f_i(x_k)，i＝1……2m+1；

步骤13：通过最小损失函数选择器获取f_i(x_k)中最小损失函数f_min(x_k)对应的BFGS优化器的伺服作动增益预测值和梯度信息f′(x_k)，传递给每组BFGS优化器作为更新初值；

步骤14：通过最小损失函数选择器获取f_i(x_k)中最小损失函数对应的BFGS优化器的伺服作动延时预测值以此更新每组BFGS优化器的时间延迟设置[t_delay,k+1-m，…，t_delay,k+1，…，t_delay,k+1+m]，其中t_delay,k+1的更新公式为：

其中，Δt_max和Δt_min分别表示单次延迟周期更新的最大限制和最小限制，t_max和t_min分别表示作动延迟周期估计值的最大限制和最小限制；

步骤15：优化收敛与结束判断，其中判断条件为：

(a)最小损失函数f_min(x_k)满足收敛条件

|f_min(x_k)-f_min(x_k-1)|＜ε_f，

(b)优化估计参数满足收敛条件：

(c)优化估计参数满足收敛条件：

若同时满足(a)、(b)和(c)所示的收敛条件，且迭代次数k＜k_max，则结束迭代优化计算并输出作为本次伺服作动增益的估计值以及输出/>作为本次作动时间延迟的估计值；若k＞k_max则结束迭代优化计算且不输出估计值；其他情况均返回步骤11的初始化后重新迭代计算。

应当理解的是，在一次动态估计窗口优化计算结束后，若最终优化结果满足优化收敛条件后，将满足收敛条件的伺服作动增益的估计值和作动时间延迟的估计值分别传递至稳态参数估计模块、置信度评估模块和历史性能存储模块，，完成一次有效动态估计。

S140、根据当前历史性能存储模块中的性能特性数据评估所述稳态作动模式下输出的所述平衡电流的置信度以及评估所述动态作动模式下输出的所述伺服作动增益和所述作动时间延迟的置信度；

由于伺服机构在发动机大气动负载下有可能受到偶发的负载扰动或遭遇气动卡滞等异常情况，导致实际伺服机构作动不受驱动电流控制，此时稳态性能参数估计模块输出的I_bal、动态性能参数估计模块输出的K_v和t_delay估计结果可能失真，因此设计基于控制器历史性能存储模块记录的历史性能参数，估计经验构造性能趋势阈值范围。

分别构造平衡电流趋势阈值范围伺服作动增益趋势阈值范围/>和作动时间延迟趋势阈值范围/>其中，/> 分别表示伺服系统在相同工况下进行多次辨识记录结果的均值，/>为基于工程经验设计的阈值偏差；

将估计得到的平衡电流的估计值与所述平衡电流趋势阈值范围进行比较，将估计得到的伺服作动增益的估计值与所述伺服作动增益趋势阈值范围/>进行比较，以及将估计得到的作动时间延迟的估计值与作动时间延迟趋势阈值范围/>进行比较；

若平衡电流的估计值在所述平衡电流趋势阈值范围内，则确定平衡电流的估计值具有高置信度，若伺服作动增益的估计值在所述伺服作动增益趋势阈值范围内，则确定伺服作动增益具有高置信度，若作动时间延迟的估计值在所述作动时间延迟趋势阈值范围内，则确定作动时间延迟具有高置信度。

S150、根据所述平衡电流的置信度以及所述伺服作动增益和所述作动时间延迟的置信度确定是否更新当前历史性能存储模块中的性能特性数据。

将具有高置信度的所述平衡电流、所述伺服作动增益和所述作动时间延迟均更新至所述历史性能存储模块中。

应当理解的是，在性能趋势阈值范围内的状态估计参数具有更高的置信度，并将被用于更新性能趋势阈值，而偏离性能趋势阈值范围较远的状态估计参数则置信度较低，暂时不被用于更新性能趋势阈值，但同样记录于历史性能存储模块中。

由高置信度估计参数构成的性能趋势均值将被用于更新伺服自适应模型，并进一步被应用于伺服自适应控制与伺服控制回路故障诊断中。

综上，本发明提供的航空发动机伺服控制系统组合状态自适应估计方法，通过设计航空发动机伺服控制系统状态参数组合估计架构、设计伺服作动模式识别分类模块、设计平衡电流的稳态估计模块、设计枚举型BFGS优化器组并设计作动增益与作动延迟周期数组合状态的动态估计模块、设计稳态估计模块与动态估计模块的参数更新逻辑、置信度评估模块与历史性能存储模块，能够在仅有伺服位移传感器测量信号的情况下，有效辨识伺服系统关键状态参数并跟踪状态性能趋势，为发动机伺服自适应控制与故障诊断提供在线模型依据，提高发动机控制安全性。

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 (7)

1.一种航空发动机伺服控制系统组合状态自适应估计方法，其特征在于，用于实现伺服特性参数的估计，所述伺服特性参数包括伺服作动增益、平衡电流和作动时间延迟，所述方法包括：

根据实时监控到的伺服输入电流和作动位移信号确定航空发动机伺服作动机构的当前作动状态，其中所述作动状态包括稳态作动模式和动态作动模式；

当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，其中所述伺服作动增益和所述作动时间延迟为动态作动模式下更新的估计值；

当当前作动状态为动态作动模式时，根据快速轨迹拟合的方式估计所述伺服作动增益和所述作动时间延迟，其中所述平衡电流为所述稳态作动模式下更新的估计值；

根据当前历史性能存储模块中的性能特性数据评估所述稳态作动模式下输出的所述平衡电流的置信度以及评估所述动态作动模式下输出的所述伺服作动增益和所述作动时间延迟的置信度；

根据所述平衡电流的置信度以及所述伺服作动增益和所述作动时间延迟的置信度确定是否更新当前历史性能存储模块中的性能特性数据；

所述当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，包括：

建立伺服作动机构非线性模型；

根据对称采样算法设计用于估计所述平衡电流的UKF滤波器；

将所述UKF滤波器应用至所述伺服作动机构非线性模型，以实现估计所述平衡电流；

所述将所述UKF滤波器应用至所述伺服作动机构非线性模型，包括：

滤波器运动模型载入伺服作动增益K_v和作动时间延迟t_delay，并确定待估计的平衡电流的初始值I_bal,0；

计算Sigma点并确定权重：

W_c ⁽⁰⁾＝λ/(1+λ)+(1-α²+β)

其中，λ,α,β均表示调整因子，表示矩阵(1+λ)P_x的平方根矩阵的第i行或第i列；

时间更新：

测量更新，根据当前时刻测量值y_k对预测状态和估计误差协方差/>进行修正：

对待估计的平衡电流的估计值进行收敛性判断，当待估计的平衡电流的估计值满足收敛条件时，输出待估计的平衡电流的估计值，其中ε表示设置的平衡电流估计收敛阈值；

返回更新待估计的平衡电流的初始值，重复上述步骤；

所述当当前作动状态为动态作动模式时，所述根据快速轨迹拟合的方式估计所述伺服作动增益和所述作动时间延迟，包括：

初始化，并载入平衡电流I_bal，设置2m+1个BFGS优化器的伺服作动增益初始值K_v,0和作动时间延迟初始值t_delay,0；

进行BFGS优化，其中2m+1个BFGS优化器各自进行一次拟牛顿迭代优化，获取2m+1个损失函数f_i(x_k)，i＝1……2m+1；

通过最小损失函数选择器获取f_i(x_k)中最小损失函数f_min(x_k)对应的BFGS优化器的伺服作动增益预测值和梯度信息f′(x_k)，传递给每组BFGS优化器作为更新初值；

通过最小损失函数选择器获取f_i(x_k)中最小损失函数对应的BFGS优化器的伺服作动延时预测值以此更新每组BFGS优化器的时间延迟设置[t_delay,k+1-m，…，t_delay,k+1，…，t_delay,k+1+m]，其中t_delay,k+1的更新公式为：

其中，Δt_max和Δt_min分别表示单次延迟周期更新的最大限制和最小限制，t_max和t_min分别表示作动延迟周期估计值的最大限制和最小限制；

优化收敛与结束判断，其中判断条件为：

(a)最小损失函数f_min(x_k)满足收敛条件

|f_min(x_k)-f_min(x_k-1)|＜ε_f，

(b)优化估计参数满足收敛条件：

(c)优化估计参数满足收敛条件：

若同时满足(a)、(b)和(c)所示的收敛条件，且迭代次数k＜k_max，则结束迭代优化计算并输出作为本次伺服作动增益的估计值以及输出/>作为本次作动时间延迟的估计值；若k＞k_max则结束迭代优化计算且不输出估计值；其他情况均返回初始化后重新迭代计算。

2.根据权利要求1所述的方法，其特征在于，所述根据实时监控到的伺服输入电流和作动位移信号确定航空发动机伺服作动机构的当前作动状态，包括：

实时监控伺服输入电流和作动位移信号；

根据所述作动位移信号的累计阈值确定稳态模式判定条件和动态模式判定条件；

若航空发动机伺服作动机构的当前作动状态满足稳态模式判定条件，则确定当前作动状态为稳态作动模式；

若航空发动机伺服作动机构的当前作动状态满足动态模式判定条件，则确定当前作动状态为动态作动模式。

3.根据权利要求2所述的方法，其特征在于，所述根据所述作动位移信号的累计阈值确定稳态模式判定条件和动态模式判定条件，包括：

统计航空发动机伺服作动机构在稳态作动模式下的作动位移信号的测量噪声，并用信号标准差σ_z,0表示，计算最近m_z个采用周期内作动位移信号的标准差σ_z；

将所述标准差σ_z与准稳态阈值λ_sσ_z,0进行比较，当σ_z＜λ_sσ_z,0时确定航空发动机伺服作动机构的当前作动状态处于稳态作动模式；

将所述标准差σ_z与动态阈值λ_dσ_z,0进行比较，当σ_z＜λ_dσ_z,0时确定航空发动机伺服作动机构的当前作动状态处于动态作动模式；

其中，m_z,λ_s,λ_d均表示常数，且λ_s＜λ_d。

4.根据权利要求1所述的方法，其特征在于，所述当当前作动状态为稳态作动模式时，根据滤波状态估计器估计所述平衡电流，还包括：

当输出的平衡电流的估计值趋近收敛后，将所述平衡电流的估计值分别传递至动态参数估计模块、置信度评估模块和历史性能存储模块。

5.根据权利要求1所述的方法，其特征在于，还包括：

将满足收敛条件的伺服作动增益的估计值和作动时间延迟的估计值分别传递至稳态参数估计模块、置信度评估模块和历史性能存储模块。

6.根据权利要求1所述的方法，其特征在于，所述根据当前历史性能存储模块中的性能特性数据评估所述稳态作动模式下输出的所述平衡电流的置信度以及评估所述动态作动模式下输出的所述伺服作动增益和所述作动时间延迟的置信度，包括：

分别构造平衡电流趋势阈值范围伺服作动增益趋势阈值范围和作动时间延迟趋势阈值范围/>其中，/> 分别表示伺服系统在相同工况下进行多次辨识记录结果的均值，/>为基于工程经验设计的阈值偏差；

将估计得到的平衡电流的估计值与所述平衡电流趋势阈值范围进行比较，将估计得到的伺服作动增益的估计值与所述伺服作动增益趋势阈值范围进行比较，以及将估计得到的作动时间延迟的估计值与作动时间延迟趋势阈值范围/>进行比较；

若平衡电流的估计值在所述平衡电流趋势阈值范围内，则确定平衡电流的估计值具有高置信度，若伺服作动增益的估计值在所述伺服作动增益趋势阈值范围内，则确定伺服作动增益具有高置信度，若作动时间延迟的估计值在所述作动时间延迟趋势阈值范围内，则确定作动时间延迟具有高置信度。

7.根据权利要求6所述的方法，其特征在于，所述根据所述平衡电流的置信度以及所述伺服作动增益和所述作动时间延迟的置信度确定是否更新当前历史性能存储模块中的性能特性数据，包括：

将具有高置信度的所述平衡电流、所述伺服作动增益和所述作动时间延迟均更新至所述历史性能存储模块中。