CN114880766A - 航空发动机稳态性能保持控制方法及系统 - Google Patents

航空发动机稳态性能保持控制方法及系统 Download PDF

Info

Publication number
CN114880766A
CN114880766A CN202210428876.0A CN202210428876A CN114880766A CN 114880766 A CN114880766 A CN 114880766A CN 202210428876 A CN202210428876 A CN 202210428876A CN 114880766 A CN114880766 A CN 114880766A
Authority
CN
China
Prior art keywords
performance
model
degradation
output
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.)
Pending
Application number
CN202210428876.0A
Other languages
English (en)
Inventor
李秋红
刘鑫洋
倪波
庞淑伟
周文祥
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210428876.0A priority Critical patent/CN114880766A/zh
Publication of CN114880766A publication Critical patent/CN114880766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T50/00—Aeronautics or air transport
    • Y02T50/60—Efficient propulsion technologies, e.g. for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种航空发动机稳态性能保持控制方法，利用智能网络性能量指令模型获取航空发动机需要保持的性能量的指令值，并将其与性能量实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出为性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量指令，并据此对航空发动机进行控制。本发明还公开了一种航空发动机稳态性能保持控制系统。相比现有技术，本发明通过对可能引起性能参数不利偏离的退化进行分析并进行相应控制，可实现航空发动机的稳态性能保持。

Description

航空发动机稳态性能保持控制方法及系统
技术领域
本发明涉及一种航空发动机稳态性能保持控制方法及系统，属于航空发动机控制技术领域。
背景技术
在航空发动机服役过程中，由于自然磨损、积垢、疲劳、腐蚀等各种因素，会使得发动机转动部件叶尖间隙增大、叶片表面粗糙度增加，引起部件增压能力和绝热效率偏离设计点，从而引起发动机输出参数也偏离设计点，如涡轮出口温度升高、耗油率增加，降低了发动机的经济性和安全性。
为了缓解性能退化带来的不利影响，国内外开展了大量的性能退化缓解控制研究工作。针对涡扇发动机由于退化带来的推力下降问题，采取了增加外回路来调整转速控制系统指令，进而恢复额定发动机推力的方法。采用直接推力控制也能使得发动机在发生性能退化的情况，最大限度地输出额定状态推力，但是需要对现有控制方法进行大规模改进，且受到推力估计精度的影响，技术成熟度还不能满足要求。
涡轴发动机的主要功能是为直升机提供所需的功率，相比涡扇发动机在飞行中推力不可测量，涡轴发动机输出功率可以通过可测的转速和扭矩进行计算，因而不存在需要对功率进行估计的问题。由于涡轴发动机和直升机旋翼之间采取机械链接，涡轴发动机采用动力涡轮转速恒定控制的时候，直升机旋翼转速也是恒定的，其维持转速恒定的功率需求可以通过调节燃油流量来实现。为此，针对涡轴发动机退化之后的性能保持控制研究很少。然而，功率不变情况下退化发动机需要更多的燃油流量来提供足够的功率，这就会导致涡轮后温度升高、耗油率增大，直接关系到涡轴发动机的安全性、经济性和使用寿命。
涡轴发动机除了燃油流量之外，还有压气机导叶角度可以调节。通过调整导叶角度，可以调节压气机的工作点，改变其流量和压力特性，进而改变燃烧室和涡轮的进口条件，使得恢复退化发动机的性能成为可能。因此，开展涡轴发动机的性能保持控制，缓解退化带来的发动机性能参数偏离，可以提高发动机安全性和经济性。
发明内容
本发明所要解决的技术问题在于克服现有技术不足，提供一种航空发动机稳态性能保持控制方法，通过对可能引起性能参数不利偏离的退化进行分析并进行相应控制，可实现航空发动机的稳态性能保持。
本发明具体采用以下技术方案解决上述技术问题：
一种航空发动机稳态性能保持控制方法，利用智能网络性能量指令模型获取航空发动机需要保持的性能量ym(t)的指令值，并将其与性能量ym(t)的实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得到的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出为性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量指令，并据此对航空发动机进行控制；所述智能网络性能量指令模型、性能退化评估模型、性能保持优化控制模型均为预先完成训练的神经网络模型，其中，所述智能网络性能量指令模型具体如下：
ym(t)＝f(g(w(t)),w(t))
X＝g(w(t))
其中飞行条件w(t)＝[H(t),Vx(t)]，H(t)代表飞行高度，Vx(t)代表前飞速度，X代表和ym密切相关的航空发动机输出参数向量，g()和f()代表神经网络模型函数；所述性能退化评估模型的输入包括飞行条件w(t)以及与退化量参数密切相关的航空发动机输出参数的实测值，输出为对性能量ym(t)影响较大的退化量参数的估计值；
所述性能保持优化控制模型的输入包括飞行条件w(t)、性能退化评估模型输出的性能退化估计结果以及所述控制变量指令，输出为性能量ym(t)的估计值。
优选地，所述航空发动机为涡轴发动机，所述性能量ym(t)为以下参量中的一种：燃气涡轮出口总温T43、动力涡轮出口总温T45、耗油率sfc。
进一步优选地，所述性能量ym(t)为动力涡轮出口总温；所述智能网络性能量指令模型为堆叠训练得到的五层神经网络模型，第一层输入为飞行高度H(t)和前飞速度Vx(t)，第三层输出为
Figure BDA0003609292060000031
第五层输出为动力涡轮出口温度指令T45r，其中，P3、T3分别表示压气机出口总压、压气机出口总温，P43表示燃气涡轮出口总压,上标“∧”代表对应变量的估计值；所述性能退化评估模型的输入变量为[H，Vx，Wf，Ng，P3，P44，T44，T45]T，输出变量为[DegCE，DegGW，DegGE，DegPE]T，其中，Wf为燃油流量，Ng为燃气涡轮转速，P44为动力涡轮进口总压，T44为动力涡轮进口总温，DegCE、DegGW、DegGE、DegPE依次为压气机效率退化量、燃气涡轮流量退化量、燃气涡轮效率退化量、动力涡轮效率退化量；所述性能保持优化控制模型为基于BP神经网络建立的静态模型，模型输入为：H、Vx、DegCE、DegGW、DegGE、DegPE、Gvc，输出为：
Figure BDA0003609292060000032
其中，控制变量指令Gvcr为压气机导叶角指令。
基于同一发明构思还可得到以下技术方案：
一种航空发动机稳态性能保持控制系统，包括与主控制回路并行设置的稳态性能保持控制回路；所述稳态性能保持控制回路利用智能网络性能量指令模型获取航空发动机需要保持的性能量ym(t)的指令值，并将其与性能量ym(t)的实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得到的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出为性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量指令，并据此对航空发动机进行控制；所述智能网络性能量指令模型、性能退化评估模型、性能保持优化控制模型均为预先完成训练的神经网络模型，其中，所述智能网络性能量指令模型具体如下：
ym(t)＝f(g(w(t)),w(t))
X＝g(w(t))
其中飞行条件w(t)＝[H(t),Vx(t)]，H(t)代表飞行高度，Vx(t)代表前飞速度，X代表和ym密切相关的航空发动机输出参数向量，g()和f()代表神经网络模型函数；所述性能退化评估模型的输入包括飞行条件w(t)以及与退化量参数密切相关的航空发动机输出参数的实测值，输出为对性能量ym(t)影响较大的退化量参数的估计值；
所述性能保持优化控制模型的输入包括飞行条件w(t)、性能退化评估模型输出的性能退化估计结果以及所述控制变量指令，输出为性能量ym(t)的估计值。
优选地，所述航空发动机为涡轴发动机，所述性能量ym(t)为以下参量中的一种：燃气涡轮出口总温T43、动力涡轮出口总温T45、耗油率sfc。
进一步优选地，所述性能量ym(t)为动力涡轮出口总温；所述智能网络性能量指令模型为堆叠训练得到的五层神经网络模型，第一层输入为飞行高度H(t)和前飞速度Vx(t)，第三层输出为
Figure BDA0003609292060000041
第五层输出为动力涡轮出口温度指令T45r，其中，P3、T3分别表示压气机出口总压、压气机出口总温，P43表示燃气涡轮出口总压；所述性能退化评估模型的输入变量为[H，Vx，Wf，Ng，P3，P44，T44，T45]T，输出变量为[DegCE，DegGW，DegGE，DegPE]T，其中，Wf为燃油流量，Ng为燃气涡轮转速，P44为动力涡轮进口总压，T44为动力涡轮进口总温，DegCE、DegGW、DegGE、DegPE依次为压气机效率退化量、燃气涡轮流量退化量、燃气涡轮效率退化量、动力涡轮效率退化量；所述性能保持优化控制模型为基于BP神经网络建立的静态模型，模型输入为：H、Vx、DegCE、DegGW、DegGE、DegPE、Gvc，输出为：
Figure BDA0003609292060000042
其中，控制变量指令Gvcr为压气机导叶角指令。
相比现有技术，本发明技术方案具有以下有益效果：
本发明针对性能退化对性能参数的影响，基于偏差判断是否需要接入性能保持控制回路，避免了始终接入性能保持带来的计算负担，又能够在性能退化影响较大时获得性能保持控制能力。
附图说明
图1燃气涡轮出口温度指令模型结构图；
图2不同部件性能退化对T45的影响；
图3涡轴发动机稳态性能保持控制系统结构图；
图4为在高度1km，前飞速度10m/s处，燃气涡轮效率DegGE退化2％条件下的模拟结果，其中，(a)为压气机导叶角Gvc变化曲线；(b)为燃油Wf变化曲线；(c)为动力涡轮Np变化曲线；(d)为燃气涡轮转速Ng变化曲线；(e)为动力涡轮轴输出功率HPP变化曲线；(f)为动力涡轮出口温度T45变化曲线；(g)为耗油率sfc变化曲线；(h)为压气机压比PRC变化曲线；(i)为压气机喘振裕度SMC变化曲线；
图5为高度2km，前飞速度20m/s，压气机效率退化2％、燃气涡轮流量退化2％、动力涡轮效率退化3％时的模拟结果；其中，(a)为压气机导叶角Gvc变化曲线；(b)为燃油Wf变化曲线；(c)为动力涡轮转速Np变化曲线；(d)为燃气涡轮转速Ng变化曲线；(e)为动力涡轮轴输出功率HPP变化曲线；(f)为动力涡轮后温度T45变化曲线；(g)为耗油率sfc变化曲线；(h)为压气机压比PRC变化曲线；(i)为压气机喘振裕度SMC变化曲线。
具体实施方式
针对现有技术不足，本发明的解决思路是对退化的航空发动机设计稳态性能保持控制回路，在对发动机性能退化进行评估的基础上，判断是否需要接入性能保持控制回路，可以最大程度恢复退化发动机的性能，其适用对象包括但不限于涡轴发动机、涡桨发动机、涡扇发动机、变循环发动机、涡轮基冲压组合发动机等。
本发明所提出的航空发动机稳态性能保持控制方法，具体如下：
利用智能网络性能量指令模型获取航空发动机需要保持的性能量ym(t)的指令值，并将其与性能量ym(t)的实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得到的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出为性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量指令，并据此对航空发动机进行控制；所述智能网络性能量指令模型、性能退化评估模型、性能保持优化控制模型均为预先完成训练的神经网络模型，其中，
所述智能网络性能量指令模型具体如下：
ym(t)＝f(g(w(t)),w(t))
X＝g(w(t))
其中飞行条件w(t)＝[H(t),Vx(t)]，H(t)代表飞行高度，Vx(t)代表前飞速度，X代表和ym密切相关的航空发动机输出参数向量，g()和f()代表神经网络模型函数；所述性能退化评估模型的输入包括飞行条件w(t)以及与退化量参数密切相关的航空发动机输出参数的实测值，输出为对性能量ym(t)影响较大的退化量参数的估计值；
所述性能保持优化控制模型的输入包括飞行条件w(t)、性能退化评估模型输出的性能退化估计结果以及所述控制变量指令，输出为性能量ym(t)的估计值。
本发明所提出的航空发动机稳态性能保持控制系统，包括与主控制回路并行设置的稳态性能保持控制回路；所述稳态性能保持控制回路利用智能网络性能量指令模型获取航空发动机需要保持的性能量ym(t)的指令值，并将其与性能量ym(t)的实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得到的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出为的性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量，并据此对航空发动机进行控制；所述智能网络性能量指令模型、性能退化评估模型、性能保持优化控制模型均为预先完成训练的神经网络模型，其中，
所述智能网络性能量指令模型具体如下：
ym(t)＝f(g(w(t)),w(t))
X＝g(w(t))
其中飞行条件w(t)＝[H(t),Vx(t)]，H(t)代表飞行高度，Vx(t)代表前飞速度，X代表和ym密切相关的航空发动机输出参数向量，g()和f()代表神经网络模型函数；所述性能退化评估模型的输入包括飞行条件w(t)以及与退化量参数密切相关的航空发动机输出参数的实测值，输出为对性能量ym(t)影响较大的退化量参数的估计值；
所述性能保持优化控制模型的输入包括飞行条件w(t)、性能退化评估模型输出的性能退化估计结果以及所述控制变量指令，输出为性能量ym(t)的估计值。
为了便于公众理解，下面以某型双转子涡轴发动机为例，并结合附图来对本发明的技术方案进行详细说明：
涡轴发动机性能退化后比较明显的出现燃气涡轮出口总温T43和动力涡轮出口总温升高T45、耗油率sfc升高现象，因此可以选择其中一个作为性能退化恢复的目标，考虑到涡轮出口温度对发动机寿命及安全性有较大的影响，此处以动力涡轮出口温度为例进行性能保持控制，即ym＝T45。
首先基于额定发动机部件级数学模型，改变发动机飞行条件，采集在不同稳定工作状态下的涡轴发动机各截面总温Ti、各截面总压Pi、燃油流量Wf、燃气涡轮转速Ng、动力涡轮转速NP、动力涡轮扭矩Qp、动力涡轮功率HPP、燃气涡轮功率HPG、耗油率sfc，下标i＝2、3、42、43、44、45，分别代表压气机进口、压气机出口、燃气涡轮进口、燃气涡轮出口、动力涡轮进口、动力涡轮出口截面，飞行条件包括飞行高度H、前飞速度Vx。
数据采集过程中飞行高度变化范围0到4km，间隔100m进行高度变化，在每个飞行高度上，前飞速度变化范围0-75m/s，间隔3m/s进行数据采集，共采集了1066组数据。
采用相关分析法确定采集参数与T45的相关性。相关系数表征了两个随机变量m和n之间的相关性，其定义如下：
Figure BDA0003609292060000071
其中，
Figure BDA0003609292060000072
分别为m,n的数学期望；E()为数学期望算子，σm,σn分别为m和n的标准差。0≤|ρmn|≤1。
若m和n均有M组数据，可以用下式逼近ρmn：
Figure BDA0003609292060000073
选取采集参数中与T45相关系数大于0.9的变量用于性能量指令模型的设计，并剔除互相关系数较高的变量，最后选择的参数为X＝[P3 T3 P43 T43]。
采用堆叠训练方法设计五层智能网络指令模型，各层的神经元个数为2-15-4-15-1，网络结构如图1所示，图中第三层输出为P3、T3、P43、T43的估计值，用顶标“∧”表示估计。将采集的数据分为2组，其中3/4数据为训练数据，1/4数据为测试数据。以飞行条件为输入，以向量X为输出，采用BP神经网络对前三层网络进行离线训练，在前三层的基础上，继续采用BP神经网络对后两层神经网络进行训练，模型训练和测试百分比误差情况如表1所示，误差计算方法如式(3)所示：
Figure BDA0003609292060000081
其中，T45r代表指令模型输出，T45rT代表指令模型输出的期望值，即基于额定发动机数学模型采集到的动力涡轮后温度数据。
表1涡轮后温度指令模型训练结果
Figure BDA0003609292060000082
如表1可见，模型的训练和测试误差都在0.1％以下，模型取得了较高的精度，可以作为性能保持控制的指令模型。
对于涡轴发动机来讲，共有压气机、燃气涡轮、动力涡轮三个转动部件，每个转动部件有流量和效率退化两种情况，一共有6种退化情况。选取了在高度1500m，前飞速度20m/s的工况下，分析性能退化对发动机输出参数的影响。各部件性能参数分别退化2％时，对T45的影响如图2所示。图中，DegCW、DegCE、DegGW、DegGE、DegPW、DegPE分别代表压气机流量退化、压气机效率退化、燃气涡轮流量退化、燃气涡轮效率退化、动力涡轮流量退化、动力涡轮效率退化。由图中可知，压气机流量退化、动力涡轮流量退化对T45影响很小，且影响趋势是使T45温度降低，而其余四种退化都引起T45升高，其中压气机效率和燃气涡轮流量退化的影响最大。为此本实施例只针对引起T45升高的四种退化情况进行评估，设计如图3所示的涡轴发动机稳态性能保持控制系统，图中的性能保持控制回路利用性能退化评估模块对发动机性能退化进行估计，并将估计结果作为性能保持优化控制模型的输入，设计性能保持优化控制器。
在设计性能退化评估模块过程中，首先基于发动机部件级数学模型，采集包线内飞行高度H＝0～4000m，前飞速度Vx＝0～75m/s的数据，其中飞行高度按照500m、前飞速度按照5m/s的间隔进行划分，共计131个稳态工作点。在每个稳态工作点，设置退化因子为DegCE＝[0，1％，2％，3％]、DegGW＝[0，0.8％，1.6％，2.4％]、DegGE＝[0，2％，4％，6％]、DegPE＝[0，2％，4％，6％]，共有
Figure BDA0003609292060000091
组数据作为训练数据。
采用小批量梯度下降法来进行训练，训练中使用具有自适应调整学习率的Adam算法，采用该算法后的损失函数如下所示：
Figure BDA0003609292060000092
其中，W为神经网络中权值、b为神经网络中偏置、x为输入向量、y为输出向量、nbatch表示每个小批量采样的数据量，f(W,b；xi)为神经网络模型函数。
设置的深度神经网络层数为6层：其中输入层节点数为8个、输入变量为[H，Vx，Wf，Ng，P3，P44，T44，T45]T；共有四个隐含层且每个隐含层有35个节点，隐含层激活函数为ReLU函数；输出层节点数为4个，激活函数为Linear函数，输出变量为四个退化量参数[DegCE，DegGW，DegGE，DegPE]T。每次小批量数据量为100，总共迭代训练300次，完成网络的训练。
验证过程中，设置与训练数据不同的退化因子为DegCE＝[0，0.5％，1.5％，2.5％]、DegGW＝[0，0.4％，1.2％，2.0％]、DegGE＝[0，1％，3％，5％]、DegPE＝[0，1％，3％，5％]，采集包线内飞行高度H＝1000～2500m,前飞速度Vx＝10～25m/s，同样按照飞行高度500m，前飞速度5m/s的间隔进行划分，共计16个稳态工作点，共有
Figure BDA0003609292060000093
组数据进行测试。表2给出了训练集与测试集上的绝对误差情况，绝对误差定义为|目标值-估计值|。
表2训练集与测试集上的绝对误差
Figure BDA0003609292060000094
Figure BDA0003609292060000101
如表2可见，对性能退化评估的最大绝对误差小于0.005，平均误差小于0.0001，模型的绝对输出误差很小，引起T45的预测误差也很小。
性能保持控制优化控制器中，采用压气机导叶角Gvc单变量控制T45的性能保持控制结构，以性能量指令模型的输出T45r为期望，构建如下二次型性能指标，由于在动力涡轮转速控制回路已带有约束条件，因此性能保持控制回路希望通过导叶最大限度恢复目标，不再对输出进行约束：
Figure BDA0003609292060000102
图3中，性能保持优化控制模型为基于BP神经网络建立的静态模型，模型输入为：H、Vx、DegCE、DegGW、DegGE、DegPE、Gvc，输出为：T45。训练数据以高度500m，速度5m/s为间隔，在高度0～4km，前飞速度0～75m/s，采集压气机效率退化从0间隔0.5％到4％、燃气涡轮流量退化从0间隔0.4％到3.2％、燃气涡轮效率退化从0间隔1％到8％、动力涡轮效率退化从0间隔1％到8％、压气机导叶角度从40°间隔0.5°到43°的稳态数据。使用了4层BP神经网络作为训练模型，包含1个输入层、2个隐含层、1个输出层，各层神经元的个数为7-10-6-1。以70％作为训练数据，30％作为测试数据，模型训练和测试百分比相对误差情况如表3所示。
表3涡轮后温度预测模型训练结果
Figure BDA0003609292060000103
如表3可见，模型的训练和测试误差都在0.1％以下，模型取得了较高的精度，可以用于涡轮后温度的预测。
采用序列二次规划算法求解式(5)性能指标，获得最优导叶角，调节发动机工作状态，恢复目标性能。
对于图3中的动力涡轮转速控制回路，采用模型预测控制方法进行设计，预测模型采用平衡流形展开模型，并采用反馈校正。平衡流形模型以燃油流量为输入、发动机旋翼负载力矩Qr为调度参数，状态量为燃气涡轮转速和动力涡轮转速，输出量为燃气涡轮转速、动力涡轮转速和动力涡轮后温度和压气机出口压力，用如下模型描述：
Figure BDA0003609292060000111
其中，u＝Wf，yc＝[Ng Np P3 T45]T为发动机约束输出量，x＝[Ng Np]T,被控制量为动力涡轮转速NP，所以C＝[0 1]，调度参数α＝Qr。k为当前采用时刻，则第k+i时刻的状态量、被控制量和约束量为：
x(k+i)＝Aix(k)+Ai-1Bu(k)+Ai-2Bu(k+1)+…+Bu(k+i-1) (7)
Figure BDA0003609292060000112
将k+1直到k+ny时刻的状态响应由公式(8)给出并整理后可得：
Figure BDA0003609292060000113
Figure BDA0003609292060000114
其中，
Figure BDA0003609292060000115
表示通过优化算法得出的输入序列，
Figure BDA0003609292060000116
Figure BDA0003609292060000121
为输入序列作用下的状态变量响应序列,
Figure BDA0003609292060000122
Np(k+2)…Np(k+ny)]T、
Figure BDA0003609292060000123
则表示预测的被控制量和限制量的输出序列，ny为预测时域，nu为控制时域。
涡轴发动机动力涡轮转速的模型预测控制优化目标函数定义为：
Figure BDA0003609292060000124
其中，λ是加权系数，rref＝100代表动力涡轮转速控制目标。
采用交替方向乘子算法求解式(11)，获得最优输入控制序列，并将序列中的第一个值u(k)作为控制器在当前时刻的输出，传递给发动机。
如图3所示，当性能退化引起的T45控制误差大于0.5％时，flag＝1，接入稳态性能保持控制回路。当flag＝0时，导叶角采取开环控制方式，其控制指令GVCr是压气机换算转速NC,cor和压气机进口总温T2的函数。
Figure BDA0003609292060000125
其中，Nc是压气机转速。
为验证性能保持控制系统的有效性，在涡轴发动机性能仿真平台上开展验证。仿真中ny＝4，nu＝2，均在5s处模拟发动机发生性能突变情况。图4模拟了在高度1000m，前飞速度10m/s处，燃气涡轮效率DegGE退化2％，进入轻度退化的情况。图5模拟了在高度2000m，前飞速度20m/s处，压气机效率DegCE、燃气涡轮流量DegGW、动力涡轮效率DegPE分别退化了2％、2％、3％的情况。
图4和图5中同时给出了没有性能保持控制回路的传统涡轴发动机控制效果。由图可见，性能退化使得压气机压比大幅度降低、燃气涡轮转速下降，为提供足够的动力涡轮功率HPP驱动旋翼，燃油流量增大，燃气涡轮转速升高，使得涡轮后温度升高，压气机喘振裕度SMC减小，给发动机寿命和飞行安全带来不利影响。而采用性能保持控制后，压气机导叶角度Gvc增大，压气机流量增大，压气机压比PRC降低幅度减小，燃气涡轮转速Ng增大，耗油率sfc和动力涡轮后温度T45均有了不错的恢复效果，接近未发生性能退化时的稳态值，而由于导叶的调整，充分挖掘了发动机性能潜力，使得压气机喘振裕度和耗油率得到了大幅度提升，实现了退化发动机的稳态性能保持和提高。

Claims (6)

1.一种航空发动机稳态性能保持控制方法，其特征在于，利用智能网络性能量指令模型获取航空发动机需要保持的性能量ym(t)的指令值，并将其与性能量ym(t)的实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得到的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量指令，并据此对航空发动机进行控制；所述智能网络性能量指令模型、性能退化评估模型、性能保持优化控制模型均为预先完成训练的神经网络模型，其中，
所述智能网络性能量指令模型具体如下：
ym(t)＝f(g(w(t)),w(t))
X＝g(w(t))
其中飞行条件w(t)＝[H(t),Vx(t)]，H(t)代表飞行高度，Vx(t)代表前飞速度，X代表和ym密切相关的航空发动机输出参数向量，g()和f()代表神经网络模型函数；所述性能退化评估模型的输入包括飞行条件w(t)以及与退化量参数密切相关的航空发动机输出参数的实测值，输出为对性能量ym(t)影响较大的退化量参数的估计值；
所述性能保持优化控制模型的输入包括飞行条件w(t)、性能退化评估模型输出的性能退化估计结果以及所述控制变量指令，输出为性能量ym(t)的估计值。
2.如权利要求1所述航空发动机稳态性能保持控制方法，其特征在于，所述航空发动机为涡轴发动机，所述性能量ym(t)为以下参量中的一种：燃气涡轮出口总温T43、动力涡轮出口总温T45、耗油率sfc。
3.如权利要求2所述航空发动机稳态性能保持控制方法，其特征在于，所述性能量ym(t)为动力涡轮出口总温；所述智能网络性能量指令模型为堆叠训练得到的五层神经网络模型，第一层输入为飞行高度H(t)和前飞速度Vx(t)，第三层输出为
Figure FDA0003609292050000011
第五层输出为动力涡轮出口温度指令T45r，其中，P3、T3分别表示压气机出口总压、压气机出口总温，P43表示燃气涡轮出口总压，上标“∧”代表对应变量的估计值；所述性能退化评估模型的输入变量为[H，Vx，Wf，Ng，P3，P44，T44，T45]T，输出变量为[DegCE，DegGW，DegGE，DegPE]T，其中，Wf为燃油流量，Ng为燃气涡轮转速，P44为动力涡轮进口总压，T44为动力涡轮进口总温，DegCE、DegGW、DegGE、DegPE依次为压气机效率退化量、燃气涡轮流量退化量、燃气涡轮效率退化量、动力涡轮效率退化量；所述性能保持优化控制模型为基于BP神经网络建立的静态模型，模型输入为：H、Vx、DegCE、DegGW、DegGE、DegPE、Gvcr，输出为：
Figure FDA0003609292050000021
其中，控制变量指令Gvcr为压气机导叶角指令。
4.一种航空发动机稳态性能保持控制系统，其特征在于，包括与主控制回路并行设置的稳态性能保持控制回路；所述稳态性能保持控制回路利用智能网络性能量指令模型获取航空发动机需要保持的性能量ym(t)的指令值，并将其与性能量ym(t)的实测值相比较，如两者偏差超过预设范围，则利用性能退化评估模型对发动机性能退化进行估计，并以所得到的性能退化估计结果作为性能保持优化控制模型的输入，性能保持优化控制模型的输出为性能量ym(t)的估计值，以性能量ym(t)的指令值为性能保持优化控制器的期望输出，利用性能保持优化控制器得到相应的控制变量指令，并据此对航空发动机进行控制；所述智能网络性能量指令模型、性能退化评估模型、性能保持优化控制模型均为预先完成训练的神经网络模型，其中，
所述智能网络性能量指令模型具体如下：
ym(t)＝f(g(w(t)),w(t))
X＝g(w(t))
其中飞行条件w(t)＝[H(t),Vx(t)]，H(t)代表飞行高度，Vx(t)代表前飞速度，X代表和ym密切相关的航空发动机输出参数向量，g()和f()代表神经网络模型函数；所述性能退化评估模型的输入包括飞行条件w(t)以及与退化量参数密切相关的航空发动机输出参数的实测值，输出为对性能量ym(t)影响较大的退化量参数的估计值；
所述性能保持优化控制模型的输入包括飞行条件w(t)、性能退化评估模型输出的性能退化估计结果以及所述控制变量指令，输出为性能量ym(t)的估计值。
5.如权利要求4所述航空发动机稳态性能保持控制系统，其特征在于，所述航空发动机为涡轴发动机，所述性能量ym(t)为以下参量中的一种：燃气涡轮出口总温T43、动力涡轮出口总温T45、耗油率sfc。
6.如权利要求5所述航空发动机稳态性能保持控制系统，其特征在于，所述性能量ym(t)为动力涡轮出口总温；所述智能网络性能量指令模型为堆叠训练得到的五层神经网络模型，第一层输入为飞行高度H(t)和前飞速度Vx(t)，第三层输出为
Figure FDA0003609292050000031
第五层输出为动力涡轮出口总温T45，其中，P3、T3分别表示压气机出口总压、压气机出口总温，P43表示燃气涡轮出口总压,上标“∧”代表对应变量的估计值；所述性能退化评估模型的输入变量为[H，Vx，Wf，Ng，P3，P44，T44，T45]T，输出变量为[DegCE，DegGW，DegGE，DegPE]T，其中，Wf为燃油流量，Ng为燃气涡轮转速，P44为动力涡轮进口总压，T44为动力涡轮进口总温，DegCE、DegGW、DegGE、DegPE依次为压气机效率退化量、燃气涡轮流量退化量、燃气涡轮效率退化量、动力涡轮效率退化量；所述性能保持优化控制模型为基于BP神经网络建立的静态模型，模型输入为：H、Vx、DegCE、DegGW、DegGE、DegPE、Gvcr，输出为：
Figure FDA0003609292050000032
其中，控制变量指令Gvcr为压气机导叶角指令。
CN202210428876.0A 2022-04-22 2022-04-22 航空发动机稳态性能保持控制方法及系统 Pending CN114880766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210428876.0A CN114880766A (zh) 2022-04-22 2022-04-22 航空发动机稳态性能保持控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210428876.0A CN114880766A (zh) 2022-04-22 2022-04-22 航空发动机稳态性能保持控制方法及系统

Publications (1)

Publication Number Publication Date
CN114880766A true CN114880766A (zh) 2022-08-09

Family

ID=82671461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210428876.0A Pending CN114880766A (zh) 2022-04-22 2022-04-22 航空发动机稳态性能保持控制方法及系统

Country Status (1)

Country Link
CN (1) CN114880766A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070186884A1 (en) * 2006-02-13 2007-08-16 Duane Grider Engine control system
CN106169001A (zh) * 2016-07-11 2016-11-30 北京航空航天大学 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法
US20170320586A1 (en) * 2016-05-09 2017-11-09 Rolls-Royce North American Technologies, Inc. Engine degredation management via multi-engine mechanical power control
CN112560340A (zh) * 2020-12-09 2021-03-26 南京航空航天大学 航空发动机喘振裕度估计方法及控制方法
CN113642271A (zh) * 2021-08-20 2021-11-12 南京航空航天大学 一种基于模型的航空发动机性能恢复控制方法及装置
CN117738799A (zh) * 2024-01-19 2024-03-22 南京航空航天大学 航空发动机动态性能保持控制方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070186884A1 (en) * 2006-02-13 2007-08-16 Duane Grider Engine control system
US20170320586A1 (en) * 2016-05-09 2017-11-09 Rolls-Royce North American Technologies, Inc. Engine degredation management via multi-engine mechanical power control
CN106169001A (zh) * 2016-07-11 2016-11-30 北京航空航天大学 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法
CN112560340A (zh) * 2020-12-09 2021-03-26 南京航空航天大学 航空发动机喘振裕度估计方法及控制方法
CN113642271A (zh) * 2021-08-20 2021-11-12 南京航空航天大学 一种基于模型的航空发动机性能恢复控制方法及装置
CN117738799A (zh) * 2024-01-19 2024-03-22 南京航空航天大学 航空发动机动态性能保持控制方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
单睿: "退化发动机加速性能恢复控制方法", 推进技术, vol. 41, no. 5, 30 May 2020 (2020-05-30) *
李永进: "智能航空发动机性能优化控制技术研究", 中国博士学位论文全文数据库工程科技II辑, no. 1, 15 January 2020 (2020-01-15) *

Similar Documents

Publication Publication Date Title
CN109896026B (zh) 变旋翼转速直升机-涡轴发动机综合控制方法及装置
CN109162813B (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
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
CN111731490B (zh) 变旋翼转速直升机综合控制方法、装置
CN109871653B (zh) 航空发动机数学模型部件特性修正方法
CN110647052A (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
CN113642271B (zh) 一种基于模型的航空发动机性能恢复控制方法及装置
CN110513199A (zh) 一种航空发动机推力衰退缓解的神经网络控制方法
CN108386276A (zh) 基于延寿控制的航空发动机加速控制实时优化方法、装置
CN115903484A (zh) 基于合作博弈的航空发动机多变量鲁棒控制器优化方法
CN113428353A (zh) 直升机动力系统旋翼转速优化控制方法及装置
CN117738799A (zh) 航空发动机动态性能保持控制方法及装置
CN112947064A (zh) 考虑气路部件故障的航空发动机最大推力控制优化方法
CN108549207A (zh) 一种水轮机调节系统控制参数的方法
CN114880766A (zh) 航空发动机稳态性能保持控制方法及系统
CN115898656A (zh) 多电航空发动机加力燃油控制方法及控制装置
CN111856929B (zh) 航空发动机容错增益调度二自由度h∞控制器
CN112943453A (zh) 气路部件故障下基于iga的发动机最大推力控制优化方法
CN114527654A (zh) 一种基于强化学习的涡扇发动机直接推力智能控制方法
CN112948961A (zh) 考虑气路部件故障的航空发动机最低油耗控制优化方法
CN111852662A (zh) 航空发动机最大推力状态容错二自由度h∞控制器
CN113341689A (zh) 基于优化算法改进的微型燃气轮机模糊pid控制方法
CN111830827A (zh) 航空发动机容错增益调度二自由度μ控制器
CN112346336A (zh) 航空发动机气路部件故障鲁棒增益调度容错控制器
CN116449685B (zh) 一种快速跟踪精准控制的舰船燃机控制方法及装置

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