CN116661297A - 一种变循环发动机双回路闭环模式切换控制方法 - Google Patents

一种变循环发动机双回路闭环模式切换控制方法 Download PDF

Info

Publication number
CN116661297A
CN116661297A CN202310108717.7A CN202310108717A CN116661297A CN 116661297 A CN116661297 A CN 116661297A CN 202310108717 A CN202310108717 A CN 202310108717A CN 116661297 A CN116661297 A CN 116661297A
Authority
CN
China
Prior art keywords
loop
tail nozzle
model
cycle engine
thrust
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
CN202310108717.7A
Other languages
English (en)
Inventor
鲁峰
徐天润
邹泽龙
王晨
黄金泉
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 CN202310108717.7A priority Critical patent/CN116661297A/zh
Publication of CN116661297A publication Critical patent/CN116661297A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种变循环发动机双回路闭环模式切换控制方法，该方法包括：根据其尾喷管部件动热力学机理分析确定尾喷管网络模型参数，构建基于BP神经网络的尾喷管数据驱动网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型；根据可调几何部件对变循环发动机性能参数的影响，以推力性能为优化目标，设计变转速和推力反馈的双回路闭环控制方案，基于变循环发动机混合动态模型设计模型的模式切换控制方法。本发明对变循环发动机中耗时较长的尾喷管模型进行简化减少整机动态模型计算耗时，基于该模型提出了含模式切换过程的变转速和推力的双回路闭环控制方案，能有效提高变循环发动机在模式切换时的稳定性。

Description

一种变循环发动机双回路闭环模式切换控制方法
技术领域
本发明涉及航空发动机模型与控制领域，尤其涉及一种变循环发动机双回路闭环模式切换控制方法。
背景技术
神经网络是一种模拟人脑神经网络结构，学习人脑对复杂信息处理方式的数学模型，具有高度非线性、高精度、强大的信息处理能力等特点。BP神经网络是一种对非线性可微分函数进行权值训练的多层网络，包括输入层、隐含层和输出层，层与层之间的神经元采用全连接的方式，同一层的神经元之间无连接。它的最大特点是仅仅借助样本数据，无需建立系统的数学模型，就可对系统实现由m个输入神经元的模式向量p组成的pm空间到yn空间(n为输出节点数)的高度非线性映射。因此本发明拟采用神经网络来建立尾喷管模型。
变循环模式转换的过程是指模式转换活门打开或者关闭的过程，是发动机的一种过渡态。变循环发动机模式切换过程较为复杂，由于发动机包含众多部件，因此基于发动机主要部件如压气机部件、燃烧室和涡轮部件的性能要求和工作极限，应有遵循以下原则：(1)由于转子强度刚度的限制以及燃烧室、涡轮部件的热强度和热应力的限制，温度转速等参数应变化平稳，且转子转速和涡轮前温度都不超过理论最大值，避免出现超温、超转、喘振等；(2)满足工作状态计划，根据具体工作状态来制定发动机调节计划，如推力不变和耗油率减小。
在搭建变循环发动机控制系统前需要制定变循环发动机控制规律，通过调节各控制变量保证被控制参数按预定规律变化。单涵模式和双涵模式作为双外涵变循环发动机的两种典型工作模式，如何保证发动机在这两种工作模式之间安全地切换，确保在切换过程中发动机不超转、不超温、不进喘，同时发动机转速等参数波动尽可能小，是研究的主要内容。
发明内容
本发明所要解决的技术问题是针对背景技术的缺陷，使用一种神经网络尾喷管模型代替气路计算尾喷管模型，从而提供实时性更好的变循环发动机混合部件级模型，同时提出一种双回路闭环模式切换控制方法，采用增量式PI控制器来实现变转速和推力的闭环控制。该方案对变循环发动机中耗时较长的尾喷管模型进行简化减少整机动态模型计算耗时，基于该模型提出了含模式切换过程的变转速和推力的双回路闭环控制方案，能有效提高变循环发动机在模式切换时的稳定性。
本发明为解决上述技术问题采用以下技术方案：
步骤A)，评估变循环发动机流路计算中主要部件单步耗时，针对耗时最多的尾喷管部件，根据气动热力学机理分析确定尾喷管网络模型参数，构建基于BP神经网络的尾喷管数据驱动网络模型；将尾喷管神经网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型；
步骤B)，分析不同几何参数对发动机性能的影响，选取合适的控制量与被控制量，确定模式切换过程的多变量控制回路；以推力性能为优化目标，设计变转速和推力的双回路闭环控制方案，基于变循环发动机混合动态模型设计模型的模式切换控制方法。
作为本发明一种变循环发动机双回路闭环模式切换控制方法的进一步的优化方案，步骤A)的具体步骤如下：
步骤A1)，为了研究如何减少部件级模型中主要气动热力学部件的计算耗时，在部件级模型中将主要部件单独运行，由于单次运行耗时极少，因此将各个部件均运行一万次以便于比较，仿真结果可知耗时最多的四个部件分别是压气机、高压涡轮、低压涡轮与尾喷管，其中尾喷管耗时最多，在整个气路计算中耗时占比达到20％。
步骤A2)，根据尾喷管气动热力学机理分析确定尾喷管网络模型参数。尾喷管气动热力学模型共有6个输出参数y，分别为：尾喷管出口流量W9、尾喷管出口压力P9、尾喷管出口温度T9、尾喷管出口气流速度V9、推力Fn、耗油率sfc。即输出变量y为：
y＝[W9,P9,T9,V9,Fn,sfc]
在尾喷管气动热力学部件级模型中，尾喷管实际进口气流为加力燃烧室出口燃气和外涵道出口气流掺混获得，因此需要掺混气流流量Wcool7、外涵道出口压力P16、外涵道处口温度T16。尾喷管为了获取出口压力P9、尾喷管出口气流速度V9、流量W9、推力Fn和耗油率sfc，需要燃油量Wfb、喉道面积A8、尾喷管出口面积A9、进口静压Ps0、进口气流速度v0、尾喷管进口流量W7、尾喷管进口压力P7和尾喷管进口温度T7。
因此尾喷管输入量x为：
x＝[Wfb,A8,A9,Ps0,v0,W7,P7,T7,Wcool7,P16,T16]
步骤A3)，选择不同工况下的输入，在变循环发动机部件级模型中进行气路计算得到对应动态输出，由此获得大量样本数据；由得到的大量样本数据将其分配为训练数据、验证数据以及测试数据，比例分别为70％、15％、15％。输入量为11个，输出量为6个，根据输入输出量的个数由经验公式确定隐层神经元个数范围为5到15。对于训练算法，选用较为常用的LM优化算法，对中等规模的网络来说是较好的训练算法。由于隐藏层神经元的个数并不确定，因此选择增减隐藏层神经元数目的方式重新进行训练，通过模拟数据的性能图、训练状态图、误差柱状图和回归图比较数据的精度和可靠性，来确定最优神经元的数目。在确定隐藏层神经元个数为12个后，进行训练直到达到最大训练次数或者要求的精度。结束训练并保存数据，构建离线计算模型，从而建立基于BP神经网络的尾喷管数据驱动网络模型；
步骤A4)，将尾喷管神经网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型。混合动态模型依次调用各部件模型计算，流路计算顺序与部件级模型一致，在调用尾喷管模型计算时，将尾喷管气动热力学模型替换为尾喷管神经网络模型，上游流路计算所得输入经离线神经网络尾喷管模型计算获得输出，根据部件的约束条件建立需要求解的非线性共同工作方程组。
作为本发明一种变循环发动机双回路闭环模式切换控制方法的进一步的优化方案，步骤B)的具体步骤如下：
步骤B1)，分析各可调几何部件对变循环发动机性能参数的影响。通过各可调参数对输出参数的具体影响，分析各可调参数对变循环发动机部件级模型输出参数变化趋势的影响和对输出参数平均性能的影响，以选取闭环控制模式切换过程中控制量和被控制量；
步骤B2)，设计增量式PI控制器，用尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力，其他可调参数开环控制的模式切换控制方案。推力为优化目标，基于变循环发动机混合动态模型，设计变转速和推力反馈的双回路闭环控制方法。
进一步地，所述步骤B1)的具体步骤如下：
步骤B1.1)，变循环发动机几何可调参数众多，且各参数间存在较强的耦合性，增加了其模式切换控制计划的设计难度。为了给发动机控制计划奠定基础，对变循环发动机部件级模型进行仿真，所有几何可变参数均为50s内在设计点附近主燃油流量增大1％的动态过程中增大5％，获得可调几何参数的变化对发动机性能的影响；
步骤B1.2)，风扇转速表征发动机整机流量，发动机推力表征燃气做功能力，因此选取低压转子转速和发动机推力作为被控制量，模式切换过程中应保证推力波动尽可能小。仿真可知对风扇转速和发动机推力平均影响最大的几何可调参数为尾喷管喉道面积A8，而动态过程另一个影响最大参数则为燃油流量Wfb，因此选择尾喷管喉道面积和燃油流量作为控制量。
进一步地，所述步骤B2)的具体步骤如下：
步骤B2.1)，确定了控制量与被控制量后，具体由哪一个控制参数控制低压转子转速nL(或发动机推力Fn)，需要进行分析。当尾喷管喉道面积增大时，发动机低压转子转速和发动机推力也增大，且尾喷口喉道面积对低压转子转速的影响较大；主燃油流量增加时，发动机低压转子转速和发动机推力也增大，且主燃油流量对发动机推力的影响较大。
若采取以下双回路闭环控制方案：主燃油流量闭环控制发动机低压转子转速，尾喷管喉道面积闭环控制发动机推力。当模式切换过程中发动机推力具有减小的趋势，推力闭环控制回路将增大尾喷管喉道面积，尾喷管喉道面积的增大同时会增加低压转子转速，但由于尾喷管喉道面积对低压转子转速影响巨大，此时低压转子转速闭环回路将通过大量减少燃油流量以抑制低压转子转速快速减小，导致发动机进入贫油熄火边界。若采取尾喷管喉道面积闭环控制发动机低压转子转速，主燃油流量闭环控制发动机推力。当模式切换过程中发动机推力具有增大的趋势，推力闭环控制回路将减少主燃油流量，主燃油流量的降低同时会减小低压转子转速，此时低压转子转速闭环回路将通过稍微增大尾喷管喉道面积即可达到抑制低压转子转速减小。因此选用尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力。因此设计尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力的双回路闭环模式切换控制方案；
步骤B2.2)，选用尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力的双回路控制方案，其他可调参数开环控制，均为从当前模式设计点线性渐变到目标模式设计点。为了优化推力性能，在双回路闭环控制系统中，并不是简单的设置目标转速和推力不变，分析可知在模式切换时若控制转速不变则发动机推力变化较大。在单涵切换为双涵时，推力大幅减小，若控制低压转子转速不变，推力在下降中波动较大，因此需要适当增大指令低压转子转速，此时尾喷管喉道面积变化增大，推力也小幅上升，燃油流量只需较小调整即可维持推力不变。在双涵切换为单涵时，推力小幅增大，因此只需略减小指令低压转子转速，即可保持推力波动较小。该方法以推力性能为优化目标，在单涵切换为双涵时，设计发动机推力不变，低压转子转速增大的控制规律，在双涵切换为单涵时，设计发动机推力不变，低压转子转速减小的控制规律；
步骤B2.3)，在H＝0km，Ma＝0的地面点下，模拟仿真变循环发动机从单涵切换为双涵以及从双涵切换为单涵的两种模式切换，在模式切换过程中其他可调参数均为从当前模式设计点线性渐变到目标模式设计点，变化时间为3s，均为开环输入。由仿真结果可知，采用变转速-推力的双回路闭环模式切换控制方法，模式切换过程发动机推力波动量较小，耗油率未增大，喘振裕度也未减小至临界值。
本发明采用以上技术方案与现有方案相比，具有以下技术效果：
(1)本发明所使用的变循环发动机混合动态模型，是由基于BP神经网络的尾喷管数据驱动网络模型，结合上游流路主要部件的部件级动态模型构造获得，相比于常规变循环发动机部件级模型，将原本耗时最多的尾喷管所用耗时大幅减少，节省了计算时间，同时保证了各截面的计算精度；
(2)本发明所提出的变转速-尾喷管喉道面积和推力-燃油流量双回路闭环模式切换控制方法，采用增量式PI控制器来实现变转速和推力的闭环控制，能保证变循环发动机在模式切换过程中推力波动较小，切换过程保持平稳，满足工程实用化要求。
附图说明
图1是本发明变循环发动机双回路闭环模式切换控制方法流程图；
图2是发动机部件级模型各部件耗时；
图3是尾喷管神经网络结构模型；
图4是尾喷管神经网络模型构建流程；
图5是双回路模式切换闭环控制结构图；
图6(a)为将原有气路计算尾喷管模型替换为神经网络建模尾喷管后，部件级模型各个部件的耗时对比；图6(b)为原部件级模型气路计算尾喷管和神经网络建模尾喷管的耗时对比；
图7是单涵切换为双涵时燃油流量Wfb和尾喷管面积A8变化；
图8是单涵切换为双涵时输出参数变化；
图9是双涵切换为单涵时燃油流量Wfb和尾喷管面积A8变化；
图10是双涵切换为单涵时输出参数变化。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明的思路是根据变循环发动机部件级动态模型，评估流路计算中主要部件单步耗时。针对获得的耗时最大尾喷管部件，根据其气动热力学机理分析确定尾喷管网络模型参数，构建基于BP神经网络的尾喷管数据驱动网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型；根据可调几何部件对变循环发动机性能参数的影响，以推力性能为优化目标，设计变转速和推力反馈的双回路闭环控制方案，基于变循环发动机混合动态模型设计模型的模式切换控制方法。
本发明的具体实施方式以某型变循环发动机闭环模式切换控制为例。本发明说明的一种混合变循环发动机双回路模式切换控制方法，具体包括以下步骤：
步骤A)，评估变循环发动机流路计算中主要部件单步耗时，针对耗时最多的尾喷管部件，根据气动热力学机理分析确定尾喷管网络模型参数，构建基于BP神经网络的尾喷管数据驱动网络模型；将尾喷管神经网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型；
步骤A1)，为了研究如何减少部件级模型中主要气动热力学部件的计算耗时，在部件级模型中将主要部件单独运行，由于单次运行耗时极少，因此将各个部件均运行一万次以便于比较，耗时结果如图2所示，仿真结果可知耗时最多的四个部件分别是压气机、高压涡轮、低压涡轮与尾喷管，其中尾喷管耗时最多，在整个气路计算中耗时占比达到20％。
步骤A2)，根据尾喷管气动热力学机理分析确定尾喷管网络模型参数。尾喷管气动热力学模型共有6个输出参数y，分别为：尾喷管出口流量W9、尾喷管出口压力P9、尾喷管出口温度T9、尾喷管出口气流速度V9、推力Fn、耗油率sfc。即输出变量y为：
y＝[W9,P9,T9,V9,Fn,sfc]
在尾喷管气动热力学部件级模型中，尾喷管实际进口气流为加力燃烧室出口燃气和外涵道出口气流掺混获得，因此需要掺混气流流量Wcool7、外涵道出口压力P16、外涵道处口温度T16。尾喷管为了获取出口压力P9、尾喷管出口气流速度V9、流量W9、推力Fn和耗油率sfc，需要燃油量Wfb、喉道面积A8、尾喷管出口面积A9、进口静压Ps0、进口气流速度v0、尾喷管进口流量W7、尾喷管进口压力P7和尾喷管进口温度T7。
因此尾喷管输入量x为：
x＝[Wfb,A8,A9,Ps0,v0,W7,P7,T7,Wcool7,P16,T16]
确定输入量和输出量后，建立尾喷管神经网络结构模型图如图3所示。
步骤A3)，选择不同工况下的输入，在变循环发动机部件级模型中进行气路计算得到对应动态输出，由此获得大量样本数据；由得到的大量样本数据将其分配为训练数据、验证数据以及测试数据，比例分别为70％、15％、15％。输入量为11个，输出量为6个，根据输入输出量的个数由经验公式确定隐层神经元个数范围为5到15。对于训练算法，选用较为常用的LM优化算法，对中等规模的网络来说是较好的训练算法。由于隐藏层神经元的个数并不确定，因此选择增减隐藏层神经元数目的方式重新进行训练，通过模拟数据的性能图、训练状态图、误差柱状图和回归图比较数据的精度和可靠性，来确定最优神经元的数目。在确定隐藏层神经元个数为12个后，进行训练直到达到最大训练次数或者要求的精度。结束训练并保存数据，构建离线计算模型，从而建立基于BP神经网络的尾喷管数据驱动网络模型，尾喷管神经网络模型构建流程如图4所示；
步骤A4)，将尾喷管神经网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型。混合动态模型依次调用各部件模型计算，流路计算顺序与部件级模型一致，在调用尾喷管模型计算时，将尾喷管气动热力学模型替换为尾喷管神经网络模型，上游流路计算所得输入经离线神经网络尾喷管模型计算获得输出，最后根据部件的约束条件建立需要求解的非线性共同工作方程组。
步骤B)，分析不同几何参数对发动机性能的影响，选取合适的控制量与被控制量，确定模式切换过程的多变量控制回路；以推力性能为优化目标，设计变转速和推力的双回路闭环控制方案，基于变循环发动机混合动态模型设计模型的模式切换控制方法。
步骤B1)，分析各可调几何部件对变循环发动机性能参数的影响。通过各可调参数对输出参数的具体影响，分析各可调参数对变循环发动机部件级模型输出参数变化趋势的影响和各可调参数对输出参数平均性能的影响，以选取闭环控制模式切换过程中控制量和被控制量；
步骤B1.1)，变循环发动机几何可调参数众多，且各参数间存在较强的耦合性，增加了其模式切换控制计划的设计难度。为了给发动机控制计划奠定基础，对变循环发动机部件级模型进行仿真，所有几何可变参数均为50s内在设计点附近主燃油流量增大1％的动态过程中增大5％，仿真结果如表1所示。
表1可调参数变化对变循环发动机动态性能影响数值
在表1中，平均影响为:
ei为单涵和双涵模式下可调参数变化对nL、nH、W2、T4、Fn、bpr的影响大小，nL、nH、W2、T4、Fn、bpr分别为低压转子转速、高压转子转速、风扇流量、燃烧室出口温度、发动机推力、发动机涵道比，可调几何部件主要有尾喷管喉道面积A8、后可调涵道引射器出口面积A163、前段风扇导叶角αFan、CDFS导叶角αCDFS、压气机导叶角αComp、低压涡轮导向器角度αLT；
步骤B1.2)，风扇转速表征发动机整机流量，发动机推力表征燃气做功能力，因此选取低压转子转速和发动机推力作为被控制量，模式切换过程中应保证推力波动尽可能小。仿真可知对风扇转速和发动机推力平均影响最大的几何可调参数为尾喷管喉道面积A8，而动态过程另一个影响最大参数则为燃油流量Wfb，因此选择尾喷管喉道面积和燃油流量作为控制量。
步骤B2)，设计增量式PI控制器用尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力，其他可调参数开环控制的模式切换控制方案。推力为优化目标，基于变循环发动机混合动态模型，设计变转速和推力反馈的双回路闭环控制方法。
步骤B2.1)，确定了控制量与被控制量后，具体由哪一个控制参数控制低压转子转速nL(或发动机推力Fn)，需要进行分析。当尾喷管喉道面积增大时，发动机低压转子转速和发动机推力也增大，且尾喷口喉道面积对低压转子转速的影响较大；主燃油流量增加时，发动机低压转子转速和发动机推力也增大，且主燃油流量对发动机推力的影响较大。若采取以下双回路闭环控制方案：主燃油流量闭环控制发动机低压转子转速，尾喷管喉道面积闭环控制发动机推力。当模式切换过程中发动机推力具有减小的趋势，推力闭环控制回路将增大尾喷管喉道面积，尾喷管喉道面积的增大同时会增加低压转子转速，但由于尾喷管喉道面积对低压转子转速影响巨大，此时低压转子转速闭环回路将通过大量减少燃油流量以抑制低压转子转速快速减小，导致发动机进入贫油熄火边界。若采取尾喷管喉道面积闭环控制发动机低压转子转速，主燃油流量闭环控制发动机推力。当模式切换过程中发动机推力具有增大的趋势，推力闭环控制回路将减少主燃油流量，主燃油流量的降低同时会减小低压转子转速，此时低压转子转速闭环回路将通过稍微增大尾喷管喉道面积即可达到抑制低压转子转速减小。因此设计尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力的双回路闭环模式切换控制方案，其控制方案如图5所示。
步骤B2.2)，选用尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力的双回路控制方案，其他可调参数开环控制，均为从当前模式设计点线性渐变到目标模式设计点。为了优化推力性能，在双回路闭环控制系统中，并不是简单的设置目标转速和推力不变，分析可知在模式切换时若控制转速不变则发动机推力变化较大。在单涵切换为双涵时，推力大幅减小，若控制低压转子转速不变，推力在下降中波动较大，因此需要适当增大指令低压转子转速，此时尾喷管喉道面积变化增大，推力也小幅上升，燃油流量只需较小调整即可维持推力不变。在双涵切换为单涵时，推力小幅增大，因此只需略减小指令低压转子转速，即可保持推力波动较小。该方法以推力性能为优化目标，在单涵切换为双涵时，设计发动机推力不变，低压转子转速增大的控制规律，在双涵切换为单涵时，设计发动机推力不变，低压转子转速减小的控制规律；
步骤B2.3)，在H＝0km，Ma＝0的地面点下，模拟仿真变循环发动机从单涵切换为双涵以及从双涵切换为单涵的两种模式切换，在模式切换过程中其他可调参数均为从当前模式设计点线性渐变到目标模式设计点，变化时间为3s，均为开环输入。由仿真结果可知，采用变转速-推力的双回路闭环模式切换控制方法，模式切换过程发动机推力波动量较小，耗油率未增大，喘振裕度也未减小至临界值。
为了验证本发明所设计的变循环发动机闭环模式切换控制方法的有效性，在MATLAB环境下设计了变循环发动机模式切换控制的数字仿真实验。
首先，在构建好尾喷管神经网络模型后，对发动机混合动态模型进行测试，将每个部件均运行一万次，耗时结果如图6所示。在图6(a)中，尾喷管的耗时从原有的所有部件中耗时最多，减少为所有部件中耗时仅多于进气道和燃烧室，只占总气路计算耗时的6.17％，相比于原气路计算总耗时减少了14.8％。在图6(b)中，以神经网络重新对尾喷管进行建模，气动热力学尾喷管模型计算耗时约0.746s，神经网络尾喷管模型耗时约为0.195s，节省时间为73.86％，该方法对尾喷管减少耗时效果显著。
在H＝0km，Ma＝0的地面点下，模拟仿真变循环发动机从单涵切换为双涵以及从双涵切换为单涵两种模式切换，在模式切换过程中其他可调参数均为从当前模式设计点线性渐变到目标模式设计点，变化时间为3s，均为开环输入。
单涵切换双涵过程中Wfb和A8变化如图7所示，仿真结果如图8所示，为了实现发动机推力波动尽可能小，改变低压转子目标转速，使其在切换过程中增大。在切换过程中，燃油流量先剧烈减小后逐渐增大回初始值至稳定，尾喷管喉道面积为了保证转速不减小，先增大后逐渐减小至稳定，但是因为低压转子目标转速总体上升，因此尾喷管喉道面积总体还是增大趋势。在切换完成后，发动机耗油率降低，喘振裕度也符合要求。
双涵切换单涵过程中Wfb和A8变化如图9，仿真结果如图10所示，改变低压转子目标转速，使其在切换过程中略微减小。在切换过程中，燃油流量逐渐减小至稳定，尾喷管喉道面积为了保证转速保持指令转速，先增大后逐渐减小至稳定，尾喷管喉道面积总体还是增大趋势，整个模式切换过程推力波动较小。
由上述仿真分析可知，模式切换过程发动机推力在闭环控制回路中，波动量较小，耗油率未增大，喘振裕度也未减小至临界值。本文使用的变转速-推力双回路闭环控制在变循环发动机模式切换中参数波动小，效果符合预期目标。
需要指出的是，以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种变循环发动机双回路闭环模式切换控制方法，其特征在于，包括以下步骤：
步骤A)，根据气动热力学机理分析确定尾喷管网络模型参数，构建基于BP神经网络的尾喷管数据驱动网络模型；将尾喷管神经网络模型，结合上游流路主要部件的部件级动态模型构造获得变循环发动机混合动态模型；
步骤B)，以推力性能为优化目标，设计变转速和推力的双回路闭环控制方案，基于变循环发动机混合动态模型设计模型的模式切换控制方法。
2.如权利要求1所示的一种变循环发动机双回路闭环模式切换控制方法，其特征在于，所述尾喷管网络模型参数中，输出参数包括：尾喷管出口流量W9、尾喷管出口压力P9、尾喷管出口温度T9、尾喷管出口气流速度V9、推力Fn、耗油率sfc，输入参数包括：燃油量Wfb、喉道面积A8、尾喷管出口面积A9、进口静压Ps0、进口气流速度v0、尾喷管进口流量W7、尾喷管进口压力P7和尾喷管进口温度T7、气流流量Wcool7、外涵道出口压力P16、外涵道处口温度T16。
3.如权利要求1所示的一种变循环发动机双回路闭环模式切换控制方法，其特征在于，训练基于BP神经网络的尾喷管数据驱动网络模型采用LM优化算法，隐藏神经元个数为12个，结合训练数据构建尾喷管的离线计算模型。
4.如权利要求1所示的一种变循环发动机双回路闭环模式切换控制方法，其特征在于，所述混合动态模型依次调用各部件模型计算，流路计算顺序与部件级模型一致，在调用尾喷管模型计算时，将尾喷管气动热力学模型替换为尾喷管神经网络模型，上游流路计算所得输入经离线神经网络尾喷管模型计算获得输出，根据部件的约束条件建立需要求解的非线性共同工作方程组。
5.如权利要求1所示的一种变循环发动机双回路闭环模式切换控制方法，其特征在于，闭环控制模式切换过程中控制量为尾喷管喉道面积和燃油流量，被控制量为低压转子转速和发动机推力。
6.如权利要求5所示的一种变循环发动机双回路闭环模式切换控制方法，其特征在于，设计尾喷管喉道面积闭环控制低压转子转速，主燃油流量闭环控制发动机推力，其他可调参数开环控制的控制方案。
7.如权利要求5所示的一种变循环发动机双回路闭环模式切换控制方法，其特征在于，在单涵切换为双涵时，设计发动机目标推力不变，低压转子目标转速增大的控制规律，在双涵切换为单涵时，设计发动机目标推力不变，低压转子目标转速减小的控制规律。
CN202310108717.7A 2023-02-14 2023-02-14 一种变循环发动机双回路闭环模式切换控制方法 Pending CN116661297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310108717.7A CN116661297A (zh) 2023-02-14 2023-02-14 一种变循环发动机双回路闭环模式切换控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310108717.7A CN116661297A (zh) 2023-02-14 2023-02-14 一种变循环发动机双回路闭环模式切换控制方法

Publications (1)

Publication Number Publication Date
CN116661297A true CN116661297A (zh) 2023-08-29

Family

ID=87719520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310108717.7A Pending CN116661297A (zh) 2023-02-14 2023-02-14 一种变循环发动机双回路闭环模式切换控制方法

Country Status (1)

Country Link
CN (1) CN116661297A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118393951A (zh) * 2024-04-25 2024-07-26 江苏大学 一种推力性能平稳过渡的尾喷管变几何调控系统和方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118393951A (zh) * 2024-04-25 2024-07-26 江苏大学 一种推力性能平稳过渡的尾喷管变几何调控系统和方法

Similar Documents

Publication Publication Date Title
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
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
CN110502840B (zh) 航空发动机气路参数在线预测方法
CN104102769B (zh) 基于人工智能的涡轴发动机实时部件级模型建立方法
CN110579962B (zh) 基于神经网络的涡扇发动机推力预测方法及控制器
CN111680357B (zh) 一种变循环发动机机载实时模型的部件级无迭代构建方法
CN112131670B (zh) 一种基于混合自适应差分进化的航空发动机模型迭代算法
CN111594322A (zh) 一种基于Q-Learning的变循环航空发动机推力控制方法
CN111042928A (zh) 一种基于动态神经网络的变循环发动机智能控制方法
CN111679576B (zh) 一种基于改进确定性策略梯度算法的变循环发动机控制器设计方法
CN116661297A (zh) 一种变循环发动机双回路闭环模式切换控制方法
CN111006843A (zh) 一种暂冲式超声速风洞的连续变速压方法
CN115217635B (zh) 一种涡扇发动机全包线自适应加速控制方法
CN111666648A (zh) 一种航空发动机动态特性模拟方法
CN112668162A (zh) 一种基于惯性滑模的航空发动机建模方法
CN111255574A (zh) 一种航空发动机进口畸变下推力衰退自主控制方法
CN114237029B (zh) 基于主动切换逻辑的涡扇发动机加速过程控制方法及装置
CN114486277A (zh) 基于变循环发动机核心机平台的动态模式转换验证方法
CN110985216B (zh) 一种含在线修正的航空发动机智能多变量控制方法
CN112523874A (zh) 航空发动机多变量限制保护控制方法
CN115898656A (zh) 多电航空发动机加力燃油控制方法及控制装置
Kim Application of machine learning and its effectiveness in performance model adaptation for a turbofan engine
Jia et al. Multi-variable anti-disturbance controller with state-dependent switching law for adaptive cycle engine
CN112711278B (zh) 变循环发动机模态转换恒定流量控制方法
CN111734533A (zh) 一种基于涡扇发动机的模型预测方法及系统

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