CN117572779B - 一种桨叶损伤下的电动航空发动机控制方法 - Google Patents
一种桨叶损伤下的电动航空发动机控制方法 Download PDFInfo
- Publication number
- CN117572779B CN117572779B CN202410053073.0A CN202410053073A CN117572779B CN 117572779 B CN117572779 B CN 117572779B CN 202410053073 A CN202410053073 A CN 202410053073A CN 117572779 B CN117572779 B CN 117572779B
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- interference
- electric
- finite time
- 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 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000003745 diagnosis Methods 0.000 claims abstract description 42
- 239000002131 composite material Substances 0.000 claims abstract description 15
- 238000011217 control strategy Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 3
- 230000004083 survival effect Effects 0.000 abstract description 3
- 238000013145 classification model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 27
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000005491 wire drawing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001629 suppression 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
本发明公开一种桨叶损伤下的电动航空发动机控制方法,包括如下步骤:故障在线监测、故障在线诊断、故障在线预警、故障离线诊疗、故障在线观测、干扰在线预示、干扰在线观测、模型建立与重构、控制器建立与重构;通过建立有限时间对数网络与深度有限时间对数网络,其包括对数网络项与分数幂项,其拥有强大的非线性逼近性,快速收敛性,泛化能力强,具有自学习能力以及抗干扰性能,其可以较好地作为逼近模型与分类模型进行应用;采用复合抗干扰控制策略对桨叶损伤下的电动航空发动机进行控制,有效提高控制精度与可靠性;赋予电动航空发动机在桨叶损伤下强自主、强适应、强生存的智能行为能力;有效提高电动航空发动机的智能化、安全性和可靠性。
Description
技术领域
本发明属于航空发动机智能化控制技术领域,具体地是涉及一种桨叶损伤下的电动航空发动机控制方法。
背景技术
面对无人飞行器在物流运输、环境监测、应急救援、现代农业等领域的广泛应用以及小型载人飞行器的未来发展趋势,将会对无人飞行器以及小型载人飞行器的性能提出更高的要求。电动航空发动机作为无人飞行器的核心部件,是保证无人飞行器安全可靠运行的关键因素。
近年来,随着无人飞行器广泛应用于各类领域,对无人飞行器控制性能、智能化以及安全性要求越来越高。由于无人飞行器的空间和电机的机械形状等限制,现有无人飞行器上使用的电机通常处于开环控制之下,依靠姿态控制器控制无人飞行器的电机输出以保持期望姿态。然而,面对桨叶损伤等特定情况,电机性能常发生变化,姿态控制器的性能将发散颠覆甚至失效,采用“电机开环控制+姿态控制器”的无人飞行器难以满足以上需求。此外,无人飞行器电动航空发动机智能化程度相对较低,缺乏对故障的监测、诊断、预警、诊疗以及抗干扰性。因此,能够研发出一种可以解决上述问题的桨叶损伤下的电动航空发动机控制方法,显得尤为重要。
发明内容
本发明就是针对上述问题,弥补现有技术的不足,提供一种桨叶损伤下的电动航空发动机控制方法;本发明可完成对无人飞行器电动航空发动机的有效控制,提高桨叶损伤下的电动航空发动机运行的智能化、可靠性与安全性。
为实现上述目的,本发明采用如下技术方案。
本发明提供的一种桨叶损伤下的电动航空发动机控制方法,包括如下步骤:故障在线监测、故障在线诊断、故障在线预警、故障离线诊疗、故障在线观测、干扰在线预示、干扰在线观测;
所述故障在线监测:利用有限时间对数网络作为故障监测模型,结合数据处理技术、残差生成器建立监测标准,对桨叶进行异常状态监测;
所述故障在线诊断与故障在线观测:在所述故障在线监测的基础上,利用有限时间对数网络分别作为故障诊断模型与故障观测器;将桨叶损伤类型作为模型输出,监测数据作为模型输入,对网络进行训练,判断出桨叶的损伤类型;将桨叶损伤位置进行标注,作为模型输出,监测数据作为模型输入,对网络进行训练,判断出桨叶的损伤位置,并通过故障观测器对故障进行表征与量化;
所述故障在线预警:利用有限时间对数网络作为故障预测模型,结合残差生成器建立故障发生标准,预测桨叶可能出现的损伤,对制造时出现的产品问题以及由于桨叶长时间运行造成的疲劳损伤情况进行及时预判;
所述故障离线诊疗:利用层深度有限时间对数网络作为健康诊疗模型,借助历
史数据,结合残差生成器建立监测标准,若超过标准,则代表出现故障,完成对桨叶损伤的
阶段性体检;
所述干扰在线预示:利用有限时间对数网络作为干扰预测模型,预测不同环境影响下可能造成对桨叶的干扰影响;
所述干扰在线观测:利用有限时间对数网络作为干扰观测器,对干扰进行表征与量化。
作为本发明的一种优选方案,所述的桨叶损伤下的电动航空发动机控制方法还包括如下步骤:模型建立与重构;模型建立:若桨叶无损伤、无干扰,建立电动航空发动机运动模型;模型重构:若桨叶出现损伤、干扰,采用电动航空发动机机理建模与数据驱动建模相结合的形式重构桨叶电动航空发动机一体化运动模型;其中,数据驱动模型采用有限时间对数网络对电动航空发动机运动模型不确定性进行刻画。
作为本发明的另一种优选方案,所述的桨叶损伤下的电动航空发动机控制方法还
包括如下步骤:控制器建立与重构;控制器建立:若无故障预警、无干扰预示以及阶段体检
合格情况下,利用有限时间对数网络建立控制器,采用控制器对电动航空发动机进
行控制;控制器重构:若存在故障预警、干扰预示以及阶段体检不合格情况下,重构控制器,建立复合控制器,采用复合抗干扰控制策略对桨叶损伤下的电动航空发动机进行
控制。
作为本发明的另一种优选方案,所述的残差生成器建立通过实际输出与模型
的输出的差值进行构建;残差信号可以由残差估计函数得到,如下式所示:其中,e(k)为建模误差,且
,N为总数量;若,故障发生;若,无故障;其中,为故障发生阈值,其由经
验与试验确定。
作为本发明的另一种优选方案,所述的有限时间对数网络包括对数网络项与分数幂项,其表达式如下:,其中,/>为有限时间项,x(k)为模型输入量,/>为符号函数,,/>为权重系数。
作为本发明的另一种优选方案,所述的层深度有限时间对数网络由多个有限时
间对数网络构成,其输出为:,其中,为有限时间项,x(k)为模型输入量,为符号函数,,为权重系数。
作为本发明的另一种优选方案,所述的电动航空发动机运动模型,具体表达形式
如下:其中,为电磁转矩,为负载转矩,B为摩擦系数,ω为电
角速度,J为转动惯量。
作为本发明的另一种优选方案,所述的桨叶电动航空发动机一体化运动模型,具
体表达形式如下:其中,为电磁转矩,为
负载转矩,B为摩擦系数,ω为电角速度,J为转动惯量,为故障导致的扰动力矩,为干扰导致的扰动力矩,γ为模型不确定性。所述的数据驱动模型采用有限时间
对数网络对电动航空发动机运动模型不确定性进行刻画,得到数据驱动模型输出值:,其中,为有限时间项,为干扰观
测器输入量,为符号函数,为权重系数。
作为本发明的另一种优选方案,所述的控制器重构,建立如下代价函数:其中,为控制器跟踪误差;为控制
器输出;为故障预测模型输出与故障发生阈值的差值;为干扰预测模型输出
与故障发生阈值的差值;为健康诊疗模型输出与故障发生阈值的差值。
作为本发明的另一种优选方案,所述的复合抗干扰控制策略为在干扰分析的基础
上,基于“前馈补偿,反馈抑制”原则实现对故障与干扰的同时抑制与补偿,复合控制器形
式如下:其中,为控制器输出;为故障观测器估计值,且,为有限时间项,为故障观测器输入量,为符号函
数,为权重系数;为干扰观测器估计值,且,为有限时间项,为故障观测器输入量,为符号函
数,为权重系数。
本发明有益效果:
本发明所提供的一种桨叶损伤下的电动航空发动机控制方法,通过故障在线监测、故障在线诊断、故障在线预警、故障离线诊疗、故障在线观测、干扰在线预示、干扰在线观测、模型建立与重构、控制器建立与重构相结合,实现了赋予电动航空发动机在桨叶损伤下强自主、强适应、强生存的智能行为能力;能够有效提高电动航空发动机的智能化、安全性和可靠性。
附图说明
图1是本发明的桨叶损伤下的电动航空发动机控制方法的控制框架图。
图2是本发明的桨叶损伤下的电动航空发动机控制方法的有限时间对数网络框架图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
结合图1和图2所示,本发明实施例提供的一种桨叶损伤下的电动航空发动机控制方法,具体步骤如下:
步骤S1:利用数据处理技术对原始数据进行预处理,得到去噪后的数据,提高故障监测的准确性。步骤S2:利用有限时间对数网络建立故障监测模型,结合残差生成器进行故障监测,若出现故障,利用有限时间对数网络建立故障诊断模型与故障观测器,有效判断出桨叶的损伤类型以及桨叶的损伤位置,并对故障进行表征与量化。步骤S3:利用有限时间对数网络构建故障预测模型,结合残差生成器进行故障预警。步骤S4:利用有限时间对数网络构建干扰预测模型,结合残差生成器进行干扰在线预示。步骤S5:利用层深度有限时间对数网络作为健康诊疗模型,借助历史数据,结合残差生成器建立监测标准,若超过标准,则代表出现故障,完成对桨叶损伤的阶段性体检。步骤S6:若无故障预警、无干扰预示以及阶段体检合格情况下,利用有限时间对数网络建立控制器;若存在故障预警、干扰预示以及阶段体检不合格情况下,采用电动航空发动机机理建模与数据驱动建模相结合的形式重构桨叶电动航空发动机一体化运动模型,并重构控制器。步骤S7:建立复合控制器实现对故障与干扰的同时抑制与补偿。
所述的故障在线监测:利用有限时间对数网络作为故障监测模型,结合数据处理技术、残差生成器建立监测标准,对桨叶进行异常状态监测。具体如下:
(1)利用数据处理技术对原始数据进行预处理,得到去噪后的数据,提高故障监测的准确性。数据处理技术可以采用如:傅里叶变换、小波分析法等。
(2)利用有限时间对数网络建立故障监测模型,得到故障监测模型输出:,其中,为有限时间项,/>为故障监测模型输入量,/>为符号函数,/>为权重系数。有限时间对数网络利用学习算法优化其参数,学习算法可以采用递推最小二乘算法、反向传播算法、唤醒-睡眠算法中的任意一种,学习算法还可以采用其他能够满足优化功能的算法,不限于以上几种学习算法。
(3)构建残差生成器:
残差生成器建立通过实际输出与模型的输出/>的差值进行构建;残差信号可以由残差估计函数得到,如下式所示:/>,
其中,为建模误差,且/>,N为总数量;若/>,故障发生;若/>,无故障;其中,/>为故障发生阈值,其由经验与试验确定。
所述的故障在线诊断与故障在线观测:在所述的故障在线监测的基础上,利用有限时间对数网络分别作为故障诊断模型与故障观测器,将正常、 拉丝断裂、基体开裂、穿孔和分层等5种损伤类型作为模型输出,监测数据作为模型输入,对网络进行训练,可以有效判断出桨叶的损伤类型;将桨叶损伤位置进行标注,其作为模型输出,监测数据作为模型输入,对网络进行训练,可以有效判断出桨叶的损伤位置,并通过故障观测器对故障进行表征与量化。具体如下:
(1)利用有限时间对数网络构建故障诊断模型,得到故障诊断模型输出: ,其中,输出值为1,2,3,4分别代表桨叶拉丝断裂、基体开裂、穿孔和分层4种损伤类型,为有限时间项,为故障诊断模型输入量,/>为符号函数,/>为权重系数。
(2)针对不同的故障类型,利用有限时间对数网络构建故障观测器表征与量化故障大小,得到故障观测器估计值:,其中,/>为有限时间项,为故障观测器输入量,/>为符号函数,/>为权重系数。有限时间对数网络利用学习算法优化其参数,学习算法可以采用递推最小二乘算法、反向传播算法、唤醒-睡眠算法中的任意一种,学习算法还可以采用其他能够满足优化功能的算法,不限于以上几种学习算法。
所述的故障在线预警:利用有限时间对数网络作为故障预测模型,结合残差生成器建立故障发生标准,预测桨叶可能出现的损伤,可对制造时出现的产品问题以及由于桨叶长时间运行造成的疲劳损伤情况进行及时预判。具体如下:
(1)利用有限时间对数网络构建故障预测模型,得到故障预测模型输出值:,其中,为有限时间项,/>为故障预测模型输入量,/>为符号函数,/>为权重系数。
(2)构建残差生成器:
残差生成器建立通过实际输出与故障预测模型的输出/>的差值进行构建;残差信号可以由残差估计函数得到,如下式所示:其中,/>为建模误差,且,N为总数量;若/>,故障发生;若,无故障;其中,/>为故障发生阈值,其由经验与试验确定。有限时间对数网络利用学习算法优化其参数,学习算法可以采用递推最小二乘算法、反向传播算法、唤醒-睡眠算法中的任意一种,学习算法还可以采用其他能够满足优化功能的算法,不限于以上几种学习算法。
所述的故障离线诊疗:利用层深度有限时间对数网络作为健康诊疗模型,借助
历史数据,结合残差生成器建立监测标准,若超过标准,则代表出现故障,完成对桨叶损伤
的阶段性体检。具体如下:利用层深度有限时间对数网络构建健康诊疗模型,得到健康诊
疗模型输出:,其中,为有限时间项,为健康
诊疗模型输入量,为符号函数,为权重系数。层深度有限时间对数
网络均利用学习算法优化其参数,学习算法可以采用递推最小二乘算法、反向传播算法、唤
醒-睡眠算法中的任意一种,学习算法还可以采用其他能够满足优化功能的算法,不限于以
上几种学习算法。
所述的干扰在线预示:利用有限时间对数网络作为干扰预测模型,预测不同环境影响下可能造成对桨叶的干扰影响。具体如下:(1)利用有限时间对数网络构建干扰预测模型,得到干扰预测模型输出值:,其中,为有限时间项,/>为干扰预测模型输入量,/>为符号函数,/>为权重系数。
(2)构建残差生成器:
残差生成器建立通过实际输出与故障预测模型的输出/>的差值进行构建;残差信号可以由残差估计函数得到,如下式所示:;其中,/>为建模误差,且为总数量;若/>,故障发生;若/>,无故障;其中,/>为故障发生阈值,其由经验与试验确定。
所述的干扰在线观测:利用有限时间对数网络作为干扰观测器,对干扰进行表征与量化。具体如下:利用有限时间对数网络构建干扰观测器,得到干扰观测器估计值,,其中,为有限时间项,为干扰观测器输入量,/>为符号函数,/>为权重系数。
所述的模型建立与重构,模型建立:若桨叶无损伤,建立电动航空发动机运动模型;模型重构:若桨叶出现损伤,采用电动航空发动机机理建模与数据驱动建模相结合的形式重构桨叶电动航空发动机一体化运动模型;其中,数据驱动模型采用有限时间对数网络对电动航空发动机运动模型不确定性进行刻画。具体如下:(1)若桨叶无损伤、无干扰,构建电动航空发动机运动模型,具体表达形式如下:,其中,/>为电磁转矩,/>为负载转矩,B为摩擦系数,ω为电角速度,J为转动惯量。
(2)若桨叶出现损伤、干扰,电动航空发动机一体化运动模型,具体表达形式如下:其中,为电磁转矩,/>为负载转矩,B为摩擦系数,ω为电角速度,J为转动惯量,/>为故障导致的扰动力矩,/>为干扰导致的扰动力矩,/>为模型不确定性。
(3)数据驱动模型采用有限时间对数网络对电动航空发动机运动模型不确定性进行刻画,得到数据驱动模型输出值:,其中,/>为有限时间项,为干扰观测器输入量,/>为符号函数,/>为权重系数。有限时间对数网络利用学习算法优化其参数,学习算法可以采用递推最小二乘算法、反向传播算法、唤醒-睡眠算法中的任意一种,学习算法还可以采用其他能够满足优化功能的算法,不限于以上几种学习算法。
所述的控制器建立与重构,控制器建立:若无故障预警、无干扰预示以及阶段体检
合格情况下,利用有限时间对数网络建立控制器,采用控制器对电动航空发动机进
行控制;控制器重构:若存在故障预警、干扰预示以及阶段体检不合格情况下,重构控制器,建立复合控制器,采用复合抗干扰控制策略对桨叶损伤下的电动航空发动机进行
控制。具体如下:(1)利用有限时间对数网络建立控制器,,其中,为有限时间项,为控制器输入量,为符号函数,为权重系数。
(2)若存在故障预警、干扰预示以及阶段体检不合格情况下,控制器重构,建立如下代价函数:其中,/>为控制器跟踪误差/>;/>为控制器输出;/>为故障预测模型输出与故障发生阈值/>的差值;/>为干扰预测模型输出与故障发生阈值/>的差值;/>为健康诊疗模型输出与故障发生阈值的差值。
(3)复合抗干扰控制策略为在干扰分析的基础上,基于“前馈补偿,反馈抑制”原则实现对故障与干扰的同时抑制与补偿,复合控制器形式如下:其中,/>为控制器输出;/>为故障观测器估计值,且,为有限时间项,/>为故障观测器输入量,/>为符号函数,/>为权重系数;/>为干扰观测器估计值,且,为有限时间项,/>为故障观测器输入量,/>为符号函数,/>为权重系数。
本发明综合预测技术、抗干扰技术、故障检测与诊断技术、自动控制技术以及人工智能技术,设计出了一种桨叶损伤下的电动航空发动机控制方法,通过故障在线监测、故障在线诊断、故障在线预警、故障离线诊疗、故障在线观测、干扰在线预示、干扰在线观测、模型建立与重构、控制器建立与重构相结合,实现了赋予电动航空发动机在桨叶损伤下强自主、强适应、强生存的智能行为能力;能够有效提高电动航空发动机的智能化、安全性和可靠性。
本发明综合故障检测与诊断技术以及人工智能技术,对无人飞行器电动航空发动机状态进行监测与诊断;利用有限时间对数网络作为故障监测模型与故障诊断模型,结合数据处理技术、残差生成器建立监测标准,对桨叶进行故障监测与诊断,可有效检测出故障发生并判别故障类型与桨叶损伤位置。
本发明综合预测技术、故障检测与诊断技术以及人工智能技术,利用有限时间对数网络作为故障预测模型,结合残差生成器建立故障发生标准,可有效预测桨叶可能出现的损伤,并对制造时出现的产品问题以及由于桨叶长时间运行造成的疲劳损伤情况进行及时预判。
本发明综合故障检测与诊断技术以及人工智能技术,利用层深度有限时间对数网络作为健康诊疗模型,借助历史数据,结合残差生成器建立监测标准,有效完成对桨叶损伤的阶段性体检。
本发明综合预测技术以及人工智能技术,利用有限时间对数网络作为干扰预测模型,有效预测不同环境影响下可能造成对桨叶的干扰影响。
本发明综合抗干扰技术以及人工智能技术,利用有限时间对数网络分别作为故障观测器与干扰观测器,对故障和干扰进行表征与量化。
本发明综合自动控制技术以及人工智能技术,采用电机机理建模与数据驱动建模相结合的形式重构桨叶电动航空发动机一体化运动模型,其中数据驱动模型采用有限时间对数网络来刻画电动航空发动机不确定性,可有效提高建模准确性。
本发明综合自动控制技术以及人工智能技术,利用有限时间对数网络建立控制器与控制器重构,采用复合抗干扰控制策略对桨叶损伤下的电动航空发动机进行控制,有效提高控制精度与可靠性。
本发明综合人工智能技术,建立有限时间对数网络与层深度有限时间对数网
络,包括对数网络项与分数幂项,其拥有强大的非线性逼近性,快速收敛性,泛化能力强,具
有“自学习能力”、鲁棒性以及抗干扰性能,其可以较好地作为逼近模型与分类模型进行应
用。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (5)
1.一种桨叶损伤下的电动航空发动机控制方法,其特征在于,包括如下步骤:故障在线监测、故障在线诊断、故障在线预警、故障离线诊疗、故障在线观测、干扰在线预示、干扰在线观测;
所述故障在线监测:利用有限时间对数网络作为故障监测模型,结合数据处理技术、残差生成器建立监测标准,对桨叶进行异常状态监测;
所述故障在线诊断与故障在线观测:在所述故障在线监测的基础上,利用有限时间对数网络分别作为故障诊断模型与故障观测器;将桨叶损伤类型作为模型输出,监测数据作为模型输入,对网络进行训练,判断出桨叶的损伤类型;将桨叶损伤位置进行标注,作为模型输出,监测数据作为模型输入,对网络进行训练,判断出桨叶的损伤位置,并通过故障观测器对故障进行表征与量化;
所述故障在线预警:利用有限时间对数网络作为故障预测模型,结合残差生成器建立故障发生标准,预测桨叶可能出现的损伤,对制造时出现的产品问题以及由于桨叶长时间运行造成的疲劳损伤情况进行及时预判;
所述故障离线诊疗:利用层深度有限时间对数网络作为健康诊疗模型,借助历史数据,结合残差生成器建立监测标准,若超过标准,则代表出现故障,完成对桨叶损伤的阶段性体检;
所述干扰在线预示:利用有限时间对数网络作为干扰预测模型,预测不同环境影响下可能造成对桨叶的干扰影响;
所述干扰在线观测:利用有限时间对数网络作为干扰观测器,对干扰进行表征与量化;
所述的桨叶损伤下的电动航空发动机控制方法还包括如下步骤:模型建立与重构;模型建立:若桨叶无损伤、无干扰,建立电动航空发动机运动模型;模型重构:若桨叶出现损伤,采用电动航空发动机机理建模与数据驱动建模相结合的形式重构桨叶电动航空发动机一体化运动模型;其中,数据驱动模型采用有限时间对数网络对电动航空发动机运动模型不确定性进行刻画;
所述的有限时间对数网络包括对数网络项与分数幂项,其表达式如下:
;其中,为有限时间项,/>为模型输入量,/>符号函数, 为权重系数;
所述的层深度有限时间对数网络由多个有限时间对数网络构成,其输出为:;其中,为有限时间项,/>为模型输入量,为符号函数,/> 为权重系数;
所述的电动航空发动机运动模型,具体表达形式如下:;其中,/>为电磁转矩,/>为负载转矩,Β为摩擦系数,ω为电角速度,J为转动惯量;
所述的桨叶电动航空发动机一体化运动模型,具体表达形式如下:;其中,/>为电磁转矩,/>为负载转矩,Β为摩擦系数,ω为电角速,J为转动惯量,/>为故障导致的扰动力矩,/>为干扰导致的扰动力矩,/>为模型不确定性;
所述的数据驱动模型采用有限时间对数网络对电动航空发动机运动模型不确定性进行刻画,得到数据驱动模型输出值:,其中,为有限时间项,/>为干扰观测器输入量,/>为符号函数,/> 为权重系数。
2.根据权利要求1所述的一种桨叶损伤下的电动航空发动机控制方法,其特征在于:所述的桨叶损伤下的电动航空发动机控制方法还包括如下步骤:控制器建立与重构;控制器建立:若无故障预警、无干扰预示以及阶段体检合格情况下,利用有限时间对数网络建立控制器,采用控制器/>对电动航空发动机进行控制;控制器重构:若存在故障预警、干扰预示以及阶段体检不合格情况下,重构控制器/>,建立复合控制器/>,采用复合抗干扰控制策略对桨叶损伤下的电动航空发动机进行控制。
3.根据权利要求1所述的一种桨叶损伤下的电动航空发动机控制方法,其特征在于:所述的残差生成器建立通过实际输出与模型的输出/>的差值进行构建;残差信号由残差估计函数得到,如下式所示:/>,其中,e(k)为建模误差,且,N为总数量;若/>,故障发生;若/>,无故障;其中,/>为故障发生阈值,其由经验与试验确定。
4.根据权利要求2所述的一种桨叶损伤下的电动航空发动机控制方法,其特征在于:所述的控制器重构,建立如下代价函数:;其中,/>为控制器跟踪误差/>;/>为控制器输出;/>为故障预测模型输出与故障发生阈值/>的差值;/>为干扰预测模型输出与故障发生阈值/>的差值;/>为健康诊疗模型输出与故障发生阈值/>的差值。
5.根据权利要求2所述的一种桨叶损伤下的电动航空发动机控制方法,其特征在于:所述的复合抗干扰控制策略为在干扰分析的基础上,基于“前馈补偿,反馈抑制”原则实现对故障与干扰的同时抑制与补偿,复合控制器形式如下:/>;其中,/>为控制器输出;/>为故障观测器估计值,且,为有限时间项,/>为故障观测器输入量,/>为符号函数,/> 为权重系数;/>为干扰观测器估计值,且,为有限时间项,/>为故障观测器输入量,/>为符号函数,/> 为权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053073.0A CN117572779B (zh) | 2024-01-15 | 2024-01-15 | 一种桨叶损伤下的电动航空发动机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410053073.0A CN117572779B (zh) | 2024-01-15 | 2024-01-15 | 一种桨叶损伤下的电动航空发动机控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117572779A CN117572779A (zh) | 2024-02-20 |
CN117572779B true CN117572779B (zh) | 2024-03-26 |
Family
ID=89888497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410053073.0A Active CN117572779B (zh) | 2024-01-15 | 2024-01-15 | 一种桨叶损伤下的电动航空发动机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572779B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995529A (zh) * | 2014-05-20 | 2014-08-20 | 西南交通大学 | 一种旋翼飞行器机械安装故障在线诊断方法 |
WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
CN115877717A (zh) * | 2022-12-26 | 2023-03-31 | 南通大学 | 一种基于自抗扰控制的飞行器容错控制结构与控制方法 |
CN117131785A (zh) * | 2023-10-23 | 2023-11-28 | 北京航空航天大学杭州创新研究院 | 一种电动航空发动机健康管理系统及方法 |
-
2024
- 2024-01-15 CN CN202410053073.0A patent/CN117572779B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995529A (zh) * | 2014-05-20 | 2014-08-20 | 西南交通大学 | 一种旋翼飞行器机械安装故障在线诊断方法 |
WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
CN115877717A (zh) * | 2022-12-26 | 2023-03-31 | 南通大学 | 一种基于自抗扰控制的飞行器容错控制结构与控制方法 |
CN117131785A (zh) * | 2023-10-23 | 2023-11-28 | 北京航空航天大学杭州创新研究院 | 一种电动航空发动机健康管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
王日俊 ; 曾志强 ; 段能全 ; 党长营 ; 杜文华 ; 王俊元 ; .基于姿态角估计的四旋翼飞行器多传感器故障诊断方法.中国惯性技术学报.2018,(05),138-146. * |
Also Published As
Publication number | Publication date |
---|---|
CN117572779A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kan et al. | A review on prognostic techniques for non-stationary and non-linear rotating systems | |
CN110288046B (zh) | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 | |
Kordestani et al. | A modular fault diagnosis and prognosis method for hydro-control valve system based on redundancy in multisensor data information | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
Zhang et al. | Adaptive fault diagnosis and fault-tolerant control of MIMO nonlinear uncertain systems | |
CN114564000B (zh) | 基于智能飞行器执行器故障诊断的主动容错方法及系统 | |
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
Cen et al. | A gray-box neural network-based model identification and fault estimation scheme for nonlinear dynamic systems | |
CN110554606A (zh) | 一种用于高超音速飞行器的自适应容错控制方法 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN115576184A (zh) | 一种水下机器人推进器故障在线诊断与容错控制方法 | |
Cui et al. | Intelligent health management of fixed-wing UAVs: A deep-learning-based approach | |
Chen et al. | A fault detection method based on enhanced GRU | |
KR101956530B1 (ko) | Mpc 기반의 풍력 터빈 요 제어 방법 | |
CN117572779B (zh) | 一种桨叶损伤下的电动航空发动机控制方法 | |
Wang et al. | Exhaust gas temperature sensing data anomaly detection for aircraft auxiliary power unit condition monitoring | |
Kukurowski et al. | Fault-tolerant tracking control for a non-linear twin-rotor system under ellipsoidal bounding | |
CN113850138B (zh) | 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 | |
CN113954069B (zh) | 一种基于深度强化学习的机械臂主动容错控制方法 | |
CN115890650A (zh) | 一种可重构机械臂事件触发分散最优容错控制方法及系统 | |
Dalla Vedova et al. | Fault detection and identification method based on genetic algorithms to monitor degradation of electrohydraulic servomechanisms | |
Doraiswami et al. | Fault tolerance in non‐linear systems: A model‐based approach with a robust soft sensor design | |
Xuan et al. | Fault diagnosis research of UUV thruster based on sliding window and convolutional neural network | |
He et al. | Detecting Incipient Faults in Quad-rotor Unmanned Aerial Vehicle Based on Detrending and Denoising Techniques | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 |
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 |