JP4555562B2

JP4555562B2 - 航空機用ガスタービンのモデル予測制御のための方法及び装置

Info

Publication number: JP4555562B2
Application number: JP2003409750A
Authority: JP
Inventors: ブレント・ジェローム・ブルネル
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2003-12-09
Filing date: 2003-12-09
Publication date: 2010-10-06
Anticipated expiration: 2023-12-09
Also published as: JP2005171789A

Description

本発明は、一般的に航空機エンジンの動力管理スキームに関し、より具体的には航空機用ガスタービンの非線形モデル予測制御のための方法及び装置に関する。

ガスタービンは、それに限定するのではないが、例えば航空機エンジンとしての推進力の提供、並びに陸上設置式動力システム及び海上輸送用動力システムの両方における動力発生のような異なった環境で使用される。考慮されたガスタービンモデルは、低バイパス式２ロータ・ターボジェットであり、このターボジェットは、軍用航空機用途で使用される場合が多い可変排気面積方式を備えている。正常運転中に、このタービンは、大気温度、圧力、マッハ数、及び出力レベルにおいて大きな変化を受ける。これらの各変動に対して、エンジンダイナミックスは、著しい非線形状態で変化する。一般的に、エンジン運転中にコントローラが細心の注意を払って、ターボ機械の機械的限界、空気力学的限界、熱的限界、及び流量限界が維持されることを保証する。加えて、制御オーソリティが、アクチュエータの速度及び飽和限界により制限される。1つの典型的な制御オーソリティは、フルオーソリティ・デジタルエンジン制御（ＦＡＤＥＣ）と呼ばれる。現在の技術では、エンジン限界を保護するために、ゲインをスケジュールしかつ最小/最大を選択する多くのＳＩＳＯ線形コントローラを協力させて使用して、この非線形制約条件の問題を解決している。
米国特許６０６３１２９号明細書米国特許６１６９９８１号明細書米国特許６１８５４７０号明細書米国特許６２０８９１４号明細書米国特許６５２２９９１号明細書米国特許６５３２４５４号明細書米国特許出願公開第２００３／００５５５６３号明細書 Banaszuk et al.; Adaptive control of combustion instability using extreme-seeking; Proc. of the American Control Conf.; Chicago, IL; Jun. 2000; pp. 416-422..

現存する方法は多くの利点を有するが、非線形性と制約条件とを系統立ててかつ単一の制御定式化で取り扱う非線形モデル予測制御（ＮＭＰＣ）を使用して問題を解決する必要性が存在する。

本発明の1つの様態において、航空機用ガスタービンエンジンの運転及び制御を設計する方法が提供される。該方法は、ガスタービンの運転モデルを少なくとも1つの目的関数を含むように生成する段階と、ガスタービンの運転モデルに対する運転及び制御制約条件を定める段階と、拡張形カルマンフィルタを用いる、運転モデルと運転及び制御制約条件とに基づいたモデル予測制御を使用して、ガスタービンの運転を動的に最適化しかつ制御するオンライン式ダイナミック・オプティマイザ／コントローラを準備する段階とを含む。

別の様態において、航空機用ガスタービンエンジンの運転及び制御を設計するためのシステムが提供される。該システムは、航空機用ガスタービンエンジンの運転モデルを少なくとも1つの目的関数を含むように生成し、該航空機用ガスタービンの運転モデルに対する運転及び制御制約条件を定めるための入力装置を有する計算機ユニットと、拡張形カルマンフィルタを用いる、運転モデルと運転及び制御制約条件とに基づいたモデル予測制御を使用して、ガスタービンの運転を動的に最適化しかつ制御するように構成されたオンライン式ダイナミック・オプティマイザ／コントローラとを含む。

更に別の様態において、航空機用ガスタービンエンジンにおける推進力を制御する非線形モデルベースの制御方法が提供される。該方法は、（ａ）拡張形カルマンフィルタを使用してエンジンの現在の状態に関する情報を取得する段階と、（ｂ）適応モデルベースの制御システム内のエンジンに関するモデルデータ情報を更新して、エンジンの現在の状態を反映させる段階と、（ｃ）エンジンの現在の状態に関する情報を、モデル内のエンジンに関するモデル情報と比較する段階と、（ｄ）センサ、アクチュエータ、エンジン、又はサブシステムの情報を診断し、あらゆる更新された情報をマスタモードセレクタ及び制御装置に送信する段階と、（ｅ）モデルの修正形態、制約条件、目的関数、又は他の制御パラメータを再構成するか又は採用する段階と、（ｆ）与えられたエンジンの現在の状態、目的関数、及びエンジンの制約条件を取り入れて最適な修正アクションを決定する段階と、（ｇ）最適な修正アクションを実行する制御指令を出力する段階と、（ｈ）エンジン性能が常時最適化されることを保証するために、必要に応じて段階（ａ）〜（ｈ）を繰り返す段階とを含む。

最初に、ガスタービン又はプラントとそれがモデル化される方法とについて説明する。次に、制御装置及び状態推定装置の内部で使用されることになる簡易モデルを紹介する。次のセクションでは、新規なＮＭＰＣの定式化について説明する。
用語集
ＣＬＭ−構成部品レベルモデル（ＣｏｍｐｏｎｅｎｔＬｅｖｅｌＭｏｄｅｌ）
ＥＫＦ−拡張形カルマンフィルタ（ＥｘｔｅｎｄｅｄＫａｌｍａｎＦｉｌｔｅｒ）
ＮＭＰＣ−非線形モデル予測制御（ＮｏｎｌｉｎｅａｒＭｏｄｅｌＰｒｅｄｉｃｔｉｖｅＣｏｎｔｒｏｌ）
ＳＲＴＭ−簡易リアルタイムモデル（ＳｉｍｐｌｉｆｉｅｄＲｅａｌＴｉｍｅＭｏｄｅｌ）
モデル変数
動作入力値
Ａ８ＤＭＤ−排気ノズル面積要求値（ＥｘｈａｕｓｔＮｏｚｚｌｅＡｒｅａＤｅｍａｎｄ）
ＷＦＤＭＤ−燃料流量要求値（ＦｕｅｌＦｌｏｗＤｅｍａｎｄ）
出力変数
ＦＮＡＶ−推力
Ｎ２−ファン速度
Ｎ２５−コア速度
Ｐ２−ファン入口圧力
ＰＣＮ２−ファン速度パーセント
ＰＣＮ２５−コア速度パーセント
ＰＰ−エンジン圧力比
ＰＳ３−圧縮機吐出静圧
ＳＭ２５−コア失速マージン
Ｔ４Ｂ−高圧タービン出口温度
運転パラメータ
ＡＬＴ−高度
ＤＴＡＭＢ−大気温度偏差値
ＸＭ−マッハ数

図１は、エンジン１０のレイアウトの概略図と共に、エンジン１０における場所識別番号、センサ、及びアクチュエータを示す。エンジン１０は、空気力学的に結合された２重ロータ機械であり、該２重ロータ機械においては、低圧ロータシステム（ファン及び低圧タービン）が、高圧システム（コアエンジン）から機械的に独立している。入口に入る空気が、ファンにより加圧され、次に２つの同心の流れに分離される。これら流れのうちの1つは、次に高圧圧縮機に入り、メインエンジンの燃焼器、高圧タービン、及び低圧タービンを通って流れる。他方の流れは、環状のダクトを通して導かれ、その後低圧タービンの下流で渦巻き状シュート装置によってコア流と再合流される。合流された流れは、次に中細の可変面積排気ノズルに向けてオーグメンタに入り、該中細の可変面積排気ノズルにおいて、流れは加圧され、膨張され、大気中に向けて後方方向に加速されて、その結果推力を発生する。

プラントモデルは、ＧＥＡｉｒｃｒａｆｔＥｎｇｉｎｅｓにより開発された、このタービン構成の物理的構成部品レベルモデル（ＣＬＭ）である。このモデルは、入口から始まり、ファン、圧縮機、燃焼器、タービン、排気ノズルを通じて各構成部品が非常に詳細でかつ高い忠実度になっている。ＮＭＰＣは、モデルに基づいた制御であるので、プラントの制御入力変数に対する将来の応答を予測するために内部モデルが使用される。ＣＬＭは非常に大きくかつ複雑なモデルであるため、新しいモデルを開発してＮＭＰＣに使用したが、その新しいモデルは、少数の状態変数を持ち、迅速に実行し、解析的に線形化されることができ、かつ最も多く使用される飛行エンベロープの範囲にわたって過渡状態で２０パーセント以内の、また定常状態で５パーセント以内の精度を持つ。

ＳＲＴＭは、２つの制御入力変数、燃料流量要求値（ＷＦＤＭＤ）、及び排気ノズル面積要求値（Ａ８ＤＭＤ）と共に、大気条件入力値、高度（ＡＬＴ）、マッハ数（ＸＭ）、及びＩＳＯからの大気温度偏差値（ＤＴＡＭＢ）を持つ。ＳＲＴＭからの出力変数は、現行のプロダクション制御において使用される全ての出力変数に、例えば将来検討において使用可能でありかつ制約条件下での運転の基準を形成する失速マージン及び推力のような任意の他のパラメータを加えたものである。出力変数は、コア速度パーセント（ＰＮ２５）、ファン速度パーセント（ＰＣＮ２）、ファン入口圧力（Ｐ２）、ファン出口全圧（Ｐ１４）、ファン出口静圧（ＰＳ１４）、圧縮機入口圧力（Ｐ２５）、エンジン圧力比（ＰＰ）、圧縮機吐出静圧（ＰＳ３）、圧縮機吐出全圧（Ｐ３)、ファン空気流量（Ｗ２Ｒ）、圧縮機空気流量（Ｗ２５Ｒ）、ファン入口温度（Ｔ２）、圧縮機入口温度（Ｔ２５）、高圧タービン出口温度（Ｔ４Ｂ)、ファン失速マージン（ＳＭ２）、コア失速マージン（ＳＭ２５）、及び推力（ＦＮＡＶ）である。

主燃料計量弁（ＭＦＭＶ）及び可変排気ノズル（Ａ８）アクチュエータと共に航空機エンジンのＳＲＴＭが、上記仕様を満たすように開発される。モデルは、過渡状態性能及び定常状態性能の両方を模写するように設計される。両方のロータの慣性はエンジンの過渡性能に影響を及ぼす主要因であるので、ＳＲＴＭにおいては、この両方のロータの慣性が考慮される。他の状態変数には、燃焼ボリュームに類似する何らかのものを表すＰ３と、火炎全体のダイナミックスを近似的に表すＴ４２と、燃料アクチュエータのダイナミックスを表す２つの状態変数と、Ａ８アクチュエータのダイナミックスを表す１つの状態変数とが含まれる。モデルは、データにより駆動され、また複雑な非線形モデルからか又は実エンジンデータからかのどちらかからの定常状態の関係／データを使用し、次に入力変数と他のモデル状態変数との間のダイナミックスを捕らえた過渡データに対してパラメータを適合させるように設計されている。

ＳＲＴＭモデルでは、低圧及び高圧ロータ速度を、主たるエネルギー蓄積構成部品又はモデルの状態として考える。アンバランスなトルクが加わった場合には、これらの速度は、状態を変化させることになる。簡単に言えば、エンジンの速度増加分は、過剰トルクの積分である。このことは、数理的には、

数式１
として表される。ここで、ｄω／ｄｔはロータの角加速度であり、Ｎはアンバランスなトルクの数であり、Ｉはロータの慣性であり、またＱ_iはｉ番目のトルクである。トルクは、定常状態関係に対する何らかのミスマッチから生じる。例えば、任意のＰＣＮ２において、ある定常状態の燃料流量がある。実際の燃料流量がＰＣＮ２による定常状態の関係よりも大きい場合には、正のアンバランストルクが、ＰＣＮ２の値（ドット）を増大させることになる。ＰＣＮ２の値は、同様に他のロータＰＣＮ２５により作用を受ける場合がある。同じ論理が、ＰＣＮ２５ロータに関しても使用される。Ｔ４２及びＰＳ３を含むＳＲＴＭの他の動的なエンジン要素も、同様な方法でロータに作用する。

更にＳＲＴＭに含まれるものとして、燃料流量及びＡ８に対する内部ループ及びアクチュエータダイナミックスがある。モデルのこの部分においては、計算遅れ、アクチュエータの遅れ、及び燃焼器に対する燃料の輸送遅れに関連する遅れがある。指令された位置から燃料流量位置までの変化を捕らえたゲインが存在する。アクチュエータダイナミックスは、速度限界及び位置限界を有する２次でモデル化されている。Ａ８アクチュエータは、同様であるが、１次のアクチュエータダイナミックスのみである。ＦＭＶゲイン以外は、モデルのこの部分に対する他の全てのパラメータは非線形システム同定を使用していることが見出せる。

上記に特定したモデルからの他の出力変数は、動的要素出力値に基づいたルックアップ表から生成される。確認するために、ＳＲＴＭは、開ループ対ＣＬＭの比較テストが行われる。確認における入力変数のプロフィールは、２秒での燃料の大きなステップ状増加、４秒での燃料の小さなステップ状減少、６秒でのＡ８の小さなステップ状増加、及び８秒でのＡ８の大きなステップ状減少である。そのような比較の1つの結果が、ＰＣＮ２及びＰＳ３について図２に示されている。この比較においては、両方のパラメータは過渡状態で１０パーセント以内でありまた定常状態で５パーセント以内の偏差であるが、定められたエンベロープ内の全てのテストポイントに対する全てのパラメータに対しては、過渡状態での最大偏差が２２パーセントであり、定常状態での最大偏差が７パーセントである。これらの結果は、要求値を若干外れてはいるが、モデル構造の簡易化を考慮すれば極めて特筆すべきことである。

これらの適応モデルベースの制御システムは、欠陥、故障、及び／又は損傷を検出することが可能であり、次ぎにそのような情報を取り入れて、制御システム内のモデル、最適化、目的関数、制約条件、及び／又はパラメータにその情報を好ましくはリアルタイムで組み込むことも可能である。これらの情報により、制御システムは現在のエンジン条件の下で最適なアクションを取ることが可能となる。これらの制御システムは、リアルタイムで更新されかつ適応されているため、制御システム内のモデルの中に既にプログラムされている事前解決策を有するような欠陥、故障、及び損傷そのものではなく、任意のレベルの劣化、欠陥、故障又は損傷に対して対応することが可能である。

これらの適応モデルベースの制御システム及びその方法は、（１）監視制御が所定の飛行又は事象における推進力、動力、及び／又は電気出力を管理することができるのに十分な情報を、該監視制御に提供すること、（２）エンジン制御における自律性のレベルを高めること（３）エンジン制御の監視制御との統合を支援すること、及び／又は（４）エンジンに関連する意思決定能力を改善することにより、オペレータの作業負荷を減少させ、かつガスタービンの自動運転を可能とするように設計される。

多くのモデルベース制御システムは、制御されるべき各構成部品及び／又はシステムのモデルを設計することにより作製される。例えば、エンジンの各構成部品及びシステム、例えば圧縮機、タービン、燃焼器などのモデルがある。各モデルは、構成部品又はシステムの時間にわたる挙動（すなわち、回転速度の加速は、加えられたトルクの積分である）についての特徴的又は動的特性を含む。モデルにより、システムは、モデル化された情報に基づいて、出力データを制御し、推定し、修正し、又は同定することができる。例えば、アクチュエータが特定の位置で固着したために推力又は動力が低下した場合には、システムは、入力変数の制約条件としてそのアクチュエータに対する制御を固定状態に保ち、次ぎに他の制約条件が連鎖して生じないような他のアクチュエータに対して出力を行う制御を適応させ、可能な限り多くの失われた推力を回復させて、ガスタービンが運転を続行できるようにすることができる。

モデルベースの制御におけるモデルは、過渡状態での性能及び定常時状態での性能の両方を模写するように設計される。モデルは非線形の形態で使用可能であるか、或いは、該モデルは異なる運転条件に対して線形化されるか又はパラメータ化されることが可能である。モデルベースの制御技術は、通常の検知されたパラメータに加え、計測されないエンジンパラメータにアクセスすることができるモデルの利点を持っている。これらの計測されないパラメータには、推力、失速マージン、及び空気流量を含むことができる。これらの制御は、制御ループ間の相互作用を考慮した多入力多出力（ＭＩＭＯ）とすることができ、これらの制御は、スケジューリングを不要とするモデルに基づいたものであり、またこれらの制御は、制御の定式化及び最適化の統合部分として組み込まれた限界値又は制約条件を有し、各限界値に対するコントローラの設計を不要とする。本発明における現在の戦略は、コントローラを目的関数及び制約条件内に消滅させて、この目的関数及び制約条件を、有限ホリゾン（有限軸）（ｆｉｎｉｔｅｈｏｒｉｚｏｎ）の制約条件付き最適化問題の一部として使用しようとする試みを含んでいる。

本明細書で説明した方法により、性能又は運転性のどちらかを最適化することが可能となる。性能最適化モードが選択された場合、目的関数には、推力、動力、電気、燃料消費率、部品寿命、応力、温度、圧力、圧力比、速度、アクチュエータ指令、流量、ドル、コストなどを最大化又は最小化しようとすることが含まれる。これにより、エンジンの稼働時間が長くなり、燃料が節約され、過渡性能が向上し、部品寿命が延び、及び／又はコストが低減されることになる。運転性最適化モードが選択された場合、目的関数には、失速マージン、運転性の増大、及び飛行中の事故防止を管理しようとすることが含まれる。これにより、推力損失又は動力制御損失事象が減少し、欠陥、故障、及び損傷がある状態でのエンジン稼働時間が増大し、及びエンジンの残存能力が増大することになる。

本明細書では、システムモデル、推定装置、モデルベースの診断、及びモデルベースの制御又はモデル予測制御を含む、適応モデルベース制御システム及び方法について説明する。物理ベースのかつ経験的モデルは、制御と診断の目的のために検知されたエンジンパラメータの分析的冗長度と計測されないパラメータへのアクセスとを提供すると同時に、システムの将来の挙動の予測を提供する。各種のモデルに関連した推定装置は、モデルがエンジンとそのサブシステム及び構成部品とを正確に表すと共に、モデルの状態変数を推定するのを保証することになる。モデルに基づいた診断は、モデル及び検知パラメータの両方に基づいて、正確なエンジン状態の情報（劣化、損傷、及びエンジンシステム故障）を提供する。非線形モデル予測制御は、システム欠陥が存在しかつ特定区間の飛行運転目標が存在する状態で、モデルの予測能力とモデルベースの診断からの情報を使用して、ロバストかつ高性能なエンジン制御を維持する。全体的なエンジン健全性管理は、モデルベースのコントローラの機上診断、耐故障制御、及び適応性の総合によるものである。

より小さな故障を検出しかつより最適な制御決定をするのを可能とするためには、制御システムは、該制御システムが制御しているエンジン又はエンジンサブシステムに関して可能な限り多量の情報を持つ必要がある。システムに関するこの情報を入手するための最も優れた方法の１つは、制御装置の内部にある動的モデルを使用することである。これを実施することにより、現在の大気条件及びアクチュエータ指令が与えられた場合にエンジンパラメータがいかに異なって応答するかという情報、システム内のパラメータ間の関係に関する情報、計測されたパラメータと計測さないパラメータと間の関係に関する情報、及びエンジンの健全性を示すパラメータに関する情報が得られる。モデルが動的である場合、この情報の全ては、定常状態及び過渡状態の両方の基準上に見出される。モデルはまた、過去の計測値のプロフィール又は現在の性能のプロフィールを分析するためにも使用することができ、或いはモデルは、将来の時間ホリゾン（時間軸）（ｔｉｍｅｈｏｒｉｚｏｎ）にわたりエンジンがどのような挙動を示すかを予測するためにも使用することができる。モデルは、線形又は非線形に、物理ベースに、或いはシステム同定ベースにすることができる。モデルは、入口、ファン、圧縮機、燃焼器、高圧タービン、低圧タービン、アフターバーナ、可変面積排気ノズル、及び他の構成部品を含むシステムレベルにおけるエンジンの主要構成部品、或いは、アクチュエータ、燃料システム、及び潤滑システムを含むサブシステムの各々を表すことができる。このモデルを設計する上での目標の1つは、エンジン又はサブシステムの定常状態及び過渡状態での公称性能を再現し、かつモデルベースの制御装置及び推定装置の内部でこのモデルを使用するようにすることである。別の構成は、単一又は多モデルの故障診断システム内において、欠陥、故障、及び損傷特性を持つモデルを使用することになるであろう。

各エンジンは異なっており、劣化しており、或いは故障又は損傷する可能性があるので、モデルは、これらの変化を追跡可能であるか、又はこれらの変化に追従するようにモデル自身を適応可能にすべきである。１つの有力なアイディアは、現時点における特定のエンジン運転状態に関する情報を明らかにするようなモデルを得ることである。このことは、将来の挙動をより正確に予測することと、より小さな欠陥レベル又は損傷レベルを検出することとを可能にする。エンジンモデルを現在のエンジンに合致するように修正することができる、モデルの２つの分野は、エンジンパラメータとエンジン状態変数とである。エンジンパラメータを決定するために使用されるツールはパラメータ推定装置と呼ばれ、状態変数を決定するために使用されるツールは、状態推定装置である。

パラメータ推定装置は、エンジンセンサとモデルセンサとの間の誤差を減少させるために、エンジンモデル内のパラメータを推定しかつ修正するが、これは、モデルのエンジンに対する追跡と呼ばれる。修正されたパラメータは通常、品質パラメータ、例えば構成部品効率、流量、入力変数又は出力変数のスカラー（ｓｃａｌａｒ）又はアダー（ａｄｄｅｒ）と呼ばれる種類に入る。構成部品効率のようなこれらの品質パラメータは、その後診断アルゴリズムに対する入力変数として使用される。例えば、定常状態運転中に圧縮機の効率が２つのポイントだけ降下した場合、そのことは、圧縮機内に損傷が発生したことを示している可能性がある。このことから解るように、パラメータ推定装置は、過渡状態情報及び定常状態情報の両方に関してリアルタイムで動作する。

状態推定装置は追跡の支援にも使用され、また状態変数情報は、モデルベースの制御装置を各時間間隔で初期化するためにも使用される。モデルベースの制御装置は、全状態コントローラであるので、このモデルベースの制御装置は、エンジンの現在の状態の推定値を使用して、正確に初期化されかつ機能することになる。状態推定装置の目標は、モデルダイナミックスとＷ及びＶの共分散が与えられた場合に、モデルとエンジンとの間の差異を捕捉した最適ゲインＫを求めることである。

診断の役割は、ガスタービンシステム内のあらゆる欠陥、故障、又は損傷を検出し、分離し、かつ特定することである。この実施形態において、診断システムは、モデルベースの又は多モデルベースの診断に基づいており、この診断において、モデル及びモデル構造、革新、パラメータ更新、状態値、センサ値、センサ推定値のような他の制御構成部品からの情報が、エンジン不調を診断するために使用される。この情報を使用して、診断システムは、不調の有無と、不調の位置と、不調の大きさを決定し、その情報をマスタモードセレクタ及びモデルベースのコントローラに送信する。

予測制御装置は、再構成可能なモデルを使用して、制御システムが、システムモデル、推定装置、マスタモードセレクタ、及び診断システムによって提供される全ての情報を使用することを可能にする。モデル予測制御装置（ＭＰＣ）は、該制御装置内のモデル及び現在の状態変数情報を使用して、エンジン又はシステムの将来の挙動を予測する。将来の挙動の予測は、制御入力変数の展開が与えられた場合に形成することが可能であるので、あらゆる運転上の制約条件（例えば、アクチュエータ、温度、速度、圧力、及びトルクについての限界値）に依然として従いながら、多くの異なった制御の動きが、将来のホリゾンにわたってテストされてどれが所望の基準（例えば、速度、圧力比、推力）を辿っているかを見ることができる。そして、一旦、所望の結果を与える制御シーケンスが決定されたら、その制御シーケンスの最初の制御アクションが、次のサンプリング期間において実行される。その後、このプロセスが繰り返される。このアルゴリズムにおける強みは、コントローラが将来の時間ホリゾンにわたりエンジンが何をしようとしているかを直ちに見ることができ、同時に、コントローラがエンジン運転の制約条件を知っていることである。次に、制御装置は、制約条件を乱すことなく制御目的関数を最適に満たすことを保証するように、全ての制御アクションを変更することができる。このことは、制御装置が飛行要件を満たす最良の可能な解決策を開発することを意味する。この最良の制御シーケンスは、最適化アルゴリズムが解くことができる形態に問題を変換することにより、求められる。ＭＰＣは、有限ホリゾンでの目的関数の制約条件付きオープンループの最適化に基づいている。この最適化は、動的システムモデルを使用して出力変数の展開を表現し、仮定された既知の初期状態から開始される。

図３は、有限ホリゾンでの目的関数の制約条件付きオープンループの最適化に基づいたＮＭＰＣの実行を図示している。この最適化は、プラントモデルを使用して出力変数の展開を表現し、仮定された既知の初期状態から開始される。図３は、ＮＭＰＣを支える後退ホリゾン（ｒｅｃｅｄｉｎｇｈｏｒｉｚｏｎ）制御の概念を図示している。時間ｋにて、入力変数｛ｕ（ｋ），ｕ（ｋ＋１），．．．，ｕ（ｋ＋ｐ−１）｝は、予測ホリゾンｐにわたって性能基準を最適化するように選択される。計算された最適制御の動きの中で、最初のサンプルに対する値ｕ（ｋ）のみが実際に実行される。次の時間間隔の前でかつ別のｐに対する入力変数[ｕ(ｋ＋１），ｕ（ｋ＋２），．．．，ｕ（ｋ＋ｐ）｝の計算の前に、初期状態が出力計測値から再推定される。このことにより、表面上の開ループ戦略に、実際には閉ループ制御を実行させる。

ＮＭＰＣ及びＥＦＫ状態推定装置は、両方ともモデルに基づいた手法であり、そこでは、プラントモデルが状態推定値を生成するために計算される。ダイナミックスが完全には知られていない実在のプラントという具体的な問題においては明確なモデルの階層があり、それらには、高忠実度であるが線形化が困難な計算上複雑なモデルであるＣＬＭと、線形化可能でありかつ最適化手法の一部として比較的簡単に繰り返されるＳＲＴＭとがある。

本明細書に説明した方法を実行する実験的検討において、制御入力変数は、燃料流量要求値（ＷＦＤＭＤ）と排気面積要求値（Ａ８ＤＭＤ）とである。制御はモデルに基づいているため、推力や失速マージンのような計測されないが推定又は計算された関心があるパラメータを追跡するように設計可能であるが、この検討の第１の目標は、プロダクション制御が既にエンジンを運転しているのと同様な要求を達成することである。エンジン１０においては、基準変数はファン速度（ｒｅｆ１）とエンジン圧力比（ｒｅｆ２）とである。これらの２つの基準変数で運転する間、制御は、他の運転限界、例えばＴ４Ｂの最大値、ＰＳ３の最小値及び最大値、Ｎ２５の最小値及び最大値、Ｎ２の最大値、ロータ速度の加速度、及びロータ速度の減速度により制約される。また、両方のアクチュエータは、速度に限界があり、また最小死点位置及び最大死点位置を有する。この枠組み内での実行に使用されるＮＭＰＣの定式化を次ぎに詳細に示す。

目的関数Ｊは、予測ホリゾンｐにわたって定められる。

数式２
ここで、γ、ρ及びδは重み係数である。ＳＲＴＭは、タービンサイクルパラメータの予測ホリゾンにわたる応答を得るための予測器として使用されている。ＰＳ３及びＴ４Ｂのようなサイクルパラメータに対する制約は、ソフト制約又はペナルティ関数として含まれる。このことは、動作が制約条件から離れている時は非常に小さく、すなわちＪには殆ど影響を与えないが、パラメータが制約条件に接近した時はＪに大きなペナルティを与える指数項を使用することにより実行される。△Ｗｆ項及び△Ａ８項は、制御が実行不可能な大きなステップを取ることを試みないで、かつ制御が実際の入力変数の制約条件の範囲の僅かに外側に設定されることを保証するため、及び、勾配が最終的な解に対応することになる方向に従うことを保証するための両方のために追加される。

制御目標は、

数式３
であり、ここでｕは、予測ホリゾンｐにおける将来のＷＦＣＭＤ及びＡ８ＣＭＤの制御入力変数のベクトルである。これは、中心差分を持つ勾配降下法を使用して達成される。勾配計算は、数式４に示される。

数式４
次に、制御入力変数は、Ｊが最小化されるか又は最大繰り返し数又は最大探索時間に達するまで、負の勾配の方向にｎステップを取ることにより、計算される。この時点で、アクチュエータの速度及び位置限界値が破られないことを保証するために、入力変数の投影が行われる。制御値は、数式５を使用して計算される。

数式５
ここで、βは、勾配ステップの大きさと２つの制御入力変数間の重み付けを考慮した重み行列である。

ＮＭＰＣは全状態のフィードバックコントローラであり、従って、全ての状態変数は計測されるか又は利用可能な計測値から推定される必要がある。通常、全ての状態変数は、センサのコスト又は使用可能度の理由から計測されない。更に、センサは、ダイナミックス、遅延、及び雑音を持つ。従って、動的観測器は、状態変数を再構築し、かつ雑音を除去する上で有効である。拡張形カルマンフィルタ（ＥＫＦ）が、この目的のために使用される。有効なＥＫＦは、Ａｔｈａｓ，Ｍ．（１９９６）、制御ハンドブック、頁５８９〜５９４、ＣＲＣ出版、米国、並びに、Ｂ．Ｄ．Ｏ．Ａｎｄｅｒｓｏｎ及びＪ．Ｂ．Ｍｏｏｒｅ、最適フィルタリング、Ｐｒｅｎｔｉｃｅ−Ｈａｌｌ、ＥｎｇｌｅｗｏｏｄＣｌｉｆｆＮＪ、１９７９に記載されている。

ＥＫＦは、動的システムモデルに基づいた非線形状態推定装置である。ＥＫＦを支えるモデルは非線形であるが、繰り返し動作は、線形化されたモデルパラメータから計算された線形ゲインに基づいている。従って、この設計コンセプトは、カルマンフィルタの機能の領域から多くのものを継承している。この実行において、ＳＲＴＭは、ＮＭＰＣ内での使用と平行して使用されるＥＫＦの核として使用される。

勾配に基づいたＮＭＰＣと類似して、ＥＫＦは、十分適切に動作するのに、コントローラに対し真に最適な状態推定値を提供する必要はない。通常、ＥＫＦはいずれのケースでも準最適な非線形フィルタである。しかしながら、正しい初期化のためにＮＭＰＣに状態推定値を提供するＥＫＦの役割は、ＮＭＰＣの鍵となる特徴であり、このことは、見落とされることが多い。

ＥＫＦ及びＳＲＴＭは、ＮＭＰＣ論理の内部に包含されており、そして、ＮＭＰＣ論理はＣＬＭへ結合されている。図４は、ＥＫＦ、ＳＲＴＭ、ＮＭＰＣ、及びＣＬＭを結合する方法を表したブロック図を示している。集結された制御プロセスは、ＳＲＴＭを使用するＥＫＦから始まり、エンジンの現在の状態を決定する。この情報は、勾配計算において使用される予測値の初期条件として使用される。次に、ＳＲＴＭは、２＊ｃ回実行され、ここで、２は制御入力変数の数であり、また使用された制御ホリゾンｃは１５ステップである。各時間ステップにおけるサンプリング時間は、１０ミリ秒である。各実行は、制御ホリゾンにおける異なった時点での摂動に対応する。この情報は、勾配内に集結され、探索経路は負の勾配方向に従う。

ＮＭＰＣ制御アルゴリズムを備えたこのシミュレーション構成は、パイロットからの動力要求段階に対し実行される。これは、航空機の離陸、戦闘、又は着陸衝突回避における操縦を模写するのに使用されることになる重要なシミュレーションである。

ＰＣＮ２基準変数（ｒｅｆ１）は、段階的に高められて、得られる推力を増加させる。ＰＰ基準変数（ｒｅｆ２）は、減少させられて、十分なファン失速マージンを維持する。ＰＣＮ２及びＰＰの両方は、最初の4秒の間に基準変数に追従しようと試みられ、ＰＣＮ２は基準変数に到達し、ＰＰは定常状態誤差の結果になる。ＰＣＮ２の基準変数への応答時間は、主としてＷＦＭＤＭに対する最大変化制約条件により制限される。この制約条件の最大値は、プロダクション制御内において圧縮機のサージング又は失速を防止するための加速度リミッタとして使用される。ＰＰの定常状態誤差となるのは、Ａ８ＣＭＤが制約条件の最小値に該当したことと、目的関数においてＰＣＮ２がより重く重み付けされたこととに起因する。同一の入力ステップに対するプロダクション制御の結果は、過渡状態で４パーセント以内、定常状態で０．２パーセント以内であった。

ＮＭＰＣは現行のプロダクション制御を生成し直すことができるが、この技術を使用することにより多くの潜在的利点の鍵を開くことができる。モデルに基づいたＮＭＰＣの特性を使用することにより、推力及び失速マージンのような他のより魅力的な基準変数に対する実行が可能となる。このモデルはまた、欠陥の検出、分離、対応のために使用することができる。ＮＭＰＣのオープンアーキテクチャは、性能、運転性、又は実用使用性の改善を可能とする多くの拡張や変更を可能にする。

本発明を様々な具体的な実施形態に関して説明してきたが、本発明が特許請求の範囲の技術的範囲内の変更で実施することができることは、当業者には明らかであろう。

エンジンのレイアウトの概略図。ＰＣＮ２及びＰＳ３についてのＳＲＴＭとＣＬＭとの比較を示す図。有限ホリゾンでの目的関数の制約条件付きオープンループ最適化に基づいたＮＭＰＣの実行を示す図。ＥＫＦ、ＳＲＴＭ、ＮＭＰＣ、及びＣＬＭを結合する方法を表すブロック線図。

符号の説明

ＭＦＭＶ主燃料計量弁
Ａ８可変排気ノズル
Ｔ２ファン入口温度
Ｎ２ファン速度
Ｐ２５圧縮機入口圧力
ＰＳ１４ファン出口静圧
Ｎ２５コア速度
ＰＳ３圧縮機吐出静圧
Ｔ４Ｂ高圧タービン出口温度

Claims

航空機用ガスタービンエンジン（１０）の運転及び制御を設計するためのシステムであって、
航空機用ガスタービンエンジンの運転モデルを少なくとも１つの目的関数（Ｊ）を含むように生成し、前記航空機用ガスタービンの運転モデルに対する運転及び制御制約条件を定めるための入力装置を有する計算機ユニットと、
推定のための拡張形カルマンフィルタを用いた、前記運転モデルと前記運転及び制御制約条件とに基づいたモデル予測制御を使用して、前記ガスタービンの運転を動的に最適化しかつ制御するように構成されたオンライン式ダイナミック・オプティマイザ／コントローラと、
を含み、
前記オプティマイザ／コントローラが、前記目的関数（Ｊ）の勾配を、

ただし、
Ｙ１ _ｉ、Ｙ２ _ｉ：予測出力パラメータ
Ｙ１ref _ｉ、Ｙ２ref _ｉ：基準出力パラメータ
Ｕ１ _ｉ、Ｕ２ _ｉ：制御入力
Ｏut１，Ｏut２：サイクル又は状態パラメータ
によって計算するように構成されていることを特徴とするシステム。
前記オプティマイザ／コントローラが、（Ａ）前記エンジン（１０）の現在の状態と適用可能な制約条件とを推定する段階と、（Ｂ）所定の制御／シミュレーション期間において、前記適用可能な制約条件を守りながら前記運転モデルに基づいた目的関数を最適化することにより制御アクションを決定する段階と、（Ｃ）前記段階（Ｂ）で決定された前記制御アクションを実行する段階とをループとして実行するように構成されていることを特徴とする、請求項１に記載のシステム。
前記オプティマイザ／コントローラが、ステップ数が予め定められた数と等しくなるまで、前記勾配を負の方向に方向移動するように構成されていることを特徴とする、請求項１に記載のシステム。
前記オプティマイザ／コントローラが、前記Ｊが最小化されるまで、前記勾配を負の方向に方向移動するように構成されていることを特徴とする、請求項１に記載のシステム。
前記オプティマイザ／コントローラが、経過時間が予め定められた時間間隔を超えるまで、前記勾配を負の方向に方向移動するように構成されていることを特徴とする、請求項１に記載のシステム。