智能航空發(fā)動機性能退化緩解控制技術研究.pdf

1、智能發(fā)動機控制技術是未來航空發(fā)動機控制系統(tǒng)的發(fā)展方向之一，作為智能發(fā)動機控制技術分支的性能退化緩解控制技術受到了研究人員的廣泛關注。本文從智能發(fā)動機的角度開展了發(fā)動機建模技術、魯棒控制器設計、健康管理等發(fā)動機性能退化緩解控制相關關鍵技術的研究，并進行了數(shù)字仿真驗證。
　　論文首先研究了渦扇發(fā)動機模型的建立方法。針對狀態(tài)變量建模過程中，偏導數(shù)法和擬合法的缺點，對人工蜂群(ABC)算法進行了改進，并將其用于航空發(fā)動機狀態(tài)變量模型參數(shù)的

2、優(yōu)化求解。經(jīng)過優(yōu)化得到的狀態(tài)變量模型與非線性模型具有較高的吻合度。同時，還研究了利用神經(jīng)網(wǎng)絡和改進的迭代約簡最小二乘支持向量回歸機(IRR-LSSVR)算法建立推力簡化模型的方法。該方法通過飛行狀態(tài)映射傳感器信號，再通過傳感器信號映射推力，將推力簡化模型分為兩個串接的子模型分別訓練，彌補了直接映射推力精度不足的缺點，提高了推力簡化模型的精度。
　　其次，論文研究了航空發(fā)動機多變量魯棒控制算法，提出了基于ABC的多目標優(yōu)化算法——多

3、目標蜂群算法(MOABC)算法，并將其用于航空發(fā)動機H2/H∞魯棒控制器的設計。MOABC算法利用外部存儲檔案中的非支配最優(yōu)解來產(chǎn)生子代食物源并與父代食物源一起進行非支配排序，然后用處在最優(yōu)Parato前沿面的解來更新外部存儲檔案。通過與NSGA-II和SPEA-II的對比仿真表明 MOABC算法具有很好的收斂性和分布性。在將 MOABC算法應用于航空發(fā)動機H2/H∞魯棒控制器設計時，將H2指標和H∞指標作為多目標優(yōu)化的目標函數(shù)，得到了

4、控制器參數(shù)的Parato前沿面，并從中確定了一組發(fā)動機控制器參數(shù)。在非線性模型上的仿真表明利用MOABC算法所設計控制器具有很好的魯棒性和抗干擾性，且動態(tài)品質(zhì)良好。
　　再者，設計了發(fā)動機部件故障與傳感器故障診斷系統(tǒng)。針對航空發(fā)動機傳感器故障與突發(fā)性部件故障的診斷，提出了一種基于SVM-ELM-KF的診斷方法。該方法將IRR-LSSVR算法推廣到分類機，用于區(qū)分識別傳感器故障與部件故障。然后利用ELM算法和改進的Kalman濾波器

5、對傳感器故障和部件故障進行精確定位，并通過數(shù)字仿真驗證了該方法的可行性。同時，針對傳感器數(shù)目少于健康參數(shù)個數(shù)的氣路部件故障診斷，提出了一種基于模型和數(shù)據(jù)驅(qū)動的融合診斷方法。對于極端學習機(ELM)隨機選擇輸入層權值和隱含層偏置帶來的缺點，提出改進的微分進化(IDE)算法對其進行優(yōu)化，減少了ELM的隱含層節(jié)點數(shù)，提高了網(wǎng)絡的泛化能力，實現(xiàn)了基于數(shù)據(jù)的部件故障診斷。論文采用基于奇異值分解(SVD)的降維Kalman濾波器(KF)實現(xiàn)了基于模

6、型的部件故障診斷。然后，采用IRR-LSSVR算法對以上兩種算法的估計結(jié)果在特征層進行定量融合，提高了診斷的準確性。接著，本文提出了一種改進的OS-ELM(ImOS-ELM)算法。該算法通過引入正則化因子，消除了矩陣奇異和病態(tài)的問題，提高了預測精度，并使得算法能夠在初始階段就具有預測能力。同時以泛化能力為判斷依據(jù)，通過選擇策略對輸出權值進行選擇性地更新，在很大程度上縮短了訓練時間。通過在時間序列數(shù)據(jù)上驗證了算法的有效性。然后，將ImOS

7、-ELM算法應用于航空發(fā)動機傳感器故障的診斷與隔離。仿真結(jié)果表明，該算法能夠?qū)娇瞻l(fā)動機雙傳感器偏置故障和單傳感器漂移故障進行有效地診斷與隔離，并具有較高的預測精度和實時性。
　　最后，論文對航空發(fā)動機推力估計方法以及外環(huán)控制器的設計進行了研究。針對退化發(fā)動機，設計了基于ALQR控制器的推力估計器和基于IRR-LSSVR的推力估計器。接著，構建了航空發(fā)動機性能退化緩解控制的仿真平臺，并開展了綜合仿真驗證研究。通過對發(fā)動機在不同狀態(tài)