基于逆跟踪控制的航空发动机气路健康参数估计修正方法研究

针对新型航空发动机气路部件状态监控缺乏故障样本的不足,利用发动机非线性模型和气路故障模拟方法,获取故障样本,运用最小二乘支持向量回归机(LSSVR)建立气路健康参数的(理想)估计器。主要工作是在LSSVR的基础上,从逆跟踪控制的角度,设计了基于逆模型在线辨识与变结构控制相结合的修正系统,减小理想估计器与真实发动机之间由于测量噪声与系统噪声对估计精度造成的影响。通过仿真实验,离线修正后,估计值的相对误差最大值从69%缩小5%,在线修正后,估计值的相对误差最大值从69%缩小13%,修正系统有效地提高了性能估计的准确度,减小了气路部件状态监控的误判和误诊的概率。

基于平衡流形展开模型的航空发动机健康参数估计

为提高航空发动机健康参数实时估计的精度,结合非线性卡尔曼滤波器从底层模型方面进行改进。以航空发动机部件级模型为基础,提取运行数据,采用线性拟合法求解系数矩阵,建立传统状态空间模型;采用BP神经网络拟合调度参数,建立设计点处包含健康因子的平衡流形展开(EME)模型。基于EME模型分别采用扩展卡尔曼滤波器和无迹卡尔曼滤波器进行多种参数退化模式下的数值仿真估计。仿真结果表明:得益于EME模型对非线性系统的良好近似性,各参数退化模式下的估计结果准确,稳态误差不超过3%;与采用部件级模型作为底层模型的方案相比,该方案的估计速度提升了1个量级。验证了基于航空发动机EME模型结合非线性卡尔曼滤波器进行健康参数估计方法的实际可行性。

基于动态逆的涡轴发动机自适应模型建模方法研究

为实现对涡轴发动机动态响应的实时跟踪,提出一种基于动态逆与神经网络的涡轴发动机自适应模型建模方法。基于考虑健康因子输入的涡轴发动机状态变量模型及真实发动机可测状态参数,设计一种基于动态逆的健康参数估计方法;基于神经网络建立包含健康参数的涡轴发动机机载模型,共同构成涡轴发动机自适应模型;进行典型任务下的对比仿真分析。研究结果表明:相比于线性卡尔曼滤波器,基于动态逆的涡轴发动机自适应模型不仅能获得相同的健康参数稳态估计精度,而且总时间消耗可有效减小26%左右,实时性更高;自适应模型的稳态误差不超过0.5%,动态精度更高,更有利于实现涡轴发动机动态响应的自适应跟随。