基于神经网络逆控制的TBCC发动机多变量限制管理

涡轮基组合循环(TBCC)发动机的控制系统既需要对执行机构协同控制以充分发挥每个工作模态的性能优势,又需要实现限制管理功能以保证发动机在安全条件下工作。本文通过分析串联式TBCC发动机流路计算过程,建立其性能动态模型,提出了一种基于神经网络预测反馈与逆控制的TBCC发动机多变量主控回路,其在单一模式阶跃响应超调小于3%,模态转换推力流量波动小于4%。在多变量控制架构中引入了限制管理策略,通过对比分析基于模型预测控制的多变量约束方法,仿真表明本文提出方法在考虑多变量耦合基础上,在过渡态和模态转换过程中满足超限幅度小于0.2%和0.07%,能有效实现限制管理,且结构简单,易于实现。

基于滑模控制的航空发动机多变量约束管理

针对航空发动机传统单变量线性控制器min-max切换方法处理约束的不足,提出了单变量滑模控制器替换所有线性控制器的改进策略,并将该方法拓展为新切换逻辑下的多变量滑模控制结构。基于改进的单变量滑模控制器min-max结构,多变量控制策略中加入了多变量滑模主控制器和新的切换逻辑,充分利用发动机的所有控制量,克服了传统方法的保守性,进一步提高发动机约束下的动态性能。对稳态时工作的控制器进行了理论分析,建立了多变量控制器实现精确跟踪的充要条件。仿真结果表明,多变量控制方法在更苛刻的约束条件下能够实现跟踪任务,而且提高了推力跟踪的快速性,调节时间从1.91s缩短到1.54s,同时降低了稳态时的油耗。