[发明专利]一种基于非线性模型预测的航空发动机控制方法

说明书

本发明公开了一种基于非线性模型预测的航空发动机控制方法。该方法基于在线滑动窗口深度神经网络在线学习得到发动机非线性模型，通过对该网络模型线性化得到实时预测模型，如此可以保证预测精度的情况下，极大减少了计算量。该方法与基于扩展卡尔曼滤波器的NMPC方法相比，不仅具有较快的响应能力，而且计算时间缩短40倍以上。

技术领域

本发明涉及一种航空发动机控制方法，尤其涉及一种基于非线性模型预测的航空发动机控制方法。

背景技术

在飞行过程中，航空发动机需要快速、精准地为飞机提供推力。传统的发动机控制系统是基于传感器的控制方法，通过控制可测量的参数，如发动机压比、转子转速或其他可直接测量的参数来控制发动机的推力。然而，由于退化、制造和位置公差等因素，可测量参数与推力之间的关系往往会发生变化。因此，如果采用传统的控制系统，推力的控制误差就不可避免。此外，为了保证发动机即使在最恶劣的条件下也能安全稳定地运行，传统的控制系统往往保留足够的安全裕度，而这种控制思想将极大地限制发动机在其他工作点的性能。

基于模型的发动机控制(Model Based Engine Control，MBEC)是解决以上问题的方法之一，其中模型预测控制(Model Predictive Control，MPC)是MBEC的一个重要技术和研究领域。模型预测控制系统地解决了具有发动机输入和状态约束的多目标问题，具有比传统控制器更好的瞬态性能，引起了航空发动机控制领域研究人员的广泛兴趣。VroemenBG等人将非线性模型预测控制(Nonlinear MPC,NMPC)应用于实验室燃气轮机装置,并评估了NMPC的稳定性、实时性能、鲁棒性。Brunell等人用简化实时模型研究了约束NMPC的可行性，并成功将其应用于涡轮喷气发动机部件级模型。DeCAstro提出了用基于速率的线性参数变化模型进行涡轮风扇发动机主动间隙控制，研究了控制时域、预测时域对计算工作量的影响。

上述工作的预测模型主要关注线性模型，特别是基于扩展卡尔曼滤波器(EKF)。实际上EKF是通过对部件级模型在线线性化来获得相应的线性化模型(SVM)，这也就意味着每计算一步就需要调用部件级模型进行多次迭代，而部件级模型求解过程本身也是耗时较大的。发动机的高度非线性化的特点，要求NMPC的仿真步长越短越好，因此，基于扩展卡尔曼滤波器的NMPC实时性并不理想。

发明内容

本发明所要解决的技术问题在于克服现有技术所存在的在计算过程中反复迭代的缺点，提供一种基于非线性模型预测的航空发动机控制方法，通过搭建在线神经网络模型进行实时线性化的预测模型来对航空发动机直接推力进行模型预测控制，可以有效缩短计算时间，提高实时性。

一种基于非线性模型预测的航空发动机控制方法，以航空发动机推力作为控制目标，通过求解以下优化目标函数获得当前的第k个离散控制点的航空发动机控制量u[k]，并根据所得控制量对航空发动机进行控制：

其中，u为控制量，为控制目标预测值，r为控制指令，Δu为控制量变化值，Q和R为正定对称矩阵，N_u和N_p分别为控制时域和预测时域，N_f、N_c分别为风扇转速和压气机转速，S_mf和S_mc分别为风扇喘振裕度和压气机喘振裕度，T₄₁为高压压气机进口温度，下标max、min分别代表限制最大值、限制最小值；

所述控制目标预测值通过预先训练的在线滑动窗口深度神经网络预测模型在线预测得到。