基于在线滚动LS-SVR的涡轴发动机混合预测控制

《基于在线滚动LS-SVR的涡轴发动机混合预测控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、航空学报ActaAerOnautjcaetAstrOnautjcaSinicaOct．252012VoI．33No．101755．1764ISSN1000．6893CN11．1929／Vhttp：∥hkxb．buaa．edu．cnhkxb@buaa．educn文章编号：1000一6893(2012)lO一1755—10基于在线滚动LS—SVR的涡轴发动机混合预测控制王健康，张海波*，黄向华，段姝婧南京航空航天大学能源与动力学院，江苏南京21e016摘要：提出了一种串级PID+非线性模型预测控制(NMPc)的混合控制方案，用于涡

2、轴发动机控制系统中。其中：主控制回路采用串级PID控制器以消除静差保证系统稳定；带约束优化的预测控制器则用于实时燃油补偿，以增强发动机系统对直升机功率需求的快速跟随能力。该预测控制器是基于在线预测模型实现，首先在vc环境下设计在线滚动最小二乘支持向量回归机(0sL孓sVR)，在线训练高精度、实时性好的内嵌式预测模型，其测试精度可达3‰；而后利用该模型与序列二次规划(sQP)算法完成滚动优化，建立预测控制器；最后，在uH60A直升机／T700涡轴发动机综合模型仿真环境下，通过模拟直升机大幅急速升降操作，验证了该混合预测控制方案对

3、大扰动具有较强的抑制能力及鲁棒性，从而使直升机获得更好的机动性能。关键词：涡轴发动机；控制系统；混合控制；预测控制；支持向量机中图分类号：V231文献标识码：A随着现代武装直升机对机动性能要求的不断提高，直升机子系统与发动机子系统之间的耦合程度愈加显著，传统的串级PID控制方法已显得能力不足[1。2]。此外，在直升机机动飞行过程中，发动机在稳定工作的同时应在最短的时间内满足直升机当前的功率需求，但由于存在因旋翼扭矩测量滞后、发动机控制动态响应等引起的时滞效应，使得传统控制方法很难取得高品质的控制效果心]。2007年，美国国家航

4、空航天局(NASA)Glenn研究中心召开了一次重要的智能发动机会议，其中提及了有关非线性模型预测控制(NMPC)技术，用于解决航空发动机在有扰动或模型失配情况下的控制难题[3]。NMPC是近年来提出的新型模型预测控制(MPc)方法n]，其核心是基于一个精度高、实时性好的预测模型在一定的控制时域内进行滚动优化控制，其间考虑相关约束并利用反馈校正机制准确控制目标，可以有效地解决有扰动、有约束及非线性强的复杂系统控制问题，克服了经典MPC方法只能在有限时域内对目标函数进行优化，当过程中存在约束或扰动时可行性和稳定性通常得不到保证的

5、不足[5书]。从国内外研究来看，NMPC在涡轴发动机中的应用较少，仅有文献[7]针对带旋翼负载的涡轴发动机设计了NMPC控制器，其预测模型表征为燃油流量和动力涡轮转速之间映射，通过BP(BackPropagation)神经网络来离线训练，在小扰动情况下取得较好的控制效果。文献[8]在此基础上，重点考虑了旋翼扭矩随飞行任务的变化是施加在发动机上的强扰动，在发动机预测模型中收稿日期：2011—11—02；退修日期：2011-11·04；录用日期：2011—12—16；网络出版时间：2012．08．2811：05网络出版地址：www

6、．cnki．net／kcms／detail／11．1929．V20120828．1105．001．htmI基金项目：航空科学基金(2010zB52011)；南京航空航天大学基本科研业务费专项科研项目(Ns2010055)；江苏省研究生创新培养工程项目(CXLXll一0213)*通讯作者Tel．：025·84892201-8401E-mail：zn—zhhb@126．com}

7、用棒武twangJK，ZhangHB，HuangxH·eta

8、．Hyb喇preaictIvecontro

9、fortumo-shanengInebasedo

10、nonllneslldlngLs．sVR．AdaAeronau“caetAs”onauticas{nIca．2012．33(10)：1755-1764．I健康，张海波．黄向华．等?基于在线滚动Ls．svR的涡轴发动机混合预胡I控翻．航空学报，2012，33(10)：1755-1764．航空学报Oct252012VoI33No．10应作为扰动补偿的最有利的信息，最终通过设计多输出迭代约简最小二乘支持向量回归机(RRI。孓SVR)，离线训练包含扭矩、燃油流量、动力涡轮转速和燃气涡轮转速等综合信息的预测模型，实现了较文献[7]更好的

11、控制品质。虽然文献[8]改进了文献[7]中的NMPC方法，并设计了更为有效的学习算法，但对于预测模型设计，仍存在同样的不足：预测模型均为离线学习而无法自适应更新模型。离线学习的缺点就在于训练样本固定且有限，不能根据实时信息或近期最有效的信息来预估模型，而且由于算法泛化能力有限