航空发动机喘振裕度估计方法及控制方法

技术领域

本发明涉及一种航空发动机喘振裕度估计方法。

背景技术

目前发动机控制仍未摆脱传统控制的设计思路，计算机强大的计算能力及逻辑功能尚未得到充分利用。传统的发动机控制是基于传感器的控制，即通过可测的转速、压比和温度等发动机状态参数来间接控制发动机推力及喘振裕度等性能参数。这种控制模式虽然简单、可靠，然而难以准确反映发动机工作过程中喘振裕度的变化情况，需要在设计时考虑发动机最坏工作环境下的稳定裕度损失，甚至会限制了发动机性能的充分发挥。随着战斗机的更新换代，第五代战斗机对发动机提出了高效率、高推重比、高稳定性等高性能要求。但是随着全权限数字电子控制的快速发展，已经将传统发动机控制的性能发挥到极致，要进一步从控制角度提高发动机的整机性能，则需要对喘振裕度实时估计并主动控制。

目前的航空发动机大多通过机载自适应模型来在线反馈实时工作状态，再计算出喘振裕度作为反馈量以构成直接喘振裕度闭环控制回路，这种控制方法被称为模型基主动喘振裕度控制，也是最有希望提升发动机性能的控制技术之一。然而，目前国内外关于模型基的研究多集中在仿真阶段，在工程实际应用当中鲜有报道。究其原因，主要是由于机载自适应模型精度无法与真实发动机实现零误差匹配，存在一定误差，使得机载自适应模型无法对宽范围内的喘振裕度进行高精度估计，当基于不精确的喘振裕度对发动机直接进行闭环反馈控制时可能会导致发动机失稳。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种航空发动机喘振裕度估计方法，更够提供足以满足航空发动机实际控制要求的宽范围高置信度喘振裕度估计数据。

本发明具体采用以下技术方案解决上述技术问题：

一种航空发动机喘振裕度估计方法，首先构建机载自适应模型，并以基于压气机叶尖压力测量的喘振裕度估计方法所获取的近喘范围喘振裕度估计数据作为反馈，对所述机载自适应模型中发动机非线性模型的喘振边界进行修正，然后用修正后的机载自适应模型进行最终的喘振裕度估计。

优选地，所述机载自适应模型为基于神经网络非线性补偿的机载自适应混合模型，其包括：发动机非线性模型、卡尔曼滤波器、神经网络学习算法。

进一步优选地，所述基于神经网络非线性补偿的机载自适应混合模型所使用的训练数据预先经过聚类压缩。

更进一步优选地，所述聚类压缩使用高斯聚类方法。

优选地，所述修正具体方法如下：以基于压气机叶尖压力测量的喘振裕度估计方法所得到的近喘范围喘振裕度估计数据作为所述机载自适应模型的近喘范围喘振裕度目标输出，利用神经网络学习算法来对所述机载自适应模型中发动机非线性模型的喘振边界进行修正。

根据同一发明构思还可以得到以下技术方案：

一种航空发动机喘振裕度控制方法，基于如上任一技术方案所述方法所得到的喘振裕度估计数据对航空发动机进行控制。

相比现有技术，本发明技术方案具有以下有益效果：

本发明采用基于压气机叶尖压力测量的喘振裕度估计方法所获取的具有极高置信度的近喘范围喘振裕度估计数据作为反馈，对机载自适应模型中发动机非线性模型的喘振边界进行修正，使得修正后的机载自适应模型能够输出足以满足航空发动机实际控制要求的宽范围高置信度喘振裕度估计数据，进而使得模型基主动喘振裕度控制技术真正能够进入工程应用。

附图说明

图1为本发明航空发动机喘振裕度估计模型的结构原理示意图；

图2为神经网络的训练过程示意图。

具体实施方式

针对现有机载自适应模型所产生的喘振裕度估计数据无法满足发动机控制所需精度要求的问题，本发明的解决思路是对现有机载自适应模型进行改进，采用基于压气机叶尖压力测量的喘振裕度估计方法所获取的具有极高置信度的近喘范围喘振裕度估计数据作为反馈，对机载自适应模型中发动机非线性模型的喘振边界进行修正，使得修正后的机载自适应模型能够输出足以满足航空发动机实际控制要求的宽范围高置信度喘振裕度估计数据。

基于压气机叶尖压力测量的喘振裕度估计方法(参见[ManujDhingra.Compressor Stability Management[D]//American:georgia institute oftechnology.2006])的基本实现过程如下：根据压力传感器获得的叶片附近的压力脉动信号，计算用于度量压力脉动信号重复性的相似系数；其次，选取合适的阈值计算单位时间内相似系数与阈值两条函数线相交次数，根据试验数据的离线分析，获得单位时间内相交次数与喘振裕度的固有特性关系，建立基于压气机叶尖压力的发动机近喘喘振裕度估计模型；根据发动机近喘喘振裕度估计模型，通过插值法即可对发动机的喘振裕度做出准确地估计。

基于压气机叶尖压力测量的喘振裕度估计方法可以达到比现有机载自适应模型更可靠的喘振裕度估计，并且其可靠性不受发动机性能退化影响；然而，经大量实验发现，该方案虽然精度满足要求但却只能在近喘范围内具有较高置信度，无法用于发动机喘振裕度主动控制。

为此，发明人提出将基于压气机叶尖压力测量的喘振裕度估计方法与现有机载自适应模型喘振裕度估计方法有机结合，以实现宽范围高置信度的喘振裕度估计。

为便于公众理解，下面通过一个具体实施例并结合附图来对本发明的技术方案进行详细说明：

本实施例的航空发动机喘振裕度估计模型结构如图1所示，其包括机载自适应模型和用于对对机载自适应模型中发动机非线性模型的喘振边界进行修正的修正模块(图中虚线部分)。

本实施例中的机载自适应模型采用基于神经网络非线性补偿的机载自适应混合模型(参见[Csank J T,Connolly J W.Enhanced Engine Performance During EmergencyOperation Using a Model-Based Engine Control Architecture[C]//Aiaa/sae/aseeJoint Propulsion Conference.2015])，该机载自适应混合模型可消除发动机非线性模型与真实发动机部件性能参数误差，扩大模型适用范围，其主要包含三个部分：发动机非线性模型、卡尔曼滤波器、神经网络学习算法。

如图1所示，当开关处于“学习”位置时，用神经网络学习算法离线学习真实发动机与模型可测输出残差。其中，用于神经网络学习的输入参数包括工作条件参数、发动机输入参数以及可测输出参数残差。当开关处于“应用”位置时，选取神经网络离线学习结果得到的样本数据库对机载非线性模型输出的估计参数进行补偿，消除发动机个体差异，然后采用卡尔曼滤波算法对部件性能退化进行估计以自动修正发动机非线性模型，提高模型精度。

为了解决在全包线内训练数据的冗余性问题，本具体实施方式中采用聚类(优选采用高斯聚类)方法对飞行数据进行机载实时聚类压缩，在线实时搭建GMM(GaussianMixture Model)，获取GMM样本数据库；当在离线非实时阶段时将聚类后的特征数据增加到MLP(Multilayer Perceptron)训练样本集中，进行学习更新，得到MLP样本数据库。

本实施例中以基于压气机叶尖压力测量的喘振裕度估计方法所得到的近喘范围喘振裕度估计数据作为所述机载自适应模型的近喘范围喘振裕度目标输出，利用神经网络学习算法来对所述机载自适应模型中发动机非线性模型的喘振边界进行修正，其具体利用图1中的神经网络2实现。

本发明的训练过程分为航空发动机可测参数训练和不可测参数训练。其中可测参数训练即机载自适应模型的训练过程，通过搭建图1中的神经网络1建立神经网络与真实发动机的映射关系；不可测参数训练即喘振裕度模型的训练过程，根据从真实发动机测得的叶尖压力信号来估计出喘振裕度，如果真实发动机处在近喘范围内，则该喘振裕度与发动机非线性模型估计出的喘振裕度相比得到残差，利用神经网络学习算法建立该残差与输入参数、发动机可测参数的映射关系，通过这些映射关系来修正发动机非线性模型的喘振边界。

Step1：确定航空发动机的输入参数u＝{H,Ma,PLA}，即高度，马赫数和油门杆角度，同时图1中的所有开关指向1，即训练模式；

Step2：搭建神经网络1，为三层全连接层模型结构，输入层为输入参数u对应的三个节点，隐藏层节点数根据模型训练效果进行调整，输出层为可测参数y＝{N

Step3：搭建神经网络2，为三层全连接层模型结构，输入层为输入参数u加上估计喘振裕度

Step4：训练完成2个神经网络后，将开关从1指向2，即应用模式；

Step5：通过神经网络1输出的残差估计

Step6：再添加新的飞行数据，重新训练，重复Step1至Step5。

采用上述航空发动机喘振裕度估计模型可获得足以满足航空发动机实际控制要求的宽范围高置信度喘振裕度估计数据，进而可基于其实现现有或将有的各种模型基主动喘振裕度控制技术。