涡轴发动机部件级建模及神经网络控制研究

摘要

航空涡轴发动机控制技术是航空发动机研发领域的关键技术之一，也一直是学术界和产业界竞相研究的热点。开展涡轴发动机控制技术的研究需要对发动机建立数学模型，在模型的基础上采用各种控制方法实现对发动机的有效控制。当前，涡轴发动机非线性建模和控制方法受到广泛关注；在非线性建模领域，部件法和实验法较为常用。控制方法领域，以神经网络为代表的智能控制逐渐成为非线性控制的热点。因此本文开展涡轴发动机部件级建模和神经网络控制研究。 首先，在MATLAB/Simulink平台下，针对某型号涡轴发动机运用部件法构建其部件级非线性数学模型。该方法将发动机分为 6 个彼此独立的子部件，各部件依照发动机工作时满足的气动热力规律对部件特性进行数学抽象。为使各部件在飞行包线内协调一致工作，本文在部件级模型的基础上建立了发动机稳态、动态共同工作方程组，并利用N-R法迭代求解从而对发动机的正常工作状态进行模拟。该部件级模型为下文开展涡轴发动机神经网络控制方法研究奠定了坚实基础。 其次，将BP神经网络引入到涡轴发动机动力涡轮PID控制器中，形成BP神经网络单回路PID控制方法。利用BP网络的自学习和一致逼近能力，实现对PID参数Kp、Kt、Kd的自整定。仿真实验表明该控制方法满足了发动机在稳态和过渡态正常工作的基本要求，验证了控制方法的有效性；该方法具有良好的恒动力涡轮转速控制精度，但各变量控制曲线存在小幅抖动，部分变量出现轻微超调。 最后，提出并设计了基于RBF神经网络的涡轴发动机串级PID控制方法。在动力涡轮PID控制的基础上针对燃气涡轮加入PI控制结构，增强了控制系统的抗扰动能力；为避免BP网络易陷入局部极值和收敛速度慢的缺点，选择易获得全局最优解且学习速度快的RBF神经网络，并分别引入PID和PI控制器中，进一步提高控制器参数的自整定效果。仿真实验表明，该控制方法同样实现了对发动机稳态和过渡态的有效控制；各控制曲线变化更为平顺，显著消除了小幅抖动并抑制了超调现象的产生，但对动力涡轮恒定转速的控制精度有所减弱。 BP神经网络单回路PID控制方法和RBF神经网络串级PID控制方法均满足发动机稳态和过渡态控制要求，在动力涡轮转速控制精度和控制曲线平稳程度方面分别有各自的优势，是两种行之有效且具备互补性的涡轴发动机控制方法。

目录

第一个书签之前