航空发动机健康参数估计方法及航空发动机自适应模型

摘要

本发明公开了一种航空发动机健康参数估计方法，基于航空发动机状态空间模型与真实发动机的可测状态参数，利用增量式动态逆估计方法，实现对航空发动机健康参数的实时在线估计。本发明还公开一种航空发动机自适应模型。本发明根据真实发动机的可测状态参数与发动机状态空间模型的状态量，采用增量式动态逆实时估计航空发动机的健康参数，从而实现了对常规测量方法无法得到的健康参数的准确估计；本发明进一步基于在线实时估计的健康参数构建航空发动机自适应模型，可实现对非额定工况下发动机动态响应的实时跟踪，具有良好的变状态鲁棒适应性。

说明书

技术领域

本发明涉及一种航空发动机自适应模型，属于航空宇航推进理论与工程中的系统控制与仿真技术领域。

背景技术

航空发动机自适应模型可以实时反映发动机之间的个体差异以及服役期内部件蜕化对发动机性能的影响，能跟踪真实发动机的非额定工况，是发动机性能参数估计、容错控制、性能寻优控制以及在线故障诊断等先进控制技术的基础[Estimating in flightperformance variations using Kalman filter concepts[R]]。

自1960年卡尔曼(Kalman)估计方法提出以来，Kalman理论得到了快速的发展。20世纪80年代以来，鉴于Kalman滤波器的优良品质，以Kalman滤波估计器为核心，根据发动机实测状态量的变化估计发动机性能退化的自适应建模方法应运而生，出现了很多相关的应用成果。鲁峰提出了一种基于容积跟踪滤波器的涡轴发动机自适应部件级仿真模型构建方法[一种涡轴发动机自适应部件级仿真模型构建方法[P]]，根据容积跟踪滤波器估算气路部件不可测性能参数，自动修正各部件的流量和效率特性图，以进行部件气动热力参数计算。为弥补常规卡尔曼估计方法只能用于小范围的缺陷，Samer S采用拓展卡尔曼滤波的方法，通过在线拟合发动机的状态变量模型，实时求解卡尔曼增益矩阵，拓宽了卡尔曼估计技术的适用范围[Kalman Filter for a Class of Nonlinear Systems[J]]。显然这种处理给控制系统设计、计算都带来大的复杂度。此外，肖玲斐提出一种基于滑模理论的航空发动机气路故障诊断方法，结合滑模控制理论，设计滑模控制器，提出基于误差反馈滑模控制的航空发动机自适应线性动态模型设计方法[一种基于滑模理论的航空发动机气路故障诊断方法[P]]，但滑膜控制量的切换幅度越大，抖动越明显，在精确度要求极高的航空航天领域，这种抖动是绝对不能容许的。

动态逆是一种具有动态逆和模型预测控制的多变量控制结构，可对被控对象的控制变量在全过程进行动态特性处理，以达到期望的特性，能够对复杂的耦合非线性问题进行解耦，使其看起来类似一组独立的虚拟作动器。由于其物理概念清晰、适用面宽、应用简单，在工程以及很多学科的实际应用中发挥着日益显著的作用，如Sheng-Wen Chen针对加入旋翼挥舞运动的UH-60直升机非线性模型分别进行了逆动态飞行控制律的研究[ModelPredictive Control Architecture for Rotorcraft Inverse Simulation[J]]。然而，航空发动机的强耦合、强非线性特性，使得获取能准确表达发动机工作特性的数学解析式成为一个难点问题，因此，动态逆目前尚未在航空发动机自适模型中得到应用。

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健康参数估计方法，基于增量式动态逆实现对航空发动机健康参数的实时在线估计；并基于该方法构建一种航空发动机自适应模型，可实现对非额定工况下发动机动态响应的实时跟踪，具有良好的变状态鲁棒适应性。

一种航空发动机健康参数估计方法，基于航空发动机状态空间模型与真实发动机的可测状态参数，利用以下的增量式动态逆估计方法，实现对航空发动机健康参数的实时在线估计：

Δu(k)＝B

μ＝K

式中，Δ代表各物理量相对于发动机稳态工作点的变化量；B为航空发动机状态空间模型的适维矩阵；u为航空发动机状态空间模型的输入向量，包含航空发动机的控制量和健康参数；x为航空发动机状态空间模型的状态向量；x

进一步地，当航空发动机状态空间模型的适维矩阵B非方阵时，则：

B

其中，上标T表示转置矩阵。

一种航空发动机自适应模型，包括：

航空发动机状态空间模型，其输入向量中包含航空发动机的控制量和健康参数；健康参数估计器，用于基于航空发动机状态空间模型与真实发动机的可测状态参数，利用以下的增量式动态逆估计方法，实现对航空发动机健康参数的实时在线估计：

Δu(k)＝B

μ＝K

式中，Δ代表各物理量相对于发动机稳态工作点的变化量；B为航空发动机状态空间模型的适维矩阵；u为航空发动机状态空间模型的输入向量，包含航空发动机的控制量和健康参数；x为航空发动机状态空间模型的状态向量；x

发动机机载模型，该模型以历史时刻的发动机控制量、健康参数、发动机的相关可测状态参数以及当前时刻的发动机控制量、健康参数为输入，当前时刻发动机状态参数为输出；其中的健康参数为所述健康参数估计器估计得到。

优选地，所述航空发动机为涡轴发动机。

进一步优选地，涡轴发动机状态空间模型的输入向量u包括：旋翼总距θ

进一步优选地，所述发动机机载模型为非线性自回归滑动平均模型结构，利用深度神经网络离线训练得到。

更进一步优选地，所述机载模型具体如下：

Y＝f

其中，输入量为历史时刻的燃油流量W

相比现有技术，本发明技术方案具有以下有益效果：

本发明根据真实发动机的可测状态参数与发动机状态空间模型的状态量，采用增量式动态逆实时估计航空发动机的健康参数，从而实现了对常规测量方法无法得到的健康参数的准确估计；本发明进一步基于在线实时估计的健康参数构建航空发动机自适应模型，可实现对非额定工况下发动机动态响应的实时跟踪，具有良好的变状态鲁棒适应性。

附图说明

图1是涡轴发动机自适应模型结构框图；

图2是涡轴发动机机载模型训练误差图；

图3是压气机效率退化估计对比图；

图4是燃气涡轮效率退化估计对比图；

图5是动力涡轮流量退化估计对比图

图6是动力涡轮相对转速变化曲线对比图；

图7是燃气涡轮相对转速变化曲线对比图；

图8是动力涡轮出口温度变化曲线对比图；

图9是压气机出口压力变化曲线对比图；

图10是发动机输出扭矩变化曲线对比图。

具体实施方式

针对现有技术不足，本发明的解决思路是采用增量式动态逆的方法对无法直接测量的航空发动机健康参数进行准确地在线实时估计；并进一步基于在线实时估计的健康参数构建航空发动机自适应模型，可实现对非额定工况下发动机动态响应的实时跟踪，从而具有良好的变状态鲁棒适应性。

本发明所提出的航空发动机健康参数估计方法，具体如下：

基于航空发动机状态空间模型与真实发动机的可测状态参数，利用以下的增量式动态逆估计方法，实现对航空发动机健康参数的实时在线估计：

Δu(k)＝B

μ＝K

式中，Δ代表各物理量相对于发动机稳态工作点的变化量；B为航空发动机状态空间模型的适维矩阵；u为航空发动机状态空间模型的输入向量，包含航空发动机的控制量和健康参数；x为航空发动机状态空间模型的状态向量；x

本发明所提出的航空发动机自适应模型，包括：

航空发动机状态空间模型，其输入向量中包含航空发动机的控制量和健康参数；健康参数估计器，用于基于航空发动机状态空间模型与真实发动机的可测状态参数，利用以下的增量式动态逆估计方法，实现对航空发动机健康参数的实时在线估计：

Δu(k)＝B

μ＝K

式中，Δ代表各物理量相对于发动机稳态工作点的变化量；B为航空发动机状态空间模型的适维矩阵；u为航空发动机状态空间模型的输入向量，包含航空发动机的控制量和健康参数；x为航空发动机状态空间模型的状态向量；x

发动机机载模型，该模型以历史时刻的发动机控制量、健康参数、发动机的相关可测状态参数以及当前时刻的发动机控制量、健康参数为输入，当前时刻发动机状态参数为输出；其中的健康参数为所述健康参数估计器估计得到。

为了便于公众理解，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：

本实施例中的航空发动机为涡轴发动机，如图1所示，本实施例中的涡轴发动机自适应模型由发动机(这里由非线性部件级模型替代)、基于增量式动态逆的航空发动机健康参数估计器、基于深度神经网络的涡轴发动机机载模型3个部分组成。涡轴发动机机载模型可离线获得。由图1可知，在单个仿真步长内，发动机健康参数估计器根据涡轴发动机的可测状态参数与涡轴发动机状态空间模型的状态量，实时估计发动机的健康参数，并传递至涡轴发动机机载模型，一起构成涡轴发动机的自适应模型。

下面对其中的各主要部分进行进一步详细说明：

1)基于增量式动态逆的涡轴发动机健康参数估计方法

通常情况下，可以用部件效率和流量特性与设计值的偏差来表征发动机的健康情况，考虑到使发动机性能退化的健康参数无法直接测量获得，因此，这里采用增量式动态逆，根据实际涡轴发动机的可测状态参数与发动机状态空间模型的状态量，实时估计涡轴发动机的健康参数：

式中，Δ代表各物理量相对于发动机稳态工作点的变化量，B为涡轴发动机状态空间模型的适维矩阵；u为涡轴发动机状态空间模型的输入向量，包括旋翼总距θ

值得注意的是，矩阵B非方阵时，则

B

2)可实时模拟涡轴发动机动态特性的发动机机载模型。

为了使涡轴发动机机载模型能更好地保留原发动机的动态特性，采用非线性自回归滑动平均模型结构。为了获得精度满足要求的涡轴发动机机载模型，采用深度神经网络进行离线训练。设涡轴发动机机载模型为2阶系统，则构建机载模型如下：

其中，输入量为历史时刻的燃油流量W

在不同的飞行工况下，对模型充分激励，将采集的数据进行归一化处理，作为样本数据进行深度神经网络离线训练。图2给出了涡轴发动机机载模型的相对误差。各参数相对误差均小于0.1％，精度较高，满足要求。

为了验证上述技术方案的效果，在典型飞行任务下进行涡轴发动机自适应模型仿真测试。直升机飞行高度H＝200m，前飞速度ν

由图3～图5可知，基于增量式动态逆的涡轴发动机健康参数估计方法可以实现发动机健康参数的实时估计。t<10时，增量式动态逆估计获得的健康参数均为0。而当t>10s时，压气机与燃气涡轮的效率同时退化1％，动力涡轮的流量不发生退化；此时，采用所提出的增量式动态逆方法，可以快速估计压气机、燃气涡轮与动力涡轮的健康参数，且相对稳态误差不超过1％，进一步证实了增量式动态逆估计方法显著的解耦效果，优越的健康参数估计精度。

图6～图10所示为涡轴发动机自适应模型的仿真结果。由图可知，无论发动机是否处于额定状态工作，基于上述方案所建立的涡轴发动机自适应模型的输出参数均能很好地跟上真实发动机的响应，稳、动态误差均不超过0.5％，模型精度较高，变状态鲁棒性优越。原因是：t<10s时，涡轴发动机的健康参数均为0，发动机处于额定工作状态，此时自适应模型的输出结果与发动机的真实响应保持一致。而随着发动机服役时间变久，虽然压气机、燃气涡轮发生退化，发动机处于非额定工况，但增量式动态逆估计器可实时、准确地估计出发动机的健康参数，并输入至高精度的发动机的机载模型，因此，即使发动机的性能发生退化，基于增量式动态逆的涡轴发动机自适应模型仍能很好地跟踪真实发动机的响应，达到变状态自适应的目的。