基于模型预测的航空发动机主动限制保护控制

With the development of aero-engine technology and the improvement of its performance requirements, the complexity of aero-engine working conditions increases, and this may cause aero-engine into potentially destructive operation states, such as over-speed, over-temperature, stall/surge, etc. The purpose of limits protection control strategy is to prevent aero-engine into these abnormal conditions through mandatory additional restrictions. Recent researches show that traditional linear Min-Max switching combined with linear regulators cannot handle the complicated limits protection well due to the inherently conservativeness. To address this problem, the nonlinear model predictive control approach is improved and multiple limit protection factors are integrated in an optimal way, with the aim to meet the demand of fast thrust response in the entire flight envelope. The research contents of this project are described as follows. Firstly, the nonlinear adaptive modeling strategies are investigated based on fusion of three technologies including volumetric modeling method, deep learning algorithm and similar extended Kalman filter method. Then, an active limits protection control structure is studied based on model predictive control idea and constrained optimization mathematical framework, which owns good expansibility and universality. Moreover, theoretical derivation of system stability and convergence are provided. Finally, combination of numerical simulation and hard-in-loop experiment methods are utilized to validate the effectiveness of the proposed strategies, especially in the limits protection aspect. The project will further improve the model predictive control theory and limits protection theory used in the aero-engine, and the anticipated results will establish the theoretical foundation of practical application in future.

随着航空发动机技术的发展，航空发动机工作条件日益复杂，可能发生诸如超转、超温、失速、喘振等具有潜在破坏性的状况，限制保护控制的目的是在航空发动机控制系统中通过强制性的附加限制来防止这种情况的发生。本项目针对传统线性控制器与Min-Max切换相结合的限制保护方法所固有的保守性，通过改进常规非线性模型预测控制方法，实现航空发动机多个限制保护的最优融合，以满足全飞行包线内推力快速响应且不超限等需求。研究内容包括：基于容积法、深度学习算法及相似扩展卡尔曼滤波方法建立发动机全包线全状态非线性自适应模型；基于模型预测控制的思想和约束优化的数学框架提出一种具有良好扩展性和通用性的主动限制保护控制架构，并给出稳定性和收敛性等理论分析；对所提出的控制方法开展全数字和硬件在回路仿真试验验证。项目的开展将进一步完善航空发动机模型预测控制及主动限制保护控制理论，为实际工程应用提供支持。

本研究针对航空发动机限制保护控制系统设计中存在的问题，重点开展了航空发动机实时建模、控制规律非线性约束优化、以及基于近似模型预测的航空发动机主动限制保护控制方法研究，并对所提出的方法进行仿真试验，最终形成了航空发动机主动限制保护控制系统，为实际工程应用提供坚实的理论和应用基础。本研究的主要贡献是：.1、针对发动机制造与装配误差、使用磨损和性能退化等因素造成标称模型和发动机实际状态不匹配的问题，提出一种基于深度学习算法和卡尔曼滤波器相结合的航空发动机机载自适应建模方法，首先基于神经网络算法离线对标称特性下的非线性部件级模型进行动态补偿，然后基于卡尔曼滤波器在线实时对补偿后的非线性混合模型中退化因子进行修正，实时动态预测航空发动机的性能参数。.2、提出基于罚函数法和群智能搜索算法的航空发动机非线性约束优化控制方法，在不超温、不超转、不喘振的安全限制条件下进行最大推力模式寻优，结果表明，在典型工况下，发动机推力平均提升5%，相应地，在推力一定的前提下，综合燃油消耗量降低可达2%。对于加减速过渡态的优化控制，提出基于全局大规模优化技术的竞争粒子群优化算法，在发动机安全限制下过渡态响应时间缩短1.08s，快速性提升（过渡时间减少）了53.2%。.3、提出一种基于近似模型预测控制的航空发动机主动限制保护控制方法，在每个控制周期实时线性化机载自适应模型，并将限制约束条件列入在线优化策略求解中，替代传统的基于切换策略的航空发动机限制保护控制方式。结果表明，控制器具有较强的鲁棒性，可以在输入输出限制内达到既定控制目标，具有实时性，且关键参数的稳态跟踪误差小于0.2%，超调量小于1%。