變循環(huán)發(fā)動機(jī)建模與非線性控制方法研究.pdf

1、為了把握航空動力裝置發(fā)展方向，進(jìn)一步研究航空動力裝置設(shè)計、驗(yàn)證技術(shù)，本文以變循環(huán)發(fā)動機(jī)為研究對象，著重研究了其物理結(jié)構(gòu)、建模手段和控制方法。
　　首先本文進(jìn)行了變循環(huán)發(fā)動機(jī)物理結(jié)構(gòu)設(shè)計，通過對比分析確定了主動調(diào)節(jié)模式選擇活門、后涵道引射器以及前涵道引射器被動調(diào)節(jié)的物理結(jié)構(gòu)設(shè)計方案。為解決變循環(huán)發(fā)動機(jī)在不同工作模式下風(fēng)扇整體建模不合理問題，引入了風(fēng)扇葉根葉尖模型；同時還研究了模式選擇活門建模方法、可調(diào)靜子部件特性曲線獲取方法。采用容

2、積動力法在Matlab軟件Simulink平臺上建立了變循環(huán)發(fā)動機(jī)部件級模型，通過與NASA數(shù)據(jù)、試驗(yàn)數(shù)據(jù)對比，對建立的部件級模型進(jìn)行了正確性驗(yàn)證，確保所建模型的有效性。
　　其次本文基于部件級模型研究了非線性模型辨識技術(shù)，首先研究了NARX模型辨識，分別選取了Sigmoid網(wǎng)絡(luò)、Wavelet網(wǎng)絡(luò)進(jìn)行仿真計算，發(fā)現(xiàn)NARX模型辨識參數(shù)選取困難，辨識精度仍有提高空間；隨后引入了動態(tài)神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測方法，仿真計算表明這種方法精度

3、較高，輸出值最大相對誤差能控制在0.7％以內(nèi)，但解析性較差；最后進(jìn)行了基于Hammerstein-Wiener模型結(jié)構(gòu)的非線性模型辨識方法仿真，結(jié)果表明其與NARX模型辨識有一定的相似性。通過對這些方法總結(jié)，本文提出了一種基于Hammerstein-Wiener的遞推模型，通過簡化模型、引入遺傳算法實(shí)現(xiàn)了模型參數(shù)化辨識，提高了模型精度的同時也使模型具有一定解析性，最終模型最大相對誤差能控制在0.5%以內(nèi)。并基于這種遞推模型對全包線范圍模

4、型辨識進(jìn)行了仿真研究，通過分析非辨識數(shù)據(jù)點(diǎn)情況下模型精度，提出了包線分割方法。
　　最后本文對變循環(huán)發(fā)動機(jī)非線性控制方法進(jìn)行了研究，采用廣義預(yù)測控制方法，選擇最小方差形式性能指標(biāo)進(jìn)行最優(yōu)控制律求解。通過引入卡爾曼濾波器、飽和函數(shù)模塊完成了控制器結(jié)構(gòu)設(shè)計，分析了控制器中參數(shù)選取方法及其對控制性能的影響，最終選定一組參數(shù)對變循環(huán)發(fā)動機(jī)進(jìn)行了控制仿真計算，結(jié)果表明：廣義預(yù)測控制方法是一種較為有效的非線性控制方法，與PID控制器相比有一定