公开(公告)号：CN117742158A

公开(公告)日：2024-03-22

申请号：CN202410107055.6

申请日：2024-01-25

申请人： 南京航空航天大学

发明人： 陈弘毅 ,  李秋红 ,  庞淑伟 ,  赵兴宇 ,  叶志锋 ,  鲁峰

IPC分类号： G05B13/04

摘要： 本发明公开了一种变循环发动机模式切换控制计划优化方法。首先将各可调几何机构在模式切换过程中的开环控制计划分别映射为C‑Bézier曲线，C‑Bézier曲线的横坐标为模式切换过程中所经历的时间在模式切换时间中的占比，纵坐标为可调几何机构期望位置；然后以各条C‑Bézier曲线除起点、终点以外的其他控制点纵坐标、各条C‑Bézier曲线参数α及模式切换时间作为待优化变量，以模式切换时间最短、推力波动最小为目标，使用多目标优化方法对模式切换过程进行优化，得到最优的模式切换时间以及相对应的开环控制计划。本发明还公开了一种变循环发动机模式切换控制方法。本发明能够同时兼顾模式切换时间和模式切换的平稳性，全面提升发动机模式切换控制性能。

公开(公告)号：CN117738799A

公开(公告)日：2024-03-22

申请号：CN202410082689.0

申请日：2024-01-19

申请人： 南京航空航天大学

发明人： 李秋红 ,  邓达明 ,  刘鑫洋 ,  周文祥 ,  庞淑伟 ,  陈弘毅 ,  王涛 ,  顾子渝

IPC分类号： F02C9/00

摘要： 本发明公开了一种航空发动机动态性能保持控制方法。本发明使用以下方法对航空发动机的加速过程进行控制：对航空发动机的退化情况进行实时估计，并选取与当前退化情况及加速阶段相对应的考虑性能退化的换算油气比加速控制计划、考虑性能退化的可调几何机构控制计划；然后以所述考虑性能退化的换算油气比加速控制计划输出的燃油控制指令与主控制器输出的燃油控制指令中的较小值作为最终的燃油控制指令，同时用所述考虑性能退化的可调几何机构控制计划对发动机进行控制。本发明还公开了一种航空发动机动态性能保持控制装置。相比现有技术，本发明可提升退化发动机的加速性能，实现航空发动机的动态性能保持。

公开(公告)号：CN113359484B

公开(公告)日：2022-06-10

申请号：CN202110841852.3

申请日：2021-07-26

申请人： 南京航空航天大学

发明人： 庞淑伟 ,  李秋红 ,  张海波

IPC分类号： G05B13/04

摘要： 本发明公开了一种基于半交替优化的航空发动机模型预测控制方法，利用离散状态空间模型并结合发动机的限制量和执行机构约束条件、指令输入及目标函数，构造出相应的带约束二次规划问题并进行求解；将求得的控制序列应用于当前控制周期的发动机控制；通过自适应机载模型实时跟踪真实发动机工作状态，并实时在线线性化得到用于预测的离散状态空间模型；其中，将半交替形式的待优化控制序列引入模型预测控制结构中取代现有的待优化控制序列，构造出新的参数预测方程形式，重构出新的带约束二次规划问题进行求解，进而一体化实现对航空发动机的多变量控制、限制保护控制和优化控制，在大幅度降低优化问题规模、提高实时性的同时，提升控制精度。

公开(公告)号：CN113359484A

公开(公告)日：2021-09-07

申请号：CN202110841852.3

申请日：2021-07-26

申请人： 南京航空航天大学

发明人： 庞淑伟 ,  李秋红 ,  张海波

IPC分类号： G05B13/04

摘要： 本发明公开了一种基于半交替优化的航空发动机模型预测控制方法，利用离散状态空间模型并结合发动机的限制量和执行机构约束条件、指令输入及目标函数，构造出相应的带约束二次规划问题并进行求解；将求得的控制序列应用于当前控制周期的发动机控制；通过自适应机载模型实时跟踪真实发动机工作状态，并实时在线线性化得到用于预测的离散状态空间模型；其中，将半交替形式的待优化控制序列引入模型预测控制结构中取代现有的待优化控制序列，构造出新的参数预测方程形式，重构出新的带约束二次规划问题进行求解，进而一体化实现对航空发动机的多变量控制、限制保护控制和优化控制，在大幅度降低优化问题规模、提高实时性的同时，提升控制精度。

公开(公告)号：CN113158564A

公开(公告)日：2021-07-23

申请号：CN202110419235.4

申请日：2021-04-19

申请人： 南京航空航天大学

发明人： 陈弘毅 ,  李秋红 ,  顾子渝 ,  庞淑伟 ,  徐嘉伸 ,  刘鑫洋

IPC分类号： G06F30/27 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于数据驱动的航空发动机状态变量模型建立方法，包括：根据所要建立的航空发动机状态变量模型的结构，采集所述航空发动机状态变量模型的输入、输出、状态变量数据；对所采集的数据进行去噪后，以其作为训练数据对神经网络模型进行训练，得到航空发动机智能网络模型；基于所建立的航空发动机智能网络模型，根据所要建立的航空发动机状态变量模型参数的偏导数表达，以链式求导法则进行输出量到输入量的偏导数计算，从而建立基于数据驱动的航空发动机状态变量模型。本发明可以直接根据发动机输入和输出数据，实时获取发动机个体的高精度状态变量模型，避免了对发动机部件级数学模型的依赖，实现基于发动机个体数据的准确建模。

公开(公告)号：CN110502840B

公开(公告)日：2021-05-28

申请号：CN201910788314.5

申请日：2019-08-26

申请人： 南京航空航天大学

发明人： 庞淑伟 ,  李秋红 ,  张海波 ,  陈尚晰 ,  管庭筠

IPC分类号： G06F30/17

摘要： 本发明公开了一种航空发动机气路参数在线预测方法，包括：步骤A、通过传感器获得当前时刻k的发动机可测参数测量值；步骤B、利用线性化卡尔曼滤波器对发动机健康参数和状态量进行增量式估计；步骤C、更新发动机模型的健康参数和外部输入，基于部件级偏导数模型进行卡尔曼滤波器所需状态空间模型和气路参数预测状态空间模型更新；步骤D、将控制输入序列传给气路参数预测状态空间模型，对发动机气路参数变化进行在线预测。本发明能在动态过程中有效评估真实发动机健康状态，并根据给定的输入序列快速、准确地在线预测气路参数变化。

公开(公告)号：CN110516395A

公开(公告)日：2019-11-29

申请号：CN201910823692.2

申请日：2019-09-02

申请人： 南京航空航天大学

发明人： 郑前钢 ,  高远 ,  汪勇 ,  陈浩颖 ,  刘子赫 ,  胡忠志 ,  张海波 ,  李秋红

IPC分类号： G06F17/50 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于非线性模型预测的航空发动机控制方法。该方法基于在线滑动窗口深度神经网络在线学习得到发动机非线性模型，通过对该网络模型线性化得到实时预测模型，如此可以保证预测精度的情况下，极大减少了计算量。该方法与基于扩展卡尔曼滤波器的NMPC方法相比，不仅具有较快的响应能力，而且计算时间缩短40倍以上。

公开(公告)号：CN110219736A

公开(公告)日：2019-09-10

申请号：CN201910531675.1

申请日：2019-06-19

申请人： 南京航空航天大学

发明人： 郑前钢 ,  柳亚冰 ,  胡旭 ,  汪勇 ,  陈浩颖 ,  胡忠志 ,  张海波 ,  李秋红

IPC分类号： F02C9/00 ,  F02C9/28

摘要： 本发明公开了一种基于非线性模型预测控制的航空发动机直接推力控制方法。本发明方法直接以推力为控制目标，而不是传统控制方法采取不可测参数为控制目标的方法。采用在线滑动窗口深度神经网络作为预测模型，该模型采用深度学习结构，可提高模型精度，并基于滑动窗口方法来在线选取训练数据，降低了对训练数据噪声的敏感性。相比于目前流行的控制方法相比，所提出的方法将加速时间缩短了0.425秒，响应速度提高了1.14倍左右。

公开(公告)号：CN108733906A

公开(公告)日：2018-11-02

申请号：CN201810453574.2

申请日：2018-05-14

申请人： 南京航空航天大学

发明人： 庞淑伟 ,  李秋红 ,  张海波 ,  陈尚晰 ,  单睿斌

IPC分类号： G06F17/50

摘要： 本发明公开了一种基于精确偏导数的航空发动机部件级模型构建方法，包括以下步骤：步骤A.建立航空发动机各部件的气动热力学模型和各部件共同工作方程；步骤B.分析共同工作方程所需偏导数的因变量和自变量，结合各部件气动热力学模型和链式法则，建立相应的部件级偏导数模型；步骤C.联合各部件气动热力学模型和部件级偏导数模型共同计算，结合迭代算法，实现部件级模型的稳态计算或动态计算。利用本发明所构建模型，在计算获得各部件截面参数的同时既可以保证更高精度的导数值，又可以避免模型的重复调用有利于降低模型的总体计算量，从而提高实时性。

公开(公告)号：CN104102769B

公开(公告)日：2017-02-22

申请号：CN201410303181.5

申请日：2014-06-27

申请人： 南京航空航天大学

发明人： 李秋红 ,  焦洋 ,  聂友伟 ,  任冰涛 ,  廖光煌

IPC分类号： G06F17/50

摘要： 本发明公开了一种基于人工智能的涡轴发动机实时部件级模型建立方法。提出了采用智能映射求解涡轴发动机共同工作方程的方法。以部件共同工作平衡方程初始残差为智能映射网络输入，平衡方程猜值修正量为网络输出，训练极端学习机(ELM，Extreme Learning Machine)，并采用自适应微分进化算法(ADE，Adaptive Differential Evolution)优化极端学习机参数，提高网络映射精度。在ADE算法中采用了自适应缩放因子，提高了DE算法的寻优能力。本发明的结果表明，基于人工智能的涡轴发动机实时部件级模型最大建模误差为一次通过算法的1/3，模型运行耗时约为一次通过算法的1/3。