基于高压涡轮叶片寿命损耗的航空发动机功率控制

提出了基于高压涡轮（HPT）叶片寿命损耗计算的功率控制策略.通过飞机和发动机模型在不同环境条件下进行飞行任务仿真,得到推力需求及HPT叶片温度等参数,采用逆向工程方法进行HPT叶片寿命损耗计算.结果表明:在满足推力需求的同时,采用降低HPT叶片温度的控制策略能明显减少在不同环境条件下HPT叶片寿命损耗.通过不断调整发动机高压涡轮环境温度使之工作在推力需求基线附近,达到了有效延长发动机寿命的目的,验证了高压涡轮叶片寿命损耗计算方法简单可行.表明基于HPT叶片寿命损耗的发动机功率控制降低发动机寿命周期成本的有效性.      

一种适用于FADEC系统的宽输入范围AC/DC变换器

针对航空发动机全权限数字电子控制(FADEC)系统专用发电机的输出特性,提出一种电流回馈型恒流变频AC/DC(交流/直流)变换技术,以适应专用发电机的宽输出范围,满足FADEC系统的供电需求.给出了该技术的控制策略、拓扑结构、工作原理、过压故障检测及保护设计方法.试验结果表明:该变换器工作稳定,在-55~125℃全温范围内,满足国家军用标准飞机供电特性(GJB181A)对电源的相关规定.研究成果已成功应用于某型航空发动机数字控制系统中,并通过了台架试车和飞行平台试验.      

涡轴发动机全状态实时气动热力学数值模拟

用“外推”法得到了某燃气涡轴发动机起动状态的部件特性,采用容积法建立了表达发动机热力过程特性的非线性方程组,解决了通常的部件法建模需要迭代的问题,建立了1个涡轴发动机全状态气动热力学实时模型;在起动建模中考虑了温升对部件效率的影响以及传热对燃气热焓的影响。给出了某发动机从起动到最大状态全过程的数值模拟结果。     

航空发动机部件性能故障融合诊断方法研究

提出一种对航空发动机部件性能蜕化进行融合诊断的模糊决策融合机制,以改善单独采用基于模型和基于数据的部件性能故障诊断的漏诊与误诊的问题.传感器测量值同时输入到基于自适应模型的和基于数据的诊断模块中,分别利用卡尔曼滤波算法和最小二乘支持向量机(LSSVM)对主要部件故障性能参数估计,再利用模糊逻辑调整决策权重以进行D-S(Dempster-Shafer)证据理论的决策融合诊断.以某型涡扇发动机为对象进行单部件和双部件蜕化仿真研究表明,与单独使用基于模型和基于数据的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度.      

航空发动机神经网络反步控制方法

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的反步控制方法.采用径向基神经网络估计未知系统方程,并用一种平滑切换法有效避免了控制器奇异问题.反步法的设计基于Lya-punov稳定性原理,保证了闭环系统一致渐近有界.最后针对某型涡扇发动机非线性模型设计了高压转速控制器,仿真结果验证了该方法的有效性.      

航空发动机组态建模技术研究

基于组态的方法设计了航空发动机部件模型库、仿真实时数据库以及前台组态系统和后台运行管理系统,构建航空发动机组态建模平台,并在此平台上实现了多种结构发动机模型的稳态仿真和瞬态仿真,其结果达到了一定精度,验证了航空发动机组态建模技术的可用性.      

涡扇发动机高空起动模型研究

基于慢车以上的部件级模型, 通过外推部件特性, 建立了双转子涡扇发动机部件级高空起动模型, 可执行高空风车起动或起动机起动仿真.模型考虑了起动过程中油气比对燃烧效率的影响, 燃烧室、高低压涡轮的热惯性及起动过程中总压恢复系数的变化, 采用容积动力学方法避免了迭代运算, 仿真结果表明该模型具有实时性, 仿真转速误差小于5%, 能够满足发动机高空起动性能仿真的需求.      

面向对象的涡扇发动机及控制系统仿真平台

研究了面向对象的航空发动机数值仿真平台实现机理, 构建了涡扇发动机及其控制系统模型库, 采用面向对象方法完成了模型库及辅助类库的代码实现;研究了交互式仿真界面及模块化构建仿真系统的关键技术, 在此基础上结合模型库、辅助类库构建了涡扇发动机及其控制系统通用仿真平台, 仿真结果表明, 该平台可计算发动机从零加速到最大状态的全程实时动态仿真, 动态误差小于8%, 控制系统响应快, 超调小, 能够满足发动机控制仿真的需求.      

航空发动机神经网络内模控制

基于神经网络内模控制理论研究了神经网络内模控制方法在航空发动机控制系统中的应用,建立了基于Elman网络的航空发动机多变量内模控制系统。采用Elman网络建立发动机内模型和内模控制器,详细介绍了建模、控制的算法及其实现过程。取部分飞行条件下的数据作为学习样本,采用动态BP算法对神经网络权值进行调整,并在飞行包线内其它工作点对整个控制系统进行了仿真。结果表明,使用神经网络建立的航空发动机内模控制系统具有良好的控制品质和较强的自适应能力。      

航空发动机故障诊断的机载自适应模型

提出了复合拟合法建立状态变量模型,该方法应用于建立高维状态变量模型时,具有较高的精度.将健康参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计得到健康参数.为了减少自适应模型与真实发动机之间的建模误差,在自适应模型中加入神经网络对稳态基点模型进行修正,从而提高了故障诊断系统的置信度.