基于AMPC与鲁棒H∞滤波器的高流量变循环发动机直接性能控制

《Aerospace Science and Technology》：Direct performance control for high-flow variable cycle engine based on AMPC and Robust H∞ Filter

　　任民吉|常晓东|张嘉明|黄向华|李荣中国四川省成都市泰航实验室，邮编610299摘要变循环发动机是下一代推进系统中的关键技术。通过调节旁通比，变循环发动机能够灵活控制进气流量，使发动机需求与进气流量相匹配，从而有效减少泄漏阻力并提升燃油效率。为充分发挥这些优势，本文提出了一种全新的直接性能控制框架，以实现推力和发动机进气流量的高精度调控。首先，设计了一种鲁棒的H∞滤波器，用于根据现有的机载传感器数据来估算无法直接测量的性能参数，尤其是推力和发动机进气流量。通过基于参数依赖的Lyapunov函数所衍生的线性矩阵不等式，从理论上保证了估计误差系统在整个参数空间内的多二次稳定性。其次，开发了一种自适应模型预测控制算法，并结合了神经网络-线性参数变化预测模型。通过在神经网络架构中加入乘法层，将LPV计算转化为神经网络的前向传播过程，从而形成高效的NN-LPV预测模型。此外，还设计了一种两阶段离线-在线混合训练算法，以确保预测模型参数的实时适应性，进而提升预测精度。在高速变循环发动机模型上进行了仿真和硬件在环实验，以验证不同工作模式和状态下的估计与控制性能。实验结果表明，在测试的有色噪声情况下，所提出的滤波器相比标准卡尔曼滤波器具有更低的估计误差，说明其具有更高的估计精度和噪声抑制能力。同时，AMPC方法在满足安全约束的前提下，提升了系统的动态响应能力和鲁棒性，确保在发动机性能下降时仍能保持良好性能。引言随着对未来先进飞机全包线运行和多任务适应性的迫切需求，变循环发动机已成为下一代航空发动机的有力候选方案[1]。通过采用可变几何结构动态调整旁通比，变循环发动机能够在广泛的转速和高度范围内，平衡燃油效率与持续推力水平等相互冲突的性能指标。这种多模式灵活性也为变循环发动机控制系统带来了前所未有的挑战和更高维度的要求[2]。与传统固定循环发动机不同，后者的进气流量主要与转子转速被动关联，而变循环发动机可通过可变几何结构主动改变发动机的吸气能力。在超音速飞行时，如果发动机进气流量需求与进气捕获能力不匹配，就可能导致严重的泄漏阻力，这在超音速巡航时可能占飞机总阻力的10%–15%，或者破坏尾激波稳定性，导致进气道无法正常工作。因此，精确控制推力和进气流量对于保持飞机的机动性、进气道的气动效率以及进气道稳定性至关重要[3]。在传统的发动机控制框架中，飞行控制系统生成的推力指令会被转化为轴速和发动机压力比的目标值，从而间接地通过跟踪这些中间参数来调节实际发动机推力[4]。显然，这种传统的间接推力控制框架无法满足变循环发动机严格的多元性能控制要求。为克服传统控制框架的固有局限，直接性能控制作为一种极具前景的控制方案应运而生[5]。通过将推力等核心性能参数明确指定为控制变量，直接性能控制消除了与中间参数相关的映射误差，从而能够更精准地响应各种飞行任务需求[6]。然而，实际应用面临着诸多挑战：关键参数在飞行过程中无法直接测量，且变循环发动机具有强烈的非线性特征和时变不确定性。因此，实现直接性能控制需要解决两个关键问题：一是从现有传感器数据中准确估算无法直接测量的性能参数，二是开发出能够在模型不确定性条件下保持系统稳定的鲁棒控制算法。已有不少研究致力于开发精确的发动机推力估算方法。目前这些方法大致可分为两类：数据驱动方法和基于模型的方法。孟等人[7]开发了残差时间卷积网络，而李等人[8]则采用了自组织径向基函数网络进行实际估算。为应对动态非线性问题，朱等人[9]利用动态特性数据集来提高在随机动态条件下的估算精度。王等人[10]设计了基于长短期记忆神经网络的推力估算器，并基于随机森林算法构建了双边际退化模式分类器。虽然数据驱动方法无需精确的物理模型就能很好地捕捉复杂非线性现象，但它们本质上需要大量高质量的数据集[11]。此外，这类方法的黑箱特性缺乏物理可解释性，往往限制其在未知工况下的泛化能力[12,13]。与数据驱动方法不同，基于模型的方法则直接利用机载模型，通常是气热动力学组件级模型，来计算无法直接测量的参数。为了跟踪发动机动态，卡尔曼滤波器被广泛用于在线估算退化系数[[14], [15], [16]]。陈等人[17]采用了经过改进的无迹卡尔曼滤波器，并结合离线校正方法，以稳定地估算性能退化情况。除了识别退化现象外，卡尔曼滤波器还能重建实时性能参数。朱等人[18]设计了基于线性参数变化的鲁棒卡尔曼滤波器，用于从现有发动机状态中重建无法直接测量的推力，并保证了估计误差系统在整个参数空间内的仿射二次稳定性。王等人[19]建立了发动机参数变化范围有限的平衡流形扩展模型，同时还通过基于多面体二次Lyapunov函数所衍生的线性矩阵不等式，设计了相应的卡尔曼滤波器。为克服上述估算方法的局限性，一些研究提出了融合估算方法，将物理模型与实测数据有机结合。赵等人[20]开发了一种高度鲁棒的框架，将基于物理的分析核心与数据驱动的误差补偿相结合。类似地，马等人[21]提出了一种针对变循环发动机的在线融合方法，该方法将扩展卡尔曼滤波器与基于神经网络的估算器相结合。在直接性能控制架构中，多元控制算法是释放发动机全部性能潜力的核心。从方法论上看，这类控制器的设计主要分为两类：无模型方法和基于模型的方法。无模型控制算法直接根据实时输入输出数据生成控制律，无需构建复杂的系统数学模型。如[22]中所详述的，无模型自适应控制是基于伪梯度原理和广义Lipschitz条件而提出的。无模型自适应控制并非依赖于明确的系统方程，而是通过动态线性化被控对象的实时输入输出数据来实现自适应调节[23]。为自动化参数选择，罗曼等人[24]在基于紧凑型动态线性化的Takagi-Sugeno模糊无模型自适应控制框架中采用了元启发式灰狼优化算法。布等人[25]则设计了一种带有衰减增益机制的改进型无模型自适应控制架构，该方法有效降低了测量噪声的影响，从而提升了系统的瞬态和稳态输出性能。同样，数据驱动的滑模控制通过将系统轨迹强制引导至滑模面上，展现出对未建模动态的强大鲁棒性[26]。近期在航空发动机上的滑模控制应用已成功实现了对运行约束的保护[27]。宋等人[28]提出了一种新型滑模控制器，并结合了扩展状态观测器，通过自适应切换和干扰补偿机制有效减少了抖振现象。然而，由于这些算法完全依赖输入输出数据，它们在物理可解释性方面存在不足，而且在高度耦合的非线性条件下难以提供全局闭环稳定性保证。因此，它们根本无法满足变循环发动机的需求，因为在变循环发动机中，必须充分考虑复杂的气热动力学耦合关系，才能实现精确的性能调控。为解决这些安全与稳定性问题，基于模型的控制算法仍然不可或缺，因为它们能够提供以系统物理动力学为依据的确定性控制动作。在各类基于模型的控制方法中，模型预测控制通过使用明确的动态模型来预测有限预测范围内的系统行为。通过以滚动时域方式反复求解约束优化问题，模型预测控制能够确定当前时间步应施加的最优控制输入[29]。为减轻滚动时域优化所带来的巨大计算负担，庞等人[4]提出了一种创新的模型预测控制方案。他们的方法通过策略性地截断优化问题的控制时域，加快了在线计算速度。王等人[30]设计了模型预测控制推力控制架构，并证明了其渐近稳定性。为解决参数调优的复杂性，他们制定了与直接性能控制标准相一致的多目标优化指标，进而利用多目标灰狼优化算法来求解帕累托前沿，提取最优调优参数。此外，还有基于复合预测模型的新型非线性模型预测控制方法被提出，并应用于直接发动机推力控制领域[31]。为提升实时性能，人们通过整合状态变量模型、基于卡尔曼滤波器的在线估算方案以及组件级模型，开发出了自适应复合预测模型。尽管如此，尽管诸如分数阶非线性模型预测控制之类的先进模型预测控制方法可以通过非线性规划实现出色的理论跟踪性能，但其迭代优化过程以及较高的内存需求，仍然给在嵌入式硬件上实现实时控制带来了很大挑战。除模型预测控制算法之外，近期还有许多理论研究探讨了其他多元控制算法，如H∞控制、增强型线性二次调节器以及模糊控制[32,33]。尽管直接性能控制技术已取得一定进展，但在变循环发动机上的实际应用仍受到三个关键研究瓶颈的制约。首先，现有的直接性能控制研究大多聚焦于推力调控，很大程度上忽视了为确保进气道与发动机相匹配以及减少泄漏阻力而主动调节进气流量的气动必要性。其次，诸如卡尔曼滤波器之类的传统估算技术严重依赖于严格的噪声统计假设，而这些假设在发动机恶劣的工作环境中往往难以满足。第三，当发动机出现强烈的非线性动态或性能退化时，传统的LPV-模型预测控制方法可能无法维持预测的精确性和稳定的跟踪性能。为应对这些挑战，本文提出了一种全新的直接性能控制框架，该框架将鲁棒的性能估算与自适应最优控制相结合，用于高速变循环发动机。具体而言，本研究的主要目标有两个：（1）在参数不确定和非高斯传感器噪声存在的情况下，实现对发动机无法直接测量的性能参数，即推力和进气流量的精确、实时估算；（2）开发一种基于自适应模型预测控制的直接性能控制方案，该方案能够在发动机性能下降的情况下，依然严格遵守运行约束并保持最佳的调控能力。通过全面的数值仿真和硬件在环实验，对这些目标进行了评估，将所提出的框架与包括模型预测控制、增强型线性二次调节器以及比例积分控制在内的传统基准控制器进行了比较。这样的验证旨在缩小理论算法设计与实际工程应用能力之间的差距。因此，本文的主要贡献可总结如下：（1）为实现推力和进气流量的同步调控，需要考虑复杂的气动耦合效应，为此本文通过将模式选择阀和可变面积旁通喷管的映射模型纳入传统的组件级模型框架，开发出了高速变循环发动机的高精度性能仿真模型。通过对可变面积旁通喷管和模式选择阀的复杂流动特性进行精确整合，为多元控制验证提供了准确的系统模型。（2）为克服卡尔曼滤波器所依赖的严格统计假设，本文提出了一种能够处理参数变化范围的鲁棒H∞滤波器，即使在非高斯传感器噪声存在的情况下，也能保持快速收敛和高精度估算。通过严谨的数学证明，可以确定通过线性矩阵不等式约束来计算滤波器增益，能够确保估计误差动态系统的绝对多二次稳定性。（3）为解决预测模型在发动机性能退化和非线性作用下的不足，本文开发了一种创新的基于自适应模型预测控制的算法，该算法采用了神经网络-线性参数变化预测模型。通过引入乘法层，该架构将LPV计算转化为快速的神经网络前向传播过程。此外，还设计了一种两阶段离线-在线混合训练算法，以确保预测模型参数的实时适应性，从而显著提升系统在发动机性能下降条件下的适应能力和预测精度。本文的结构安排如下：第2节介绍高速变循环发动机的模型描述；第3节阐述直接性能控制框架的设计；第4节展示仿真与实验结果；最后，第5节对全文进行总结。高速变循环发动机的结构本研究中所分析的高速变循环发动机是基于参考文献[34]中提出的概念框架设计的。通过先进的高流量气热动力学设计，该发动机能够在整个飞行包线内保持较高的进气质量流量，从而在亚音速巡航效率、超音速加速能力以及高超音速任务所需的持续高推力之间实现最佳平衡。该发动机是一种三轴涡轮燃气涡轮发动机，采用三重旁通结构，具备……直接性能控制系统的结构图3展示了所提出的直接性能控制系统的架构。为实现对HFVCE精确的性能调控，那些无法直接测量的性能参数，即发动机推力Fthrust和发动机进气流量m˙a，被设定为AMPC架构中的控制变量。相应地，AMPC架构中的控制输入包括主燃烧室燃料流量m˙fMC、级间燃烧室燃料流量m˙fIC以及喷嘴喉部面积A8。剩余的变量则用于性能估算验证。为确定能够实现强鲁棒性的H∞滤波器的最佳参数，需确定衰减因子与最优鲁棒参数γ之间的关系，如图6所示。从数学上来看，较小的衰减因子会带来更小的最优γ值，进而提升滤波性能。然而，若将衰减因子b设定得过小（例如b<0.05），则会使得滤波器的增益变得过于强烈。从工程角度而言，过高的增益会放大高频测量噪声。

结论：本文提出了一种全新的DPC系统，该系统将不可测量性能参数的实时估算与先进的预测控制框架相结合，用于HFVCE的控制。为奠定控制设计的基础，首先构建了一个高精度的性能仿真模型，该模型能够准确反映MSV和VABI复杂的流动特性。由于目前还无法使用真实的发动机，因此对该提出的框架进行了系统的评估。

CRediT作者贡献说明：Runmin Ji：撰写——初稿、软件、方法论、概念设计。Xiaodong Chang：研究、形式分析。Jiaming Zhang：软件、资源支持。Xianghua Huang：撰写——审阅与编辑、监督、资金获取。Li Rong：撰写——审阅与编辑、验证、概念设计。