基于功率需求预测的涡轴发动机抗扰控制方法及装置

摘要

本发明公开了一种基于功率需求预测的涡轴发动机抗扰控制方法，以直升机功率需求预测模型对直升机下一时刻的需用功率进行实时预测，所述直升机功率需求预测模型的输入包括当前时刻的直升机的总距、尾桨总距、垂向速度的三次方、滚转角及涡轴发动机的动力涡轮相对转速；当下一时刻的预测需用功率相对于当前时刻需用功率的变化率超过预设阈值时，进入过补偿限制并按预设规则计算生成新的需用功率作为下一时刻的预测需用功率；使用下一时刻的预测需用功率对涡轴发动机的燃气涡轮转速指令进行线性比例前馈补偿。本发明还公开了一种基于功率需求预测的涡轴发动机抗扰控制装置。本发明不仅能适用于不同飞行任务下涡轴发动机前馈抗扰控制，还能避免过补偿现象的发生。

权利要求

1.一种基于功率需求预测的涡轴发动机抗扰控制方法，其特征在于，以直升机功率需求预测模型对直升机下一时刻的需用功率进行实时预测，所述直升机功率需求预测模型的输入包括当前时刻的直升机的总距、尾桨总距、垂向速度的三次方、滚转角及涡轴发动机的动力涡轮相对转速；当直升机功率需求预测模型输出的下一时刻的预测需用功率HPApd相对于当前时刻需用功率的变化率超过预设阈值时，进入过补偿限制并按预设规则计算生成新的需用功率HPA'作为下一时刻的预测需用功率，HPA'由HPApd的变化率与HPApd得到，HPA'随HPApd的增大而增大，根据HPApd的变化率确定HPA'与HPApd之间的权值，变化率越大，权值越小，如HPApd相对于当前时刻需用功率的变化率未超过预设阈值，则以HPApd作为下一时刻的预测需用功率；使用下一时刻的预测需用功率对涡轴发动机的燃气涡轮转速指令进行比例前馈补偿。

2.如权利要求1所述基于功率需求预测的涡轴发动机抗扰控制方法，其特征在于，所述直升机功率需求预测模型使用逐步回归分析方法建立。

3.如权利要求1所述基于功率需求预测的涡轴发动机抗扰控制方法，其特征在于，所述直升机功率需求预测模型使用神经网络训练得到，所述直升机功率需求预测模型的输入还包括前一时刻、前两时刻的直升机的总距、尾桨总距、垂向速度的三次方、滚转角及涡轴发动机的动力涡轮相对转速。

4.如权利要求3所述基于功率需求预测的涡轴发动机抗扰控制方法，其特征在于，所述神经网络具有8个隐含层节点。

5.一种基于功率需求预测的涡轴发动机抗扰控制装置，其特征在于，包括：直升机功率需求预测模型，用于对直升机下一时刻的需用功率进行实时预测，所述直升机功率需求预测模型的输入包括当前时刻的直升机的总距、尾桨总距、垂向速度的三次方、滚转角及涡轴发动机的动力涡轮相对转速；

过补偿限制模块，用于当直升机功率需求预测模型输出的下一时刻的预测需用功率HPApd相对于当前时刻需用功率的变化率超过预设阈值时，进入过补偿限制并按预设规则计算生成新的需用功率HPA'作为下一时刻的预测需用功率，HPA'由HPApd的变化率与HPApd得到，HPA'随HPApd的增大而增大，根据HPApd的变化率确定HPA'与HPApd之间的权值，变化率越大，权值越小，如HPApd相对于当前时刻需用功率的变化率未超过预设阈值，则以HPApd作为下一时刻的预测需用功率；

前馈补偿模块，用于使用下一时刻的预测需用功率对涡轴发动机的燃气涡轮转速指令进行比例前馈补偿。

6.如权利要求5所述基于功率需求预测的涡轴发动机抗扰控制装置，其特征在于，所述直升机功率需求预测模型使用逐步回归分析方法建立。

7.如权利要求5所述基于功率需求预测的涡轴发动机抗扰控制装置，其特征在于，所述直升机功率需求预测模型使用神经网络训练得到，所述直升机功率需求预测模型的输入还包括前一时刻、前两时刻的直升机的总距、尾桨总距、垂向速度的三次方、滚转角及涡轴发动机的动力涡轮相对转速。

8.如权利要求7所述基于功率需求预测的涡轴发动机抗扰控制装置，其特征在于，所述神经网络具有8个隐含层节点。

说明书

基于功率需求预测的涡轴发动机抗扰控制方法及装置

技术领域

[0001] 本发明涉及一种直升机的涡轴发动机控制方法，尤其涉及一种涡轴发动机抗扰控制方法，属于航空宇航推进理论与工程中的系统控制与仿真技术领域。

背景技术

[0002] 直升机是一个各子系统互相交联，互相影响，耦合性很强的系统。其动力装置——涡轴发动机，与直升机分别依靠动力涡轮轴与旋翼轴，通过传动系统相连。这种连接方式较
为简单且便于驾驶员操纵，还可以在一定程度上抑制传动系统的扭振，但是这种方式要求
传动系统所连接的两轴，转速均保持恒定。

[0003] 然而当直升机进行机动动作或者其他情况下工作状态发生改变时，直升机功率需求的改变并不能及时传递到发动机，因为旋翼具有很大的惯性，导致旋翼转速对直升机功
率变化的响应较慢，进一步导致动力涡轮转速变化的延迟。涡轴发动机的主控制回路是根
据动力涡轮转速给定值与反馈值的偏差进行燃油调节的，因此转速变化的延迟会造成燃油
变化的延迟，从而造成发动机的响应速度的减慢。这时发动机的动力涡轮转速相对于稳态
值会有较大的偏差，引发转速超调或下垂，从而影响旋翼转速，使得旋翼转速产生同样的超
调或下垂，进一步影响整个直升机系统的稳定性。

[0004] 为了设计抗扰控制方法，提高发动机的性能，各国都进行了大量的研究。1974年美国Curran J.J.等人提出了LDS(Load Demand Spindle)前馈补偿方案，针对T700燃油控制
系统，使用总距近似表征旋翼功率需求，在全包线内建立总距与燃油的映射关系，对燃油进
行超前补偿，可惜这种方法只适用于直升机负载变化较大的情况，当负载变化较小时，总距
并不能精确地反映旋翼功率。1993年，美国Frederick J.Ebert等人设计了两种抗扰控制方
法，有效提高了发动机稳定性：根据横向周期变距指令预测主旋翼扭矩的变化，从而在左右
侧滚操纵期间将发动机和主旋翼转速下垂和超调降至最低；根据飞行员偏航指令，输入补
偿燃油信号，从而减轻突然偏航机动期间发动机和旋翼转速下垂和超调的影响，并进行了
过补偿保护。然而这两种方法仅适合于特定飞行状态下的燃油信号补偿。扭矩相比于总距，
对需用功率的表述更准确一些，但是由于旋翼轴的柔性，使扭矩的测量产生了一定的延迟，
2005年，美国Raymond D.Zagranski发明了一项预测发动机前馈扭矩的专利。在同一年，美
国James T.Driscoll发表了一种使用多项式神经网络预测直升机主旋翼和尾桨旋翼所需
总扭矩的方法。英法等国也开展了相关研究，所进行的“飞机/发动机综合控制(IFEC)”计划
能够加快发动机响应，且根据直升机的飞行状态调整发动机动力涡轮转速以保证发动机转
速平稳。国内汪勇基于增量非线性动态逆的原理，提出了一种基于发动机所需扭矩与实际
输出扭矩误差的前馈控制方法，与常规的总距前馈和扭矩预测前馈控制相比，能有效地降
低动力涡轮相对转速的超调量约14％。

[0005] 然而，直升机需求功率等于扭矩与动力涡轮转速的乘积，当转速受到扰动偏离稳态值时，扭矩并不能准确表征功率，两者变化趋势会有所不同；且这些方法并未考虑功率变
化剧烈时，燃油产生过补偿的问题。美国所设计的方法虽然考虑到了过补偿限制，但前馈时
需要针对不同飞行任务选择不同的前馈变量，都存在各种各样的不足。

发明内容

[0006] 本发明所要解决的技术问题在于克服现有技术不足，提供一种基于功率需求预测的涡轴发动机抗扰控制方法，不仅能适用于不同飞行任务下涡轴发动机前馈抗扰控制，还
能保证前馈补偿的有效性，避免过补偿现象的发生，防止补偿过程中发动机动力涡轮转速
的超调或下垂量的增加，甚至补偿过度引起的下垂量变成超调，超调量变成下垂。

[0007] 本发明具体采用以下技术方案解决上述技术问题：

[0008] 一种基于功率需求预测的涡轴发动机抗扰控制方法，以直升机功率需求预测模型对直升机下一时刻的需用功率进行实时预测，所述直升机功率需求预测模型的输入包括当
前时刻的直升机的总距、尾桨总距、垂向速度的三次方、滚转角及涡轴发动机的动力涡轮相
对转速；当直升机功率需求预测模型输出的下一时刻的预测需用功率相对于当前时刻需用
功率的变化率超过预设阈值时，进入过补偿限制并按预设规则计算生成新的需用功率作为
下一时刻的预测需用功率；使用下一时刻的预测需用功率对涡轴发动机的燃气涡轮转速指
令进行比例前馈补偿。

[0009] 优选方案之一，所述直升机功率需求预测模型使用逐步回归分析方法建立。

[0010] 优选方案之二，所述直升机功率需求预测模型使用神经网络训练得到，所述直升机功率需求预测模型的输入还包括前一时刻、前两时刻的直升机的总距、尾桨总距、垂向速
度的三次方、滚转角及涡轴发动机的动力涡轮相对转速。

[0011] 进一步优选地，所述神经网络具有8个隐含层节点。

[0012] 基于同一发明构思还可以得到以下技术方案：

[0013] 一种基于功率需求预测的涡轴发动机抗扰控制装置，包括：

[0014] 直升机功率需求预测模型，用于对直升机下一时刻的需用功率进行实时预测，所述直升机功率需求预测模型的输入包括当前时刻的直升机的总距、尾桨总距、垂向速度的
三次方、滚转角及涡轴发动机的动力涡轮相对转速；

[0015] 过补偿限制模块，用于当直升机功率需求预测模型输出的下一时刻的预测需用功率相对于当前时刻需用功率的变化率超过预设阈值时，按预设规则计算生成新的需用功率
作为下一时刻的预测需用功率；

[0016] 前馈补偿模块，用于使用下一时刻的预测需用功率对涡轴发动机的燃气涡轮转速指令进行比例前馈补偿。

[0017] 优选方案之一，所述直升机功率需求预测模型使用逐步回归分析方法建立。

[0018] 优选方案之二，所述直升机功率需求预测模型使用神经网络训练得到，所述直升机功率需求预测模型的输入还包括前一时刻、前两时刻的直升机的总距、尾桨总距、垂向速
度的三次方、滚转角及涡轴发动机的动力涡轮相对转速。

[0019] 进一步优选地，所述神经网络具有8个隐含层节点。

[0020] 相比现有技术，本发明具有以下有益效果：

[0021] 本发明通过对直升机未来时刻需用功率进行实时预测，根据预测结果对涡轴发动机闭环控制主回路中的燃气涡轮转速指令位置进行线性比例前馈补偿，并在补偿过程中采
用过补偿限制，不仅能适用于不同飞行任务下涡轴发动机前馈抗扰控制，还能保证前馈补
偿的有效性，避免过补偿现象的发生，防止补偿过程中发动机动力涡轮转速的超调或下垂
量的增加，甚至补偿过度引起的下垂量变成超调，超调量变成下垂。

附图说明

[0022] 图1是本发明的涡轴发动机抗扰控制装置的结构框图；

[0023] 图2是直升机18个可测变量T检验值绝对值；

[0024] 图3是基于逐步回归分析法的功率需求预测模型输出与样本相对误差；

[0025] 图4是基于神经网络的功率需求预测模型输出与样本相对误差图；

[0026] 图5是过补偿限制流程图；

[0027] 图6是动力涡轮相对转速超调时预测抗扰控制效果对比；其中，(a)是动力涡轮相对转速对比图，(b)是逐步回归与神经网络预测模型功率和直升机需用功率对比图，(c)是
逐步回归预测模型功率和直升机需用功率相对误差百分比图，(d)是神经网络预测模型功
率和直升机需用功率相对误差百分比图，(e)是燃气涡轮相对转速对比图，(f)是燃油流量
对比图，(g)是压气机出口压力对比图；(h)是动力涡轮出口温度对比图；

[0028] 图7是动力涡轮相对转速超调时过补偿限制作用效果；其中，(a)是逐步回归预测模型有无过补偿限制时动力涡轮相对转速对比图，(b)是逐步回归预测模型有无过补偿限
制时前馈补偿参数对比图，(c)是神经网络预测模型有无过补偿限制时动力涡轮相对转速
对比图，(d)是神经网络预测模型有无过补偿限制时前馈补偿参数对比图；

[0029] 图8是数字仿真动力涡轮相对转速下垂时预测抗扰控制效果对比；其中，(a)是动力涡轮相对转速对比图，(b)是逐步回归与神经网络预测模型功率和直升机需用功率对比
图，(c)是逐步回归预测模型功率和直升机需用功率相对误差百分比图，(d)是神经网络预
测模型功率和直升机需用功率相对误差百分比图，(e)是燃气涡轮相对转速对比图，(f)是
燃油流量对比图，(g)是压气机出口压力对比图，(h)是动力涡轮出口温度对比图；

[0030] 图9是数字仿真动力涡轮相对转速下垂时预测抗扰控制效果对比；其中，(a)是逐步回归预测模型有无过补偿限制时动力涡轮相对转速对比图，(b)是逐步回归预测模型有
无过补偿限制时前馈补偿参数对比图，(c)是神经网络预测模型有无过补偿限制时动力涡
轮相对转速对比图，(d)是神经网络预测模型有无过补偿限制时前馈补偿参数对比图；

[0031] 图10是硬件在回路仿真预测抗扰控制效果对比图。

具体实施方式

[0032] 针对现有技术不足，本发明的解决思路是对直升机未来时刻需用功率进行实时预测，根据预测结果对涡轴发动机闭环控制主回路中的燃气涡轮转速指令位置进行比例前馈
补偿，并在补偿过程中采用过补偿限制，不仅能适用于不同飞行任务下涡轴发动机前馈抗
扰控制，还能保证前馈补偿的有效性，避免过补偿现象的发生，防止补偿过程中发动机动力
涡轮转速的超调或下垂量的增加，甚至补偿过度引起的下垂量变成超调，超调量变成下垂。

[0033] 本发明所提出的基于功率需求预测的涡轴发动机抗扰控制方法，具体如下：

[0034] 以直升机功率需求预测模型对直升机下一时刻的需用功率进行实时预测，所述直升机功率需求预测模型的输入包括当前时刻的直升机的总距、尾桨总距、垂向速度的三次
方、滚转角及涡轴发动机的动力涡轮相对转速；当直升机功率需求预测模型输出的下一时
刻的预测需用功率相对于当前时刻需用功率的变化率超过预设阈值时，进入过补偿限制，
并按预设规则计算生成新的需用功率作为下一时刻的预测需用功率；使用下一时刻的预测
需用功率对涡轴发动机的燃气涡轮转速指令进行比例前馈补偿。

[0035] 为便于公众理解，下面通过一个具体实施例并结合附图来对本发明的技术方案进行详细说明：

[0036] 如图1所示，本实施例中的涡轴发动机抗扰控制系统主要分为三个部分：一部分是求取直升机需求功率的实时预测模型，一部分是防止前馈补偿过度的过补偿限制环节，另
一部分是比例控制环节。在单个仿真步长内，直升机需求功率的实时预测模型可根据输入
量与状态量预测未来时刻的输出量；而过补偿限制环节判断用于前馈补偿的信号是否合
理，如果合理则直接采用原来的信号，不合理则生成新的信号用于前馈；通过比例环节将前
3
馈信号加到燃气涡轮转速指令位置，实现涡轴发动机抗扰控制。其中，θ0、θT、Vz 、φ分别为
直升机的总距、尾桨总距、垂向速度的三次方、滚转角。Ngr、Npr、Ng、Np分别为燃气涡轮转速指
令、动力涡轮转速指令、燃气涡轮转速与动力涡轮转速；pnp为动力涡轮相对转速，Tq为直升
机需求扭矩。

[0037] 下面对其中的各主要部分进行进一步详细说明：

[0038] 1)直升机功率需求预测模型

[0039] 根据气体动力学原理及直升机飞行原理可知，直升机的需用功率HPA受多个输入量或状态量的影响，包括前向速度Vx、横向速度Vy、垂向速度Vz、高度H、旋翼转速Ω、旋翼总
距θ0、尾桨总距θT、横向周期变距θ1c、纵向周期变距θ1s、滚转角φ、俯仰角θ、航向角Ψ等。在
建立直升机需用功率预测模型时，为了简化计算，本发明只选取5个量作为直升机功率需求
预测模型的输入。本实施例构建了以下两种预测模型：

[0040] 逐步回归分析法建立预测模型

[0041] 由于影响直升机需用功率的变量很多，且这些变量之间可能存在多重共线性，会对预测模型回归系数的精度造成影响，采用逐步回归分析法选取对直升机需用功率影响最
大的5个量。

[0042] 对直升机的18个相关可测参数：pnp(即Ω)、H、θ0、θ1c、θ1s、θT、φ、θ、Ψ、Vx、Vy、Vz、2 2 2 3 3 3 3
Vx、Vy、Vz 、Vx、Vy、Vz ，进行逐步回归分析，18个变量的T检验值如图2所示，θ0、pnp、θT、Vz 、
φ5个量T检验值最高，因此选取这5个量作为模型输入，构建的直升机功率需求预测模型如
下：

[0043]

[0044] 其中，输入量为当前时刻发动机的pnp、直升机的θ0、θT、Vz3、φ，输出为下一时刻直升机的HPA。

[0045] 在大包线内，直升机不同飞行状态下，包括悬停、加速、减速、巡航、爬升等动作，对直升机的各状态量及对应的需求功率进行样本的采集，将获得的数据进行归一化处理，随
后作为逐步回归的拟合样本。拟合误差如图3所示，由图可知，逐步回归功率需求预测模型
输出功率相对于真实值的误差均小于8％，精度较高，可用于预测直升机需用功率。

[0046] 神经网络法建立预测模型

[0047] 为了使预测模型具有更高的精度，采用最小批量梯度下降法神经网络进行离线训练，获得直升机功率需求预测模型。

[0048] 构建的直升机功率需求预测模型如下：

[0049]

[0050] 其中，输入量为当前时刻、前一时刻、前两时刻发动机的pnp、直升机的θ0、θT、Vz3、φ，输出量为下一时刻直升机的HPA。整个神经网路模型包含15个输入，8个隐含层节点以及
1个输出。

[0051] 在大包线内，直升机不同飞行状态下，包括悬停、加速、减速、巡航、爬升等动作，对直升机的各状态量及对应的需求功率进行样本的采集，将获得的数据进行归一化处理，随
后作为神经网络的训练样本。训练误差如图4所示，由图可知，神经网络功率需求预测模型
输出功率相对于真实值的误差均小于3％，精度较逐步回归功率需求预测模型提高50％以
上，可用于预测直升机需用功率。

[0052] 2)过补偿限制

[0053] 当直升机进行急转弯、突然爬升等的功率突变的动作时，HPA变化过大，用预测的需用功率HPApoly或HPANN(两个功率统一记为HPApd)直接进行比例前馈补偿会造成补偿过度，
从而增加发动机动力涡轮转速的超调或下垂量，甚至会使本来的下垂量变成超调，本来的
超调量变成下垂。

[0054] 为了防止过补偿现象的发生，根据HPApd的变化率对比例前馈进行过补偿限制，当其变化率超过一定值时，过补偿限制发生作用，并使HPApd沿着相同的趋势，以一条较缓的路
径变化，将此路径上的补偿参数记作HPA'，当HPApd与HPA'相等时，过补偿限制终止。过补偿
限制实现过程流程图如图5所示。

[0055] 具体实现过程如下：

[0056] 1、根据预测的需用功率HPApd和当前时刻的需用功率HPAps求得该时刻需用功率的变化率ΔHPA，设置阈值Ath作为判断是否继续采用HPApd值进行比例前馈的依据。阈值Ath根
据HPApd在机动动作时的变化率，经多次试验确定，即

[0057] Ath＝f(ΔHPApd)                               (3)

[0058] 当ΔHPA超过阈值时，说明在直升机在下一时刻的需用功率发生了突变，继续采用HPApd会发生过补偿现象，因此过补偿限制保护发生作用，进入规划路径，按照规划路径进行
补偿参数前馈。规划路径上的HPA'由HPApd的变化率与HPApd得到，HPA'随HPApd的增大而增
大，根据HPApd的变化率确定HPA'与HPApd之间的权值，变化率越大，权值越小，即

[0059] HPA'＝f(ΔHPApd,HPApd)                        (4)

[0060] 当ΔHPA在阈值内时，正常采用HPApd进行比例前馈补偿。

[0061] 2、在过补偿限制发生作用期间，每步都判断预测需用功率HPApd与规划路径上的补偿参数HPA'是否相等。

[0062] 若两者相等，则过补偿限制停止作用，回到正常采用HPApd进行比例前馈补偿。若两者不相等，则过补偿限制持续作用，采用规划路径上的补偿参数HPA'进行比例前馈。

[0063] 3)具有过补偿限制的涡轴发动机比例前馈抗扰控制器

[0064] 涡轴发动机的主控制回路不变，在燃气涡轮转速指令位置加入预测模型所得直升机功率需求量，进行比例前馈。因为发动机燃油的变化决定了发动机输出功率大小，两者是
近似的比例关系，而发动机输出功率应稍大于等于直升机需用功率，也就意味着发动机燃
油与直升机需用功率是近似比例关系，且这种关系在整个飞行包线内不会变，因此比例前
馈最直接有效。

[0065] 采用预测功率在燃气涡轮转速指令位置进行补偿，可以超前一步使燃气涡轮转速Ng向直升机功率需求变化的方向靠近，涡轴发动机闭环控制主回路通过燃气涡轮转速指令
Ngr与发动机燃气涡轮转速Ng的偏差调整燃油，对指令的超前补偿会引起燃油相同的变化，
相当于对燃油的超前补偿，且因为不是对燃油的直接补偿，使得燃油的变化相对来说更稳
定，一定程度上可以避免燃油变化过快。

[0066] 1、数字仿真分析

[0067] 为了验证上述技术方案的对pnp超调量的改善效果，直升机飞行高度H＝0.4km保持不变，在t＝40s时，前向速度从20m/s减为0m/s，横向速度从0m/s增加到10m/s，保持此飞
行一直保持到仿真结束，并与总距前馈、串级PID控制进行比较，四种对比案例选取的串级
PID参数一致，仿真结果如图6(a)～(h)所示。

[0068] 如图6所示，在低速段直升机进行减速时，直升机需用功率急剧减小，使动力涡轮相对转速高于设定值100％。此时对于旋翼而言，转速减小，其需求功率减小，由于加入了预
测抗扰控制，相比纯PID控制，燃油流量与燃气涡轮转速快一步降低，以减小发动机输出功
率。预测抗扰控制通过超前预测直升机需用功率，对涡轴发动机进行扰动补偿，从而显著减
小了动力涡轮相对转速的超调量。基于神经网络建立的预测模型相比基于逐步回归分析建
立的预测模型，精度更高，但是预测抗扰控制的效果基本相同，均可以使超调缩减到2％以
内。

[0069] 过补偿限制在预测抗扰控制中保证了前馈补偿的效果，避免了过补偿现象的发生，过补偿限制作用效果图如图7所示。

[0070] 由图7可以看出，加入过补偿限制后，规划路径的补偿参数相比预测模型得到的需用功率，在功率突变的阶段变缓很多，同时保持了需用功率整体的变化趋势，在需用功率变
化不剧烈的阶段两者渐渐合一，最终的稳态值相同，预测抗扰控制效果有很明显的改善，尤
其针对补偿过度引起的超调量变为下垂量的现象。

[0071] 为了验证上述技术方案的对pnp下垂量的改善效果，在飞行高度H＝0.2km,前向速度20m/s，横向速度10m/s的条件下，在t＝40s时，将高度增加到600m，前飞速度增加到50m/
s，横向速度减为0，并保持此飞行条件，其仿真效果对比如图8中的(a)～(h)所示。

[0072] 飞行高度增加，前飞速度增加，横向速度减小时，旋翼所需功率增加，但是发动机转速不能及时跟踪，会有一定下垂，此时在预测抗扰控制器作用下，燃气涡轮转速指令增
加，使燃油流量Wfb迅速增加，燃气涡轮转速也增大，从而增加了压气机出口压力和动力涡轮
出口温度，使涡轴发动机输出功率增加，以加快对直升机功率需求的响应，最终重新使旋翼
转速稳定在100％。

[0073] 基于神经网络建立的预测模型相比基于逐步回归分析建立的预测模型，精度提高50％左右，但是预测抗扰控制的效果只略好一点，基本相同，都可以使下垂缩减到3％以内。

[0074] 由图6和图8均可以看出由于传统的总距前馈并没有加入过补偿限制，因此在直升机功率需求变化剧烈时出现了过补偿现象，燃油流量与动力涡轮出口温度都出现了很大的
尖峰，且使动力涡轮相对转速在偏离稳态值的瞬间，原本的超调量变为下垂，原本的下垂量
变为超调。

[0075] 预测抗扰控制方法中的过补偿限制作用效果如图9所示。

[0076] 由图9可以看出加入过补偿限制后，规划路径的补偿参数相比预测模型得到的需用功率，在功率突然增加的部分，补偿参数以斜率较缓的趋势增加，在功率需求变化不剧烈
的阶段两者渐渐合一，由于t＝50s后的部分直升机功率变化不再剧烈，因此采用预测模型
得到的功率进行补偿，预测抗扰控制效果有很明显的改善，尤其针对补偿过度引起的下垂
量变为超调量的现象。

[0077] 4种不同控制方式下，动力涡轮相对转速pnp相对稳态值100％的偏离量如表1所示，可以看出，基于逐步回归分析法的预测模型与基于神经网络的预测模型所设计的预测
抗扰控制方法都具有良好的控制效果，对pnp超调量和下垂量的改善有很大的作用，基本可
以控制在3％以内，相比PID控制超调量减小了72％以上，下垂量减小了60％左右，相比总距
前馈超调量减小了52％以上，下垂量减小了16％左右。而且该预测抗扰控制器对预测模型
的精度要求不是很高，预测模型精度提高50％的情况下，抗扰控制效果提高不到0.4％，且
两者对pnp超调量的控制已经在3％左右，因此考虑工程实践和具体使用的方便，逐步回归
分析法建立预测模型有更高的优越性。

[0078] 表1数字仿真动力涡轮相对转速稳态偏离值

[0079]

[0080] 2硬件在回路仿真分析

[0081] 为了进一步验证控制方法的有效性，在硬件在回路仿真平台上对所设计的功率需求预测抗扰控制方法进行验证。

[0082] 由于电路系统本身会对信号造成低频振荡，因此EEC(Electronic Engine Control,发动机电子控制器)中传递出来的信号都伴随低频振荡，用这些量进行预测模型
的建立会产生极大的误差，导致模型不能使用，且EEC计算能力有限，对复杂的神经网络系
统还不能进行处理。因此，为了保证预测模型的精度满足使用要求，两种预测模型下抗扰控
制效果具有对比性，将抗扰控制器的预测模型部分不写入EEC，只将比例环节和过补偿限制
这两部分放进EEC，嵌入发动机控制系统中，仿真结果如图10所示。

[0083] 由图10可以看出，直升机垂向加速度变为负值的瞬间，直升机之前的稳定状态被打破，需求功率增大，使pnp产生下垂，在垂向速度达到0并保持不变的瞬间，垂向加速度由
负值变为0，需求功率减小，使pnp产生超调，所设计的抗扰控制方法加快了燃油流量和燃气
涡轮转速的变化，对pnp的超调量和下垂量有很大的改善。

[0084] 预测抗扰控制方法、PID控制及总距前馈pnp产生的超调量和下垂量如表2所示。

[0085] 由表2可以看出，预测抗扰控制方法，相比PID控制，超调量减小了43％以上，下垂量减小了35％左右；相比总距前馈，超调量减小了21％以上，下垂量减小了13％左右。在半
物理仿真验证中表现出了与数字仿真相同的结果，即相比PID控制及总距前馈具有明显的
优越性，而且对预测模型的精度要求不高。

[0086] 表2硬件在回路仿真动力涡轮相对转速稳态偏离值

[0087]