-
Patent Agency Ranking
公开(公告)号：CN111425304B
公开(公告)日：2021-01-12
申请号：CN202010329284.4
申请日：2020-04-23
Applicant: 南京航空航天大学
Abstract: 本发明公开了一种基于复合模型预测控制的航空发动机直接推力控制方法，利用非线性预测模型控制方法对发动机推力进行直接控制；所述非线性预测模型控制方法中所使用的预测模型为基于发动机状态变量模型、卡尔曼滤波器、发动机非线性模型所建立的复合预测模型，所述卡尔曼滤波器利用发动机测量参数值和发动机非线性模型计算值之差计算得到发动机退化量并将其反馈到发动机非线性模型，发动机非线性模型计算出发动机不可测参数并将其与发动机退化量一起反馈至发动机状态变量模型，发动机状态变量模型通过实时滚动优化求出预测控制量。相比现有技术，本发明可有效提高发动机模型预测控制的实时性。
-
公开(公告)号：CN110516394A
公开(公告)日：2019-11-29
申请号：CN201910823633.5
申请日：2019-09-02
Applicant: 南京航空航天大学
Abstract: 本发明公开了一种基于深度神经网络的航空发动机稳态模型建模方法，利用深度神经网络构建航空发动机稳态模型，所述深度神经网络为逐层批归一化的深度神经网络，其在相邻隐含层之间均增加一个批归一化层，用于对前一隐含层的输出进行标准化处理。本发明利用深度神经网络进行航空发动机稳态模型的建模，并通过在深度神经网络中引入批归一化层来增加神经网络层数，提高网络的拟合能力，进而提高航空发动机稳态模型的精度。
-
公开(公告)号：CN110516391A
公开(公告)日：2019-11-29
申请号：CN201910823121.9
申请日：2019-09-02
Applicant: 南京航空航天大学
Abstract: 本发明公开了一种基于神经网络的航空发动机动态模型建模方法，利用神经网络构建航空发动机动态模型，所述神经网络为最小批量下降神经网络，其使用最小批量下降法进行神经网络的训练。相比于现有技术，本发明提出的建模方法不仅具有较高的测试精度，而且还有更少的数据存储量、计算复杂度和测试时间，这几个性能指标是能否作为机载模型的重要指标，因而本方法更适合作为航空发机自适应机载动态模型。
-
公开(公告)号：CN111486009A
公开(公告)日：2020-08-04
申请号：CN202010328588.9
申请日：2020-04-23
Applicant: 南京航空航天大学
IPC: F02C9/28
Abstract: 本发明公开了一种基于深强化学习的航空发动机控制方法，首先根据控制指令和反馈参数获得初始的燃油流量，然后根据预设的发动机物理限制对初步的燃油流量进行修正，最后按照修正后的燃油流量向航空发动机输入相应流量的燃油；所述根据控制指令和反馈参数获得初始的燃油流量，具体是通过深度强化学习网络实现。本发明还公开了一种基于深强化学习的航空发动机控制装置。相比现有技术，本发明采用深度增强学习方法来设计发动机控制器，使得发动机随学习时间增加，其响应速度不断提高，从而提高发动机响应速度。
-
公开(公告)号：CN111425304A
公开(公告)日：2020-07-17
申请号：CN202010329284.4
申请日：2020-04-23
Applicant: 南京航空航天大学
Abstract: 本发明公开了一种基于复合模型预测控制的航空发动机直接推力控制方法，利用非线性预测模型控制方法对发动机推力进行直接控制；所述非线性预测模型控制方法中所使用的预测模型为基于发动机状态变量模型、卡尔曼滤波器、发动机非线性模型所建立的复合预测模型，所述卡尔曼滤波器利用发动机测量参数值和发动机非线性模型计算值之差计算得到发动机退化量并将其反馈到发动机非线性模型，发动机非线性模型计算出发动机不可测参数并将其与发动机退化量一起反馈至发动机状态变量模型，发动机状态变量模型通过实时滚动优化求出预测控制量。相比现有技术，本发明可有效提高发动机模型预测控制的实时性。
-
-
-
-
Search Results
5
records
(took 0.025 seconds)
