基于 Koopman 算子的数据驱动非线性识别与涡扇发动机自适应控制

本文探讨了 Koopman 算子方法用于双涡轮发动机的多变量控制。开发了基于物理的组件级模型，用于生成训练数据并验证控制器。 developed a meta-heuristic extended dynamic mode decomposition，通过设计代价函数准确捕获涡轮转速动力学和发动机压比（EPR），从而构建适用于多种控制目标的单一 Koopman 模型。利用识别出的时间变 Koopman 模型，开发了两个控制器：一个带有扰动观察器的自适应 Koopman 基于模型预测控制器（AKMPC），以及作为基准的 Koopman 基于反馈线性化控制器（K-FBLC）。在海平面和不同飞行条件下，对两种控制策略进行评估，即涡轮转速配置和 EPR。结果表明，所提出的识别方法能够准确预测涡轮转速和 EPR，使 Koopman 模型能够灵活地跨越不同的控制方案进行重用。尽管两种控制策略在稳态条件下表现相当，但在不同飞行条件下，AKMPC 由于能够补偿模型不匹配，具有优越的鲁棒性。此外，EPR 控制策略改进了推力响应。该研究突显了 Koopman 基于控制的可行性，并展示了 AKMPC 方法框架在鲁棒涡扇发动机控制方面的优势。