基于 Koopman 特征函数的涡扇发动机辨识与最优非线性控制

气体涡轮发动机是复杂的且高度非线性的动力系统。由于需要获得并不总是可用的性能特征, 派生其基于物理的模型具有挑战性, 这常导致许多简化假设。本文讨论了常规实验方法用于派生组件级和局部线性参数可变模型的局限性, 并通过采用基于在闭环控制下进行的标准发动机运行数据收集的辨识技术来解决这些问题。使用稀疏非线性动力学辨识方法估计转子动力学。随后, 将自主动力学映射到 optimally 构造的 Koopman 特征函数空间中。该过程涉及使用元启发式算法和时间投影进行特征值优化, 随后进行基于梯度的特征函数辨识。所得 Koopman 模型经与内部参考组件级模型验证。随后设计在特征函数空间内的全局最优非线性反馈控制器和卡尔曼估计器, 并与传统和 gain-scheduled 比例-积分控制器以及一种提出的内部模型控制方法进行比较。特征模态结构使能够在优化过程中针对单个模态进行Targeting, 从而实现更好的性能调谐。结果表明, Koopman-based 控制器在参考跟踪和扰动抑制方面优于其他基准控制器, 包括在海平面和不同飞行条件下的表现, 由于其全局性质。