自适应卡尔曼滤波在航空发动机参数估计中的应用

"该文探讨了卡尔曼滤波在航空发动机参数估计中的应用，特别是针对滤波发散问题，提出了自适应卡尔曼滤波、飞行条件补偿和模型修正的综合解决方案。作者通过实际飞行数据，对某型发动机的高、低压转子转速、高压压气机出口压力和高压涡轮进口温度进行参数估计，证实了在小偏离条件下使用卡尔曼滤波方法的可行性。文章还介绍了发动机的动态模型和数据预处理步骤，包括奇异点剔除、平滑处理和FIR滤波。" 卡尔曼滤波是一种广泛应用在信号处理和控制理论中的线性递归滤波算法，由鲁道夫·卡尔曼提出。在航空发动机参数估计中，卡尔曼滤波能有效融合来自不同传感器的数据，提供对系统状态的最佳估计。然而，滤波发散问题是卡尔曼滤波在实际应用中常见的挑战，这通常源于系统模型的不精确和噪声统计特性的不确定性。 为了解决这个问题，文章提出了自适应卡尔曼滤波，即动态调整滤波器的增益，以适应系统噪声的变化。同时，结合飞行条件补偿，考虑了飞行状态对发动机性能的影响，确保模型的适用性。此外，模型修正也是关键，通过不断学习和更新系统模型，以减小模型误差。 发动机的动态模型是一个四变量的状态空间模型，描述了发动机状态变量（高、低压转子转速和压力、温度）随时间的演变，受控于供油量和尾喷口面积。观测数据则包含了这些状态变量的偏差，受到系统噪声和观测噪声的干扰。在进行卡尔曼滤波前，原始数据需要经过预处理，如剔除异常值、平滑处理以减少噪声，并通过FIR滤波进一步净化信号。 研究结果显示，当系统偏差较小时，采用卡尔曼滤波方法能够有效地估计航空发动机的关键参数。这种方法对于实现精确的发动机控制、故障检测、状态监控以及提高整体可靠性具有重要意义。该研究提供了实用的滤波技术，有助于提升航空发动机性能监测和健康管理的效率。