多伴随矢量发动机直接推力控制方法

doi:10.7527/S1000-6893.2025.32680

航空发动机智能控制与健康管理专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

多伴随矢量发动机直接推力控制方法

杨翊¹, 盛汉霖¹(), 尹炳雄¹, 谷多多², 蔡文哲², 李嘉诚¹, 陈芊¹

^1.南京航空航天大学能源与动力学院，南京 210016
^2.北京动力机械研究所，北京 100074

收稿日期:2025-08-15 修回日期:2025-09-09 接受日期:2025-11-10 出版日期:2025-11-20 发布日期:2025-11-13
通讯作者: 盛汉霖 E-mail:dreamshl@nuaa.edu.cn
基金资助:
国家自然科学基金(52176009);国家自然科学基金(52502476);中国航空发动机产学研合作项目(HFZL2023CXY012);国家博士后创新人才支持计划(BX20240481)

Direct thrust control method for multi-companion vectoring engines

Yi YANG¹, Hanlin SHENG¹(), Bingxiong YIN¹, Duoduo GU², Wenzhe CAI², Jiacheng LI¹, Qian CHEN¹

^1.College of Energy and Power Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China
^2.Beijing Power Machinery Institute，Beijing 100074，China

Received:2025-08-15 Revised:2025-09-09 Accepted:2025-11-10 Online:2025-11-20 Published:2025-11-13
Contact: Hanlin SHENG E-mail:dreamshl@nuaa.edu.cn
Supported by:
National Natural Science Foundation of China(52176009);Aviation Industry Corporation of China Industry-Academia-Research Cooperation Project(HFZL2023CXY012);Post-doctoral Innovation Talent Support Program of China(BX20240481)

摘要/Abstract

摘要：

为应对现代飞行器在复杂战术环境中对高机动性与强对抗能力的需求，解决传统发动机间接推力控制精度低、响应慢的难题，提出了一种多伴随矢量发动机直接推力控制方法。首先，建立了由一台主发动机与两台伴随发动机组成的非线性部件级模型，并对引气系统等关键部件进行了精细化建模。为实现发动机推力的精确估计，设计了一种基于无迹卡尔曼滤波（UKF）的机载自适应模型。该模型引入了稳态/动态判断逻辑，用于在线辨识发动机的性能退化参数，从而有效抑制了飞行动态对健康评估的干扰。在此基础上，进一步提出了一种基于数据驱动的无模型自适应控制（MFAC）策略，构建了多输入多输出（MIMO）直接推力控制器，以实现对主/伴随发动机推力的解耦、快速及精确控制。仿真结果表明：所设计的机载自适应模型能够精确跟踪发动机的真实状态，其推力估计结果与真实值高度吻合；直接推力控制器响应迅速，在主发动机推力调节时间<1 s、超调量<4%的条件下，实现了对指令推力的稳定与精确跟踪。该研究为新型组合推力矢量发动机的控制系统设计提供了有效的解决方案，并验证了该方案在提升发动机控制性能方面的可行性与潜力。

关键词: 多伴随矢量发动机, 直接推力控制, 无迹卡尔曼滤波, 无模型自适应控制, 机载自适应模型

Abstract:

To address the requirements of modern aircraft for high maneuverability and strong countermeasure capability in complex tactical environments， and resolve the drawbacks of low accuracy and slow response in conventional indirect thrust control of engines， this paper proposes a direct thrust control method for multi-companion vectoring engines. First， a nonlinear component-level model consisting of one main engine and two companion engines is established， with refined modeling conducted for key components such as the bleed air system. To achieve accurate estimation of engine thrust， an on-board adaptive model based on the Unscented Kalman Filter （UKF） is designed. This model incorporates a steady/dynamic discrimination logic to on-line identify the engine' s performance degradation parameters， thereby effectively suppressing the interference of flight dynamics on health assessment. On this basis， a data-driven Model-Free Adaptive Control （MFAC） strategy is further proposed， and a Multi-Input Multi-Output （MIMO） direct thrust controller is constructed to realize decoupled， rapid， and precise control of the thrust of the main and companion engines. Simulation results demonstrate that the designed on-board adaptive model can accurately track the actual state of the engine， and its thrust estimation results are highly consistent with the true values； the direct thrust controller responds rapidly， achieving stable and precise tracking of the commanded thrust under the conditions that the settling time of the main engine is less than 1 s and the overshoot is below 4%. This study provides an effective solution for the control system design of novel combined vectored-thrust engines and verifies the feasibility and potential of this scheme in improving engine control performance.

Key words: multi-companion vectoring engines, direct thrust control, unscented Kalman filter, model-free adaptive control, on-board adaptive model

中图分类号:

V235.1

杨翊, 盛汉霖, 尹炳雄, 谷多多, 蔡文哲, 李嘉诚, 陈芊. 多伴随矢量发动机直接推力控制方法[J]. 航空学报, 2026, 47(15): 632680.

Yi YANG, Hanlin SHENG, Bingxiong YIN, Duoduo GU, Wenzhe CAI, Jiacheng LI, Qian CHEN. Direct thrust control method for multi-companion vectoring engines[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(15): 632680.

图/表 30

图 1

表 1

表 2

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

表 3

图 16

表4

多输入多输出无模型自适应推力控制器参数

参数	数值
$η$	0.1
$ρ$	0.001
$μ$	1
$λ$	0.1

表4

图 17

图 18

图 19

表 5

作战阶段高度与马赫数变化对照

时间/ $s$	高度变化/km	马赫数变化
$0 ~ 20$	$11 → 11.5$	$0.8 → 0.88$
$20 ~ 30$	$11.5$	$0.88$
$30 ~ 40$	$11.5 → 10.5$	$0.88 → 0.75$
$40 ~ 70$	$10.5$	$0.75$
$70 ~ 85$	$10.5 → 8.5$	$0.75 → 0.65$
$85 ~ 100$	$8.5 → 10$	$0.65 → 0.8$

表 5

图 20

图 21

图 22

图 23

图 24

图 25

参考文献 38

[1]	孙志岩. 航空发动机控制系统发展概述［J］. 测控技术， 2019， 38（6）： 1-4.
	SUN Z Y. Overview of the development of aero-engine control systems ［J］. Measurement & Control Technology， 2019， 38（6）： 1-4 （in Chinese）.
[2]	GARG S. Aircraft turbine engine control research at NASA Glenn research center［J］. Journal of Aerospace Engineering， 2013， 26（2）： 422-438.
[3]	GARG S， SIMON D L. Challenges in aircraft engine control and gas path health management： E-664065 ［R］. Washington， D.C.： NASA， 2012.
[4]	CONNOLLY J W， CSANK J， CHICATELLI A， et al. Model-based control of a nonlinear aircraft engine simulation using an optimal tuner Kalman filter approach［C］∥49th AIAA/ASME/SAE/ASEE Joint Propulsion Conference. Reston： AIAA， 2013.
[5]	尹炳雄，谷多多，蔡文哲，等. 基于多模型切换预测控制的新型矢量发动机模态切换控制方法［J］. 航空动力学报， 2026， 41（4）： 20240821.
	YIN B X， GU D D， CAI W Z， et al. Mode switching control method based on multi-model switching predictive control for a novel thrust vector control engine［J］. Journal of Aerospace Power， 2026， 41（4）： 20240821 （in Chinese）.
[6]	MCKINNEY J S. Simulation of turbofan engine， Part Ⅰ. Description of method and balancing technique： AFAPC-TR-67-125［R］. Ohio： Air Force Aero-Propulsion Laboratory， 1967.
[7]	KOENIG R W， FISHBACH L H. GENENG： A program for calculating design and off-design performance for turbojet and turbofan engines： NASA-TN-D-6552 ［R］. Washington， D.C.： NASA， 1972.
[8]	FISHBACH L H， KOENIG R W. GENENG II： A program for calculating design and off-design performance of two-and three-spool turbofans with as many as three nozzles［M］. Washington， D.C.： NASA， 2018.
[9]	JIANG Y F， GONG X Y， LIU D， et al. EnlightenGAN： Deep light enhancement without paired supervision［J］. IEEE Transactions on Image Processing， 2021， 30： 2340-2349.
[10]	LYTLE J， FOLLEN G， NAIMAN C， et al. Numerical propulsion system simulation （NPSS） 1999 industry review： NASA/TM-2000-209795［R］. Washington， D.C.： NASA， 2000.
[11]	周文祥，黄金泉，窦建平，等. 面向对象的涡扇发动机及控制系统仿真平台［J］. 航空动力学报， 2007， 22（1）： 119-125.
	ZHOU W X， HUANG J Q， DOU J P， et al. Object-oriented simulation platform for turbofan engine and its control system［J］. Journal of Aerospace Power， 2007， 22（1）： 119-125 （in Chinese）.
[12]	夏飞，黄金泉，周文祥. 基于MATLAB/SIMULINK的航空发动机建模与仿真研究［J］. 航空动力学报， 2007， 22（12）： 2134-2138.
	XIA F， HUANG J Q， ZHOU W X. Modeling of and simulation research on turbofan engine based on MATLAB/SIMULINK［J］. Journal of Aerospace Power， 2007， 22（12）： 2134-2138 （in Chinese）.
[13]	张曙光，魏志远，夏双枝. 面向适航的航空发动机非线性气动热力建模方法综述［J］. 航空动力学报， 2018， 33（12）： 2885-2899.
	ZHANG S G， WEI Z Y， XIA S Z. Review on methods of aircraft engine nonlinear aerothermal-dynamic modeling for airworthiness requirement［J］. Journal of Aerospace Power， 2018， 33（12）： 2885-2899 （in Chinese）.
[14]	卓刚，孙健国，杨刚. 基于小波神经网络的航空发动机建模研究［J］. 南京航空航天大学学报， 2004， 36（6）： 728-731.
	ZHUO G， SUN J G， YANG G. Aeroengine modeling based on wavelet neural network［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2004， 36（6）： 728-731 （in Chinese）.
[15]	杨坤，宗国仁，王伟. 基于Hammerstein系统的航空发动机部件级辨识建模方法［J］. 海军航空大学学报， 2025， 40（1）： 133-141.
	YANG K， ZONG G R， WANG W. Modeling and identification method for aerospace engine components based on Hammerstein systems［J］. Journal of Naval Aviation University， 2025， 40（1）： 133-141 （in Chinese）.
[16]	叶一帆，王占学，张晓博. 基于多代理模型的航空发动机建模及优化方法［J］. 推进技术， 2021， 42（12）： 2684-2693.
	YE Y F， WANG Z X， ZHANG X B. Multi-surrogates based modelling and optimization algorithm suitable for aero-engine［J］. Journal of Propulsion Technology， 2021， 42（12）： 2684-2693 （in Chinese）.
[17]	LUPPOLD R， ROMAN J， GALLOPS G， et al. Estimating in-flight engine performance variations using Kalman filter concepts［C］∥25th Joint Propulsion Conference. Reston： AIAA， 1989.
[18]	KERR L J， NEMEC T S， GALLOPS G W. Real-time estimation of gas turbine engine damage using a control based Kalman filter algorithm［C］∥ASME 1991 International Gas Turbine and Aeroengine Congress and Exposition. New York： ASME， 2015.
[19]	VOLPONI A J， SIMON D L. Enhanced self tuning on-board real-time model （eSTORM） for aircraft engine performance health tracking： NASA/CR-2008-215272 ［R］. Washington， D.C.： NASA， 2008.
[20]	LU F， ZHENG W H， HUANG J Q， et al. Life cycle performance estimation and in-flight health monitoring for gas turbine engine［J］. Journal of Dynamic Systems， Measurement， and Control， 2016， 138（9）： 091009.
[21]	CHEN Q， SHENG H L， ZHANG T H. An improved nonlinear onboard adaptive model for aero-engine performance control［J］. Chinese Journal of Aeronautics， 2023， 36（10）： 317-334.
[22]	陆军，郭迎清，张书刚. 航空发动机非线性模型实时计算的迭代方法研究［J］. 航空动力学报， 2010， 25（3）： 681-686.
	LU J， GUO Y Q， ZHANG S G. Research on the iteration methods in aero-engine non-linear model real-time computation［J］. Journal of Aerospace Power， 2010， 25（3）： 681-686 （in Chinese）.
[23]	陆军，郭迎清，张书刚. 基于改进混合卡尔曼滤波器的航空发动机机载自适应模型［J］. 航空动力学报， 2011， 26（11）： 2593-2600.
	LU J， GUO Y Q， ZHANG S G. Aeroengine on-board adaptive model based on improved hybrid Kalman filter［J］. Journal of Aerospace Power， 2011， 26（11）： 2593-2600 （in Chinese）.
[24]	XU M J， WANG K， LI M， et al. An adaptive on-board real-time model with residual online learning for gas turbine engines using adaptive memory online sequential extreme learning machine［J］. Aerospace Science and Technology， 2023， 141： 108513.
[25]	代安宁. 航空发动机机载自适应模型及优化控制研究［D］. 大连：大连理工大学， 2020.
	DAI A N. Research on the on-board adaptive model and optimization control of aero-engine［D］. Dalian： Dalian University of Technology， 2020 （in Chinese）.
[26]	WEI Z Y， ZHANG S G， JAFARI S， et al. Gas turbine aero-engines real time on-board modelling： A review， research challenges， and exploring the future［J］. Progress in Aerospace Sciences， 2020， 121： 100693.
[27]	LU F， GAO T， HUANG J Q， et al. Nonlinear Kalman filters for aircraft engine gas path health estimation with measurement uncertainty［J］. Aerospace Science and Technology， 2018， 76： 126-140.
[28]	陈芊. 高稳定高安全性航空发动机模型基智能控制方法研究［D］. 南京：南京航空航天大学， 2023.
	CHEN Q. Model-based intelligent control method with high stability and high safety for aircraft engine［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2023 （in Chinese）.
[29]	LU F， LI Z H， HUANG J Q， et al. Hybrid state estimation for aircraft engine anomaly detection and fault accommodation［J］. AIAA Journal， 2020， 58（4）： 1748-1762.
[30]	LU F， GAO T， HUANG J Q， et al. A novel distributed extended Kalman filter for aircraft engine gas-path health estimation with sensor fusion uncertainty［J］. Aerospace Science and Technology， 2019， 84： 90-106.
[31]	杨曦中，艾剑良. 基于改进强跟踪滤波器的发动机自适应模型［J］. 系统仿真学报， 2018， 30（8）： 2918-2927.
	YANG X Z， AI J L. Design of aircraft engine adaptive model based on improved strong tracking filter［J］. Journal of System Simulation， 2018， 30（8）： 2918-2927 （in Chinese）.
[32]	ZHOU X， LU F， HUANG J Q. Fault diagnosis based on measurement reconstruction of HPT exit pressure for turbofan engine［J］. Chinese Journal of Aeronautics， 2019， 32（5）： 1156-1170.
[33]	ZHANG Y， WEN S X， LIU K Z， et al. Health parameters estimation of turbofan engine based on improved UKF method［C］∥2022 41st Chinese Control Conference （CCC）. Piscataway： IEEE Press， 2022： 4008-4015.
[34]	LU F， HUANG J Q， LV Y Q. Gas path health monitoring for a turbofan engine based on a nonlinear filtering approach［J］. Energies， 2013， 6（1）： 492-513.
[35]	YANG B， SENGUPTA P， MENON P K. Turbine engine performance estimation using particle filters［C］∥ 53rd AIAA Aerospace Sciences Meeting. Reston： AIAA， 2015.
[36]	WANG Q H， HUANG J Q， LU F. An improved particle filtering algorithm for aircraft engine gas-path fault diagnosis［J］. Advances in Mechanical Engineering， 2016， 8（7）： 1687814016659602.
[37]	YU J B. Aircraft engine health prognostics based on logistic regression with penalization regularization and state-space-based degradation framework［J］. Aerospace Science and Technology， 2017， 68： 345-361.
[38]	ZHU J T， HU Y， LI Y， et al. Application of adaptive square root cubature Kalman filter in turbofan engine gas path performance monitoring［J］. IOP Conference Series： Earth and Environmental Science， 2019， 267（4）： 042073.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

引气涵道	流量/（kg·s^-1）	总焓/（kJ·kg^-1）	总温/K	总压/kPa
数学模型	0.05	516.63	925.14	480.36
设计点参数	0.05	523.11	937.08	500.56
误差量/%	3.96	1.24	1.27	4.04

伴随发动机喷管	流量/（kg·s^-1）	推力/N
数学模型	0.102 5	10.41
设计点参数	0.106 7	11.06
误差量/%	3.9	5.88

参数	UKF的均方根误差	EKF的均方根误差
压气机流量系数估计	0.001 33	0.001 76
压气机效率系数估计	0.002 63	0.003 07
涡轮流量系数估计	0.001 47	0.002 56
涡轮效率系数估计	0.002 07	0.003 80

多伴随矢量发动机直接推力控制方法

Direct thrust control method for multi-companion vectoring engines

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 30

参考文献 38

相关文章 7

编辑推荐

Metrics

本文评价

[1]	黄景帅, 李永远, 汤国建, 包为民. 高超声速滑翔目标自适应跟踪方法[J]. 航空学报, 2020, 41(9): 323786-323786.
[2]	刘一鸣, 盛文, 胡冰, 张磊. 相控阵雷达长时跟踪波束调度与波形优化策略[J]. 航空学报, 2020, 41(3): 323519-323519.
[3]	虞翔, 张建秋. 高斯非平稳机动目标波达角模型及跟踪[J]. 航空学报, 2015, 36(10): 3430-3438.
[4]	郭泽, 缪玲娟, 赵洪松. 一种改进的强跟踪UKF算法及其在SINS大方位失准角初始对准中的应用[J]. 航空学报, 2014, 35(1): 203-214.
[5]	谢阳光, 伊国兴, 王常虹, 曲耀斌. 高斯-厄米特滤波器在捷联惯导系统初始对准中的应用[J]. 航空学报, 2012, (3): 554-560.
[6]	赵琳;丁继成;孙明;舒宇. 极弱信号环境下GPS位同步和载波跟踪技术[J]. 航空学报, 2010, 31(6): 1204-1212.
[7]	韩帅;王文静;陈曦;孟维晓. 基于UKF准开环结构的高动态载波跟踪环路[J]. 航空学报, 2010, 31(12): 2393-2399.