Identification and Optimal Nonlinear Control of Turbojet Engine Using Koopman Eigenfunction Model

要約

ガスタービンエンジンは、複雑な非常に非線形動力システムを表しています。
物理ベースのモデルを導き出すことは、パフォーマンスの特性を必要とするため、常に利用できるとは限らないため、挑戦的です。
このホワイトペーパーでは、閉ループ制御下で標準エンジン動作から収集されたデータに基づいて識別技術を採用することにより、コンポーネントレベルおよび局所線形パラメーター変化モデルの導出に使用される従来の実験方法の制限について説明し、対処します。
ローターダイナミクスは、非線形ダイナミクスのまばらな識別を使用して推定されました。
その後、ダイナミクスの自律的な部分は、最適に構築されたKoopman固有機能空間にマッピングされました。
このプロセスには、メタヒューリスティックなアルゴリズムと時間投影を使用した固有値の最適化が含まれ、その後勾配ベースの固有関数識別が続きました。
結果のKoopmanモデルは、社内参照コンポーネントレベルモデルに対して検証されました。
次に、グローバルに最適な非線形フィードバックコントローラーとカルマン推定器が、固有関数空間で設計され、古典的およびゲインスケジュールされた比例統合コントローラー、および提案された内部モデル制御アプローチと比較しました。
固有モード構造により、最適化プロセス中に個々のモードをターゲットにし、パフォーマンスの調整が向上しました。
結果は、Koopmanベースのコントローラーが、そのグローバルな性質により、海面およびさまざまな飛行条件下で、参照追跡と妨害拒絶の両方で他のベンチマークコントローラーを上回ることを示しました。

要約(オリジナル)

Gas turbine engines represent complex highly nonlinear dynamical systems. Deriving their physics-based models can be challenging as it requires performance characteristics, that are not always available, and one often has to make many simplifying assumptions. In this paper, the limitations of conventional experimental methods used to derive component-level and locally linear parameter-varying models are discussed and addressed by employing identification techniques based on data collected from standard engine operation under closed-loop control. The rotor dynamics were estimated using the sparse identification of nonlinear dynamics. Subsequently, the autonomous part of the dynamics was mapped into an optimally constructed Koopman eigenfunction space. The process included eigenvalue optimization using metaheuristic algorithms and temporal projection, followed by gradient-based eigenfunction identification. The resulting Koopman model was validated against an in-house reference component-level model. A globally optimal nonlinear feedback controller and a Kalman estimator were then designed in the eigenfunction space and compared to the classical and gain-scheduled proportional-integral controllers, as well as a proposed internal model control approach. The eigenmode structure allowed targeting individual modes during the optimization process, resulting in a better performance tuning. The results showed that the Koopman-based controller outperformed the other benchmark controllers in both reference tracking and disturbance rejection, under sea-level and varying flight conditions, due to its global nature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google