飞机液压系统压力脉冲试验的机理分析与控制

液压系统是飞机的重要系统之一，而飞机液压系统的压力脉冲可以导致飞机液压元件的提前疲劳损坏，严重时可能造成重大飞行事故，因此航标规定飞机液压系统的液压元件必须进行压力脉冲试验。通过试验，既可以考核液压元件的抗疲劳破坏能力，又可以发现设计中存在的问题，从而以改进设计，提高飞机系统的可靠性。目前，我国在飞机液压系统压力脉冲试验领域还处于起步阶段，相关的理论研究和试验技术研究相对薄弱。面对国内新机型研制的客观需要，论文对飞机液压系统压力脉冲试验展开了理论研究和实践探索工作。 论文的研究工作围绕飞机液压系统压力脉冲试验系统进行的。这种压力脉冲试验系统是一种新型的通用型试验系统，它突破了国内现有产品的局限性，能够在多种试验环境下，对多种液压元件控制产生多种试验波形。针对该试验系统的特殊性、复杂性和先进性，论文从以下几个方面进行了研究。首先是试验系统的机理分析。论文应用特征线法建立了管内流体的精确数学模型，在此基础上根据该试验系统对水锤波和梯形波(或正弦波)的实现原理不同，分别建立了飞机液压系统压力脉冲试验的Ⅰ型系统模型和Ⅱ型系统模型，并进行了计算机数字仿真。仿真曲线与试验曲线的对比表明了数学模型的正确性和精确性。之后，又进一步在其数学模型上分析和讨论了影响水锤波波形的关键因素，得到了重要的结论。其次为了能够满足水锤波控制对多种试验任务的需要，论文提出了CMAC与传统控制方法并行控制方案。该方案结合了CMAC和传统控制的优点，具有自学习、自适应特点，能够对试验件按类别区别对待，仿真和实践表明该方案控制精度高，波形调整时间短，有较强的鲁棒性。最后研究了对于梯形波和正弦波的智能控制算法。这种控制属于轨迹跟踪问题，与水锤波控制完全不同，必须应用新的控制算法。由于液压系统中存在的非线性和时变性，常规的PID控制很难满足控制精度的要求，因此论文分别提出了具有自适应能力的基于DRNN神经网络的非线性模型预测控制(NMPC)、闭环P型迭代学习控制(ILC)和CMAC自学习控制。其中：基于DRNN神经网络的NMPC应用动态神经网络DRNN作为非线性系统的预测模型，使用了具有全局优化能力的启发式遗传算法作为滚动优化工具，仿真结果表明该控制器获得了比PID控制更好的控制效果；闭环P型ILC由于较好的解决了该算法的初值问题和过学习现象，在经过有限次迭代后就获得了满意的控制精度，与基于DRNN神经网络的NMPC相比具有算法简单、实时性好和控制精度高的特点；CMAC自学习控制是一种综合了ILC的优点和CMAC的局部泛化、记忆能力的新型控制器，由于采用NNPID作为反馈控制，从而表现出更优良的跟踪特性。 理论研究和实践结果表明：系统建模正确、仿真精度较高；所提出的智能控制算法具有自适应能力，能够满足该系统对多种试验任务的控制需要；论文经过理论分析和实践探索得到的结论对推动我国压力脉冲试验的规范化进程具有重要的意义。