✨ 长期致力于变循环发动机、性能寻优控制、多变量控制、卡尔曼滤波器、模型参考自适应滑模控制、差分进化算法研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于量子粒子群的混合求解算法加速共同工作方程组收敛：
针对变循环发动机部件级建模中共同工作方程组求解初值敏感问题，设计一种量子粒子群与牛顿拉夫逊混合求解策略。在每一稳态点计算中，首先用量子粒子群执行粗搜索，粒子数设为12，最大迭代20步，量子势阱中心随群体最优位置收缩。粗搜索得到近似解后切换至牛顿拉夫逊迭代，使用Broyden方法更新雅可比矩阵以减少计算量。在高度5000m、马赫数0.8工况下，混合方法成功率达到99.3%，平均单点求解耗时18ms，而纯牛顿法在初值偏离时失败率高达34%。同时引入自适应模型实时化处理，对部件热力计算中的气体热物性参数表进行分段线性拟合，使每次调用耗时从0.3ms降至0.04ms。
（2）自适应无迹卡尔曼滤波器用于不可测参数估计：
为在线估计变循环发动机的推力、喘振裕度等不可测参数，提出一种自适应无迹卡尔曼滤波器。状态向量包括高压转子转速、低压转子转速、压气机出口总温及三个退化因子（风扇效率、压气机效率、涡轮效率）。过程噪声协方差矩阵Q根据残差序列的滑动窗口（窗口宽度20步）实时更新，采用指数加权移动平均法，遗忘因子0.95。量测量为可测的六个传感器输出（转速、温度、压力等）。在发动机性能退化仿真中（风扇效率下降2%），AUKF对推力估计的均方根误差为1.2%，相比标准UKF的2.8%和EKF的4.1%有显著提升。估计的喘振裕度误差控制在±0.8%以内。
（3）增广模型参考自适应滑模控制方法：
针对多变量输出跟踪控制问题，设计一种基于LQR的增广模型参考自适应滑模控制器。增广系统包含状态误差积分项以消除稳态误差，参考模型选取理想的一阶响应特性。滑模面设计为线性切换超平面，参数通过LQR方法优化求解。自适应律在线估计系统摄动矩阵上界和外部干扰上界，基于李雅普诺夫严格稳定条件推导，更新速率由自适应增益系数调节（初始0.1，下限0.02）。在过渡态推力跟踪任务中（从慢车状态阶跃至中间状态），与传统滑模相比，推力超调从7.2%降至2.3%，调节时间从1.8秒缩短至0.9秒。多变量解耦性能验证表明，高压转速与压气机出口总压的交叉耦合响应峰值降低58%。
import numpy as np from scipy.optimize import fsolve from scipy.linalg import solve_continuous_are class QuantumParticleSwarm: def __init__(self, dim, n_particles=12, max_iter=20): self.dim = dim self.n = n_particles self.max_iter = max_iter self.x = np.random.randn(n_particles, dim) * 0.1 self.pbest = self.x.copy() self.gbest = self.x[0].copy() self.fit = np.zeros(n_particles) def optimize(self, func, bounds): for i in range(self.n): self.fit[i] = func(self.x[i]) self._update_bests() for t in range(self.max_iter): beta = 0.5 * (1.0 - t/self.max_iter) for i in range(self.n): m_best = np.mean(self.x, axis=0) phi = np.random.rand(self.dim) p = phi * self.pbest[i] + (1-phi) * self.gbest u = np.random.rand(self.dim) step = beta * np.abs(m_best - self.x[i]) * np.log(1/u) self.x[i] = p + step * (-1)**(np.random.randint(0,2,self.dim)) self.x[i] = np.clip(self.x[i], bounds[:,0], bounds[:,1]) new_fit = func(self.x[i]) if new_fit < self.fit[i]: self.pbest[i] = self.x[i].copy() self.fit[i] = new_fit self._update_bests() return self.gbest def _update_bests(self): best_idx = np.argmin(self.fit) if self.fit[best_idx] < func(self.gbest): self.gbest = self.pbest[best_idx].copy() class AdaptiveUKF: def __init__(self, state_dim=8, meas_dim=6, dt=0.02): self.n = state_dim self.m = meas_dim self.dt = dt self.x = np.zeros(state_dim) self.P = np.eye(state_dim) * 0.01 self.Q = np.eye(state_dim) * 1e-4 self.R = np.eye(meas_dim) * 1e-3 self.lambda_ = 3 - state_dim self.alpha = 1e-3 self.beta = 2 self.gamma = np.sqrt(self.lambda_ + state_dim) self.Wm, self.Wc = self._compute_weights() self.residual_window = [] def _compute_weights(self): lam = self.lambda_ n = self.n Wm = np.full(2*n+1, 1/(2*(n+lam))) Wm[0] = lam/(n+lam) Wc = Wm.copy() Wc[0] = lam/(n+lam) + (1 - self.alpha**2 + self.beta) return Wm, Wc def update_q_adaptive(self, residual, window_size=20): self.residual_window.append(residual) if len(self.residual_window) > window_size: self.residual_window.pop(0) if len(self.residual_window) >= 10: S = np.cov(np.array(self.residual_window).T) alpha = 0.95 self.Q = alpha * self.Q + (1-alpha) * S class MRAC_SlidingMode: def __init__(self, A_nom, B_nom, C_nom, ref_model_A, ref_model_B): self.A = A_nom self.B = B_nom self.C = C_nom self.Am = ref_model_A self.Bm = ref_model_B # 解LQR求滑模增益 Q_lqr = np.diag([10,10,10,1,1]) R_lqr = np.eye(2) * 0.1 P = solve_continuous_are(A_nom, B_nom, Q_lqr, R_lqr) self.S = np.linalg.inv(R_lqr) @ B_nom.T @ P self.adaptive_gain = 0.1 def control(self, x, x_ref, d_hat): e = x - x_ref s = self.S @ e # 自适应趋近律 eta = self.adaptive_gain * (1 + np.linalg.norm(d_hat)) u_sw = -eta * np.sign(s) u_eq = -np.linalg.pinv(self.S @ self.B) @ (self.S @ (self.A @ x - self.Am @ x_ref - self.Bm @ x_ref)) u = u_eq + u_sw return u
