Koopman-Based Nonlinear Identification and Adaptive Control of a Turbofan Engine

📄 arXiv: 2604.01730 📥 PDF

作者: David Grasev

分类: cs.LG, eess.SY

发布日期: 2026-04-06

💡 一句话要点

提出基于Koopman算子的自适应控制方法，实现涡轮风扇发动机的多变量鲁棒控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: Koopman算子 非线性系统辨识 自适应控制 模型预测控制 涡轮风扇发动机 扩展动态模式分解 多变量控制

📋 核心要点

  1. 传统涡轮风扇发动机控制方法难以应对非线性、时变和不确定性，需要更有效的建模和控制策略。
  2. 利用Koopman算子将非线性系统线性化，并结合元启发式扩展动态模式分解，构建适用于多控制目标的统一模型。
  3. 提出的自适应Koopman模型预测控制（AKMPC）在不同飞行条件下表现出更强的鲁棒性，并改善了推力响应。

📝 摘要（中文）

本文研究了基于Koopman算子的方法，用于双转子涡轮风扇发动机的多变量控制。开发了一个基于物理的组件级模型，用于生成训练数据和验证控制器。提出了一种元启发式扩展动态模式分解方法，其成本函数旨在精确捕获转子转速动态和发动机压力比（EPR），从而构建适用于多个控制目标的单个Koopman模型。利用辨识出的时变Koopman模型，开发了两种控制器：一种带有扰动观测器的自适应Koopman模型预测控制器（AKMPC）和一种Koopman反馈线性化控制器（K-FBLC），后者作为基准。在海平面和变化的飞行条件下，针对转子转速和EPR的配置，对两种控制策略进行了评估。结果表明，所提出的辨识方法能够准确预测转子转速和EPR，使得Koopman模型能够在不同的控制公式中灵活重用。虽然两种控制策略在稳态条件下都取得了相当的性能，但由于AKMPC能够补偿模型失配，因此在变化的飞行条件下，AKMPC表现出比K-FBLC更强的鲁棒性。此外，EPR控制策略改善了推力响应。该研究强调了基于Koopman的控制的适用性，并证明了基于AKMPC的框架在鲁棒涡轮风扇发动机控制方面的优势。

🔬 方法详解

问题定义：针对涡轮风扇发动机的非线性、时变特性，传统控制方法难以实现精确和鲁棒的多变量控制。现有方法通常依赖于线性化模型，在复杂工况下性能下降，且难以适应发动机参数的变化。因此，需要一种能够有效处理非线性动态，并具备自适应能力的控制策略。

核心思路：利用Koopman算子将非线性系统转换为线性系统，从而可以使用线性控制理论进行设计。通过扩展动态模式分解（EDMD）方法辨识Koopman算子，并设计一个成本函数，同时考虑转子转速和发动机压力比（EPR）的动态特性，从而构建一个适用于多个控制目标的统一模型。此外，引入自适应机制和扰动观测器，提高控制器的鲁棒性。

技术框架：该方法主要包含三个阶段：1) 基于物理的组件级模型建立，用于生成训练数据和验证控制器；2) 基于元启发式扩展动态模式分解的Koopman模型辨识，构建时变Koopman模型；3) 基于辨识出的Koopman模型，设计自适应Koopman模型预测控制器（AKMPC）和Koopman反馈线性化控制器（K-FBLC）。AKMPC包含一个扰动观测器，用于补偿模型失配。

关键创新：关键创新在于使用元启发式扩展动态模式分解方法，并设计了一个能够同时精确捕获转子转速和EPR动态的成本函数。这使得可以构建一个适用于多个控制目标的单个Koopman模型，提高了模型的通用性和灵活性。此外，自适应控制器的设计提高了系统在变化飞行条件下的鲁棒性。

关键设计：元启发式扩展动态模式分解的具体算法未知，但成本函数的设计是关键，需要平衡转子转速和EPR的预测精度。自适应控制器的具体实现方式（例如，如何估计和补偿模型失配）以及扰动观测器的设计细节也未明确说明。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的辨识方法能够准确预测转子转速和EPR，使得Koopman模型能够在不同的控制公式中灵活重用。在变化的飞行条件下，AKMPC表现出比K-FBLC更强的鲁棒性，证明了自适应控制的有效性。此外，EPR控制策略改善了推力响应，提升了发动机的整体性能。

🎯 应用场景

该研究成果可应用于先进航空发动机控制系统的设计，提高发动机的性能、燃油效率和可靠性。此外，该方法也可推广到其他非线性系统的建模与控制，例如电力系统、化工过程等，具有广泛的应用前景和实际价值。未来可进一步研究该方法在实际飞行条件下的性能，并探索与其他控制技术的融合。

📄 摘要（原文）

This paper investigates Koopman operator-based approaches for multivariable control of a two-spool turbofan engine. A physics-based component-level model is developed to generate training data and validate the controllers. A meta-heuristic extended dynamic mode decomposition is developed, with a cost function designed to accurately capture both spool-speed dynamics and the engine pressure ratio (EPR), enabling the construction of a single Koopman model suitable for multiple control objectives. Using the identified time-varying Koopman model, two controllers are developed: an adaptive Koopman-based model predictive controller (AKMPC) with a disturbance observer and a Koopman-based feedback linearization controller (K-FBLC), which serves as a benchmark. The controllers are evaluated for two control strategies, namely configurations of spool speeds and EPR, under both sea-level and varying flight conditions. The results demonstrate that the proposed identification approach enables accurate predictions of both spool speeds and EPR, allowing the Koopman model to be reused flexibly across different control formulations. While both control strategies achieve comparable performance in steady conditions, the AKMPC exhibits superior robustness compared with the K-FBLC under varying flight conditions due to its ability to compensate for model mismatch. Moreover, the EPR control strategy improves the thrust response. The study highlights the applicability of Koopman-based control and demonstrates the advantages of the AKMPC-based framework for robust turbofan engine control.