这篇文档属于类型a——单篇原创研究的学术报告。以下是详细内容：
主要作者及机构
本文作者包括 Weronika N. Nowicka、Bing Chu、Owen R. Tutty 和 Eric Rogers，分别来自英国南安普顿大学的电子与计算机科学系（Department of Electronics and Computer Science）和工程学院（Faculty of Engineering and the Environment）。研究发表于 *2022 American Control Conference (ACC)*，会议时间为2022年6月8日至10日。
学术背景
研究领域为风能技术中的主动气动载荷控制（Active Aerodynamic Load Control），属于流体力学与控制科学的交叉领域。背景动机源于风电机组大型化趋势下，传统被动控制方法（如桨距调节）对柔性结构的局限性。为实现更高的发电效率和经济性，需通过智能转子（smart rotors）结合主动流动控制（Active Flow Control, AFC）技术，降低因气流扰动引起的升力波动（lift fluctuation），从而减少疲劳载荷和运维成本。
研究目标是基于计算流体动力学（CFD）的降阶模型（Reduced-Order Model, ROM），设计迭代学习控制（Iterative Learning Control, ILC）算法，以优化智能转子（如加装后缘襟翼或微型襟翼）的载荷控制性能。
研究流程
1. 模型构建
- 流体动力学建模：采用非粘性流假设，通过Kármán-Trefftz变换生成翼型剖面（n=1.9），并基于CFD面板法（400个涡流/源面板）模拟二维流动。
- 降阶模型开发：利用本征正交分解（Proper Orthogonal Decomposition, POD）从CFD数据中提取主导模态，构建有限维状态空间模型（式12）。通过忽略高阶非线性项和压力项，线性化为离散形式（式21）。
控制算法设计
仿真验证
主要结果
1. 模型精度：包含导数项的模型（式26）比简化模型（式27）更准确预测升力波动（图4），其CFD验证误差降低至少一个数量级（图13）。
2. 控制性能：
- 权重参数（q, r）影响收敛速度与鲁棒性。当q=1、r=3时，设计（式26）在10次迭代内将误差降至10^-3（图11）。
- 输入信号导数（对应涡量强度）更平滑（图10右），表明模型能有效抑制高频噪声。
3. 比较优势：相较于无模型ILC和传统控制（图14），基于POD-ILC的设计将∞-范数误差降低60%以上。
结论与价值
科学价值：提出了一种结合CFD降阶与ILC的混合建模方法，为高维流体控制问题提供了可计算的解决方案。
应用价值：验证了智能转子在周期性扰动抑制中的潜力，可延长风机部件寿命并降低运维成本。例如，输入信号的优化设计（图12）可直接指导微型襟翼的实时调控。
方法创新：首次在风电机组载荷控制中引入POD-ILC框架，并通过CFD验证了模型保真度对控制稳定性的关键影响（图7 vs 图6）。
研究亮点
1. 多学科融合：将流体力学降阶方法与控制理论结合，解决了传统CFD模型实时性差的瓶颈。
2. 严谨验证：采用CFD作为“真实系统”基准，严格量化了模型简化对控制性能的影响（图4、图13）。
3. 工程导向：针对风电机组的周期性气动载荷（式3），提出了专用的范数最优ILC目标函数设计准则。
未来方向
论文建议进一步研究非确定性流动、更高振荡频率下的鲁棒性，以及执行器延迟补偿（如引入附加涡流模型）。这些方向对海上风机的复杂工况尤为重要。