技术领域
[0001] 本
发明属于航空发动机多变量控制技术领域,尤其涉及一种含在线修正的航空发动机智能多变量控制方法。
背景技术
[0002] 随着现代航空技术的飞速发展,
飞行器需要性能更强、可靠性更高的航空发动机。航空发动机是一个复杂的热
力学系统,具有很强的不确定性和时变性,这使得
控制器的设计变得困难。经典控制理论和现代控制理论由于研究的对象主要是线性时不变系统,依赖于精确地数学模型,这导致在航空发动机这类强非线性、时变性和复杂性的控制系统的应用存在着极大的困难。因此科研人员试图用简单的近似模型代替复杂的系统并根据其易分析、易处理性以及在实际问题中应用的可能性来评判其价值。尽管人们从一开始就认识到实际的动态系统是非线性的,但在平衡状态小邻域内的线性化在数学上易处理。特别是
叠加原理,使得以线性方式的计算足够简单。最重要的是对于大多数非线性系统其线性化的模型可以在正常的使用范围获得令人满意的
精度,因此获得了广泛应用。
[0003] 智能控制方法是以接近人类思维方式的
人工智能算法为
基础的一种控制理论,神经网络方法是智能控制理论的一个重要分支。近年来,技术上的快速进步使得系统很多时候被要求在线性化不够精确的
状态空间的区域里运行。为了解决这个问题,神经网络由于其良好的逼近和泛化能力被广泛应用。带有反
馈线性化的非线性自回归滑动平均(Nonlinear Auto regressive Moving Average with Feedback Linearization,NARMA-L2)控制器是一种有效的
人工神经网络控制器架构。在一定条件下,非线性系统的输入输出关系可以由NARMA-L2模型辨识得到,并且可以通过简单的数学变换得到控制律。该模型首先由Narendra和Mukhopadhyay引入,如今已在许多非线性系统中得到了广泛应用。
[0004] NARMA-L2模型是神经网络近似模型,该模型存在建模误差和训练误差。为了提高控制器在
飞行包线内的适用性,本发明提出了一种含在线修正的航空发动机智能多变量控制方法。该方法利用梯度下降算法对NARMA-L2模型中的神经网络参数进行在线修正,使其具有自适应的特性,同时提出了一种NARMA-L2线性补偿策略,进一步提高控制器在包线范围内的控制品质。
发明内容
[0005] 针对上述技术问题,本发明提供一种含在线修正的航空发动机智能多变量控制方法,解决了传统的基于神经网络
预测模型的建立和控制律的在线求解存在困难,控制器在包线内扩展应用存在控制品质下降的问题。
[0006] 技术方案:为实现上述目的,本发明采用的技术方案为:
[0007] 一种含在线修正的航空发动机智能多变量控制方法,其特征在于,包括以下步骤:
[0008] 步骤A)分别根据发动机模型主燃油量与高压
转子转速以及尾喷管喉道面积与整机压比之间的关系,采用神经网络组构建航空发动机智能多变量控制系统的NARMA-L2模型;
[0009] 步骤B)结合NARMA-L2模型,设计基于NARMA-L2线性补偿策略和梯度下降算法的控制器在线修正模
块,得到在包线内一定工况范围内具有自适应能力的航空发动机智能多变量控制器。
[0010] 进一步的,所述步骤A)中分别根据发动机模型主燃油量与高压转子转速以及尾喷管喉道面积与整机压比之间的关系,采用神经网络组构建航空发动机智能多变量控制系统的NARMA-L2模型具体步骤如下:
[0011] 步骤A1),选取发动机主燃油量作为输入量u1[k],高压转子转速作为输出量y1[k];选取发动机尾喷管喉道面积作为输入量u2[k],整机压比作为输出量y2[k]并根据所选输入输出量构建双回路NARMA-L2模型为:
[0012] y1[k]=f1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])+g1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])u1[k]
[0013] y2[k]=f2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])+g2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])u2[k]
[0014] 其中,f1(·)、g1(·)、f2(·)、g2(·)可以通过四个
前馈神经网络f1、g1、f2和g2近似得到;
[0015] 步骤A2),将f1、g1、f2和g2四个神经网络结构随机初始化,根据训练样本利用
梯度下降法对神经网络进行离线训练,得到训练后的航空发动机智能多变量控制系统的NARMA-L2模型。
[0016] 进一步的,所述步骤B)中结合NARMA-L2模型,设计基于NARMA-L2线性补偿策略和梯度下降算法的控制器在线修正模块,得到在包线内一定工况范围内具有自适应能力的航空发动机智能多变量控制器具体步骤如下:
[0017] 步骤B1),构建神经网络的航空发动机智能多变量控制系统结构图,包括NARMA-L2模型、转速控制器、压比控制器、发动机模型、在线修正模块;
[0018] 步骤B2),设计基于梯度下降算法和NARMA-L2线性补偿策略的在线修正模块,得到航空发动机智能多变量控制器。
[0019] 进一步的,所述步骤B2)设计基于梯度下降算法和NARMA-L2线性补偿策略的在线修正模块,得到航空发动机智能多变量控制器具体步骤如下:
[0020] 步骤B2.1),根据步骤A2)训练得到的NARMA-L2模型分别求得转速、压比初始控制律为:
[0021]
[0022]
[0023] 其中,y1*[k]和y2*[k]分别为发动机高压转子转速和整机压比的期望输出;f1(k)、g1(k)、f2(k)和g2(k)的表达式为:
[0024] f1(k)=f1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])[0025] g1(k)=g1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])[0026] f2(k)=f2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])[0027] g2(k)=g2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])[0028] 步骤B2.2),根据期望输出和实际输出之间的误差,利用NARMA-L2线性补偿策略对u1[k]和u2[k]进行补偿,并根据梯度下降算法修正神经网络f1、g1、f2和g2的拓扑参数。
[0029] 进一步的,所述步骤B2.2)中根据期望输出和实际输出之间的误差,利用NARMA-L2线性补偿策略对u1[k]和u2[k]进行补偿,并根据梯度下降算法修正神经网络f1、g1、f2和g2的拓扑参数具体步骤如下:
[0030] 步骤B2.2.1),判断当前时刻是否为初始时刻,若为初始时刻,则不进行补偿;若不为初始时刻,则根据上一时刻发动机实际输入u[k-1]、实际输出y[k-1]以及NARMA-L2模型中神经网络输出f(k-1)、g(k-1),计算当前时刻初始控制量的补偿值Δu[k],具体公式为:
[0031]
[0032]
[0033] 其中,α为补偿量增益,由多次试取法确定;
[0034] 步骤B2.2.2),根据当前时刻初始控制律得到的控制量uoriginal[k]与控制量的补偿值Δu[k],计算得到实际控制量u[k],具体公式为:
[0035] u1[k]=u1_original[k]+Δu1[k]
[0036] u2[k]=u2_original[k]+Δu2[k]
[0037] 步骤B2.2.3)将控制量作用于航空发动机获得当前时刻的实际输出y[k],利用期望输出和实际输出间的误差eC[k]对神经网络组f1、g1、f2和g2的拓扑参数进行在线修正,具体公式为:
[0038] W(k+1)=W(k)+βΔW(k)
[0039] V(k+1)=V(k)+βΔV(k)
[0040] 其中,W和V分别为神经网络组的权值和
阈值;β为学习率,其大小影响参数的调整速度,由多次试取法确定;ΔW(k)和ΔV(k)为雅可比矩阵,分别表示权值和阈值的增量。拓扑向量中的各元素在k时刻的更新如下:
[0041] wi(k+1)=wi(k)-βΔwi(k)
[0042] vi(k+1)=vi(k)-βΔvi(k)
[0043]
[0044]
[0045] 其中,T={y(k),y(k-1),y(k-2),...,y(k-n),u(k-1),u(k-2),…,u(k-n)};wi、vi分别表示W和V的第i个元素;g0表示g1或g2;Δwi、Δvi分别表示ΔW(k)和ΔV(k)的第i个元素。
[0046] 根据更新后的NARMA-L2模型得到k+1时刻的转速、压比控制器。至此,智能多变量控制器设计结束。
[0047] 有益效果:本发明解决了传统的基于神经网络预测模型的建立和控制律的在线求解存在困难,控制器在包线内扩展应用存在控制品质下降的问题,适用于在一定飞行包线内不同工作点的
发动机转速、压比的多变量控制,对于消除发动机控制系统稳态误差、提高控制器包线内适用范围和控制品质有着积极促进的作用。
附图说明
[0048] 图1是本发明基于神经网络的航空发动机智能多变量控制结构图。
[0049] 图2是燃油量输入数据样本集分布图。
[0050] 图3是高压转子转速输出数据样本集分布图。
[0051] 图4是尾喷管喉道面积输入数据样本集分布图。
[0052] 图5是整机压比输出数据样本集分布图。
[0053] 图6是H、Ma随时间变化示意图。
[0054] 图7是燃油量变化示意图。
[0055] 图8是尾喷管喉道面积变化示意图。
[0056] 图9是高压转子转速对指令
信号追踪示意图。
[0057] 图10是整机压比对指令信号追踪示意图。
具体实施方式
[0058] 下面结合附图对本发明的具体实施方式作更进一步的说明。
[0059] 发明说明的一种含在线修正的航空发动机智能多变量控制方法,其特征在于,包括以下步骤:
[0060] 步骤A)分别根据发动机模型主燃油量与高压转子转速以及尾喷管喉道面积与整机压比之间的关系,采用神经网络组构建航空发动机智能多变量控制系统的NARMA-L2模型;
[0061] 步骤B)结合NARMA-L2模型,设计基于NARMA-L2线性补偿策略和梯度下降算法的控制器在线修正模块,得到在包线内一定工况范围内具有自适应能力的航空发动机智能多变量控制器。
[0062] 步骤A1),选取发动机主燃油量作为输入量u1[k],高压转子转速作为输出量y1[k];选取发动机尾喷管喉道面积作为输入量u2[k],整机压比作为输出量y2[k]并根据所选输入输出量构建双回路NARMA-L2模型为:
[0063] y1[k]=f1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])+g1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])u1[k]
[0064] y2[k]=f2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])+g2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])u2[k]
[0065] 其中,f1(·)、g1(·)、f2(·)、g2(·)可以通过四个前馈神经网络f1、g1、f2和g2近似得到;
[0066] 步骤A2),将f1、g1、f2和g2四个神经网络结构随机初始化,根据训练样本利用梯度下降法对神经网络进行离线训练,得到训练后的航空发动机智能多变量控制系统的NARMA-L2模型。
[0067] 步骤B1),构建神经网络的航空发动机智能多变量控制系统结构图,包括NARMA-L2模型、转速控制算式、压比控制算式、发动机模型、在线修正模块;
[0068] 步骤B2),设计基于梯度下降算法和NARMA-L2线性补偿策略的在线修正模块,得到航空发动机智能多变量控制器。
[0069] 进一步的,所述步骤B2)设计基于梯度下降算法和NARMA-L2线性补偿策略的在线修正模块,得到航空发动机智能多变量控制器具体步骤如下:
[0070] 步骤B2.1),根据步骤A2)训练得到的NARMA-L2模型分别求得转速、压比初始控制律为:
[0071]
[0072]
[0073] 其中,y1*[k]和y2*[k]分别为发动机高压转子转速和整机压比的期望输出;f1(k)、g1(k)、f2(k)和g2(k)的表达式为:
[0074] f1(k)=f1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])[0075] g1(k)=g1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])[0076] f2(k)=f2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])[0077] g2(k)=g2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])[0078] 步骤B2.2),根据期望输出和实际输出之间的误差,利用NARMA-L2线性补偿策略对u1[k]和u2[k]进行补偿,并根据梯度下降算法修正神经网络f1、g1、f2和g2的拓扑参数。
[0079] 步骤B2.2.1),判断当前时刻是否为初始时刻,若为初始时刻,则不进行补偿;若不为初始时刻,则根据上一时刻发动机实际输入u[k-1]、实际输出y[k-1]以及NARMA-L2模型中神经网络输出f(k-1)、g(k-1),计算当前时刻初始控制量的补偿值Δu[k],具体公式为:
[0080]
[0081]
[0082] 其中,α为补偿量增益,由多次试取法确定;
[0083] 步骤B2.2.2),根据当前时刻初始控制律得到的控制量uoriginal[k]与控制量的补偿值Δu[k],计算得到实际控制量u[k],具体公式为:
[0084] u1[k]=u1_original[k]+Δu1[k]
[0085] u2[k]=u2_original[k]+Δu2[k]
[0086] 步骤B2.2.3)将控制量作用于航空发动机获得当前时刻的实际输出y[k],利用期望输出和实际输出间的误差eC[k]对神经网络组f1、g1、f2和g2的拓扑参数进行在线修正,具体公式为:
[0087] W(k+1)=W(k)+βΔW(k)
[0088] V(k+1)=V(k)+βΔV(k)
[0089] 其中,W和V分别为神经网络组的权值和阈值;β为学习率,其大小影响参数的调整速度,由多次试取法确定;ΔW(k)和ΔV(k)为雅可比矩阵。拓扑向量中的各元素在k时刻的更新如下:
[0090] wi(k+1)=wi(k)-βΔwi(k)
[0091] vi(k+1)=vi(k)-βΔvi(k)
[0092]
[0093]
[0094] 其中,T={y(k),y(k-1),y(k-2),...,y(k-n),u(k-1),u(k-2),…,u(k-n)}。
[0095] 根据更新后的NARMA-L2模型得到k+1时刻的转速、压比控制器。至此,智能多变量控制器设计结束。
[0096] 为了验证本发明所设计的基于神经网络的航空发动机智能多变量控制方法的有效性,在MATLAB环境下进行了一定包线内发动机
起飞、加减速过程的数字仿真。
[0097] 本发明采用某型双转子小涵道比涡扇发动机的非线性部件模型作为被控对象。该模型通过面向对象编程的方法构建,包括了进气道,
风扇,
压气机,
燃烧室,
涡轮和尾喷管等航空发动机的重要部件,并且很容易在MATLAB环境中调用。
[0098] 在进行控制器性能仿真验证之前,首先利用神经网络分别对两组NARMA-L2模型进行辨识。其中每个模型包含两个神经网络,均为单隐含层,且
输入层、隐含层和
输出层的神经元个数分别为6、10和1。在进行训练之前,利用航空发动机模型在H=0,Ma=0的飞行条件下,过随机的
输入信号生成包含20000组训练样本的主燃油量-高压转子转速数据集,同时利用同样的方法生成20000组尾喷管燃油量-整机压比数据集,其中H代表飞行高度,Ma代表
马赫数。数据集中各个参数的范围如图2-图5所示,根据生成的
训练数据训练神经网络组的NARMA-L2模型。
[0099] 为了验证本发明提出的方法在飞行包线内的适用性,本文在全包线范围内
选定发动机运行轨迹,如图6所示,此时发动机处于状态,控制量的变化和转速压比追踪仿真结果如图7-图10所示。
[0100] 由仿真结果可以看出,随着飞行条件的变化,发动机转速和压比指令信号也随之变化,得益于本发明提出的智能多变量控制方法在包线内良好的适用性,使得发动机高压转子转速及整机
增压比能够
跟踪指令信号,且具有较好动态响应。仿真结果表明,含有在线修正的航空发动机智能多变量控制方法在飞行包线内具有良好的控制品质。
[0101] 本发明设计的含在线修正的航空发动机智能多变量控制方法,解决了传统的基于神经网络预测模型的建立和控制律的在线求解存在困难,控制器在包线内扩展应用存在控制品质下降的问题,适用于在一定飞行包线内不同工作点的发动机转速、压比的多变量控制,对于消除发动机控制系统稳态误差、提高控制器包线内适用范围和控制品质有着积极促进的作用。
[0102] 需要指出的是,以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化和替换,都应涵盖在本发明的保护范围内。因此,本发明的保护范围应以所述
权利要求的保护范围为准。