一种含在线修正的航空发动机智能多变量控制方法
专利汇可以提供一种含在线修正的航空发动机智能多变量控制方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种含在线修正的航空 发动机 智能多变量控制方法，该方法包括：采用神经网络组建立 发动机转速 、压比控制系统的NARMA-L2模型；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。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。，下面是一种含在线修正的航空发动机智能多变量控制方法专利的具体信息内容。
1.一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：
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；
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。
2.根据权利要求1所述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：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：
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]，k表示时刻；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：
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]
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]
其中，f1(·)、g1(·)、f2(·)、g2(·)通过四个前馈神经网络f1、g1、f2和g2近似得到；
步骤A2)，将f1、g1、f2和g2四个前馈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组f1、g1、f2和g2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。
3.根据权利要求2所述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：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：
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；
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。
4.根据权利要求3所述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：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：
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：
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：
f1(k)＝f1(y1[k-1],y1[k-2],…,y1[k-n+1],u1[k-1],...,u1[k-n+1])
g1(k)＝g1(y1[k-1],y1[k-2],...,y1[k-n+1],u1[k-1],...,u1[k-n+1])
f2(k)＝f2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])
g2(k)＝g2(y2[k-1],y2[k-2],...,y2[k-n+1],u2[k-1],...,u2[k-n+1])
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。
5.根据权利要求4所述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：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：
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：
其中，α为补偿量增益，由多次试取法确定；
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：
u1[k]＝u1_original[k]+Δu1[k]
u2[k]＝u2_original[k]+Δu2[k]
步骤B2.2.3)将实际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：
W(k+1)＝W(k)+βΔW(k)
V(k+1)＝V(k)+βΔV(k)
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：
wi(k+1)＝wi(k)-βΔwi(k)
vi(k+1)＝vi(k)-βΔvi(k)
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；
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。
一种含在线修正的航空发动机智能多变量控制方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法 | 2020-05-08 | 242 |
| 基于ELM神经网络的动态手势学习与识别方法 | 2020-05-13 | 432 |
| 推文级社会媒体谣言检测方法 | 2020-05-14 | 773 |
| 一种基于语义增强与多层次标签嵌入的短文本分类方法 | 2020-05-16 | 603 |
| 一种基于BERT并融合可区分属性特征的刑事案件刑期预测方法 | 2020-05-08 | 743 |
| 一种基于PU learning的跨区域企业偷漏税识别方法 | 2020-05-15 | 761 |
| 一种基于删减型前馈小世界神经网络出水BOD预测方法 | 2020-05-12 | 884 |
| 一种考虑基节误差自由修形螺旋齿轮承载接触分析方法 | 2020-05-13 | 215 |
| 文本分类方法、装置、设备及可读存储介质 | 2020-05-13 | 761 |
| 一种对话系统中的句子多样性生成方法及系统 | 2020-05-16 | 774 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
