技术领域
[0001] 本
发明属于航空发动机仿真与控制领域，具体涉及一种基于神经网络的涡扇发动机推力预测方法及控制器。
背景技术
[0002] 由于航空发动机技术的不断改进，发动机控制系统的性能要求也越来越高。传统的控制方法以牺牲发动机性能为代价来满足所有的约束限制，难以满足发动机越来越高的性能要求。与传统控制方法相比，模型预测控制(Model Predictive Control,MPC)不仅能够处理系统的时滞以及限制约束等问题，还能够基于
预测模型实现最优控制，使控制系统具有良好的控制性能，以满足控制需求。
[0003] 航空发动机中机械、
流体和热力等效应的耦合很复杂，并且在
飞行包线范围内，发动机参数变动很大，是一种具有强非线性特点的对象。而神经网络可以通过联系记忆及容错等方式有效地处理复杂系统的非线性特性，这种独特的处理非线性特性的能力以及简单的学习过程能够有效地反映航空发动机的特性。
[0004] 目前国内外设计的预测控制器都是基于动态模型设计的，而基于动态模型的预测控制器在满足对象动态特性的情况下，响应时间变长，并且被控制量多以可测转速等设计。以不可测推力为被控制参数，设计模型预测控制器的方法尚未出现。
发明内容
[0005] 本发明所要解决的技术问题是针对背景技术的
缺陷，基于稳态多输入多输出神经网络模型设计涡扇发动机推力预测控制器，用于解决发动机的限制约束、非线性特性的问题以及基于动态模型预测控制器响应时间长的问题，该控制器具有良好的
跟踪性能及约束性能。
[0006] 本发明为解决上述技术问题采用以下技术方案：
[0007] 一种基于神经网络的涡扇发动机推力预测方法，包括以下步骤：
[0008] 步骤A)，建立涡扇发动机稳态多输入多输出神经网络模型；
[0009] 步骤B)，设计推力模型预测控制器并对其进行性能验证。
[0010] 作为本发明一种基于神经网络的涡扇发动机推力预测控制器进一步的优化方案，步骤A)的具体步骤如下：
[0011] 步骤A1)，根据涡扇发动机部件级模型，在飞行包线内按照工作条件及被控量，获得包含推力在内的关键气路测量参数，将数据进行归一化换算作为神经网络的
训练数据及测试数据，对飞行包线按高度和
马赫数分区，同时以此为依据确定包线内稳态多输入多输出神经网络模型个数；
[0012] 步骤A2)，利用训练数据建立稳态多输入多输出神经网络模型，该网络模型采用BP-NN网络拓扑结构，选择飞行高度H、飞行马赫数Ma，主燃油流量Wf和喉道面积A8作为网络的输入，低压转速NL、高压转速NH、发动机压比EPR、推力FG和
风扇
喘振裕度SMF作为网络的输出完成训练；
[0013] 步骤A3)，利用测试数据验证稳态多输入多输出神经网络模型的
精度，根据精度确定网络模型是否需
迭代更新；
[0014] 作为本发明一种基于神经网络的涡扇发动机推力预测方法进一步的优化方案，步骤B)具体步骤如下：
[0015] 步骤B1)，将已建立含不可测推力的稳态多输入多输出神经网络模型作为推力模型预测控制器的预测模型，用来预测未来有限预测时域内发动机性能和关键可测输出参数，计算当前时刻的预测输出与发动机的实际输出之间的误差，设计反馈环节来校正预测输出；
[0016] 步骤B2)，根据
选定的二次型性能指标函数以及参数约束条件，在线求出此刻起有限控制时域内的最优控制律，且仅将控制律中的第一个控制量作用于发动机，控制律作用于预测模型，并且在下一时刻重复该过程；优化时域随着时间的推进不断地向前滚动，从而形成在线滚动优化，以优化预测模型的参数，得到推力模型预测控制器；
[0017] 步骤B3)，推力模型预测控制器设计后，与航空发动机、
传感器、执行机构等构成涡扇发动机推力控制
闭环系统，对设计点和非设计点进行跟踪性能以及约束边界验证。
[0018] 基于神经网络的涡扇发动机推力预测控制器，包括稳态多输入多输出神经网络预测模型模
块、在线滚动优化模块和反馈校正模块。
[0019] 所述稳态多输入多输出神经网络预测模型模块用于根据系统的未来输入进行未来输出预测。
[0020] 所述在线滚动优化模块用于根据性能指标函数，在线求出此刻起有限控制时域内的最优控制律，作用于神经网络预测模型，且仅将控制律中的第一个控制量作用于航空发动机，并且在下一时刻重复该过程。
[0021] 所述反馈校正模块用于校正未来预测值。计算当前时刻的系统预测输出与当前时刻的系统实际输出之间的误差，并根据该误差校正未来预测输出值。滚动优化是在已校正的预测输出值的
基础上得到控制律的，这样整个预测控制系统就形成闭环结构。
[0022] 本发明采用以上技术方案与
现有技术相比，具有以下技术效果：
[0023] (1)本发明提出的涡扇发动机稳态多输入多输出神经网络模型，能反映发动机非线性特性，根据未来输入进行未来输出预测。
[0024] (2)本发明提出的基于神经网络的涡扇发动机推力预测控制器，具有良好的跟踪性能和约束性能，且控制器响应时间缩短；
附图说明
[0025] 图1是飞行包线示意图；
[0026] 图2是BP-NN神经网络结构示意图；
[0027] 图3是稳态多输入多输出神经网络测试结果表；
[0029] 图5是H＝0km，Ma＝0时FG输出响应图；
[0030] 图6是H＝10km，Ma＝0.8时FG输出响应图；
[0031] 图7是H＝0km，Ma＝0时低压转速约束图。
具体实施方式
[0032] 下面结合附图对本发明的技术方案做进一步的详细说明。
[0033] 本发明的思路是针对涡扇发动机非线性特性以及约束限制等要求，以涡扇发动机部件级模型为基础，建立稳态多输入多输出神经网络模型，并基于神经网络模型设计推力预测控制器。相比于非线性部件级模型，该神经网络模型实时性良好，运行速度较快，相比于基于动态模型的推力预测控制器，该控制器的响应加快。该控制器是基于稳态多输入多输出神经网络模型的有益尝试，能显著降低劳动强度，提高控制性能。
[0034] 本发明的具体实施方式以某型涡扇发动机稳态多输入多输出神经网络模型构建与推力预测控制器设计为例，该稳态多输入多输出神经网络模型建立与控制器的设计包括以下步骤：
[0035] 步骤A)，建立涡扇发动机稳态多输入多输出神经网络模型；
[0036] 步骤B)，设计推力模型预测控制器并对其进行性能验证。
[0037] 其中步骤A)的详细步骤如下：
[0038] 步骤A1)，根据涡扇发动机飞行包线内的不同状态点(飞行包线示意图如图1所示)，可得到包含推力在内的关键气路测量参数及各截面参数。其中状态点按照如下规则选取：高度H由0km至20km，每次递增1km进行变化，Ma由0至2，每次递增0.2进行变化。而包线内的每一个状态点都对应一组使得发动机能正常运行的燃油量范围，状态点的不同燃油量同时对应不同的喉道面积。将每个状态点对应的燃油量范围和喉道面积范围均分，发动机飞行包线内共获得两万多组稳态训练数据。为了使建立的神经网络模型更好的模拟发动机在低空、高空以及其他不同状态点的行为，在训练神经网络之前对训练数据进行归一化处理，并采用分区域设计神经网络模型的思路，将两万多组数据均分为6块，每一块区域都建立一个神经网络模型。
[0039] 步骤A2)，利用训练数据建立稳态多输入多输出神经网络模型，选择飞行高度H、飞行马赫数Ma，主燃油流量Wf和喉道面积A8作为网络的输入，低压转速NL、高压转速NH、发动机压比EPR、推力FG和风扇喘振裕度SMF作为网络的输出进行神经网络的训练。该神经网络模型为BP-NN网络拓扑结构，选取的训练算法为trainbr，网络的隐层数为1，隐层
节点数为30。BP-NN神经网络结构示意图如图2所示。
[0040] 步骤A3)，将数据集中的80％作为训练数据，20％作为测试数据，验证稳态多输入多输出神经网络模型的精度，并根据精度确定网络模型是否需迭代更新，图3给出了稳态多输入多输出神经网络的测试结果。
[0041] 步骤B)的详细步骤如下：
[0042] 步骤B1)，使用含推力的稳态多输入多输出神经网络模型作为预测模型进行推力模型预测控制器的设计，预测模型、在线滚动优化和反馈校正三大部分之间的关系如图4所示。预测模型用于预测发动机的性能和关键可测输出参数。在k时刻，参考指令r(k)和神经网络预测模型对未来有限预测时域内发动机的预测输出值之间存在偏差，滚动优化模块依据这个偏差以及选取的性能指标函数，可以计算得到未来控制时域内的最优控制序列u(k),u(k+1),u(k+2),…,u(k+nu-1)，并只将控制序列中的第一个分量u(k)作为发动机的未来输入。而反馈校正模块则基于模型的预测输出 和发动机的实际输出y(k)之间的误差e(k)来校正未来预测值。
[0043] 定义预测跟踪误差为
[0044]
[0045] 式中，y(k)为k时刻的实际输出， 为k时刻的模型预测输出。则校正后的预测输出为
[0046]
[0047] 式中，K为校正系数矩阵，K＝[K1,K2,…,Kny]T，其中校正系数矩阵中各项系数Ki，i＝1,2,…,ny的取值，一般为[0,1]。
[0048] 步骤B2)，根据选定的二次型性能指标函数以及参数约束条件，在线求出此刻起有限控制时域内的最优控制律，且仅将控制律中的第一个控制量作用于系统，并且在下一时刻重复该过程。这样，优化时域随着时间的推进也不断地向前滚动，从而形成在线滚动优化；
[0049] 定义预测误差为
[0050] ΔY(k)＝r(k)-Yp(k) (3)
[0051] 式中，r(k)为参考指令，Yp(k)为校正后的预测输出。
[0052] 定义控制增量为
[0053] Δu(k)＝u(k)-u(k-1) (4)
[0054] 式中，u(k)为当前时刻控制量，u(k-1)为前一时刻控制量。
[0055] 本文选取带约束条件的性能指标函数为
[0056]
[0057] 约束条件为
[0058] NL≤1.05NL,d (6)
[0059] Δu(k)≤1 (7)
[0060] 式中，△Y(k+i)，△u(k+i)分别为当前时刻起未来i步的预测误差和控制增量。ny为预测时域，nu为控制时域，且ny≥nu。若nu
[0061] 步骤B3)，建立涡扇发动机推力控制闭环系统，对设计点和非设计点验证系统的跟踪性能及约束性能。在设计点H＝0km，Ma＝0和非设计点H＝10km，Ma＝0.8两种情况下分别对推力进行跟踪。H＝0km，Ma＝0状态下的仿真结果如图5所示，此状态下控制器的各参数取值为：预测时域ny＝5，控制时域nu＝3，预测误差权重系数矩阵Q＝diag[1,1,1,1,1]，控制增量权重系数矩阵R＝diag[0.1,0.1,0.1]，校正系数矩阵K＝[1,1,1,1,1]T，推力参考输入相对于设计点的值为105.8％。由图可知，系统的调节时间小于1s，超调量为0.18％，不存在无静差，并且具有良好的动、静态特性。
[0062] H＝10km，Ma＝0.8状态下的仿真结果如图6所示，此状态下控制器的各参数取值为：预测时域ny＝5，控制时域nu＝3，预测误差权重系数矩阵Q＝diag[1,1,1,1,1]，控制增量权重系数矩阵R＝diag[0.1,0.1,0.1]，校正系数矩阵K＝[1,1,1,1,1]T，推力参考输入相对于设计点为33.7％。由图可知，系统的调节时间小于0.5s，超调量为0.15％，不存在静差，并且具有良好的动、静态特性。
[0063] 以H＝0km，Ma＝0状态点为例，选取了低压转速NL为约束量，证明所设计的预测控制器具有约束能力。虽然只研究了NL为约束量的情况，但该方法同样可以研究其他约束量。给定一个发动机不可能达到的推力指令，验证控制器的约束是否起作用，NL的约束仿真结果如图7所示。由图可知，预测控制器存在约束能力，随着时间的推移，低压转速并没有超过限制线。
[0064] 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。
