[發明專利]一種飛機自適應動力與熱管理系統的能量管理策略

有效

• 申請號: 201710119837.1
• 申請日: 2017-03-01
• 公開（公告）號: CN106970523B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 胡文超;鄭峰嬰;張鏡洋;黃星;趙曉榮;羅軼欣;李旺
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G05B13/02
• 分類號: G05B13/02
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種飛機自適應動力與熱管理系統的能量管理策略，飛機自適應動力與熱管理系統包括半閉式空氣制冷循環單元和組合動力單元，飛機自適應動力與熱管理系統對應不同的飛行狀態，劃分為5種工作模式：(1)發動機起動模式；(2)輔助動力模式；(3)巡航模式；(4)短時作戰模式；(5)應急動力模式，其特征在于：具體包括如下步驟：

步驟A，根據飛機自適應動力與熱管理系統的系統方案、部件配置、控制功能及構架需求分析，設計飛機自適應動力與熱管理系統控制對象，控制量及執行機構，控制對象為滿足系統性能的制冷量及電能，控制量為燃油輸入量及系統發動機進口引氣量，執行機構為對應的控制閥門；

步驟B，分析飛機自適應動力與熱管理系統各模式下的工作原理及能量傳遞方式，建立系統動態仿真平臺，設計制冷量及電能動態調節控制器，滿足系統電能及制冷量的需求；

步驟C，以起飛總重量法為評價體系，在保證能量需求的前提下，分析影響系統燃油損失的因素，系統固定質量不變，在飛行過程中使燃油量及發動機引氣量的調配最優是飛機自適應動力與熱管理系統能量優化的方向，通過改變系統發動機進口引氣流量和燃油箱流量，實現能量優化；

步驟D，采用瞬時能量優化法對各模式下某一瞬時工況的飛機自適應動力與熱管理系統進行能量優化，計算“等效燃油消耗最少”下的系統發動機進口引氣流量和燃油箱流量，得出該瞬態下的最優工作點，以動態地再分配各個狀態變量；

步驟E，在瞬時優化能量管理策略大量運算樣本的基礎上，結合BP神經網絡實時進行飛機自適應動力與熱管理系統的能量管理；

步驟D具體包括如下步驟：

步驟I，計算某一模式某一工況下飛機自適應動力與熱管理系統的能量優化值，以該時刻總的燃油消耗作為優化目標求解控制變量，以實現該時刻的燃油消耗最小，飛機自適應動力與熱管理系統在該工況下的工作時間為τ，電能及制冷量均是由燃油量q_m,f及發動機引氣量q_m,bl共同提供，若系統處于應急動力模式下，則q_m,f＝0,q_m,bl＝0，不需要進行能量優化，其他模式下對于飛機自適應動力與熱管理系統有：

W_e＝f_We(q_m,f,q_m,bl)，

式中，表示不同工作模式下，由飛機自適應動力與熱管理系統動態仿真平臺通過輸入燃油量q_m,f及發動機引氣量q_m,bl得到相應的電能及制冷量的關系式，合理分配燃油量q_m,f及發動機引氣量q_m,bl來優化系統的工作點，即在飛機飛行狀態變化不大的時間τ內，尋優計算得到優化的燃油量和發動機引氣量，使得系統在該狀態下的燃油代償最小，在計算過程中系統裝置的固有質量保持不變，因此在優化計算時不考慮系統裝置的固有質量，系統燃油代償損失可表示為：

Δm_T＝m_F+m_f,F+m_f,bl

式中，系統消耗燃油量m_F、運輸它所需的燃油量m_f,F及發動機引氣引起的燃油代償損失m_f,bl，電能及制冷量還需滿足在不同工作模式下的最小需求，需滿足以下條件：

W_e≥W_{e_min},Q_c≥Q_{c_min}

式中，W_e為電能，Q_c為制冷量，W_{e_min}及Q_{c_min}由系統需求給定最小電能和制冷量值；

輸入設定合理范圍內的q_m,f及q_m,bl，判斷系統是否滿足電能及制冷量的需求，若滿足則計算燃油代償值，若不滿足則重新選取q_m,f,q_m,bl值，最終選取使得燃油代償值最低的q_m,f及q_m,bl；

步驟II，對飛機自適應動力與熱管理系統各模式下的全工況進行優化計算，具體計算過程如步驟I所述，得到系統在各工況點上燃油量及發動機引氣量的最優組合，完成飛機自適應動力與熱管理系統能量初步優化；

步驟E具體包括如下步驟：

步驟a，建立神經網絡控制器，基于BP神經網絡的實時能量管理策略的實現主要采用含有一個隱層的3層BP神經網絡結構的控制器，只要隱層神經元節點數足夠多，該網絡就具有模擬任意復雜的非線性映射的能力，輸入層有四個神經元，分別與瞬時優化能量管理策略中的關鍵輸入量對應，為飛行高度h，飛行馬赫數Ma，電能W_e，制冷量需求值Q，輸出層有兩個，代表燃油量及發動機引氣量，

輸出層中神經元可表述為：

式中，y_i是神經網絡控制器的輸出，W_jk是隱層的第j個神經元和第i個輸出層的神經元之間的連接權值；是輸出層神經元的閉值；n是隱層的神經元數目；f為激活函數，反映了樣本輸入和輸出之間的對應關系,這里采用S型函數：

此外，z_j為是隱層第j個神經元的輸出值，可表示為：

式中，x_i，其中i＝1，...，4代表四個輸入信號，W_ij為輸入層到隱層的連接權值，b_j為隱層第j個神經元的閉值；

步驟b，在多個典型工況中設置不同的初始條件，采用瞬時優化能量管理策略離線仿真求得的最優控制規則，控制規則的輸入輸出與神經網絡的輸入輸出對應，將這些控制規則作為待選的訓練樣本，然后基于模糊c-均值聚類算法對樣本進行分類，從每一類中均勻的提取部分樣本作為神經網絡控制器的訓練樣本，在進行訓練之前對上面選取的訓練樣本標準化，將網絡的輸入、輸出數據限制在[0,l]區間內，其轉換式如下：

式中x_i代表輸入或輸出數據，x_min代表所有樣本該輸入、輸出數據的最小值，

x_max代表所有樣本該輸入、輸出數據的最大值；

步驟c，編寫仿真程序，搭建仿真驗證平臺，分析仿真計算結果。