[發明專利]一種基于迭代學習修正的航空發動機智能轉速控制方法

有效

• 申請號: 201811172327.1
• 申請日: 2018-10-09
• 公開（公告）號: CN109162813B
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 魯峰;閆召洪;黃金泉;仇小杰
• 申請（專利權）人: 南京航空航天大學
• 主分類號: F02C9/28
• 分類號: F02C9/28
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

本發明公開了一種基于迭代學習修正的航空發動機智能轉速控制方法，該方法包括：采用神經網絡建立轉速控制系統的NARMA?L2模型；結合NARMA?L2模型，設計基于迭代學習算法的轉速在線修正模塊，得到在包線內一定工況范圍內具有自調整能力的航空發動機轉速控制器。本發明解決了傳統的基于神經網絡預測模型的建立和控制率的在線求解存在困難，控制器在包線內擴展應用存在控制品質下降的問題，適用于在一定飛行包線內不同工作點的發動機轉速控制，對于消除發動機控制系統穩態誤差、提高發動機轉速控制品質有著積極促進的作用。

技術領域

本發明屬于航空發動機轉速控制技術領域，尤其涉及一種基于迭代學習算法修正的航空發動機智能轉速控制方法。

背景技術

航空發動機是一個復雜的熱力學系統，具有很強的不確定性和時變性，這使得控制器的設計變得困難。神經網絡由于其良好的逼近和泛化能力被廣泛應用。帶有反饋線性化的非線性自回歸滑動平均(Nonlinear Auto regressive Moving Average withFeedback Linearization，NARMA-L2)控制器是一種有效的人工神經網絡控制器架構。在一定條件下，非線性系統的輸入輸出關系可以由NARMA-L2模型辨識得到，并且可以通過簡單的數學變換得到控制率。該模型首先由Narendra和Mukhopadhyay引入，如今已在許多非線性系統中得到了廣泛應用。

然而，由于NARMA-L2模型存在建模誤差和訓練誤差，使得所設計的控制器性能受到影響。為了解決這個問題，有學者提出一種具有在線修正(Online Correction)模塊的NARMA-L2控制器(OC-NARMA-L2)，該方法利用梯度下降法在線修正控制器的神經網絡參數，使其具有自適應的特性。但該方法同樣存在一些不足。首先，控制系統響應可能具有較大的超調量，其次，在線修正控制器的參數需要較大的計算量，這使得該控制器難以應用于真實航空發動機轉速控制中。

基于迭代學習(Iterative Learning)控制的NARMA-L2控制器(IL-NARMA-L2)是彌補上述OC-NARMA-L2控制器缺陷的一種有效途徑。迭代學習控制(ILC)是一種改善系統瞬態響應性能的方法，該系統在固定的時間間隔內重復運行。引入ILC的目的是利用系統的迭代作為經驗來提高標準NARMA-L2控制器的控制性能。迭代學習控制作為智能控制的一個分支，其基本思想首先由Uchiyamat正式提出。隨后，Arimoto于1984年在文獻[5]中首次提出了一種用于線性時變連續系統的D型迭代學習算法，并將迭代學習算法推廣到了學術界，引起了廣泛的關注。本發明提出了一種航空發動機轉速的IL-NARMA-L2控制器，采用基于PID型閉環學習率的迭代學習算法代替OC-NARMA-L2控制器中的在線修正模塊，以消除控制系統響應的穩態誤差，降低系統超調量，提高了控制性能。

發明內容

針對上述技術問題，本發明提供一種基于迭代學習修正的航空發動機智能轉速控制方法，針對傳統的基于神經網絡預測控制預測模型的建立和控制率的在線求解存在困難，將迭代學習算法同NARMA-L2模型結合，設計了IL-NARMA-L2控制器。該方法可有效消除穩態誤差，使得控制器在包線內能夠適用更大范圍，提升控制品質。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于迭代學習修正的航空發動機智能轉速控制方法，其特征在于，包括以下步驟：

步驟A)根據發動機模型主燃油量與高壓轉子轉速之間的關系，采用神經網絡構建航空發動機轉速控制系統的NARMA-L2模型；

步驟B)結合NARMA-L2模型，設計基于迭代學習算法的轉速在線修正模塊，得到在包線內一定工況范圍內具有自調整能力的航空發動機轉速控制器。

進一步的，所述步驟A)中根據發動機模型主燃油量與高壓轉子轉速之間的關系，采用神經網絡構建航空發動機轉速控制系統的NARMA-L2模型具體步驟如下：