[發明專利]一種基于徑向基神經網絡的固體火箭發動機推力控制方法

有效

• 申請號: 201910836072.2
• 申請日: 2019-09-05
• 公開（公告）號: CN110531622B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 齊義文;陳鋮;李獻領;劉金福;盧少微;劉遠強;喻勇濤
• 申請（專利權）人: 沈陽航空航天大學;中國船舶重工集團公司第七一九研究所
• 主分類號: G05B13/04
• 分類號: G05B13/04;G05B11/42;G06N3/08;F02K9/80
• 代理公司: 沈陽維特專利商標事務所(普通合伙) 21229
• 代理人: 霍光旭

1.一種基于徑向基神經網絡的固體火箭發動機推力控制方法，其特征在于，包括如下步驟：

步驟1.確定控制對象，執行機構采用燃氣調節系統和氣動伺服系統，選用固體火箭發動機作為動力裝置；

步驟2.建立固體火箭發動機被控對象數學模型，并選取特定工作點火箭模型參數與對應值為發動機名義模型；

步驟3.根據預期控制性能要求，確立參考模型和實際模型：采用比例積分型控制器進行設計，將該控制器作用下的閉環系統作為基于RBF神經網絡的固體火箭發動機推力控制的參考模型，定義受參數攝動的名義模型為發動機實際模型；

步驟4.設計用于固體火箭發動機推力自適應控制的RBF神經網絡控制器，選擇神經網絡的學習指標；

步驟5.利用遺傳算法優化RBF神經網絡控制器參數：根據參考模型輸出值與實際模型輸出值的誤差變化情況，來調整控制器權值以逼近參考模型性能；

所述步驟4中設計RBF神經網絡控制器方法為：

動態RBF神經網絡拓撲結構，網絡分三層：輸入層，隱含層，輸出層，確定網絡為n-m-1型連接方式，即輸入層神經元個數為n，隱含層神經元個數為m，輸出層神經元個數為1；

在初始化時隨機賦值網絡的權值，網絡的輸入向量為：X_i＝[x₁ x₂…x_n]^T；其中，i代表網絡的迭代次數；

徑向基函數選取h_j＝exp(-||x_i-c_j||²/2b²)；其中，c_j0表示第j個神經元隱含層高斯基函數高度，||x-c_j||表示x到c_j，c_j0的徑向距離，b0表示隱含層神經元的高斯基函數寬度；

隱含層輸出定義為H＝[h₁ h₂…h_j…h_m]^T；其中，h_j為隱含層第j個神經元的輸出；

RBF網絡權值定義為w_i＝[w₁ w₂…w_m]^T；

定義參考模型和實際模型輸出的誤差為e_c(t)＝y_m(t)-y(t)；其中，y_m(t)，y(t)分別表示參考模型輸出和實際模型輸出；

網絡學習誤差指標為

網絡的輸入輸出映射關系是u(t)＝w₁h₁+w₂h₂+…+w_mh_m；

所述步驟5的具體的優化方法為：

S01.進行種群初始化，對神經網絡控制器參數進行實體編碼，每個個體均為一串實數，分別為RBF神經網絡隱含層權值，高斯基函數寬度b，學習速率η和動量因子α；

S02.選擇跟蹤誤差作為自適應度函數，即

S03.采用輪盤賭法作為選擇策略，每個個體被選中概率為其中，F_i為包含在F(t)中的一個值，f_i為個體自適應度的倒數，p_i為個體被選中概率,k為常數，取1；

S04.利用實數交叉作為交叉策略，概率選為20％；

S05.選取第i和第j個基因進行變異，函數表達式為：

其中，a_ij為基因，a_max和a_min作為基因的上界和下界；r為0—1間的隨機數；f(g)＝r₂(1-g/G_max)，r₂為一個隨機數，g為當前迭代次數，G_max為最大進化次數；

S06.計算適應度F(t)，判斷是否滿足最小誤差要求或最大迭代次數，“是”則停止搜索；“不是”則繼續進行更新。