[發(fā)明專利]一種含在線修正的航空發(fā)動機(jī)智能多變量控制方法

有效

• 申請?zhí)枺?/td>: 201911132301.9
• 申請日: 2019-11-19
• 公開（公告）號: CN110985216B
• 公開（公告）日: 2022-06-28
• 發(fā)明（設(shè)計(jì)）人: 魯峰;閆召洪;黃金泉;仇小杰
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: F02C9/00
• 分類號: F02C9/00
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 秦秋星

1.一種含在線修正的航空發(fā)動機(jī)智能多變量控制方法，其特征在于，包括以下步驟：

步驟A)分別根據(jù)發(fā)動機(jī)模型主燃油量與高壓轉(zhuǎn)子轉(zhuǎn)速以及尾噴管喉道面積與整機(jī)壓比之間的關(guān)系，采用神經(jīng)網(wǎng)絡(luò)組構(gòu)建航空發(fā)動機(jī)智能多變量控制系統(tǒng)的NARMA-L2模型；

步驟B)結(jié)合NARMA-L2模型，設(shè)計(jì)基于NARMA-L2線性補(bǔ)償策略和梯度下降算法的控制器在線修正模塊，得到在包線內(nèi)一定工況范圍內(nèi)具有自適應(yīng)能力的航空發(fā)動機(jī)智能多變量控制器；

所述步驟A)中分別根據(jù)發(fā)動機(jī)模型主燃油量與高壓轉(zhuǎn)子轉(zhuǎn)速以及尾噴管喉道面積與整機(jī)壓比之間的關(guān)系，采用神經(jīng)網(wǎng)絡(luò)組構(gòu)建航空發(fā)動機(jī)智能多變量控制系統(tǒng)的NARMA-L2模型具體步驟如下：

步驟A1)，選取發(fā)動機(jī)主燃油量作為輸入量u₁[k]，高壓轉(zhuǎn)子轉(zhuǎn)速作為輸出量y₁[k]，k表示時(shí)刻；選取發(fā)動機(jī)尾噴管喉道面積作為輸入量u₂[k]，整機(jī)壓比作為輸出量y₂[k]，并根據(jù)所選輸入輸出量構(gòu)建雙回路NARMA-L2模型為：

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(·)通過四個(gè)前饋神經(jīng)網(wǎng)絡(luò)f₁、g₁、f₂和g₂近似得到；

步驟A2)，將f₁、g₁、f₂和g₂四個(gè)前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)隨機(jī)初始化，根據(jù)訓(xùn)練樣本利用梯度下降法對神經(jīng)網(wǎng)絡(luò)組f₁、g₁、f₂和g₂進(jìn)行離線訓(xùn)練，得到訓(xùn)練后的航空發(fā)動機(jī)智能多變量控制系統(tǒng)的NARMA-L2模型；

所述步驟B)中結(jié)合NARMA-L2模型，設(shè)計(jì)基于NARMA-L2線性補(bǔ)償策略和梯度下降算法的控制器在線修正模塊，得到在包線內(nèi)一定工況范圍內(nèi)具有自適應(yīng)能力的航空發(fā)動機(jī)智能多變量控制器具體步驟如下：

步驟B1)，構(gòu)建神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)智能多變量控制系統(tǒng)結(jié)構(gòu)圖，包括NARMA-L2模型、轉(zhuǎn)速控制器、壓比控制器、發(fā)動機(jī)模型、在線修正模塊；

步驟B2)，設(shè)計(jì)基于梯度下降算法和NARMA-L2線性補(bǔ)償策略的在線修正模塊，得到航空發(fā)動機(jī)智能多變量控制器；

所述步驟B2)設(shè)計(jì)基于梯度下降算法和NARMA-L2線性補(bǔ)償策略的在線修正模塊，得到航空發(fā)動機(jī)智能多變量控制器具體步驟如下：

步驟B2.1)，根據(jù)步驟A2)訓(xùn)練得到的NARMA-L2模型分別求得轉(zhuǎn)速、壓比初始控制律為：

其中，y₁^*[k]和y₂^*[k]分別為發(fā)動機(jī)高壓轉(zhuǎn)子轉(zhuǎn)速和整機(jī)壓比的期望輸出；f₁(k)、g₁(k)、f₂(k)和g₂(k)的表達(dá)式為：

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])

步驟B2.2)，根據(jù)期望輸出和實(shí)際輸出之間的誤差，利用NARMA-L2線性補(bǔ)償策略對u₁[k]和u₂[k]進(jìn)行補(bǔ)償，并根據(jù)梯度下降算法修正神經(jīng)網(wǎng)絡(luò)f₁、g₁、f₂和g₂的拓?fù)鋮?shù)。

2.根據(jù)權(quán)利要求1所述的一種含在線修正的航空發(fā)動機(jī)智能多變量控制方法，其特征在于：所述步驟B2.2)中根據(jù)期望輸出和實(shí)際輸出之間的誤差，利用NARMA-L2線性補(bǔ)償策略對u₁[k]和u₂[k]進(jìn)行補(bǔ)償，并根據(jù)梯度下降算法修正神經(jīng)網(wǎng)絡(luò)f₁、g₁、f₂和g₂的拓?fù)鋮?shù)具體步驟如下：

步驟B2.2.1)，判斷當(dāng)前時(shí)刻是否為初始時(shí)刻，若為初始時(shí)刻，則不進(jìn)行補(bǔ)償；若不為初始時(shí)刻，則根據(jù)上一時(shí)刻發(fā)動機(jī)實(shí)際輸入u[k-1]、實(shí)際輸出y[k-1]以及NARMA-L2模型中神經(jīng)網(wǎng)絡(luò)輸出f(k-1)、g(k-1)，計(jì)算當(dāng)前時(shí)刻初始控制量的補(bǔ)償值Δu[k]，具體公式為：

其中，α為補(bǔ)償量增益，由多次試取法確定；

步驟B2.2.2)，根據(jù)當(dāng)前時(shí)刻初始控制律得到的控制量u_original[k]與控制量的補(bǔ)償值Δu[k]，計(jì)算得到實(shí)際控制量u[k]，具體公式為：

u₁[k]＝u_{1_original}[k]+Δu₁[k]

u₂[k]＝u_{2_original}[k]+Δu₂[k]

步驟B2.2.3)將實(shí)際控制量作用于航空發(fā)動機(jī)獲得當(dāng)前時(shí)刻的實(shí)際輸出y[k],利用期望輸出和實(shí)際輸出間的誤差e_C[k]對神經(jīng)網(wǎng)絡(luò)組f₁、g₁、f₂和g₂的拓?fù)鋮?shù)進(jìn)行在線修正，具體公式為：

W(k+1)＝W(k)+βΔW(k)

V(k+1)＝V(k)+βΔV(k)

其中，W和V分別為神經(jīng)網(wǎng)絡(luò)組的權(quán)值和閾值；β為學(xué)習(xí)率，其大小影響參數(shù)的調(diào)整速度，由多次試取法確定；ΔW(k)和ΔV(k)為雅可比矩陣，分別表示權(quán)值和閾值的增量；拓?fù)湎蛄恐械母髟卦趉時(shí)刻的更新如下：

w_i(k+1)＝w_i(k)-βΔw_i(k)

v_i(k+1)＝v_i(k)-βΔv_i(k)

其中，T＝{y(k),y(k-1),y(k-2),...,y(k-n),u(k-1),u(k-2),…,u(k-n)}；w_i、v_i分別表示W(wǎng)和V的第i個(gè)元素；g₀表示g₁或g₂；Δw_i、Δv_i分別表示ΔW(k)和ΔV(k)的第i個(gè)元素；

根據(jù)更新后的NARMA-L2模型得到k+1時(shí)刻的轉(zhuǎn)速、壓比控制器；至此，智能多變量控制器設(shè)計(jì)結(jié)束。