[發明專利]一種基于動態神經網絡的變循環發動機智能控制方法

有效

• 申請號: 201911388033.7
• 申請日: 2019-12-30
• 公開（公告）號: CN111042928B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 王甜;馬艷華;杜憲;夏衛國;孫希明
• 申請（專利權）人: 大連理工大學
• 主分類號: F02C9/00
• 分類號: F02C9/00
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

1.一種基于動態神經網絡的變循環發動機智能控制方法，其特征在于，步驟如下：

步驟1：構建動態神經網絡的訓練樣本集

步驟1.1：以0.01s為采樣周期，采集變循環發動機在設定高度和油門桿角度下的運行參數，包括被控變量高壓相對轉速n_h的實際值和期望值、壓比π的期望值和實際值和控制變量；控制變量包括燃油流量W_f、尾噴口臨界面積A₈、高壓渦輪導向器面積A_HTG、風扇導流葉片角度α_f、核心機風扇導流葉片角度α_CDFS、壓氣機導流葉片角度α_c、高壓壓氣機導流葉片角度α_turb、核心機風扇混合器面積A_CDFS的實際運行值；

步驟1.2：對步驟1.1采集的變循環發動機運行參數進行數據處理，針對異常值即離群點進行刪除；針對缺失值，進行同類均值插補；

步驟1.3：將經過數據處理后的變循環發動機運行參數中的高壓相對轉速n_h的期望值與實際值的偏差Δn_h、發動機壓比π的期望值和實際值的偏差值Δπ作為動態神經網絡的輸入參數，控制變量的變化值作為動態神經網絡的目標輸出；

構建動態神經網絡的訓練樣本集：

x＝[Δn_h,Δπ]

y＝[W_f,α_turb,α_f,A₈,α_CDFS,A_CDFS,A_HTG,α_c]

h＝[x,y]

其中，x是動態神經網絡的輸入參數，y是動態神經網絡的目標輸出，h為動態神經網絡的訓練樣本集；

步驟1.4：對動態神經網絡的訓練樣本集進行歸一化處理：

其中，h_norm，h_min和h_max分別為動態神經網絡的訓練樣本集h數據歸一化后的值、最小值和最大值；

步驟2：訓練動態神經網絡

步驟2.1：將步驟1.4得到的動態神經網絡的訓練樣本集h數據歸一化后的值h_norm，80％作為訓練樣本，20％作為測試樣本；

步驟2.2：初始化動態神經網絡參數：輸入層神經元個數、各隱含層神經元個數、輸出層神經元個數、迭代次數、訓練精度ε和學習率μ；

步驟2.3：計算動態神經網絡每層的狀態和激活值：

z^(l)(k)＝Θ^(l)(k)a^(l-1)(k)+b^(l)(k),2≤l≤L

其中，L表示動態神經網絡的總層數，f(·)表示神經元的激活函數；表示在學習第k個樣本的輸入x(k)時，第l-1到第l層的權重矩陣；n_l表示第l層神經元的個數；

表示輸入為x(k)時，第l-1到第l層的偏置；

表示輸入為x(k)時，第l層神經元的狀態；

表示輸入為x(k)時，第l層神經元的激活值即輸出值；

步驟2.4：計算動態神經網絡輸出層的誤差以及損失值：

e(k)＝y(k)-o(k)

其中，y(k)是第k個樣本的期望輸出，o(k)是動態神經網絡對第k個樣本的輸入x(k)產生的實際輸出，e(k)是此時輸出層的誤差，E(k)是當前學習第k個樣本時的輸出層的損失值，||·||表示范數運算；

計算δ^(l)作為誤差反向傳播的中間量：

更新動態神經網絡權重矩陣和偏置參數矩陣：

Θ^(l)(k+1)＝Θ^(l)(k)-μδ^(l)(k)a^(l-1)(k)

b^(l)(k+1)＝b^(l)(k)-μδ^(l)(k)

步驟2.5：進行動態神經網絡的結構增加判斷

計算所有樣本訓練一次后的平均損失值E：其中，N表示總樣本數；計算當前樣本窗內輸出層損失值的平均數其中N_w為滑動窗口的大??；

若滿足第i次訓練后，E_i＞ε，則從隱含層1即動態神經網絡第2層，l＝2開始增加神經元；新增神經元的權重θ_new用隨機數進行初始化，更新第i+1次訓練時，動態神經網絡第l層的神經元個數以及權重矩陣：

n_l(i+1)＝n_l(i)+1

Θ^(l)(i+1)＝[Θ^(l)(i),θ_new]

在當前第l層(1＜l＜L)增加神經元后，若經過連續N_w次訓練后，動態神經網絡輸出層的損失變化率小于閾值η₃：且滿足E_i＞ε，則轉到下一隱含層進行神經元增加判斷，直到l＝L時結束結構增加判斷；

步驟2.6：當動態神經網絡停止增加隱含層神經元后，進行結構修剪判斷；隱含層結點輸出作為比較序列，動態神經網絡輸出o＝(o₁,o₂,...,o_nL)為參考序列，計算與o＝(o₁,o₂,...,o_nL)的關聯系數

其中，ρ∈(0,+∞)為分辨系數，為灰關聯序列；

采用平均值法計算關聯度：

其中，表示關聯度；比較第l層各個神經元的關聯度將關聯度最小的神經元刪除，更新動態神經網絡第l層的神經元個數n_l和權重矩陣Θ^(l)；

若刪除第l層(1＜l＜L)某個神經元后，動態神經網絡輸出層的損失增加過多使得E_i+1-E_i＞η₄，其中，η₄＞0為誤差浮動閾值；則撤銷上一步的刪除操作并進入下一隱含層的結構調整判斷，直到l＝L時結束結構修剪判斷；

步驟2.7：誤差滿足給定的精度要求時，結束訓練，保存動態神經網絡的權重矩陣和偏置參數矩陣；誤差不滿足給定的精度要求時，繼續進行迭代訓練，直到滿足精度要求或者達到指定的迭代次數；

步驟2.8：基于測試樣本，對當前訓練好的動態神經網絡進行檢驗，計算測試誤差；

步驟3：構建動態神經網絡控制器

將訓練好的動態神經網絡封裝為變循環發動機控制器，被控變量高壓相對轉速n_h期望值和實際值的差值Δn_h、發動機壓比π的期望值和實際值的差值Δπ歸一化后作為動態神經網絡控制器的輸入參數；將動態神經網絡的輸出參數反歸一化后作為變循環發動機的控制變量，實現變循環發動機的智能控制。