[發明專利]基于自適應增強算法的渦扇發動機直接數據驅動控制方法

有效

• 申請號: 202010013151.6
• 申請日: 2020-01-07
• 公開（公告）號: CN111219257B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 馬艷華;杜憲;韓英舉;趙旭東;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

1.一種基于自適應增強算法的渦扇發動機直接數據驅動控制方法，其特征在于，步驟如下：

步驟1：建立渦扇發動機直接數據驅動控制器設計的數據集

步驟1.1：采集渦扇發動機運行過程中的控制信號，包括渦扇發動機的輸入燃油流量w_f(n)、低壓轉子的相對換算轉速n_1cor(n)和高壓轉子的相對換算轉速n_2cor(n)，n＝1,2,…表示第n個采樣周期；

步驟1.2：Δu表示渦扇發動機的輸入，Δy表示渦扇發動機的輸出，Δn_1cor(n)與Δn_2cor(n)分別表示渦扇發動機低壓轉子和高壓轉子的相對換算轉速變化量，Δw_f(n)為渦扇發動機輸入燃油流量的變化量，定義

Δu＝[Δw_f(1),Δw_f(2),…,Δw_f(n)]^T

Δy＝[Δn_2cor(1),Δn_2cor(2),…,Δn_2cor(n)]^T

則[Δu,Δy]為渦扇發動機直接數據驅動控制器設計的原始數據集；

步驟1.3：使用高壓轉子的相對換算轉速n_2cor作為調度變量p(維數等于1)，將調度變量p轉換到[-1,1]內，如下式所示：

其中，n_{2cor_max}與n_{2cor_min}分別是渦扇發動機高壓轉子相對轉速n_2cor的上限和下限；

步驟2：采用均值填補法與箱型圖分析的方法對數據集[Δu,Δy]中的數據進行數據清洗，對于數據集中的數據缺失和數據異常進行填補與剔除；

步驟3：采用LSSVM算法，設計渦扇發動機控制器

步驟3.1：使用隨機采樣的方法，將數據集中的80％作為訓練數據集，20％作為測試數據集；

步驟3.2：采用高斯核函數Ω＝K(p,t,k)將訓練數據集從原空間映射到維數為z的高維特征空間中，實現訓練數據集在z維特征空間的線性回歸，核函數表示如下：

其中，t和k是分別表示t時刻和k時刻，p(t)與p(k)表示t時刻和k時刻的調度變量，σ為高斯核函數初始的超參數徑向基寬度，要求σ0；

步驟3.3：建立LSSVM的優化問題：

其中，ω為超平面的法向量，超參數γ為用于平衡“尋找最優超平面花費算力”和“訓練集與測試集偏差量最小”的權重，y_i為給予控制信號后的因變量，e為訓練誤差，b為偏置算子，N為訓練數據集的樣本數量；

步驟3.4：使用步驟3.2中的高斯核函數并求解步驟3.3中的優化問題得到LSSVM回歸函數，表示如下：

其中，y_lssvm為基于LSSVM算法所設計的渦扇發動機控制器輸出，α為拉格朗日算子，b為偏置算子，N為訓練數據集的樣本數量；

步驟4：使用自適應增強方法以及步驟3中建立的基于LSSVM算法所設計的渦扇發動機控制器輸出，構建基于自適應增強算法的渦扇發動機直接數據驅動控制器，并對該控制器的參數進行調整

步驟4.1：訓練數據集為T＝[Δu',Δy']，[Δu',Δy']為進行數據清洗后得到的渦扇發動機控制數據集，其中Δu'為控制信號，Δy'為高壓轉子變化量的測量值Δn_2cor，自適應增強算法中的基本學習器采用步驟3中構建的基于LSSVM算法所設計的渦扇發動機控制器，給出初始的超參數徑向基寬度σ和權重γ，并設置epoch為基本學習器的迭代次數；

步驟4.2：初始化訓練數據集的權重為D(1)＝(w₁₁,w₁₂,…,w_1N)，w為每個訓練數據集樣本的權重；

步驟4.3：對于迭代次數k＝1,2,…,epoch，使用權重D(k)的訓練數據集來訓練，得到基本學習器G_k(x)，計算訓練數據集上的基本學習器預測的最大誤差E_k，表示如下：

步驟4.4：計算每個訓練數據集中數據樣本的相對誤差，采用線性誤差、平方誤差或指數誤差，分別表示如下：

線性誤差：

平方誤差：

指數誤差：

步驟4.5：計算回歸誤差率e_regression，如下式所示：

其中，w_ki為上一次迭代更新得到的訓練數據集中數據樣本的權重，e_ki為步驟4.4得到的相對誤差；

步驟4.6：計算基本學習器的權重系數weight_k，如下式所示：

步驟4.7：更新訓練數據集的樣本權重分布，并且根據回歸誤差率自適應調整初始的超參數徑向基寬度σ，表示如下：

σ_k＝σ_k-1-0.8*exp(-(weight_k-weight_k-1))

其中，w_ki為第k次迭代時第i個數據樣本的權重系數，σ_k為第k次迭代時的超參數σ，為規范化算子；

步驟4.8：對于每次迭代產生的預測值y_c取平均值，得到最終的強學習器輸出y_final，表示如下：

步驟5：使用交叉驗證的方法對于初始的超參數徑向基寬度σ和權重γ進行確定使其滿足驗證誤差低于0.1％，在迭代過程中要時刻保持σ,γζ的條件，這里ζ為不小于0的較小的數，如果不符合則丟棄該初始值，并選擇更大的徑向基寬度σ和權重γ作為迭代的初始值，完成基于自適應增強算法的渦扇發動機直接數據驅動控制器設計。