[發明專利]一種飛機電動環控系統能效優化的控制方法

在審

• 申請號: 202211419304.2
• 申請日: 2022-11-14
• 公開（公告）號: CN116101496A
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 鄭峰嬰;何中澤;張鏡洋;胡文超;傅杰城;金行健;朱文杰
• 申請（專利權）人: 南京航空航天大學
• 主分類號: B64D13/06
• 分類號: B64D13/06;G05B13/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 奚幼堅

1.一種飛機電動環控系統能效優化的控制方法，電動環控系統EECS通過額外配置一個電動機驅動的壓氣機壓縮環境空氣作為氣源，直接從環境大氣中引入空氣，電動機驅動壓氣機壓縮沖壓空氣，經過初級散熱器冷卻后由壓氣機增壓，接著進入次級換熱器繼續冷卻，冷卻后的空氣經冷凝器降溫除濕后，依次進入一級、二級渦輪冷卻器進行冷卻，最后獲得的冷卻空氣供入座艙以平衡熱載荷；

其特征在于：將傳統的區域控制策略改變為三變量優化與雙目標控制的組合，以EECS的制冷系數COP為指標，通過求解不同工況下優化變量的最優解集來最大化COP，在此基礎上，通過控制器解算兩個控制量的值來滿足系統的性能需求；首先，建立一個廣義回歸神經網絡模型，通過各工況下的大量離線數據訓練，預測不同工況下EECS的穩態COP；隨后，差分進化算法在滿足部件性能約束的解空間內搜尋最優COP對應的優化變量解集；最后，通過控制器在最優的操作點下求解相應的控制量，從而實現能效優化控制；

包括以下步驟：

S1，設計EECS的控制方案，搭建EECS模型

在滿足座艙的制冷量和供氣量需求的基礎上，根據EECS的部件配置、控制功能及構架需求分析，設計其優化變量、控制對象和控制量，EECS的控制對象為滿足EECS性能的供氣量以及通過制冷量和供氣量折算出的供氣溫度，執行機構包括電動壓氣機、冷風道活門、旁通活門、經濟制冷活門和低限活門，其中，旁通活門、經濟制冷活門和低限活門改變的均是熱流流量，均能夠調節相應節點溫度最終影響供氣溫度，而冷風道活門改變的是冷流流量，為最大化EECS的COP，選擇將旁通活門、經濟制冷活門和低限活門開度作為優化變量，在此基礎上，冷風道活門開度作為控制量來滿足供氣溫度需求，電動壓氣機轉速作為控制量來滿足供氣量需求；

S2，獲取COP預測模型的學習樣本

通過廣義回歸神經網絡GRNN預測不同環境參數和操作參數下EECS的穩態COP，GRNN的輸入包含巡航高度、飛行馬赫數、座艙熱載荷三個環境參數和旁通活門開度、經濟制冷活門開度、低限活門開度三個操作參數，GRNN的輸出為電動壓氣機的出口溫度和座艙的供氣溫度，通過大量仿真數據收集學習樣本，樣本的數量不少于2400組，具體做法為：按梯度設置巡航高度、飛行馬赫數和座艙熱載荷三個環境參數，在一組環境參數下，按梯度設置旁通活門開度、經濟制冷活門開度和低限活門開度三個操作參數，通過兩個PID控制器分別控制電動壓氣機轉速和冷風道活門開度來滿足座艙供氣量需求和制冷量需求，記錄穩態下電動壓氣機的出口溫度和座艙供氣溫度作為學習樣本；

S3，構建廣義回歸神經網絡GRNN的拓撲結構

GRNN為四層網絡，包括輸入層、模式層、求和層和輸出層，輸入層設置六個神經元，分別對應當前的巡航高度、飛行馬赫數、座艙熱載荷、旁通活門開度、經濟制冷活門開度和低限活門開度，輸入層神經元直接將輸入變量傳遞給模式層，模式層的神經元數目為學習樣本數，單個神經元的輸出為：

其中，X＝[X₁,X₂,...,X₆]是網絡的六個輸入向量，X_i是第i個神經元對應的學習樣本，σ為神經元寬度；

求和層采用兩種神經元進行求和計算，總數量為輸出向量維數加一；第一種對模式層的所有輸出直接相加，其輸出S_D可以描述為

第二種對模式層的輸出進行加權求和，其輸出S_N可以描述為

其中，y_ij是第i個輸出樣本中的第j個元素；

輸出層設置兩個神經元，分別對應電動壓氣機的出口溫度T_ec和座艙的供氣溫度T_cab，輸出層將求和層的輸出相除，即：

設座艙空氣再循環流量為供氣量的一半，取再循環空氣經風扇的溫升為4℃，則EECS的COP由下式得到：

其中，Q為座艙制冷量，W為EECS的系統耗功，C_p為空氣的定壓比熱容，T_sa為供氣溫度，T_amb為環境溫度，為供氣流量；

S4，訓練廣義回歸神經網絡GRNN模型；

將S2獲取的學習樣本平均分為兩組，其中一組作為訓練集對廣義回歸神經網絡進行訓練，另一組作為測試集用于驗證GRNN對于不同工況系統COP預測的準確度；

S5，設定差分進化算法的個體和適應度函數；

差分進化算法中的每個個體代表一組閥門開度，每次迭代后的個體值被代入預測模型得到相應的預測值，經轉化得到COP數值作為差分進化算法的適應度值；

S6，設定差分進化算法參數

差分進化算法的種群數量取30-100，最大迭代次數取100-200，變異因子和交叉因子取值根據算法收斂結果的優劣進行選取；

S7，根據EECS性能需求和部件的工作特性對差分進化算法施加約束；

差分進化算法求得的解集需要滿足以下條件，第一類條件：每一組解需要在同一制冷量和供氣量條件下生成；2)每一組解要兼顧EECS運行狀態，閥門的開度應在0-90度內，壓氣機的出口溫度和冷凝器的入口溫度需要在正常工作范圍內；

對于第一類條件，由于GRNN的學習樣本已經通過PID控制器處理過，因此，只需要針對第二類條件施加約束，壓氣機的出口溫度應低于210攝氏度；冷凝器的入口溫度應高于露點；閥門的開度應在0-90度內；

S8，進行差分進化算法的迭代計算，求解最優COP對應的操作參數

(1)初始化

差分進化算法中的每個個體都是代表一組閥門開度的三維向量，描述為：初始種群可以通過從可行域中隨機生成，

X₀＝X^L+(X^U-X^L)·rand(1,NP)?(6)

其中，X^L為個體取值下界，X^U為個體取值上界，NP為種群數量；

(2)變異

通過將兩個獨立個體加權到另一個個體上來生成變異向量，為后代群體奠定基礎，變異個體描述為：

V(i)＝X(r1)+F·(X(r2)-X(r3))；i＝1,2,...,NP；r1,r2,r3∈(1,NP),r1≠r2≠r3(7)

其中，F是變異因子；

(3)交叉

為了增強種群的多樣性，將部分變異的個體放入種群中：

其中CR為交叉因子，d_rand是1到3的隨機整數，確保至少有一維變量來自變異操作；

(4)選擇

每次迭代完成后，通過計算比較個體的適應度值，選出較優的個體進行下一次迭代，重復(2)至(4)，直至達到預設的最大迭代次數，最終得到最優COP對應的閥門開度：

其中g為迭代次數，f為適應度函數即COP。