[发明专利]一种自适应RBF神经网络进行航空发动机推力估计算法

说明书

本发明公开了一种自适应RBF神经网络进行航空发动机推力估计的算法，本发明利用改进的粒子群算法优化径向基函数神经网络的各节点的中心、宽度和连接权重等神经网络参数，同时优化网络规模，以实现在满足精度要求的情况使得神经网络更加紧凑。本发明可以用于中小规模的数据回归问题，在航空发动机方面，可以用于推力等参数的估计。本发明基于粒子群算法提出了自适应RBF神经网络。在改进的粒子群算法中，针对不同的网络隐含层节点数，设置与隐含层节点数种类个数相同的局部最优解。本发明为航空发动机推力估计提供一种新思路，易于理解，且算法的参数调整简单，易于实现，适用性强，可实现高精度推力估计。

技术领域

本发明涉及航空发动机推力估计方法，属于数据回归分析、发动机控制、推力控制及估计等技术领域。

背景技术

在飞行器控制系统设计中，控制航空发动机的主要目的是控制其推力，但发动机推力在飞行中是不可测量的量。航空发动机不可测性能参数估计一直是航空领域备受关注的课题，航空发动机的推力作为航空发动机参数中非常重要的部分，也一直是发动机不可测性能参数估计中深受重视的问题。传统控制常用的推力估计方法有直接推力估计方法和间接推力估计方法。直接推力估计方法通过某种算法，直接从发动机的可测参数获得发动的推力估计值，比如利用神经网络实现推力的直接估计。间接推力估计方法多基于机载发动机实时模型，认为机载发动机实时模型能代表额定状态下发动机的工作情况，在非额定状态，通过跟踪滤波器对真实发动机在使用中的健康参数蜕化进行估计，修正机载实时模型的健康参数，以修正后的发动机模型的计算推力值为真实发动机的推力估计值。

目前国内外都已开展了发动机推力估计的方法研究。在直接推力估计方法方面，2003年MAGGIOREM,ORDONEZ R,PASSION K M等在Engineering Applications ofArtificial Intelligence上发表了“Estimator design in jet engine application”，提出了一种基于神经网络的估计器，用于估计发动机推力、喘振边界和其他不可测性能参数，但该方法不涉及神经网络的参数和网络结构的优化过程，参数的确定和隐含层节点数的选择需要人为确定；2007年姚彦龙和孙健国在航空动力学报上发表了“自适应粒子遗传算法在推力估计器中的应用”，提出了一种自适应遗传神经网络算法，通过自适应概率遗传操作及局部寻优算子直接优化出神经网络拓扑结构及权值(包括阈值)，再应用神经网络对上述优化的权值(包括阈值)进行精调，最后设计出全包线推力估计器。虽然该方法设计网络参数和网络规模的优化过程，但遗传算法的搜索速度比较慢，要得到精确的解需要较多的训练时间，且算法的编程实现比较复杂。2009年赵永平和孙健国在航空动力学报上发表了“最小二乘向量回归机在发动机推力估计中的应用”，详细介绍了利用最小二乘向量回归机解决推力估计问题的方法，此后该作者2010年在航空动力学报上又发表了“基于K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计”，进一步丰富和完整了基于支持向量回归机的推力估计器设计方法。基于支持向量机的推力估计方法主要问题是，在数据量较大时，支持向量机的训练时间将大幅度增大。2017年宋汉强、李本威在“推进技术”中发表了“基于聚类与粒子群极限学习机的航空发动机推力估计器设计”，提出了利用粒子群算法寻优极限学习机的拓扑结构的方式来确定隐含层神经元数目，并应用于发动机地面状态推力估计。该方法结合了极限学习机的优点，但只对于网络拓扑结构进行了优化，缺少对网络参数的优化过程，使得算法对于网络的初始化有一定的依赖性。在间接推力估计方面，SANTANU C,JNOATHAN S L在Cleveland,Ohio: National Aeronautics and SpaceAdministration,John H.Glenn Research Center at Lewis Field上发表了“Onlinemodel parameter estimation of jet engine degradation for autonomouspopulation control”，提出了基于Kalman滤波器的间接推力估计的方法。2011年李秋红，孙健国和王前宇在控制理论与应用(Control Theory Application)上发表了“航空发动机推力估计新方法”，论文针对采用卡尔曼滤波器方法进行航空发动机推力估计时，在非设计点存在稳态跟踪滤波器误差的问题，提出了基于控制器跟踪滤波器的推力估计方法。上述基于卡尔曼滤波器的航空发动机推力估计方法，都存在原理复杂、实现难度大、参数估计不够稳定的缺点。