[发明专利]一种航空发动机推力衰退缓解的神经网络控制方法

权利要求书

1.一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于，包括以下步骤：

步骤A)建立发动机高压转子转速、压比与尾喷管喉道面积之间的物理变量插值模型，以及利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型；

步骤B)结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，开发在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器；

步骤C)发动机发生部件性能突变时，通过外环加入指令修正模块，对发动机指令进行修正，利用推力衰退缓解神经网络控制器追踪修正后的指令进而达到推力恢复的目的。

2.根据权利要求1所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：所述步骤A)中利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型具体步骤如下：

步骤A1)，选取发动机主燃油量作为输入量u[k]，高压转子转速作为输出量y[k]，并根据所选输入输出量构建NARMA-L2模型为：

y[k]＝f₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])+g₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])u[k]

其中，f₀和g₀是NARMA-L2模型中的两个非线性映射，通过训练神经网络组f₀^*和g₀^*近似得到，而转速控制律为：

其中，y^*[k]为发动机期望输出；并根据发动机整机落压比指令、实际输出落压比和输出转速插值换算得到尾喷管喉道面积控制量；

步骤A2)，利用期望输出和实际输出间的误差e_c(k)对神经网络组f₀^*和g₀^*的拓扑结构参数进行在线修正：

W(k+1)＝W(k)+αΔW(k)

V(k+1)＝V(k)+αΔV(k)

其中，W和V分别为神经网络组的权值和阈值；α为学习率，其大小影响参数的调整速度，由多次试取法确定；ΔW(k)和ΔV(k)为雅可比矩阵；拓扑向量中的各元素在k时刻的更新如下：

w_i(k+1)＝w_i(k)-αΔw_i(k)

v_i(k+1)＝v_i(k)-αΔv_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)}。

3.根据权利要求1所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：所述步骤B)中结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，得到在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器具体步骤如下：

步骤B1)，构建基于变增量LP优化的航空发动机推力缓解神经网络控制系统结构图，包括内环神经网络控制器、发动机模型、性能状态滤波器、外环指令修正模块；

步骤B2)，根据飞行条件及相关的控制计划确定发动机初始指令，利用发动机模型输出和限制条件设计基于变增量LP算法的外环指令修正模块，建立在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。