[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

说明书

本发明公开了一种航空发动机推力衰退缓解的神经网络控制方法，该方法包括：采用神经网络学习的NARMA‑L2模型建立内环控制系统；结合内环控制系统，设计基于变增量LP优化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。本发明解决了常规多变量控制器在发动机发生部件性能突变的情况下整机推力水平下降的问题，适用于在一定飞行包线内不同工作点的发动机推力衰退缓解控制，对于在不超温、不超转的情况下缓解由发动机部件性能突变引起的整机推力损失、提高发动机整机性能表现有着积极促进的作用。

技术领域

本发明属于航空发动机推力缓解控制技术领域，尤其涉及一种航空发动机推力衰退缓解的神经网络控制方法。

背景技术

随着现代航空技术的飞速发展，飞行器需要性能更强、可靠性更高的航空发动机。由于发动机本身复杂的结构和其所处恶劣的工作环境，当发动机运行一段时间后，发动机的各个部件由于腐蚀、外物损伤等原因会发生不同程度的性能突变。这些原因使得实际发动机与同型号额定发动机之间会产生偏差，主要体现在部件的流通能力和效率的降低。为了确保飞行器的安全飞行、延长发动机使用寿命，需要对发生部件性能突变的发动机进行推力恢复，因此，研究航空发动机推力衰退缓解控制方法十分必要。

一种有效的推力缓解控制方法是通过内环控制转速，外环修正指令，进而达到推力缓解的目的。航空发动机是一个复杂的热力学系统，具有很强的不确定性和时变性，这使得内环控制器的设计变得困难。神经网络由于其良好的非线性逼近和泛化能力被广泛应用，带有反馈线性化的非线性自回归滑动平均(Nonlinear Auto regressive MovingAverage with Feedback Linearization，NARMA-L2)控制器是一种有效的人工神经网络控制器架构。在一定条件下，非线性系统的输入输出关系可以由NARMA-L2模型辨识得到，并且可以通过简单的数学变换得到控制律。然而由于NARMA-L2模型存在建模误差和训练误差，使得所设计的控制器性能在包线内应用受到影响。因此，本发明尝试提出一种具有在线修正能力的航空发动机性能衰退缓解控制器(OC-NARMA-L2)，该方法利用梯度下降法在线修正控制器的神经网络参数，使其具有自适应的特性。

发明内容

针对上述技术问题，本发明提供一种航空发动机推力衰退缓解的神经网络控制方法，针对常规多变量控制器在发动机部件性能突变的情况下推力水平下降的问题，将基于变增量LP优化算法的外环指令修正模块同内环控制系统结合，得到具有自调整能力的推力衰退缓解神经网络控制器。该方法可在不超温、不超转的情况下缓解由发动机部件性能突变引起的整机推力损失，提高发动机整机性能表现。

技术方案：为实现上述目的，本发明采用的技术方案为：

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。

进一步的，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：