[发明专利]一种含在线修正的航空发动机智能多变量控制方法

权利要求书

1.一种含在线修正的航空发动机智能多变量控制方法，其特征在于，包括以下步骤：

步骤A)分别根据发动机模型主燃油量与高压转子转速以及尾喷管喉道面积与整机压比之间的关系，采用神经网络组构建航空发动机智能多变量控制系统的NARMA-L2模型；

步骤B)结合NARMA-L2模型，设计基于NARMA-L2线性补偿策略和梯度下降算法的控制器在线修正模块，得到在包线内一定工况范围内具有自适应能力的航空发动机智能多变量控制器；

所述步骤A)中分别根据发动机模型主燃油量与高压转子转速以及尾喷管喉道面积与整机压比之间的关系，采用神经网络组构建航空发动机智能多变量控制系统的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u₁[k]，高压转子转速作为输出量y₁[k]，k表示时刻；选取发动机尾喷管喉道面积作为输入量u₂[k]，整机压比作为输出量y₂[k]，并根据所选输入输出量构建双回路NARMA-L2模型为：

y₁[k]＝f₁(y₁[k-1],y₁[k-2],...,y₁[k-n+1],u₁[k-1],...,u₁[k-n+1])+g₁(y₁[k-1],y₁[k-2],...,y₁[k-n+1],u₁[k-1],...,u₁[k-n+1])u₁[k]

y₂[k]＝f₂(y₂[k-1],y₂[k-2],...,y₂[k-n+1],u₂[k-1],...,u₂[k-n+1])+g₂(y₂[k-1],y₂[k-2],...,y₂[k-n+1],u₂[k-1],...,u₂[k-n+1])u₂[k]

其中，f₁(·)、g₁(·)、f₂(·)、g₂(·)通过四个前馈神经网络f₁、g₁、f₂和g₂近似得到；

步骤A2)，将f₁、g₁、f₂和g₂四个前馈神经网络结构随机初始化，根据训练样本利用梯度下降法对神经网络组f₁、g₁、f₂和g₂进行离线训练，得到训练后的航空发动机智能多变量控制系统的NARMA-L2模型；

所述步骤B)中结合NARMA-L2模型，设计基于NARMA-L2线性补偿策略和梯度下降算法的控制器在线修正模块，得到在包线内一定工况范围内具有自适应能力的航空发动机智能多变量控制器具体步骤如下：

步骤B1)，构建神经网络的航空发动机智能多变量控制系统结构图，包括NARMA-L2模型、转速控制器、压比控制器、发动机模型、在线修正模块；

步骤B2)，设计基于梯度下降算法和NARMA-L2线性补偿策略的在线修正模块，得到航空发动机智能多变量控制器；

所述步骤B2)设计基于梯度下降算法和NARMA-L2线性补偿策略的在线修正模块，得到航空发动机智能多变量控制器具体步骤如下：

步骤B2.1)，根据步骤A2)训练得到的NARMA-L2模型分别求得转速、压比初始控制律为：

其中，y₁^*[k]和y₂^*[k]分别为发动机高压转子转速和整机压比的期望输出；f₁(k)、g₁(k)、f₂(k)和g₂(k)的表达式为：

f₁(k)＝f₁(y₁[k-1],y₁[k-2],...,y₁[k-n+1],u₁[k-1],...,u₁[k-n+1])

g₁(k)＝g₁(y₁[k-1],y₁[k-2],...,y₁[k-n+1],u₁[k-1],...,u₁[k-n+1])

f₂(k)＝f₂(y₂[k-1],y₂[k-2],...,y₂[k-n+1],u₂[k-1],...,u₂[k-n+1])

g₂(k)＝g₂(y₂[k-1],y₂[k-2],...,y₂[k-n+1],u₂[k-1],...,u₂[k-n+1])

步骤B2.2)，根据期望输出和实际输出之间的误差，利用NARMA-L2线性补偿策略对u₁[k]和u₂[k]进行补偿，并根据梯度下降算法修正神经网络f₁、g₁、f₂和g₂的拓扑参数。

2.根据权利要求1所述的一种含在线修正的航空发动机智能多变量控制方法，其特征在于：所述步骤B2.2)中根据期望输出和实际输出之间的误差，利用NARMA-L2线性补偿策略对u₁[k]和u₂[k]进行补偿，并根据梯度下降算法修正神经网络f₁、g₁、f₂和g₂的拓扑参数具体步骤如下：

步骤B2.2.1)，判断当前时刻是否为初始时刻，若为初始时刻，则不进行补偿；若不为初始时刻，则根据上一时刻发动机实际输入u[k-1]、实际输出y[k-1]以及NARMA-L2模型中神经网络输出f(k-1)、g(k-1)，计算当前时刻初始控制量的补偿值Δu[k]，具体公式为：

其中，α为补偿量增益，由多次试取法确定；

步骤B2.2.2)，根据当前时刻初始控制律得到的控制量u_original[k]与控制量的补偿值Δu[k]，计算得到实际控制量u[k]，具体公式为：

u₁[k]＝u_{1_original}[k]+Δu₁[k]

u₂[k]＝u_{2_original}[k]+Δu₂[k]

步骤B2.2.3)将实际控制量作用于航空发动机获得当前时刻的实际输出y[k],利用期望输出和实际输出间的误差e_C[k]对神经网络组f₁、g₁、f₂和g₂的拓扑参数进行在线修正，具体公式为：

W(k+1)＝W(k)+βΔW(k)

V(k+1)＝V(k)+βΔV(k)

其中，W和V分别为神经网络组的权值和阈值；β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，分别表示权值和阈值的增量；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)-βΔw_i(k)

v_i(k+1)＝v_i(k)-βΔv_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)}；w_i、v_i分别表示W和V的第i个元素；g₀表示g₁或g₂；Δw_i、Δv_i分别表示ΔW(k)和ΔV(k)的第i个元素；

根据更新后的NARMA-L2模型得到k+1时刻的转速、压比控制器；至此，智能多变量控制器设计结束。