[发明专利]一种基于动态神经网络的变循环发动机智能控制方法

权利要求书

1.一种基于动态神经网络的变循环发动机智能控制方法，其特征在于，步骤如下：

步骤1：构建动态神经网络的训练样本集

步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速n_h的实际值和期望值、压比π的期望值和实际值和控制变量；控制变量包括燃油流量W_f、尾喷口临界面积A₈、高压涡轮导向器面积A_HTG、风扇导流叶片角度α_f、核心机风扇导流叶片角度α_CDFS、压气机导流叶片角度α_c、高压压气机导流叶片角度α_turb、核心机风扇混合器面积A_CDFS的实际运行值；

步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值即离群点进行删除；针对缺失值，进行同类均值插补；

步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n_h的期望值与实际值的偏差Δn_h、发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出；

构建动态神经网络的训练样本集：

x＝[Δn_h,Δπ]

y＝[W_f,α_turb,α_f,A₈,α_CDFS,A_CDFS,A_HTG,α_c]

h＝[x,y]

其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集；

步骤1.4：对动态神经网络的训练样本集进行归一化处理：

其中，h_norm，h_min和h_max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值；

步骤2：训练动态神经网络

步骤2.1：将步骤1.4得到的动态神经网络的训练样本集h数据归一化后的值h_norm，80％作为训练样本，20％作为测试样本；

步骤2.2：初始化动态神经网络参数：输入层神经元个数、各隐含层神经元个数、输出层神经元个数、迭代次数、训练精度ε和学习率μ；

步骤2.3：计算动态神经网络每层的状态和激活值：

z^(l)(k)＝Θ^(l)(k)a^(l-1)(k)+b^(l)(k),2≤l≤L

其中，L表示动态神经网络的总层数，f(·)表示神经元的激活函数；表示在学习第k个样本的输入x(k)时，第l-1到第l层的权重矩阵；n_l表示第l层神经元的个数；

表示输入为x(k)时，第l-1到第l层的偏置；

表示输入为x(k)时，第l层神经元的状态；

表示输入为x(k)时，第l层神经元的激活值即输出值；

步骤2.4：计算动态神经网络输出层的误差以及损失值：

e(k)＝y(k)-o(k)

其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算；

计算δ^(l)作为误差反向传播的中间量：

更新动态神经网络权重矩阵和偏置参数矩阵：

Θ^(l)(k+1)＝Θ^(l)(k)-μδ^(l)(k)a^(l-1)(k)

b^(l)(k+1)＝b^(l)(k)-μδ^(l)(k)

步骤2.5：进行动态神经网络的结构增加判断

计算所有样本训练一次后的平均损失值E：其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数其中N_w为滑动窗口的大小；

若满足第i次训练后，E_i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ_new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：

n_l(i+1)＝n_l(i)+1

Θ^(l)(i+1)＝[Θ^(l)(i),θ_new]

在当前第l层(1＜l＜L)增加神经元后，若经过连续N_w次训练后，动态神经网络输出层的损失变化率小于阈值η₃：且满足E_i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；

步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出作为比较序列，动态神经网络输出o＝(o₁,o₂,...,o_nL)为参考序列，计算与o＝(o₁,o₂,...,o_nL)的关联系数

其中，ρ∈(0,+∞)为分辨系数，为灰关联序列；

采用平均值法计算关联度：

其中，表示关联度；比较第l层各个神经元的关联度将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n_l和权重矩阵Θ^(l)；

若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的损失增加过多使得E_i+1-E_i＞η₄，其中，η₄＞0为误差浮动阈值；则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；

步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；

步骤2.8：基于测试样本，对当前训练好的动态神经网络进行检验，计算测试误差；

步骤3：构建动态神经网络控制器

将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n_h期望值和实际值的差值Δn_h、发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。