[发明专利]基于神经网络的NARMA-L2多变量控制方法

说明书

本发明公开了一种基于神经网络的NARMA‑L2多变量控制方法，该方法包括：推导非线性离散系统的NARMA‑L2多变量控制律；利用神经网络离线辨识控制律中的非线性函数；利用该控制律设计控制器，设计某型涡扇发动机闭环控制系统，并在此基础上加入神经网络的误差在线更新以修正控制器参数，对控制系统的跟踪性能进行研究。本发明利用神经网络结合推导出的NARMA‑L2多变量控制律，以发动机高压转速和压比的误差二次型性能指标最小为目标，设计双变量控制器，计算发动机控制量，对燃油流量及尾喷管临界界面面积进行控制，该控制方法结构简单，控制律易推导，对于设计控制器工作量的降低以及多变量控制律的设计具有一定的积极促进作用。

技术领域

本发明属于航空发动机仿真与控制领域，具体涉及一种基于神经网络的NARMA-L2多变量控制方法。

背景技术

早期的航空发动机的性能不高，一般仅需燃油流量一个控制量即可以保持发动机的转速不变。但随着航空发动机性能要求的提高，为了满足发动机的控制要求，所需要控制的变量也逐渐增多。如对于加力涡喷发动机，为了保证涡轮落压比保持不变，必须将加力供油量也作为控制量。航空发动机的控制系统从单变量控制系统向多变量控制系统的发展已是必然。

航空发动机的高精度实时模型建模存在着局限性，过于精确的描述在实际控制器的运用中并不合适，人们常用平衡状态小邻域内的线性化模型来设计控制器。这种方法满足叠加原理，计算方式简单，并且一般在正常使用的范围内均能获得令人满意的精度。而NARMA-L2模型由于其可以精确描述非线性系统的输入输出关系，并且结构简单，易于计算控制律而在发动机控制领域得到了一定的应用。

但目前常用的NARMA-L2控制方法主要针对于单变量控制，在多变量控制中常用分散回路组成多变量控制系统，实质上只是多个单变量控制系统的组合。这种组合控制方式没有考虑耦合带来的影响，对系统的控制精度造成了一定的影响。

发明内容

本发明所要解决的技术问题是针对背景技术的缺陷，推导多输入多输出系统的NARMA-L2方程设计控制律，设计涡扇发动机高压转速、压比双变量控制器，用于解决分散回路控制系统带来的耦合问题，仿真表明该控制器具有良好的稳动态性能。

本发明为解决上述技术问题采用以下技术方案：

一种基于神经网络的NARMA-L2多变量控制方法，包括以下步骤：

步骤A)，推导多输入多输出非线性离散系统的NARMA-L2方程及多变量控制律；

步骤B)，设计某涡扇发动机高压转速及压比双变量控制器并在设计点、非设计点及全飞行包线进行性能验证。

作为本发明一种基于神经网络的NARMA-L2多变量控制方法进一步的优化方案，步骤A)的具体步骤如下：

步骤A1)，根据多输入多输出非线性离散系统的状态空间描述，通过递推得到多输入多输出系统的NARMA方程；

步骤A2)，根据多输入多输出系统的NARMA方程，在平衡点附近进行多元泰勒展开，并忽略二次项以上的泰勒高阶余项，得到多输入多输出系统的NARMA-L2方程；

步骤A3)，对双输入双输出系统的NARMA-L2方程进行运算，得到系统的双变量控制律；

作为本发明一种基于神经网络的NARMA-L2多变量控制方法进一步的优化方案，步骤B)具体步骤如下：

步骤B1)，以某型涡扇发动机的双变量控制器设计为例，通过六个神经网络离线辨识双变量控制律中的六个非线性函数，该网络模型采用BP-NN网络拓扑结构，以过去时刻的输入输出数据作为神经网络的输入，以非线性函数的映射结果作为神经网络的输出完成训练；