[发明专利]基于海鸥优化算法的冲压发动机自抗扰控制设计方法

权利要求书

1.一种基于海鸥优化算法的冲压发动机自抗扰控制设计方法，其特征在于，步骤如下：

S1：基于多变量少控多的控制目标，实现m个控制量控制n组被控量，m＜n，从n组被控压力中选取m组沿程压力作为最有效的压力被控量，结合随机森林变量选择的方法确定被控量；

S1.1根据冲压发动机控制要求，运行发动机模型，获取输出的压力数据，被控量为P＝[p₁,…p_i,…p_n]^T即类变量，控制量为U＝[u₁,…u_i,…u_n]^T，u_i和p_i是同一回路中的变量；将发动机模型输出的压力数据作为原始训练集D，每条数据含有M个特征，K为样本数量，j为分类树数量；

S1.2抽取训练子集，从原始训练集D中有放回地随机选取K个样本，并重复K次，作为训练子集；原始训练集D中除去采样得到的训练子集外的部分，作为袋外数据集，用OOB表示；

S1.3构建分类树，先在M个特征中随机抽取l个特征组成特征子集，根据样本特征选择分割点，将分割点划分为子节点，同时将训练子集划分到相应节点中，重复地逐层划分，最终得到所有节点；循环执行上述过程，直至建立j棵分类树，以构成随机森林t，其中t∈{t_i,i＝1,2,…,j}；

S1.4统计非0子节点处变量的重要度w，循环计算得到所有的变量重要度，取其均值作为最终的判断依据，排列变量的重要度，并选择其中最重要的3组变量；

S1.5对分类树所得结果进行评价，计算相关系数R²，验证有效性；

S2：根据自抗扰的基本原理，搭建ADRC控制器的跟踪微分器TD、扩张状态观测器ESO、非线性状态误差反馈NLSEF三个部分，并对其中的非线性函数fal进行改进，构造新的扩张状态观测器ESO和非线性状态误差反馈NLSEF；

S2.1设计跟踪微分器TD

鉴于非线性TD效率比线性TD效率高，且本控制系统为离散系统，所以引入最速离散函数：

式中：fhan是函数符号；fh是fhan数的输出值；k为离散仿真的第k步；v₁(k)为跟踪的离散信号；v₂(k)为跟踪的离散信号的导数；h为仿真步长；u为控制目标；h₀为滤波因子；

fhan(v₁(k)-u(t),v₂(k),r,h₀)的计算如下式：

式中：r是待调参数，fsg(v,d)＝(sign(v+d)-sign(v-d))/2，sign()为符号函数；d、a、a₀、a₁、a₂、y为函数计算的中间过程量，不具备实际物理意义；

S2.2设计扩张状态观测器ESO

对三方向通道分别建立如下形式的二阶扩张状态观测器：

式中：e为误差项，通过选择适当的参数β₀₁,β₀₂,β₀₃，使得上式构建的ESO可实时估计对象的状态及被扩张的状态，这里使用带宽整定法确定确定参数配置，即β₀₁＝3ω,β₀₂＝3ω²,β₀₃＝ω³，其中ω为扩张状态观测器的带宽，需要根据要求设定，也是需要调节的参数；g_i(e),i＝1,2是满足e·g_i(e)≥0的适当的非线性函数fal(e,α_i,δ)，取

式中：α为0和1之间的常数，δ为线性段区间长度；

S2.3改进扩张状态观测器中的fal函数

设计一个新的非线性函数newfal来替换上述传统的非线性函数fal，为了便于区分，下式中x为误差，e为自然底数；

改进后的二阶扩张状态观测器为如下，b为补偿因子；

S2.4非线性状态误差反馈设计；

将跟踪微分器的输出与扩张状态观测器的输出做差并进行非线性组合，并将扩张状态观测器估计的总扰动进行实时补偿，得到系统的控制量，具体表示如下：

u₀＝K_pnewfal(x₁,α₁)+K_dnewfal(x₂,α₂)

式中：u₀是非线性状态反馈模块的输出，K_p、K_d分别为控制量增益，根据自抗扰控制基本原理，得到补偿内外扰动后的系统控制率如下式所示，u为控制量；

S3：设计一种改进的海鸥优化算法，对自抗扰控制器主要参数进行自主调优，具体是提出一种基于吸引和排斥概念的启发种群进化策略；所述改进的海鸥优化算法如下：

S3.1海鸥种群P_s初始化，最大迭代次数为M_max，初始化附加变量A，B；

S3.2计算初始种群的适应度值，标记最优个体，适应度函数fitness计算如下：

式中：t_p是时间，e(t_p)是上述控制误差，即适应度函数为时间乘以误差绝对值的积分；

S3.3根据迁徙和攻击操作更新海鸥位置，为了避免与其他海鸥碰撞，对位置进行更新，位置更新公式为：

C_s(t)＝A×P_s(x)，

式中：C_s(t)表示不与其他海鸥存在位置冲突的新位置，P_s(x)表示海鸥当前位置；

S3.4计算新种群适应度值，更新最优个体；在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动；最佳位置方向更新公式为：

M_s(t)＝B×(P_best(x)-P_s(x))

式中：M_s(t)表示个体向最佳海鸥的收敛方向，P_best(x)表示最优位置；海鸥靠近最佳位置：海鸥移动到不与其他海鸥相撞的位置后，就向着最佳位置的所在方向进行移动，到达新的位置；位置更新公式为：

H_s(t)＝|C_s(t)+M_s(t)|

式中：H_s(t)为海鸥的新位置；

S3.5对上述海鸥优化算法的搜索方式进行改进，提出一种基于吸引和排斥概念的启发种群进化策略，改进后的位置更新公式如下：

式中：表示更新后的位置，表示第j_H个体第i_H维上的位置分量，H_b,iH表示全局最优个体，表示全局最差个体，r₁和r₂均为[0,1]范围内均匀分布的随机数；上式中表示最优个体的吸引作用，表示最差个体的排斥作用；

S3.6攻击阶段：海鸥在迁徙过程中，用翅膀不断改变攻击速度和角度，当攻击猎物时，它们就在空中进行螺旋形状运动；海鸥在三维平面中的运动行为描述如下：

x_H＝r_H×cos(k_H)

y_H＝r_H×sin(k_H)

z_H＝r_H×k_H

式中：r_H是海鸥每个螺旋形状运动的半径，k_H是随机角度值，处于0到2π内，u_H和v_H是螺旋形状的相关常数，用来控制螺旋半径，通常取1，e是自然对数的底数；

S3.7对海鸥的攻击位置进行更新，结合海鸥新位置，得到整体海鸥位置更新公式为：

P_s(t)＝(H_s×x_H×y_H×z_H)+P_best(t)

式中：P_s(t)为海鸥的攻击位置；

S3.8判断是否满足终止条件，是则停止迭代并输出最优参数值，否则跳转至S3.3继续迭代；

S3.9根据S3.8求得的最优参数值，将其传递给自抗扰控制器；

S4：验证改进自抗扰控制器的优越性，在Matlab中搭建Simulink模型进行仿真实验。