[发明专利]基于非线性模型预测控制的航空发动机直接推力控制方法

说明书

本发明公开了一种基于非线性模型预测控制的航空发动机直接推力控制方法。本发明方法直接以推力为控制目标，而不是传统控制方法采取不可测参数为控制目标的方法。采用在线滑动窗口深度神经网络作为预测模型，该模型采用深度学习结构，可提高模型精度，并基于滑动窗口方法来在线选取训练数据，降低了对训练数据噪声的敏感性。相比于目前流行的控制方法相比，所提出的方法将加速时间缩短了0.425秒，响应速度提高了1.14倍左右。

技术领域

本发明涉及一种航空发动机控制方法，尤其涉及一种基于非线性模型预测控制的航空发动机直接推力控制方法。

背景技术

航空发动机的主要功能是快速、准确地为飞机提供推力。传统的发动机控制策略是基于传感器的，即通过控制发动机可测参数如转子转速、发动机压比(EPR)或其他可测参数来间接控制推力。但由于退化、制造和制造公差等因素，发动机推力与可测参数之间的对应关系会发生变化。因此，如果采用传统的控制思想，发动机推力控制误差必然存在。此外，为了保证发动机在最坏工况点都能安全稳定运行，传统的控制策略往往保持较大的安全裕度，这种策略会极大地限制发动机在其他操作点的性能。

针对这些缺点，研究者发明了一种新的控制策略——基于模型的发动机控制方法(ModelBasedEngineControl,MBEC)，直接控制发动机性能。其中模型预测控制(ModelPredictive Control,MPC)是基于模型的发动机控制中一个重要的关键技术和研究领域。MPC具有比传统控制器具有更好的加速性能，在航空发动机控制领域引起了广泛的研究兴趣。VroemenBG等将MPC技术应用于实验室燃气轮机中。Brunell等研究了状态估计的带约束的非线性模型预测控制(Nonlinear ModelPredictive Control,NMPC)的可行性，并将其应用于涡喷发动机的仿真模型中。DeCastro提出了一种基于线性变参数的NMPC，并应用于商用涡扇发动机主动叶尖间隙。Richter提出了一种多路复用的实现方法，极大地减少了NMPC优化算法的计算量。Di Cairano等开发了一种MPC策略，通过电子节流阀和火花定时来控制发动机转速至地面慢车。以上工作的模型预测模型主要集中于线性模型上，取得了很好的控制效果。然而，航空发动机是一个强非线性动力装置，线性模型的建模误差不可避免。此外，传统NMPC的控制目标是可测量的参数。而可测参数与发动机推力或功率的对应关系随时发动机服役时间变化，从而导致推力控制精度下降。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种基于非线性模型预测控制的航空发动机直接推力控制方法，可有效提高发动机的响应能力。

本发明具体采用以下技术方案解决上述技术问题：

一种基于非线性模型预测控制的航空发动机直接推力控制方法，以推力为直接控制目标，使用非线性模型预测控制方法进行控制；具体通过求解以下滚动优化问题实现：

其中r为发动机控制指令，为控制目标预测值，u为控制变量向量，N_f、N_c分别为风扇转速、压气机转子转速，S_mf、S_mc分别为风扇喘振裕度、压气机喘振裕度，T₄₁为高压涡轮进口温度，Q和R正定对称，正整数N_u和N_p分别为控制时域和预测时域。

优选地，使用预先训练的在线滑动窗口深度神经网络作为所述非线性模型预测控制方法的预测模型，所述在线滑动窗口深度神经网络的损失函数描述为：

其中x为输入向量，y为输出向量，j表示为第j时刻，L为滚动区间长度，f_DNN表述深度神经网络的映射，W为权重矩阵，b为偏置向量。