[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

说明书

本发明公开了一种含在线修正的航空发动机智能多变量控制方法，该方法包括：采用神经网络组建立发动机转速、压比控制系统的NARMA‑L2模型；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。本发明解决了传统的基于神经网络预测模型的建立和控制律的在线求解存在困难，控制器在包线内扩展应用存在控制品质下降的问题，适用于在一定飞行包线内不同工作点的发动机转速、压比的多变量控制，对于消除发动机控制系统稳态误差、提高控制器包线内适用范围和控制品质有着积极促进的作用。

技术领域

本发明属于航空发动机多变量控制技术领域，尤其涉及一种含在线修正的航空发动机智能多变量控制方法。

背景技术

随着现代航空技术的飞速发展，飞行器需要性能更强、可靠性更高的航空发动机。航空发动机是一个复杂的热力学系统，具有很强的不确定性和时变性，这使得控制器的设计变得困难。经典控制理论和现代控制理论由于研究的对象主要是线性时不变系统，依赖于精确地数学模型，这导致在航空发动机这类强非线性、时变性和复杂性的控制系统的应用存在着极大的困难。因此科研人员试图用简单的近似模型代替复杂的系统并根据其易分析、易处理性以及在实际问题中应用的可能性来评判其价值。尽管人们从一开始就认识到实际的动态系统是非线性的，但在平衡状态小邻域内的线性化在数学上易处理。特别是叠加原理，使得以线性方式的计算足够简单。最重要的是对于大多数非线性系统其线性化的模型可以在正常的使用范围获得令人满意的精度，因此获得了广泛应用。

智能控制方法是以接近人类思维方式的人工智能算法为基础的一种控制理论，神经网络方法是智能控制理论的一个重要分支。近年来，技术上的快速进步使得系统很多时候被要求在线性化不够精确的状态空间的区域里运行。为了解决这个问题，神经网络由于其良好的逼近和泛化能力被广泛应用。带有反馈线性化的非线性自回归滑动平均(Nonlinear Auto regressive Moving Average with Feedback Linearization，NARMA-L2)控制器是一种有效的人工神经网络控制器架构。在一定条件下，非线性系统的输入输出关系可以由NARMA-L2模型辨识得到，并且可以通过简单的数学变换得到控制律。该模型首先由Narendra和Mukhopadhyay引入，如今已在许多非线性系统中得到了广泛应用。

NARMA-L2模型是神经网络近似模型，该模型存在建模误差和训练误差。为了提高控制器在飞行包线内的适用性，本发明提出了一种含在线修正的航空发动机智能多变量控制方法。该方法利用梯度下降算法对NARMA-L2模型中的神经网络参数进行在线修正，使其具有自适应的特性，同时提出了一种NARMA-L2线性补偿策略，进一步提高控制器在包线范围内的控制品质。

发明内容

针对上述技术问题，本发明提供一种含在线修正的航空发动机智能多变量控制方法，解决了传统的基于神经网络预测模型的建立和控制律的在线求解存在困难，控制器在包线内扩展应用存在控制品质下降的问题。

技术方案：为实现上述目的，本发明采用的技术方案为：

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。

进一步的，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：