[发明专利]基于神经网络的航空发动机线性变参数模型建立方法

说明书

本发明公开了一种基于神经网络的航空发动机线性变参数模型建立方法，在线训练神经网络模型，神经网络模型包括隐含层、输出层以及设置于隐含层与输出层之间的乘法层，隐含层与乘法层之间为连接权值为1的局部连接，乘法层与输出层之间为全连接，乘法层的激励函数为比例函数，输出层的激励函数为线性函数，神经网络模型的输入为航空发动机线性变参数模型的调度参数，神经网络模型的输出为航空发动机线性变参数模型的状态方程和输出方程的输出；利用所述神经网络模型获得航空发动机线性变参数模型的参数，进而建立航空发动机线性变参数模型。相比现有技术，本发明能够基于个体发动机的输入输出数据，实现对发动机个体的快速线性变参数模型的建立。

技术领域

本发明属于航空宇航推进理论与工程中的系统控制与仿真领域，具体涉及一种基于神经网络的航空发动机线性变参数模型建立方法。

背景技术

在传统的航空发动机控制中采用增益调度比例-积分-微分(PID)控制方法，通过在包线不同区域设置不同的PID控制器参数来适应发动机的强非线性变参数特征。但是这种增益调度通过插值进行，首先需要在包线内设置大量的PID控制器，调度过程复杂，且对系统不确定性的鲁棒性较差。基于线性变参数(LPV)模型的LPV控制，通过包含调度参数的LPV模型进行控制器设计，得到的控制器参数也是调度参数的函数，避免了传统增益调度的插值和稳定性问题，减少了参数调度工作量。同时，在发动机故障气路诊断中，具有高实时性的线性卡尔曼滤波和扩展卡尔曼滤波均需借助状态空间LPV模型来提高诊断的精度。随着模型预测控制的兴起，LPV模型由于结构简单且具有局部线性化特点，被广泛作为预测模型来提高算法的实时性。

目前的LPV模型建模主要有三种方法：函数代换法、状态转换法、小偏差线性化插值法。前面两种方法要求对象模型具有特定的解析形式，再通过选择合适的调度变量，将非线性模型转化为LPV模型形式。对于航空发动机来说，其工作过程复杂多变，难以建立符合要求形式的解析模型，为此一般通过在不同工作点建立小偏差线性化模型，再通过调度参数，建立不同工作点小偏差模型参数之间的函数关系，形成LPV模型。这种小偏差模型通常采用曲线拟合法或者偏导数法建立，且只能在有限的稳态工作点和工作状态通过小扰动法建立，不能覆盖整个飞行包线范围。而且小扰动施加在部件级模型上，因此模型精度依赖于发动机的部件级数学模型的精度，且计算过程耗时较多，通常采用离线的方法在地面工作点进行建模，再通过相似变换扩展到全包线。所建立模型的精度也受到部件级模型精度的影响，而部件级模型通常基于额定发动机特性建立，不能反映发动机的个体差异和使用过程中的性能退化，且在相似变换过程中也会产生较大的误差，因而所建立的LPV模型不能充分反映个体发动机的动态特性。

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，提供一种基于神经网络的航空发动机线性变参数模型建立方法，能够基于个体发动机的输入输出数据，实现对发动机个体的快速LPV模型的建立。

本发明具体采用以下技术方案解决上述技术问题：

基于神经网络的航空发动机线性变参数模型建立方法，在线训练神经网络模型，所述神经网络模型包括隐含层、输出层以及设置于隐含层与输出层之间的乘法层，隐含层与乘法层之间为连接权值为1的局部连接，乘法层与输出层之间为全连接，乘法层的激励函数为比例函数，输出层的激励函数为线性函数，所述神经网络模型的输入为航空发动机线性变参数模型的调度参数，所述神经网络模型的输出为航空发动机线性变参数模型的状态方程和输出方程的输出；利用所述神经网络模型获得航空发动机线性变参数模型的参数，进而建立航空发动机线性变参数模型。

优选地，所述航空发动机线性变参数模型的状态方程和输出方程具体如下：

x(k+1)＝A(α)x(k)+B(α)u(k)

y(k)＝C(α)x(k)+D(α)u(k)