[发明专利]基于代理模型的高超飞行器多源能量优化方法

权利要求书

1.一种基于代理模型的高超飞行器多源能量优化方法，其特征在于，包括如下步骤：

S1，建立并联式TBCC发动机及多源能量提取系统机理模型，并联式TBCC发动机由涡扇发动机和冲压发动机并联组合而成，其并联式的双通道相对独立，涡扇发动机通道的主要部件为：低速进气道、低压压气机、高压压气机、主燃烧室、高压涡轮、低压涡轮、外涵道、混合室、加力燃烧室、低速喷管；冲压发动机通道的主要部件为：高速进气道、隔离段、燃烧室、高速喷管，多源能量提取系统模型包含轴功提取发电、引气发电、燃气涡轮发电、油气涡轮发电、蓄电池，当发动机工作在涡扇发动机模式时，采用以下能量提取方式：

1)轴功提取发电

2)引气发电

3)燃气涡轮发电，从高压级/中间级/外涵道提取能量，

当发动机工作在冲压发动机模式时，采用以下能量提取方式：

1)引气发电

2)燃气涡轮发电

3)油气涡轮发电

4)蓄电池；

S2，分别在多个在涡扇发动机模式和冲压发动机模式按梯度选取多个典型飞行工况，并设置不同多源能量提取系统的发电量配置参数进行对机理性模型进行仿真，采用归一化的方法对仿真得到的样本数据进行处理并构建代理模型的样本库；

S3，利用GA-BP神经网络泛化机理模型的运行规则，建立可实时仿真的代理模型，将飞行高度、飞行马赫数、多源能量提取系统的发电量作为代理模型的输入量，将发动机的耗油率、推力、转速、涡轮前温度、稳定裕度作为代理模型的输出量；

S4，构建基于神经网络代理模型的高超声速飞行器多源能量优化设计问题，在满足飞行器电能需求的情况下，以发动机的耗油率Wf和推力FN作为优化目标，以发动机的转速、涡轮前温度、稳定裕度作为发动机安全性约束条件，使飞行器的燃油经济性和飞行品质得到兼顾；

S5，利用多目标优化算法NSGA-II求解当前最优的多源能量配置方式，算法中的每个个体代表一组多源能量提取系统的发电量配置参数，优化过程可以简单地描述为在满足电能需求和发动机安全约束的条件下寻找一组发电量配置参数来优化发动机的耗油率和推力；

S6，判断当前发动机当前的转速、涡轮前温度、稳定裕度是否在安全性约束内，若否则返回S5。

2.根据权利要求1所述的基于代理模型的高超飞行器多源能量优化方法，其特征在于，所述GA-BP神经网络的实时仿真代理模型的建立，具体包括如下内容：

该模型的学习样本通过对机理性模型进行大量仿真得到，具体做法为：按梯度设置飞行高度、飞行马赫数、多源能量提取系统的发电量配置参数，记录机理性模型稳态下的发动机耗油率、推力、转速、涡轮前温度作为样本数据，在此基础上，实时仿真代理模型通过GA-BP神经网络实现，GA-BP神经网络利用遗传算法的全局优化能力，将经过优化的权值和阈值输入BP神经网络训练数据集，在本发明中，通过GA算法对实时仿真代理模型的输出变量进行优化，得到最优或较优的权值和阈值，将优化后的权值和阈值代入BP神经网络，对样本数据进行训练，从而生成实时仿真代理模型。

3.根据权利要求2所述的基于代理模型的高超飞行器多源能量优化方法，其特征在于，所述GA-BP神经网络的结构参数包括：

1)输入层参数

输入参数为飞行工况和多源能量提取系统的发电量，因此在涡扇发动机模式设定5个输入神经元，分别表示飞行高度、飞行马赫数、轴功提取发电的发电量、引气发电的发电量、燃气涡轮发电的发电量；在冲压发动机模式设定6个输入神经元，分别表示飞行高度、飞行马赫数、引气发电的发电量、燃气涡轮发电的发电量、油气涡轮发电的发电量、蓄电池的储能量；

2)隐藏层参数

隐藏层神经元数目对神经网络的收敛速及泛化能力有较大影响，由经验公式计算得到隐藏层神经元数目：

式中，N_hid为隐藏层神经元节点数，nn为输入层神经元节点数、mm为输出层神经元节点数，a为1～10区间内的一个可调常数，隐藏层的最终数目通过多次试凑a的值得到；

3)输出层参数

神经网络输出层神经元数目由目标需求确定，在本发明中旨在预测当前飞行工况及多源能量参数配置下预测发动机的性能参数，因此在涡扇发动机模式下设置6个输出神经元，分别对应耗油率、推力、涡轮前温度、高压轴转速、低压轴转速、最低稳定裕度；在涡扇发动机模式下设置2个，分别对应耗油率、推力。

4.根据权利要求1所述的基于代理模型的高超飞行器多源能量优化方法，其特征在于，所述利用多目标优化算法NSGA-II最优耗油率和推力求解过程，具体计算过程包括以下步骤：

S1：设置初始化参数，设置种群规模m＝100；设置相同环境下最大迭代次数T_max＝100；设置目标函数维度d₁＝2；在涡扇发动机模式，设置种群维数d₂＝3；在冲压发动机模式，设置种群维数d₂＝4；设置变量上界X_max＝500；设置变量下界X_min＝0；设置变异概率a₁＝0.5，设置变异概率a₂＝0.8；

S2：对初代种群进行非支配排序，经过选择、交叉、变异的操作后生成第一代子群；

S3：将父代种群和子代种群合并为新的种群；

S4：对合并后的种群进行快速非支配排序，拥挤度计算后记录前沿解；

S5：选择精英个体作为新的父代种群，选择、交叉、变异；

S6：种群代数T＝T+1，判断T是否达到设置的最大种群代数T_max，若T＜T_max则返回步骤S3，若T≥T_max则输出前沿解；

S7：记录最终的Pareto最优解和最优变量，最优解即为最小耗油率、最大推力的解，最优变量即最优解所对应的多源能量提取系统的发电量配置方式。