一种航空发动机在线自适应最优PID控制器设计方法技术

本发明专利技术提供一种航空发动机在线自适应最优PID控制器设计方法，其针对航空发动机PID控制器的参数优化问题，首先建立航空发动机的增量形式的线性数学模型，并设计航空发动机PID控制系统，接着针对控制系统设计每个采样时刻的目标性能函数，最后利用该目标性能函数，基于设计的新型融合蜂群算法进行航空发动机在线PID控制器参数优化。本发明专利技术针对发动机PID控制器的参数优化问题，无需繁琐的手工调试，只要设计合理的PID控制器参数在线优化的目标性能函数，利用融合蜂群算法就能够实现控制对象在每个控制周期内性能最优，使航空发动机闭环系统具有满意的动态性能和鲁棒稳定性。

【技术实现步骤摘要】

：本专利技术涉及一种航空发动机在线自适应最优PID控制器设计方法，采用一种新型的融合蜂群算法，针对航空发动机PID控制器参数具有在线自适应优化能力，能够根据发动机的当前工作状态自动优化控制参数以达到最优的控制效果。
技术介绍
：航空发动机是一种热力过程极其复杂的非线性被控对象，其工作环境存在未知干扰、参数摄动等非线性因素，需要对其工作过程加以控制，且设计的控制器需要良好的动态性能和鲁棒性，航空发动机控制器的设计是如今国内外航空发动机界研究的重点和难点。常用的控制方法有PID控制，LQR控制，H∞控制，自适应控制，预测控制，滑模变结构控制等。由于航空发动机气动热力工程复杂，非线性因素较多，控制器的可靠性和稳定性非常重要，因此在实际工程应用中仍然大量采用经典的PID控制器。PID控制器是最为通用的控制器，由于具有设计思想简单、鲁棒性好、可靠性高等优点，被广泛应用于航空航天、电力、工业流程等领域。PID控制器的性能与比例系数、积分系数、微分系数的的优化整定有非常直接的关系，目前，比较传统的PID参数整定方法有Ziegler-Nichols法、梯度法、间接寻优法等，虽然具有不错的参数整定能力，但由于存在对工作者经验依赖较强、对初值敏感、整定繁琐、自适应能力差等缺点，因此研究现代智能PID控制具有重要的意义。人工蜂群算法(ArtificialBeeColonyalgorithm)又称ABC算法，是一种基于群体协作的智能算法ABC算法模仿了蜜蜂群的采蜜流程，用来优化目标问题。但是，ABC算法存在一定的不足，比如，存在运行后期优化速度慢、容易陷入局部最优等问题，因此对ABC算法在运用中进行改进非常重要，特别是从选择机制、邻域搜索机制、解向量多样性机制方面的改进研究具有重要的意义。目前研究的航空发动机智能PID控制，多数是离线整定PID参数以优化控制效果，在控制过程PID的三个参数保持不变，通过设计合理的目标函数，虽然可以达到良好的控制效果，但是离线整定PID参数只能针对特定的工作情况，缺乏灵活性，且不能实现控制器参数的时变最优。而在线整定能够在每个采样时刻，根据控制系统的误差、误差变化率等动态的优化控制参数，大大提高了优化算法的灵活性。
技术实现思路
：本专利技术所要解决的技术问题是考虑到航空发动机热力过程极其复杂，发动机控制对象具有强非线性，建立航空发动机线性化数学模型，设计航空发动机PID控制器，并设计合理的控制器在线优化目标性能函数，采用设计的融合蜂群算法在控制过程中对发动机PID控制器进行在线优化，得到时最优参数，使得在整个控制过程航空发动机的性能最优。本专利技术采用如下技术方案：一种航空发动机在线自适应最优PID控制器设计方法，包括如下步骤：步骤1)，建立航空发动机的增量化线性数学模型；步骤2)，针对步骤1)中的线性数学模型设计航空发动机PID控制器；步骤3)，针对步骤2)中的PID控制器参数优化问题，设计每个采用时刻的目标性能函数；步骤4)，利用步骤3)中设计的目标性能函数，在航空发动机PID控制系统中，在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化。进一步地，所述步骤1)中建立航空发动机增量化线性数学模型的步骤如下：步骤1.1)，根据航空发动机气动热力学特性和典型的部件特性数据建立发动机部件级非线性数学模型；步骤1.2)，针对步骤1.1)中非线性数学模型，采用小信号扰动法和拟合法建立航空发动机增量化线性数学模型。进一步地，所述步骤3)中对每个采样时刻的目标性能函数设计方法如下：采用误差绝对值和误差变化率的加权和作为每个采样时刻算法中蜂群个体参数选择的目标函数，即J＝α1|e|+α2|de|其中，e＝ΔNfR-ΔNf表示转速跟踪误差，de为转速误差变化率，当|e|较大时，为了保证闭环系统能够有足够快的动态性能，尽快地降低误差，通常α2取值为0，即不考虑转速误差变化率的影响，当|e|较小，为防止误差变化太快而产生超调，α2取一定大小的数值，但相对于α1仍然较小，为了避免转速超调量过大，在目标函数中加入误差惩罚机制，即将发动机转速超调量作为最有指标的一项，因此最优指标可以表示为if(e＜0)J＝J+α3|e|其中，为了使误差惩罚功能实际有效，α3远大于α1。进一步地，所述步骤4)中在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化的方法如下：步骤4.1)，在当前采样时刻设定对应于航空发动机PID控制器3个参数的3维解向量，并初始化所有的解向量；步骤4.2)，计算所有解向量的目标函数值，并求得全局最小目标函数值和全局最优解向量；步骤4.3)，开始融合蜂群算法循环，将雇佣蜂的解向量未更新次数值置零；步骤4.4)，雇佣蜂进行邻域搜索产生新解，基于贪婪准则选择更优的解向量；步骤4.5)，若某只雇佣蜂未能提高解向量质量，则未更新计数加1；步骤4.6)，计算每只雇佣蜂被选择的概率，观察蜂按概率随机选择雇佣蜂，概率值越大的雇佣蜂越可能被观察蜂选择；步骤4.7)，最后一只观察蜂选择步骤4.4)中产生的最优解向量；步骤4.8)，观察蜂进行邻域搜索，基于贪婪准则选择更优解，按照步骤4.5)中的方法计算未更新计数值；步骤4.9)，观察蜂用进行交叉运算产生新解，若新解质量优于原来的解向量，则用新解向量代替原来的解，并按照步骤4.5)中的方法计算未更新计数值；步骤4.10)，确定本次循环的最优目标函数值，若优于上次循环得到的全局最优目标函数值，则将它赋给全局最优目标函数值，并把对应的解向量赋值给全局最优解向量；步骤4.11)，若某只雇佣蜂的未更新计数值达到设定的最大未更新次数，则该雇佣蜂又变成侦察蜂，并重新初始化解向量；步骤4.12)，若未达到设定的循环迭代次数，则转到步骤4.4)，否则，融合蜂群算法结束，得到航空发动机PID控制器在当前采样时刻全局最优解向量，即PID控制器参数。进一步地，所述步骤4.1)中初始化解向量的方法如下：Xmi＝lower(i)+rand(0,1)×(upper(i)-lower(i))Xmi表示第m个雇佣蜂对应的解向量的第i维值，lower(i)和upper(i)分别是Xmi的最小值和最大值，1≤m≤Colonysize/2，Colonysize是种群大小，rand是0到1之间的随机数。进一步地，所述步骤4.4)中邻域搜索产生新解法的方法如下：X'mj＝Xmj+rand(-1,1)×(Xmj本文档来自技高网...

【技术保护点】
一种航空发动机在线自适应最优PID控制器设计方法，其特征在于：包括如下步骤步骤1)，建立航空发动机的增量化线性数学模型；步骤2)，针对步骤1)中的线性数学模型设计航空发动机PID控制器；步骤3)，针对步骤2)中的PID控制器参数优化问题，设计每个采用时刻的目标性能函数；步骤4)，利用步骤3)中设计的目标性能函数，在航空发动机PID控制系统中，在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化。

【技术特征摘要】
1.一种航空发动机在线自适应最优PID控制器设计方法，其特征在于：包括如下
步骤
步骤1)，建立航空发动机的增量化线性数学模型；
步骤2)，针对步骤1)中的线性数学模型设计航空发动机PID控制器；
步骤3)，针对步骤2)中的PID控制器参数优化问题，设计每个采用时刻的目标性
能函数；
步骤4)，利用步骤3)中设计的目标性能函数，在航空发动机PID控制系统中，在
每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化。
2.如权利要求1所述的航空发动机在线自适应最优PID控制器设计方法，其特征
在于：所述步骤1)中建立航空发动机增量化线性数学模型的步骤如下：
步骤1.1)，根据航空发动机气动热力学特性和典型的部件特性数据建立发动机部件
级非线性数学模型；
步骤1.2)，针对步骤1.1)中非线性数学模型，采用小信号扰动法和拟合法建立航
空发动机增量化线性数学模型。
3.如权利要求1所述的航空发动机在线自适应最优PID控制器设计方法，其特征
在于：所述步骤3)中对每个采样时刻的目标性能函数设计方法如下：
采用误差绝对值和误差变化率的加权和作为每个采样时刻算法中蜂群个体参数选
择的目标函数，即
J＝α1|e|+α2|de|
其中，e＝ΔNfR-ΔNf表示转速跟踪误差，de为转速误差变化率，当|e|较大时，为了保
证闭环系统能够有足够快的动态性能，尽快地降低误差，通常α2取值为0，即不考虑转
速误差变化率的影响，当|e|较小，为防止误差变化太快而产生超调，α2取一定大小的数
值，但相对于α1仍然较小，
为了避免转速超调量过大，在目标函数中加入误差惩罚机制，即将发动机转速超调
量作为最有指标的一项，因此最优指标可以表示为
if(e＜0)J＝J+α3|e|
其中，为了使误差惩罚功能实际有效，α3远大于α1。
4.如权利要求1所述的航空发动机在线自适应最优PID控制器设计方法，其特征
在于：所述步骤4)中在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化
的方法如下：
步骤4.1)，在当前采样时刻设定对应于航空发动机PID控制器3个参数的3维解向
量，并初始化所有的解向量；
步骤4.2)，计算所有解向量的目标函数值，并求得全局最小目标函数值和全局最
优解向量；
步骤4.3)，开始融合蜂群算法循环，将雇佣蜂的解向量未更新次数值置零；
步骤4.4)，雇佣蜂进行邻域搜索产生新解，基于贪婪准则选择更优的解向量；
步骤4.5)，若某只雇佣蜂未能提高解向量质量，则未更新计数加1；
步骤4.6)，计算每只雇佣蜂被选择的概率，观察蜂按概率随机选择雇佣蜂，概率
值越大的雇佣蜂越可能被观察蜂选择；
步骤4.7)...

【专利技术属性】
技术研发人员：肖玲斐，卢彬彬，胡继祥，陈宇寒，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32