【技术实现步骤摘要】
一种基于动态神经网络的变循环发动机智能控制方法
本专利技术属于航空发动机控制
，具体涉及一种基于动态神经网络的变循环发动机智能控制方法。
技术介绍
控制系统是航空发动机的重要组成部分，是影响航空发动机性能优劣的关键因素。变循环发动机融合了涡喷及涡扇发动机的优点，增加了几何可调部件。通过自适应调节这些部件的几何形状、位置等参数，使得变循环发动机能够在加速和爬升等飞机机动飞行阶段，拥有高单位推力；在亚音速巡航阶段，能够拥有较低的耗油率。然而，由于可调部件的增多，导致控制变量增多，控制器的结构更加复杂；同时，变循环发动机非线性控制变量之间具有较强的耦合关系。如何很好地解决回路间的耦合，使得各个变量之间相互配合发挥出整体的性能，实现变循环发动机的多变量控制，是一个急需突破的难题，更是后序开展过渡态控制，全包线综合控制的基础。目前，国内外针对变循环发动机的多变量控制系统大多是在传统的鲁棒控制、线性二次调节器LQR控制等的基础上增加遗传(GA)算法、教学学习型算法(TLBO)等智能优化算法或者添加补偿控制器。现有的控制方法...
【技术保护点】
1.一种基于动态神经网络的变循环发动机智能控制方法，其特征在于，步骤如下：/n步骤1：构建动态神经网络的训练样本集/n步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速n
【技术特征摘要】
1.一种基于动态神经网络的变循环发动机智能控制方法，其特征在于，步骤如下：
步骤1：构建动态神经网络的训练样本集
步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速nh的实际值和期望值、压比π的期望值和实际值和控制变量；控制变量包括燃油流量Wf、尾喷口临界面积A8、高压涡轮导向器面积AHTG、风扇导流叶片角度αf、核心机风扇导流叶片角度αCDFS、压气机导流叶片角度αc、高压压气机导流叶片角度αturb、核心机风扇混合器面积ACDFS的实际运行值；
步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值即离群点进行删除；针对缺失值，进行同类均值插补；
步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速nh的期望值与实际值的偏差Δnh、发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出；
构建动态神经网络的训练样本集：
x＝[Δnh,Δπ]
y＝[Wf,αturb,αf,A8,αCDFS,ACDFS,AHTG,αc]
h＝[x,y]
其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集；
步骤1.4：对动态神经网络的训练样本集进行归一化处理：
其中，hnorm，hmin和hmax分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值；
步骤2：训练动态神经网络
步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集hnorm，80％作为训练样本，20％作为测试样本；
步骤2.2：初始化动态神经网络参数：输入层神经元个数、各隐含层神经元个数、输出层神经元个数、迭代次数、训练精度ε和学习率μ；
步骤2.3：计算动态神经网络每层的状态和激活值：
z(l)(k)＝Θ(l)(k)a(l-1)(k)+b(l)(k),2≤l≤L
其中，L表示动态神经网络的总层数，f(·)表示神经元的激活函数；表示在学习第k个样本的输入x(k)时，第l-1到第l层的权重矩阵；nl表示第l层神经元的个数；
表示输入为x(k)时，第l-1到第l层的偏置；
表示输入为x(k)时，第l层神经元的状态；
表示输入为x(k)时，第l层神经元的激活值即输出值；
步骤2.4：计算动态神经网络输出层的误差以及损失值：
e(k)＝y(k)-o(k)
其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第...
【专利技术属性】
技术研发人员：王甜，马艳华，杜宪，夏卫国，孙希明，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。