一种基于脑情感学习模型的变循环发动机多变量控制算法，选择变循环发动机控制变量：主燃油流量、核心机风扇导流角和尾喷管面积，输出变量：高压压气机相对转速和落压比；控制系统包括感官输入信号产生器、情感暗示信号产生器、脑情感学习模块；其中，感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差，分别产生感官输入信号和感暗示信号，输入至脑情感学习模块；脑情感学习模块接收感官输入信号和和情感暗示信号，得到变循环发动机的控制变量。本发明专利技术的算法可改善变循环发动机多变量控制的耦合问题和传统的控制方法过于依赖模型精度的问题，实现变循环发动机的快、准、稳控制，具有重要的工程意义。
【技术实现步骤摘要】
一种基于脑情感学习模型的变循环发动机多变量控制算法
本专利技术属于航空发动机控制
，具体涉及一种基于脑情感学习模型的变循环发动机多变量控制算法。
技术介绍
航空发动机为飞机提供飞行动力，其发展水平是衡量一个国家现代化水平和国防力量的重要标准。变循环发动机可以视为涡喷发动机和涡扇发动机的组合体，从而获得比单一的涡扇或涡喷发动机更强的性能，是未来军用和民用飞机理想动力装置。变循环发动机在飞机的飞行工况或性能需求发生变化时，需要对几何可变部件和主燃油流量进行快速的调节，以改变其推力、航速和耗油率，使其快速适应环境状态，完成作业任务而不降低其性能。变循环发动机中可调部件可达十多个，各部件间耦合性强，导致控制结构复杂。文献表明，目前变循环发动机控制规律设计主要通过建立发动机的非线性部件级模型，采用燃油闭环控制和几何机构开环调度的进行控制。变循环发动机各部件协同工作才能发挥出最大性能优势，传统的几何部件解耦、开环控制难以充分发挥发动机整机性能，需要采用多变量控制方法。目前变循环发动机的多变量控制系统大多是基于变循环发动机部件级非线性模型，在经典控制系统设计框架下，通过采用逆奈氏阵法的解耦控制、H∞鲁棒控制、LQR/LTR控制和基于智能算法的PID控制等实现。这些方法都需要精确的变循环发动机模型，建模精度严重影响控制效果，而且难以很好的解决控制变量之间的耦合问题。因此，针对上述问题，设计一种能够消除建模误差和控制变量的耦合对控制效果的影响，实现变循环发动机的快、准、稳控制，不依赖于模型的智能控制算法对变循环发动机可调部件进行联合调节，具有重要的工程意义。
技术实现思路
针对变循环发动机现有控制系统存在的问题，本专利技术提供了一种基于脑情感学习模型的变循环发动机多变量控制算法。并采用差分算法解决所提算法随着控制变量的增多，控制器参数也急剧增多的问题，实现了变循环发动机多可调部件的组合调节。本专利技术的技术方案：一种基于脑情感学习模型的变循环发动机多变量控制算法，选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积，输出变量分别为高压压气机相对转速和落压比；控制系统主要由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块组成；其中，感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差，分别产生感官输入信号和感暗示信号，输入至脑情感学习模块；脑情感学习模块接收感官输入信号和和情感暗示信号，得到变循环发动机的控制变量；计算步骤如下：步骤1：计算感官输入信号Smn(k)，m＝1,2,3，表示变循环发动机第m个控制变量，n＝1,2，表示变循环发动机输出变量，k为第k个采样周期；其中，kpmn为情感输入信号计算中的比例权重系数，kimn为情感输入信号计算中的积分权重系数；e1(k)、e2(k)分别为两个输出变量的输出误差，l为累加变量；步骤2：计算情感暗示信号Rewm(k)其中，krpmn为情感暗示信号计算中的比例权重系数，krdmn为情感暗示信号计算中的微分权重系数，krimn为情感暗示信号计算中的积分权重系数，T为采样周期；步骤3：计算脑情感学习模块输出的控制变量Um(k)Um(k)＝Am(k)-Om(k)其中，U1为主燃油流量、U2为核心机风扇导流角，U3为尾喷管面积，Am为第m个杏仁体子模块输出，Om为第m个眶额皮质子模块输出，Vmi和Wmi分别为第m个杏仁体子模块和第m个眶额皮质子模块中的第i个节点权值，i＝1,2；步骤4：更新第k+1时刻，第m个杏仁体子模块和第m个眶额皮质子模块中的节点权值Vmi(k+1)＝Vmi(k)+αm(Smi(k)*max(0,Rewm(k)-Am(k)))Wmi(k+1)＝Wmi(k)+βm(Smi(k)*(Um(k)-Rewm(k)))其中，αm和βm分别为第m个杏仁体子模块和第m个眶额皮质子模块的学习因子，且0<αm<1，0<βm<1；步骤5：采用差分进化方法，优化参数kpmn，kimn，krpmn，krdmn，krimn步骤5.1：种群初始化，设待优化参数为X，在正数范围内随机均匀的产生M个个体，每个个体为一个N维向量；Xi(0)＝Xi1(0)+Xi2(0)+…+XiN(0)，i＝1,2,…,M其中，Xi(0)表示第0代的第i个个体，Xij(0)表示第0代第i个个体的第j个基因，j＝1,2,…,N；步骤5.2：变异，计算Hi(g)；从种群中随机选择三个个体，Xp1(g)，Xp2(g)，Xp3(g)，g为迭代次数，变异算子Hi(g)为Hi(g)＝Xp1(g)+F*(Xp2(g)-Xp3(g))其中，F>0为缩放因子；步骤5.3：交叉，计算Vi(g)其中，rand(0,1)表示在0～1之间产生一个随机数，0≤Pcr≤1为交叉概率；步骤5.4：选择，根据适应度函数的值从第g次迭代中每个个体的Vi(g)和Xi(g)中选择出适应度更高的得到新一代种群其中，适应度函数f定义为e1X(k)和e2X(k)分别为优化参数为Xi(g+1)时，变循环发动机输出变量的输出误差；步骤5.5：迭代次数g+1，重复步骤5.2-步骤5.4，直至达到给定迭代次数的目标值或适应度函数f小于误差给定值ε，优化结束。本专利技术的有益效果：通过本专利技术设计的基于脑情感学习模型的变循环发动机多变量控制算法。可以改善变循环发动机多变量控制的耦合问题和传统的控制方法过于依赖模型精度的问题，实现变循环发动机的快、准、稳控制，具有重要的工程意义。附图说明图1为基于脑情感学习模型的变循环发动机多变量控制系统结构示意图。图2为基于脑情感学习模型的变循环发动机多变量控制算法流程图。图3为基于差分算法的控制参数优化流程图。图4(a)、图4(b)为变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，采用基于脑情感学习模型的变循环发动机多变量控制算法，分别对高压相对转速目标值为0.9622，落压比目标值为3.599的跟踪效果。图5(a)、图5(b)为变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为53°的情况下，采用基于脑情感学习模型的变循环发动机多变量控制算法，分别对高压相对转速目标值为0.9744，落压比目标值为3.825的跟踪效果。具体实施方式下面结合附图以及技术方案对本专利技术实例做进步的详细说明。一种基于脑情感学习模型的变循环发动机多变量控制算法，选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积，输出变量分别为高压压气机相对转速和落压比。如图1所示，控制系统由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块本文档来自技高网...
【技术保护点】
1.一种基于脑情感学习模型的变循环发动机多变量控制算法，选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积，输出变量分别为高压压气机相对转速和落压比；控制系统主要由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块组成；其中，感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差，分别产生感官输入信号和感暗示信号，输入至脑情感学习模块；脑情感学习模块接收感官输入信号和和情感暗示信号，得到变循环发动机的控制变量；其特征在于，步骤如下：/n步骤1：计算感官输入信号S
【技术特征摘要】
1.一种基于脑情感学习模型的变循环发动机多变量控制算法，选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积，输出变量分别为高压压气机相对转速和落压比；控制系统主要由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块组成；其中，感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差，分别产生感官输入信号和感暗示信号，输入至脑情感学习模块；脑情感学习模块接收感官输入信号和和情感暗示信号，得到变循环发动机的控制变量；其特征在于，步骤如下：
步骤1：计算感官输入信号Smn(k)，m＝1,2,3，表示变循环发动机第m个控制变量，n＝1,2，表示变循环发动机输出变量，k为第k个采样周期；
其中，kpmn为情感输入信号计算中的比例权重系数，kimn为情感输入信号计算中的积分权重系数；e1(k)、e2(k)分别为两个输出变量的输出误差，l为累加变量；步骤2：计算情感暗示信号Rewm(k)
其中，krpmn为情感暗示信号计算中的比例权重系数，krdmn为情感暗示信号计算中的微分权重系数，krimn为情感暗示信号计算中的积分权重系数，T为采样周期；
步骤3：计算脑情感学习模块输出的控制变量Um(k)
Um(k)＝Am(k)-Om(k)
其中，U1为主燃油流量、U2为核心机风扇导流角，U3为尾喷管面积，Am为第m个杏仁体子模块输出，Om为第m个眶额皮质子模块输出，Vmi和Wmi分别为第m个杏仁体子模块和第m个眶额皮质子模块中的第i个节点权值，i＝1,2；
步骤4：更新第k+1时刻，...
【专利技术属性】
技术研发人员：马艳华，杜宪，孙希明，胡雪兰，
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。