基于神经网络的NARMA-L2多变量控制方法技术

本发明专利技术公开了一种基于神经网络的NARMA

【技术实现步骤摘要】
基于神经网络的NARMA-L2多变量控制方法


[0001]本专利技术属于航空发动机仿真与控制领域，具体涉及一种基于神经网络的NARMA-L2多变量控制方法。

技术介绍

[0002]早期的航空发动机的性能不高，一般仅需燃油流量一个控制量即可以保持发动机的转速不变。但随着航空发动机性能要求的提高，为了满足发动机的控制要求，所需要控制的变量也逐渐增多。如对于加力涡喷发动机，为了保证涡轮落压比保持不变，必须将加力供油量也作为控制量。航空发动机的控制系统从单变量控制系统向多变量控制系统的发展已是必然。
[0003]航空发动机的高精度实时模型建模存在着局限性，过于精确的描述在实际控制器的运用中并不合适，人们常用平衡状态小邻域内的线性化模型来设计控制器。这种方法满足叠加原理，计算方式简单，并且一般在正常使用的范围内均能获得令人满意的精度。而NARMA-L2模型由于其可以精确描述非线性系统的输入输出关系，并且结构简单，易于计算控制律而在发动机控制领域得到了一定的应用。
[0004]但目前常用的NARMA-L2控制方法主要针对于单变量控制，在多变量控制中常用分散回路组成多变量控制系统，实质上只是多个单变量控制系统的组合。这种组合控制方式没有考虑耦合带来的影响，对系统的控制精度造成了一定的影响。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对
技术介绍
的缺陷，推导多输入多输出系统的NARMA-L2方程设计控制律，设计涡扇发动机高压转速、压比双变量控制器，用于解决分散回路控制系统带来的耦合问题，仿真表明该控制器具有良好的稳动态性能。
[0006]本专利技术为解决上述技术问题采用以下技术方案：
[0007]一种基于神经网络的NARMA-L2多变量控制方法，包括以下步骤：
[0008]步骤A)，推导多输入多输出非线性离散系统的NARMA-L2方程及多变量控制律；
[0009]步骤B)，设计某涡扇发动机高压转速及压比双变量控制器并在设计点、非设计点及全飞行包线进行性能验证。
[0010]作为本专利技术一种基于神经网络的NARMA-L2多变量控制方法进一步的优化方案，步骤A)的具体步骤如下：
[0011]步骤A1)，根据多输入多输出非线性离散系统的状态空间描述，通过递推得到多输入多输出系统的NARMA方程；
[0012]步骤A2)，根据多输入多输出系统的NARMA方程，在平衡点附近进行多元泰勒展开，并忽略二次项以上的泰勒高阶余项，得到多输入多输出系统的NARMA-L2方程；
[0013]步骤A3)，对双输入双输出系统的NARMA-L2方程进行运算，得到系统的双变量控制律；
[0014]作为本专利技术一种基于神经网络的NARMA-L2多变量控制方法进一步的优化方案，步骤B)具体步骤如下：
[0015]步骤B1)，以某型涡扇发动机的双变量控制器设计为例，通过六个神经网络离线辨识双变量控制律中的六个非线性函数，该网络模型采用BP-NN网络拓扑结构，以过去时刻的输入输出数据作为神经网络的输入，以非线性函数的映射结果作为神经网络的输出完成训练；
[0016]步骤B2)，根据控制律将神经网络已辨识的非线性函数输出组成对应矩阵，并建立发动机高压转速及压比闭环控制器，在线求解控制量，并且根据实际输出与指令输出的误差建立二次型性能指标，对神经网络参数进行在线优化；
[0017]步骤B3)，双变量控制器设计后，建立涡扇发动机的双变量闭环控制系统，对设计点和非设计点以及全飞行包线内进行跟踪性能的验证。
[0018]基于神经网络的涡扇发动机NARMA-L2双变量控制器，包括神经网络模块和在线优化模块。
[0019]所述神经网络模块用于根据系统过去的输入输出信息逼近控制律中的非线性函数。
[0020]所述在线优化模块用于在线修正控制器参数。双变量控制器得到每一时刻的被控量指令后，根据控制律计算出该指令所对应的控制量并输入到发动机中，然后发动机输出真实的被控量，将被控量指令与实际输出结合二次型性能指标，对逼近非线性函数的神经网络进行在线修正，以达到发动机在全飞行包线内的轨迹跟踪。
[0021]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0022](1)本专利技术提出的NARMA-L2多变量控制方法，能够组成单回路多变量闭环控制系统，消除多变量的耦合问题，提高控制品质；
[0023](2)本专利技术提出的基于神经网络的NARMA-L2双变量控制器，在全飞行包线内可以稳定跟踪任意指令，具有良好的稳动态性能，且控制器响应时间缩短，验证了该控制方法的有效性。
附图说明
[0024]图1是NARMA-L2神经网络离线辨识结构图；
[0025]图2是神经网络离线辨识误差曲线图；
[0026]图3是NARMA-L2双变量闭环控制结构图；
[0027]图4是设计点H＝0m，Ma＝0时输出转速跟踪响应图；
[0028]图5是设计点H＝0m，Ma＝0时输出压比跟踪响应图；
[0029]图6是非设计点H＝4000m，Ma＝0.8时输出转速跟踪响应图；
[0030]图7是非设计点H＝4000m，Ma＝0.8时输出压比跟踪响应图；
[0031]图8是飞机起飞、爬升、下降以及加减速过程高度、马赫数变化图；
[0032]图9是飞机起飞、爬升、下降以及加减速过程输出转速跟踪响应图；
[0033]图10是飞机起飞、爬升、下降以及加减速过程输出压比跟踪响应图。
具体实施方式
[0034]下面结合附图对本专利技术的技术方案做进一步的详细说明。
[0035]本专利技术的思路是首先针对多输入多输出非线性离散系统，通过递推得到多输入多输出系统的NARMA方程，并在平衡点进行多元泰勒展开得到系统的NARMA-L2方程，该方程经过简单的推导就可以得到控制律。针对涡扇发动机多变量控制等要求，以涡扇发动机部件级模型为基础，通过推导出的NARMA-L2多变量控制律，基于神经网络逼近控制律中的非线性函数来设计双变量控制器。相比于分散回路双变量控制系统，该控制器消除了耦合带来的影响，跟踪效果更好，精度得到了一定的提高。相比于其他多变量控制方法，该控制方法结构简单，控制律易于设计，并且稳动态性能良好。
[0036]本专利技术的具体实施方式以某型涡扇发动机的高压转速及压比双变量控制器设计为例，该NARMA-L2多变量控制方法包括以下步骤：
[0037]步骤A)，推导多输入多输出非线性离散系统的NARMA-L2方程及多变量控制律；
[0038]步骤B)，设计NARMA-L2双变量控制器并在设计点、非设计点及全飞行包线进行性能验证。
[0039]其中步骤A)的详细步骤如下：
[0040]步骤A1)，多输入多输出非线性离散系统的状态空间描述为：
[0041][0042]式中，输入u[k]＝[u1[k]u2[k]…
u
m
[k]]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的NARMA-L2多变量控制方法，其特征在于，包括以下步骤：步骤A)，推导多输入多输出非线性离散系统的NARMA-L2方程及多变量控制律；步骤B)，利用神经网络离线辨识多变量控制律中的非线性函数；利用已辨识的神经网络设计双变量控制器，建立涡扇发动机的双变量闭环控制系统，并对控制器的稳动态性能进行验证。2.根据权利要求1所述的一种基于神经网络的NARMA-L2多变量控制方法，其特征在于，步骤A)的具体步骤如下：步骤A1)，根据非线性离散系统的状态空间描述，将其推广到多输入多输出系统，通过递推得到多输入多输出系统的NARMA方程；步骤A2)，利用多输入多输出系统的NARMA方程，在其平衡点进行多元泰勒展开，并忽略泰勒高阶余项，得到非线性系统的多输入多输出NARMA-L2方程；步骤A3)，利用非线性系统的多输入多输出NARMA-L2方程，进行矩阵运算，推导得到多输入多输出系统的多变量控制律。3.如权利要求1所述的一种基于神经网络的NARMA-L2多变量控制方法，其特征在于，步骤B)的具体步骤如下：步骤B1)，首先选取发动机的燃油流量及尾喷管临界截面面积为控制变量，选取高压转速及发动机压比作为被控变量，利用发动机模型产生输入及输出数据，并通过神经网络离线辨识控制律中的非线性函数；步骤B2)，根据控制律将神经网络已辨识的非线性函数输出组成对应矩阵，并建立发动机高压转速及压比闭环控制器，在线求解控制量，并且根据实际输出与指令输出的误差建立二次型性能指标，对神经网络参数进行在线优化；步骤B3)，双变量控制器设计后，对设计点和非设计点以及全飞行包线内进行跟踪性能的验证。4.如权利要求2所述的一种基于神经网络的NARMA-L2多变量控制方法，其特征在于，步骤A1)中多输入多输出非线性离散系统的状态空间描述为：式中，u[k]＝[u1[k] u2[k]
…
u
m
[k]]∈R
m
为系统的控制量输入，y1[k]∈R,y2[k]∈R,
…
,y
m<...

【专利技术属性】
技术研发人员：黄金泉，唐杰，鲁峰，仇小杰，高亚辉，秦海勤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：