一种电磁冲击环境下的发动机温度传感器智能容错控制方法技术

本发明专利技术公开了一种电磁冲击环境下的发动机温度传感器智能容错控制方法，步骤如下：1)建立Online

【技术实现步骤摘要】
一种电磁冲击环境下的发动机温度传感器智能容错控制方法


[0001]本专利技术涉及电磁脉冲防护领域，尤其涉及一种电磁冲击环境下的发动机温度传感器智能容错控制方法。

技术介绍

[0002]随着科技的发展，电磁环境越来越复杂，而发动机数字控制系统外围传感器通常暴露在开放环境中，极易受到电磁脉冲的干扰，使发动机的安全受到严重威胁。现阶段，进行电磁脉冲防护主要从物理屏蔽和硬件防护入手，这些手段虽能在一定程度上提升发动机控制系统抵抗电磁脉冲干扰的能力，避免电子器件被直接损坏，但某些频段的电磁脉冲依然能够通过线束耦合的方式进入控制系统，干扰传感器输出信号，影响发动机控制系统进行决策。因此对发动机进行有效的电磁脉冲防护，不仅需要
[0003]良好的屏蔽和硬件防护，还需要对传感器进行必要的容错控制。
[0004]目前许多容错控制方法通常利用算法构造出传感器虚拟模型，虚拟模型会向控制器提供虚拟传感器信号，配合控制器进行决策。虚拟模型的建模数据一般来自发动机各传感器的历史观测值，采取离线方式进行训练。然而发动机长期工作在恶劣环境中，会出现不可避免的性能退化现象，所采数据的分布也因此变化，导致采用历史数据离线训练出来的发动机模型精度下降，影响容错控制效果。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述缺陷，提出一种电磁冲击环境下的发动机温度传感器智能容错控制方法。
[0006]本专利技术采用如下技术方案：
[0007]本专利技术的一种电磁冲击环境下的发动机温度传感器智能容错控制方法，包含以下步骤：
[0008]步骤1)，建立Online
‑
RBFNN动态模型框架：对典型RBFNN进行改进，采用连续K
‑
Means聚类算法对其网络中心c、扩展系数γ进行优化，再利用FTRL在线学习算法对其权值w进行更新，该动态模型框架能够进行在线学习，实时更新模型参数，保证模型精度；
[0009]步骤2)，建立一个或多个发动机温度传感器Online
‑
RBFNN动态模型Mx；
[0010]步骤2.1)，初始学习阶段：使用少量发动机运行数据样本，根据典型K
‑
Means算法对输入样本聚类，为Online
‑
RBFNN动态模型中连续K
‑
Means算法提供初始中心点c0和扩展系数γ0；
[0011]步骤2.2)，成长学习阶段：实时接收新数据样本，利用Online
‑
RBFNN更新模型参数，当动态模型精度满足要求时进入下一步骤；
[0012]步骤2.3)，成熟学习阶段：动态模型继续接收实时样本，利用Online
‑
RBFNN实时更新模型参数，并输出结果；
[0013]步骤3)，建立“故障检测、隔离与信号重构”控制器；
[0014]步骤3.1)，计算t时刻温度传感器残差r
t
：温度传感器残差为温度传感器动态模型估计值与温度传感器观测值T
t
之差的绝对值，其表达式为：
[0015]步骤3.2)，温度值输出切换：定义D为温度传感器干扰阈值，以D和温度传感器残差r
t
的大小作为判断温度传感器是否受到电磁脉冲干扰的依据；
[0016]步骤4)，发动机温度传感器Online
‑
RBFNN动态模型更新：t时刻“故障检测、隔离与信号重构”控制器输出结果后，发动机温度传感器Online
‑
RBFNN动态模型根据控制器的输出结果更新内部参数，使动态模型保持较高精度。
[0017]进一步地，所述步骤1)中的Online
‑
RBFNN动态模型框架的原始结构为典型RBFNN，包括输入层、隐含层、输出层三层结构，其数学表达式为：
[0018][0019]式中，x＝[x1,...,x
t
,...,x
N
]T
，x
t
是在t时刻输入的单个样本向量，c为网络中心，γ为扩展系数，w为连接权值，y＝[y1,...,y
t
,...,y
N
]T
，y
t
是x
t
对应的输出值。
[0020]进一步地，所述步骤1)中采用连续K
‑
Means聚类算法对动态模型框架原始结构的网络中心c进行优化的具体方法为：在t时刻接收新样本(x
t
,y
t
)，将最接近x
t
的网络中心进行更新，其更新表达式为：
[0021]c
near,t
＝c
near,t
‑1+a(x
t
‑
c
near,t
‑1)
[0022]式中，a为0～1之间的常数，c
near,t
为最接近x
t
的中心点。
[0023]进一步地，所述步骤1)中对动态模型框架原始结构的扩展系数γ进行优化的具体表达式为：
[0024]γ
t
＝μ
·
d
max,t
[0025]式中，μ为可调参数，d
max,t
为网络中心点两两之间的最大距离。
[0026]进一步地，所述步骤1)中采用FTRL在线学习算法对动态模型框架原始结构的连接权值w进行更新的具体表达式为：
[0027][0028]式中，g是w的损失函数对w的梯度，λ1、λ2分别是L1、L2正则化系数，L1、L2表示范数，σ是关于学习率的函数，σ
s
表示σ累加，σ
s
的表达式为：
[0029][0030]式中，α为初始学习率，β为常数，通常取1。
[0031]进一步地，步骤2)所述温度传感器Online
‑
RBFNN动态模型Mx包括但不限于左缸排气温度传感器动态模型M
LE
、右缸排气温度传感器动态模型M
RE
、左缸头温度传感器动态模型M
LC
和右缸头温度传感器动态模型M
RC
。
[0032]进一步地，所述步骤2)中发动机温度传感器Online
‑
RBFNN动态模型的输入向量由发动机控制量和各传感器信号组成；发动机控制量包括但不限于电子节气门开度θ
TP
、点火
提前角θ
SA
和喷油脉宽t
INJ
；传感器信号包括但不限于发动机转速N、大气压力P
A
、进气温度T
A
、左缸排气温度T
LE
、右缸排气温度T
RE
、左缸头温度T
LC
和右缸头温度T
RC
；特别地，各温度传感器动态模型的输入向量中不应包括该传感本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁冲击环境下的发动机温度传感器智能容错控制方法，其特征在于，包含以下步骤：步骤1)，建立Online
‑
RBFNN动态模型框架：对典型RBFNN进行改进，采用连续K
‑
Means聚类算法对其网络中心c、扩展系数γ进行优化，再利用FTRL在线学习算法对其权值w进行更新，该动态模型框架能够进行在线学习，实时更新模型参数，保证模型精度；步骤2)，建立一个或多个发动机温度传感器Online
‑
RBFNN动态模型Mx；步骤2.1)，初始学习阶段：使用少量发动机运行数据样本，根据典型K
‑
Means算法对输入样本聚类，为Online
‑
RBFNN动态模型中连续K
‑
Means算法提供初始中心点c0和扩展系数γ0；步骤2.2)，成长学习阶段：实时接收新数据样本，利用Online
‑
RBFNN更新模型参数，当动态模型精度满足要求时进入下一步骤；步骤2.3)，成熟学习阶段：动态模型继续接收实时样本，利用Online
‑
RBFNN实时更新模型参数，并输出结果；步骤3)，建立“故障检测、隔离与信号重构”控制器；步骤3.1)，计算t时刻温度传感器残差r
t
：温度传感器残差为温度传感器动态模型估计值与温度传感器观测值T
t
之差的绝对值，其表达式为：步骤3.2)，温度值输出切换：定义D为温度传感器干扰阈值，以D和温度传感器残差r
t
的大小作为判断温度传感器是否受到电磁脉冲干扰的依据；步骤4)，发动机温度传感器Online
‑
RBFNN动态模型更新：t时刻“故障检测、隔离与信号重构”控制器输出结果后，发动机温度传感器Online
‑
RBFNN动态模型根据控制器的输出结果更新内部参数，使动态模型保持较高精度。2.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法，其特征在于，步骤1)中的Online
‑
RBFNN动态模型框架的原始结构为典型RBFNN，包括输入层、隐含层、输出层三层结构，其数学表达式为：式中，x＝[x1,...,x
t
,...,x
N
]
T
，x
t
是在t时刻输入的单个样本向量，c为网络中心，γ为扩展系数，w为连接权值，y＝[y1,...,y
t
,...,y
N
]
T
，y
t
是x
t
对应的输出值。3.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法，其特征在于，步骤1)中采用连续K
‑
Means聚类算法对动态模型框架原始结构的网络中心c进行优化的具体方法为：在t时刻接收新样本(x
t
,y
t
)，将最接近x
t
的网络中心进行更新，其更新表达式为：c
near,t
＝c
near,t
‑1+a(x
t
‑
c
near,t
‑1)式中，a为0～1之间的常数，c
near,t
为最接近x
t
的中心点。4.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容...

【专利技术属性】
技术研发人员：魏民祥，王志浩，曹杰，陈凯，姜玉维，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：