一种基于智能模型预测控制的航空发动机过渡态控制方法技术

一种基于智能模型预测控制的航空发动机过渡态控制方法，属于航空发动机控制领域。首先，使用动态赋值法对传统CSO算法中位置与速度的更新策略进行改进，实现输入的约束管理，使改进后的CSO算法能够用于MPC中。其次，使用退步法对传统CSO算法中的位置更新策略改进，实现输出的约束管理，使改进后的CSO算法能够用于MPC中，将改进的CSO算法与MPC结合，实现智能模型预测控制算法IMPC。最后，将IMPC算法应用于航空发动机的过渡态控制。本发明专利技术可以直接选择被控对象作为预测模型，排除了预测模型与被控对象之间可能存在的误差。同时，改进了CSO算法实现了IMPC中的约束管理，使CSO算法更易应用于实际，能够在满足所有约束条件的情况下提升了过渡态性能指标。提升了过渡态性能指标。提升了过渡态性能指标。

【技术实现步骤摘要】
一种基于智能模型预测控制的航空发动机过渡态控制方法


[0001]本专利技术属于航空发动机控制领域，提供一种基于智能模型预测控制的航空发动机过渡态控制方法。

技术介绍

[0002]模型预测控制(MPC)是一种基于预测模型的控制算法，它通过求解一个有限时间区间约束优化问题来导出每个采样时间点的控制动作。在某一时刻，通过求解优化问题，得到了未来一段时间内的最优控制输入序列，并且只将序列中的第一个值应用于被控对象，然后在下一个采样瞬间重复该过程。
[0003]由于MPC是一种基于预测模型的控制算法，通常包括一个预测模型来提供对未来周期的预测。针对简单的非线性装置，文献[阎帅,刘子旗,刘昊城,崔瀚林,管浩添.粒子群算法研究与进展[J].现代工业经济和信息化,2019,9(03):19
‑
20.]中采用MPC与自抗扰控制(ADRC)结合的方法，首先对永磁同步电机建立精确的数学模型作为预测模型。然后利用多面体约束和一个二次代价函数，最终得到一个简单的二次优化问题并求解。然而，对于航空发动机等复杂非线性装置，现有的研究很难用数学模型来描述复杂非线性装置。因此，预测模型与被控对象之间不可避免地存在误差，从而导致控制性能下降。这促使我们探索新的MPC设计方法，以提高其效率，获得更好的性能。在本专利技术中，旨在提出一种新的MPC方法，该方法完全利用控制对象的信息来提供预测，而不必建立精确的数学预测模型。
[0004]另外，一些元启发式算法通过模仿自然界中的生物行为来实现优化，它们并不总是依赖于数学模型或数学推导。因此，MPC和元启发式算法的结合可能为实现我们的目标提供一种可能的方法。文献[于中奇,杜昭平,王伟然.基于模型预测控制的永磁同步电机改进自抗扰系统研究[J].传感器与微系统,2022,41(07):52
‑
56.]中由Kennedy和Eberhart在中首次提出的以模拟鱼群和鸟群等社会性动物的社会行为为思想的粒子群优化(PSO)算法为处理优化问题提供了一种有效的方法。该算法具有优化性能好、易于实现等优点。但是，PSO算法存在的一个问题是在求解具有大量局部最优的复杂优化问题时性能不佳，然后有学者提出了一种融合竞争思想的粒子群优化算法——竞争群优化器(CSO)。CSO引入了一种两两竞争机制，在竞争中获胜的粒子将直接传递给下一代，而在竞争中败者的位置和速度在传递给下一代之前将通过学习获胜的粒子来更新。文献[谢金法,刘涵,李博超.基于改进粒子群优化算法的PMSM矢量控制[J].现代制造工程,2019,(07):6
‑
11.]中使用CSO算法利用动态自适应权重提高优化速度，建立在线优化PSO
‑
PID控制器，应用于永磁同步电机控制。但是，针对其中单一的粒子群优化算法容易陷入局部极小、不能限制约束管理与难以应用于MPC等缺陷。本专利技术提出了一种改进的粒子群优化算法(CSO)，利用动态赋值法、退步法改变粒子位置的更新策略，加快了粒子的收敛速度，精度更高并且实现限制约束管理，使其有利于在MPC中应用，然后将改进后的CSO算法与MPC相结合，提出一种更有效的智能模型预测控制算法(IMPC)，最后，将所设计的IMPC应用于复杂非线性系统
‑
航空发动机上，通过仿真验证了IMPC算法在过渡态控制上的有效性，提升了过渡态性能指标。
[0005]基于上述讨论，本专利研究了一种基于改进CSO算法的模型预测控制方法，并提出了一种新的模型预测控制算法——智能模型预测控制(IMPC)。与传统的MPC不同，IMPC完全利用控制对象的信息来提供预测，不需要精确的数学预测模型，然后以航空发动机过渡态控制为例，验证了所设计的IMPC算法的有效性，利用所设计的方法，在满足所有约束条件的情况下提升了过渡态性能指标。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术中提出一种新的MPC方法，该方法首先对传统CSO算法改进，通过利用动态赋值法、退步法改变粒子的位置与速度更新策略，提高粒子的学习能力，收敛速度更快，实现限制约束管理，并且能够应用于MPC，然后将MPC与改进的CSO算法结合，提出了一种新的IMPC算法，该算法完全利用控制对象的信息来提供预测，而不必建立精确的数学模型，最后将IMPC算法应用于航空发动机过渡态控制中，通过仿真验证了所设计的IMPC算法的有效性。为了达到上述目的，本专利技术采用的技术方案为：
[0007]一种基于智能模型预测控制的航空发动机过渡态控制方法，包括以下几个步骤：
[0008]第一步，使用动态赋值法对传统CSO算法中位置与速度的更新策略进行改进，实现输入的约束管理，使改进后的CSO算法能够用于MPC中。
[0009]所述的动态赋值法具体为：
[0010](1)利用CSO算法求解优化问题前，首先确定粒子的位置和速度，设S(k)表示m个粒子的蜂群，其中k表示生成指数。群中的每个粒子都有一个n
y
+1维的位置和一个n
y
+1维的速度，在第k代，第i个粒子的位置和速度为：
[0011][0012][0013]其中，i∈{1,2,
…
,m}，粒子的位置代表优化问题的不同可行控制输入，每个粒子的位置为X
in
(k)＝u(t+(n
‑
1)h)。
[0014](2)将步骤(1)中粒子的位置用一维矢量表示。假设初始粒子X(0)＝(u0(t),u0(t+h),
…
,u0(t+n
y
h))。然后用上界和下界随机初始化位置向量u0(t)的第一个值，上界和下界分别由下面策略更新：
[0015]ub
i
＝min(U
max
,u0(t+(i
‑
1)h)+ΔU
max
),
ꢀꢀ
(3)
[0016]lb
i
＝max(U
min
,u0(t+(i
‑
1)h)+ΔU
min
),(4)
[0017](3)步骤(2)设置好初始粒子后，根据初始的位置，计算粒子的适应度，即J
i
，J
i
的值越小，粒子就有更好的适应度。适应度较好的粒子将被传递给下一代S(k+1)而无需更新，而适应度差的则应该向适应度好的学习并更新其位置和速度，考虑一个粒子X(k)＝(u
k
(t),u
k
(t+h),...,u
k
(t+n
y
h))在第k代S(k)的速度V(k)＝(ΔU
k
(t),ΔU
k
(t+h),
…
,ΔU
k
(t+n
y
h))，如果这个粒子输掉竞争，那么根据下面的学习策略更新粒子的速度：
[0018][0019]其中，下标l和w分别表示输者和赢者的信息，是相关粒子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能模型预测控制的航空发动机过渡态控制方法，其特征在于，包括以下几个步骤：第一步，使用动态赋值法对传统CSO算法中位置与速度的更新策略进行改进，实现输入的约束管理，使改进后的CSO算法能够用于MPC中；第二步，使用退步法对传统CSO算法中的位置更新策略改进，实现输出的约束管理，使改进后的CSO算法能够用于MPC中，最后将改进的CSO算法与MPC结合，实现智能模型预测控制算法IMPC；第三步，将第二步所设计的IMPC算法应用于航空发动机的过渡态控制：(1)获取航空发动机输出参数；首先，选取某发动机动态仿真模型，在输入模块中设置不同的输入信号，得到预先设计的油气比FAR，然后由发动机动态仿真模型获得发动机在某一工作状态的输出参数，得到低压轴和高压轴的转速、低压涡轮出口温度、喘振裕度、压力数据，从输出模块导出；(2)获取航空发动机限制条件，根据发动机模型个各参数限制条件的规定确定发动机过渡态控制优化问题的约束条件，包括高压压气机物理转速N2的限制、低压涡轮转速N
l
限制、高压涡轮出口温度T限制、风扇喘振裕度SM
F
边界、压气机喘振裕度SM
C
边界、燃油流量W
f
限制和过渡态燃油流量速率ΔW
f
限制条件；并依据限制条件建立相应的约束函数，其形式如下:N2≤N
2,max
(11)N
l
≤N
l,max
(12)T≤T
max
(13)SM
C
≥SM
C,min
(14)W
f,min
≤W
f
≤ΔW
f,max
(15)ΔW
f
≤ΔW
f,max
(16)(3)由第(2)步得到航空发动机的限制条件与输出参数，以及所设计的IMPC算法，IMPC算法可以实现约束管理并且不需要精确的数学模型，从而确定发动机过渡态控制过程优化目标函数，实现在过渡态过程中，控制输入油气比FAR不超过高压涡轮出口温度T、风扇喘振裕度SM
F
边界等最大限制，并且将有限输出目标转速N
l
控制在其约束范围内，提升过渡态控制性能指标；(4)通过仿真实验，将所设计的IMPC算法应用在航空发动机过渡态控制中，获得控制输入FAR与高压涡轮出口温度T的变化曲线；如果在过渡态过程开始时，控制输入FAR随着逐渐增大，直到高压涡轮T达到约束后的温度，为了保证T不超过极限，控制输入FAR在中间暂态过程中缓慢减小，风扇的喘振裕度SM
F
减小，同时低压涡轮转速N
l
达到目标转速，则可以验证在整个过渡态过程中，控制输入FAR不超过其最大上限，输出目标转速N
l
在其限制条件的运输范围内，提升过渡态性能指标。2.根据权利要求1所述的一种基于智能模型预测控制的航空发动机过渡态控制方法，其特征在于，第一步所述的动态赋值法具体为：(1)利用CSO算法求解优化问题前，首先确定粒子的位置和速度，设S(k)表示m个粒子的蜂群，其中k表示生成指数；群中的每个粒子都有一个n
y
+1维的位置和一个n
y
+1维的速度，在第k代，第i个粒子的位置和速度为：
X
i
(k)＝(X
i1
(k),X
i2
(k),
…
,X
i(ny+1)
(k)),(1)V
i
(k)＝(V
i1
(k),V
i2
(k),
…
,V
i(ny+1)
(k)),
ꢀꢀ
(2)其中，i∈{1,2,
…
,m}，粒子的位置代表优化问题的不同可行控制输入，每个粒子的位置为X
in
(k)＝...

【专利技术属性】
技术研发人员：赵旭东，葛佰恩，李鹏，石岩，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：