【技术实现步骤摘要】
本专利技术涉及航空发动机控制，特别涉及一种基于贝叶斯优化的自适应循环发动机加速过程控制方法。
技术介绍
1、自适应循环发动机是一种大范围、多峰值、多平衡点的发动机系统，将吸入气体与燃油燃烧产生的热能用来增加发动机的位能和动能，使其能量增加。在飞机工作时，要求发动机可以实现高马赫数巡航时发动机最大推力需求，同时保证发动机在整个飞行包线范围内不超温、不喘振、最大范围安全飞行。
2、图1所示为自适应循环发动机的结构示意图，从图中可以看出，自适应循环发动机是由进气道、风扇、模式选择活门、前涵道引射器、核心机驱动风扇级、压气机、燃烧室、高低压涡轮、后涵道引射器、混合室、尾喷管组成的复杂机械系统，对于自适应循环发动机，发动机风扇导叶角、高压压气机进口导流叶片角度、cdfs导叶角度、模式选择活门面积、前可调面积涵道引射器开度、后可调面积涵道引射器开度、尾喷管喉部面积均可以调节。
3、相比于传统的涡扇发动机，自适应循环涡扇发动机的可优化参数和约束条件的数量很多，对于其中的众多可调几何参数进行组合调节才能发挥其动态过程的最优性能，并且发动机过渡态过程是一个非线性时变系统，约束条件也多为非线性约束条件，因此对于自适应循环发动机而言，加速规律优化问题可以归纳为以最大推力为优化目标的带有非线性约束条件的动态优化问题。随着多任务航行对航空发动机提出更严苛的稳定性和可靠性要求，需要更加精确地调节最优控制变量使其满足特定工作需求下最大工作包线范围。
4、传统方法通常采用通过sqp算法、遗传算法、粒子群算法等来求解发动机动态
5、传统方法通常采用sqp算法来求解发动机动态规律性能优化的问题，sqp需要将一个确定的函数作为下降过程检测，并不适用于输入输出关系未知的黑盒函数。且由于sqp采用的梯度下降法求解最优值，因此sqp算法不能保证在计算过程中每次迭代结束时的解都满足限制条件，只能保证最优设计点满足限制条件。此外，面对多为控制变量，sqp算法计算量较大，占用内存多，极容易陷入局部最优解，导致无法对性能寻优进行准确估计。
技术实现思路
1、为了克服以上技术问题，本专利技术的目的在于提供一种基于贝叶斯优化的自适应循环发动机加速性能控制方法，对于自适应循环发动机而言，输入参数与输出参数具有极为复杂的函数关系，利用贝叶斯算法构建代理模型，将输入参数与输出参数关系作为黑盒函数构建自适应发动机模型，大大简化求解过程中的计算量。通过建立学习函数，利用学习函数根据概率在全局范围内寻求最优点的特点，来迭代求解全局最优值，从而得到自适应循环发动机的最优性能点。
2、为了实现上述目的，本专利技术采用的技术方案是：
3、基于贝叶斯优化的自适应循环发动机加速过程控制方法，包括以下步骤；
4、步骤一：建立自适应循环发动机动态过程数学模型并基于此模型建立gpr模型；
5、步骤二：基于粒子群算法求解当前迭代过程中的最优点；
6、步骤三：建立ei学习函数根据当前参考点求下一时刻最优预测点；
7、步骤四：根据步骤三计算所得的全局函数最优点，将其代入步骤一建立的自适应循环发动机动态过程数学模型中，求解发动机运行过程中的各截面的参数，并对其进行分析。
8、所述步骤一具体为：
9、选取特定高度、马赫数、低压转子转速下的工况点，将其代入发动机动态过程数学模型中，求解得到当前工况点下的输入和输出参数；
10、发动机动态过程数学模型表示为：
11、
12、
13、
14、
15、其中，为低压转子加速度，为高压转子加速度，nl为低压转子转速，nh为高压转子转速，nlt为低压转子轴功，nht为高压转子轴功，nf为风扇做功，ncdfs为核心机驱动风扇级做功，ηml为低压轴效率，ηmh为高压轴效率，jl为低压转子转动惯量，jh为高压转子转动惯量，win为容积腔控制体进口气体流量，wout为容积腔控制体出口气体流量，hin为进口气体总焓，hout为出口气体总焓，tin为进口气体总温，tout为出口气体总温，pin为进口气体总压，pout为出口气体总压，v为控制体体积。
16、选取闭环控制参数作为自变量，在步骤一计算所得的工况点参数附近采用拉丁超立方抽样，并将采样得到的控制参数作为输入代入到步骤一所建立的自适应循环发动机动态过程数学模型中得到对应的目标数据，根据抽样所得的输入输出参数建立符合高斯过程的gpr模型。
17、
18、其中，m(x)表示先验分布，k(x，x′)表示在不同点x和x′的先验协方差函数。
19、所述步骤二具体为：
20、每一次迭代gpr模型都会新增输入参数，随着迭代次数的增加不断更新gpr模型的最优点，采用粒子群算法快速进行局部最优点的求解，大大缩减了寻优所需的时间。
21、
22、所述步骤三具体为：基于步骤二所得的gpr模型求解模型的后验均值、后验方差，如式(15)所示。
23、
24、其中，表示第i个元素为κ(x(i)，x)的n维列向量，此处选择平方指数函数作为协方差函数，
25、基于后验均值和后验方差构建的ei学习函数，对每一点是函数极值点的可能性进行估计，ei学习函数反映了每一个点值得搜索的程度，该函数的极值点也是下一个搜索点，采用ei函数进行全局搜索，当ei函数收敛于一个较小值时，寻优过程终止，即可得到全局函数最优点。
26、假设当前观测点下一个最可能观测点为x+，对应的观测值为f(x)，若则最佳观测点的改进量为若则改进量为0，为使改进量最大化，定义预期改进为：
27、
28、其中，μ(x)为当前迭代点处的均值，σ(x)为当前迭代点处的方差，为当前迭代点的分布函数，为当前迭代点的概率密度函数。
29、采用粒子群优化算法，求取上述ei函数的最大值，从而可以获得当前观测点
30、当ei函数的值小于较小的容忍度δei时停止计算ei函数，如式(17)所示：
31、ei(x+)＜δei (17)
32、此时，
33、本专利技术的有益效果。
34、(1)本专利技术构建的gpr模型对验证样本的预测值以低误差水平接近真实值，符合发动机实际运转过程中的参数变化，可以有效简化优化算法的复杂程度；
35、(2)基于ei学习函数量化了最佳猜测处的期望增量，通过利用ei函数来训练更新gpr模型，使其能够最大程度低提高对全局极大值点的认知，以获得更精确的不同发动机工况下的需求满足点。
本文档来自技高网...【技术保护点】
1.基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，所述步骤一具体为：
3.根据权利要求1所述的基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，所述步骤二具体为：
4.根据权利要求1所述的基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，所述步骤三具体为：基于步骤二所得的GPR模型求解模型的后验均值、后验方差，如式(7)所示。
5.根据权利要求4所述的基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，假设当前观测点下一个最可能观测点为x+，对应的观测值为f(x)，若则最佳观测点的改进量为若则改进量为0，为使改进量最大化，定义预期改进为：
【技术特征摘要】
1.基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，所述步骤一具体为：
3.根据权利要求1所述的基于贝叶斯优化的自适应循环发动机加速过程控制方法，其特征在于，所述步骤二具体为：
4.根据权利要求1所述的基于贝叶斯优化的自...
【专利技术属性】
技术研发人员：朱鑫宇，符江锋，魏鹏飞，刘鸿儒，刘显为，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
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。