System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,属于航空发动机控制领域。
技术介绍
1、本专利技术适用于某型涡扇冲压组合发动机,在总体结构上,冲压发动机置于涡轮风扇发动机之后,两种发动机共用进气道、燃烧室和尾喷管,具有广空域、宽速域、良好的综合性能;涡扇冲压组合发动机融合了涡轮风扇发动机在中低马赫数的优势以及冲压式发动机在中高马赫数情况下所具有的优点。涡轮风扇发动机提供了高推力和低噪音,适用于低速和起飞阶段,而冲压式发动机则在高速和高度飞行时提供了更高的推力和效率。涡扇冲压组合发动机具有复杂的结构和组件,通常比传统的发动机更重。这会对组合发动机的推力和燃油效率产生一定的影响。因此在发动机飞行包线内对涡扇冲压组合发动机的最大推力控制和最小燃油控制进行优化是非常必要的。
2、对于组合发动机传统的控制方法,通常基于事先设计的模型和经验规则,这种方法在复杂的实际飞行环境中可能无法满足要求。相比之下,强化学习作为一种机器学习方法,可以在没有事先模型的情况下通过试错来学习最优的控制策略。在基于强化学习的组合发动机控制中,首先需要建立一个强化学习的环境,将组合发动机在某任务模式下的最小燃油控制或者最大推力控制视为一个决策过程。然后,通过定义状态空间、动作空间和奖励函数,将最小燃油控制或者最大推力控制,两种问题分别转化为基于强化学习的马尔可夫决策过程(markov decision process,mdp)。接下来可以使用强化学习算法深度确定性策略梯度(deep deterministic policy
3、鉴于以上,为了克服强化学习算法的时延响应,本专利技术提供一种基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,通过改进蚁群算法(ant colonyalgorithm,aca)离线优化控制规律,进一步优化ddpg算法在线智能决策的响应时间。在依赖状态和时间变化的约束下、用数学方法具体描述组合发动机多模态下的指标和约束条件,将控制目标及多类安全限制统一于约束最优化的数学问题框架下。进一步,针对非线性约束优化求解计算量大、实时性较差的问题,首先基于改进aca算法离线优化策略获取多任务模式、标称工况下的控制序列作为在线优化决策的初始状态,然后考虑组合发动机不可避免的性能衰退和外界干扰情况,基于深度确定性策略梯度算法实时优化调整系统的工作状态,使其在全寿命周期内均工作在性能最佳点。这种基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法可以提高组合发动机控制的精确性、效率和稳定性,从而为航空工业和航空运输带来更多的技术进步。
技术实现思路
1、针对现有的问题,本专利技术提出的基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,利用ddpg算法根据当前环境状态给出最佳的控制策略。
2、本专利技术的技术方案:
3、一种基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,步骤如下:
4、s1:首先进行组合发动机的特征分析,以获取发动机的敏感参数。这些敏感参数是指那些对发动机性能影响较大的关键参数,比如温度、压力、转速等。同时,在确定敏感参数的基础上,还需要明确约束条件,这些约束条件的设定是为了保证发动机在操作过程中的稳定性、可靠性和安全性,同时优化发动机的性能:
5、s1.1:根据涡扇冲压组合发动机的特征进行特征分析,采取控制变量法,通过数字仿真探究涡扇冲压组合发动机在发动机中间状态、开加力状态下各部件对涡扇冲压组合发动机关键性能参数耗油率、推力等的影响;
6、s1.2:找到组合发动机可调控制变量敏感参数,针对涡扇冲压组合发动机超声速巡航中间状态进行控制变量和被控变量的约束,约束条件如下:
7、
8、式中:igv是风扇导叶,a25是外涵出口和掺混室外涵入口截面面积,a8是喷口临界面积,a9是喷口膨胀面积,这些属于发动机几何可调部件的约束,即控制变量的约束;nl是风扇转速,smf是风扇喘振裕度,tt4是主燃烧室出口温度,tt2是风扇来流总温,tt23是风扇外涵出口温度,pt3是压气机出口总压,这些属于发动机工作性能约束,即被控变量的约束。
9、s1.3:根据组合发动机已经确定的控制规律,制定一份控制计划表,并明确其中的约束条件,以确保组合发动机在包线内安全和有效运行,同时确保优化后的数据能在发动机安全限制内获得更优的性能。
10、s2:设计一种改进的蚁群算法对发动机不同状态进行控制计划的离线寻优。设计蚂蚁信息素的权重比,初始优化时减小信息素权重以及信息素消散时间,以便在初始迭代时,方便找到全局最优解;后续迭代加重信息素权重比以及信息素消散时间,使求出的最优解进一步优化,并对优化后的控制计划进行数值仿真。改进后的蚁群算法如下:
11、s2.1:初始化蚁群总体m,最大迭代次数n_max,随机初始化蚂蚁的参数组合,并映射到合适范围内。设第i只蚂蚁的参数组合如下:
12、mi=[a25i,a8i]
13、s2.2:设置信息素权重alpha,信息素挥发速度rho,信息素浓度τ总量固定,有关信息素的公式如下:
14、alpha=1
15、rho=0.647
16、τ=τmax
17、式中:alpha代表蚂蚁留在寻优路径上的信息素强度,对算法影响不大取值为1;rho的取值直接影响到整个蚁群算法的收敛速度和全局搜索性能,针对该型组合发动机进行优化分析得出rho的取值,τ代表寻优路径的信息素总浓度,和信息素挥发速度相关联。
18、s2.3:优化蚁群算法设计信息素启发因子α,期望启发因子β。
19、α∈[1,4]
20、β∈[3,5]
21、式中:α代表信息量的影响程度,即反映蚂蚁在运动过程中所积累的信息量在指导蚁群搜索中的相对重要程度;β表示在搜索时路径上的信息素的向导性,它的大小反映了蚁群在搜索最优参数的过程中的先验性和确定性因素的作用强度。
22、s2.4:在每一轮蚁群迭代中,每一只蚂蚁都会根据当前参数组合进行控制,其控制参数如下:
23、a25_=a25i+δa25*random(0,1)
24、式中:δa25、δa8为控制参数的微小变化量,random(0,1)表示一个在[0,1]范围内的随机数。
25、s2.5:在蚁群行为模拟完成后,每只蚂蚁都会计算出对应的被控量wf1、wf2,并根据其优劣释放信息素。具体地,设第i只蚂蚁的被控量为wf1(i)、wf2(i)则,第i只蚂蚁释放的信息素量为:
26、τ(i,j)=q/wf1(i)
27、τ(i,j)=q/wf2(i)
...【技术保护点】
1.基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,步骤如下:
2.如权利要求1所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,所述的步骤S3具体操作如下:
3.如权利要求1或2所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,所述的步骤S1的具体操作如下:
4.如权利要求1或2所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,还包括步骤S4:验证ACA算法与DDPG算法在线决策方法的可靠性及优越性,搭建适用于DDPG算法的硬件在环仿真环境进行仿真验证。
5.如权利要求3所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,还包括步骤S4:验证ACA算法与DDPG算法在线决策方法的可靠性及优越性,搭建适用于DDPG算法的硬件在环仿真环境进行仿真验证。
6.如权利要求1或2或5所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,步骤S1中所述
7.如权利要求3所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,步骤S1中所述的敏感参数包括温度、压力和转速。
8.如权利要求4所述的基于改进ACA-DDPG的组合发动机在线优化决策与智能控制方法,其特征在于,步骤S1中所述的敏感参数包括温度、压力和转速。
...【技术特征摘要】
1.基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,其特征在于,步骤如下:
2.如权利要求1所述的基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,其特征在于,所述的步骤s3具体操作如下:
3.如权利要求1或2所述的基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,其特征在于,所述的步骤s1的具体操作如下:
4.如权利要求1或2所述的基于改进aca-ddpg的组合发动机在线优化决策与智能控制方法,其特征在于,还包括步骤s4:验证aca算法与ddpg算法在线决策方法的可靠性及优越性,搭建适用于ddpg算法的硬件在环仿真环境进行仿真验证。
5.如权利要求3所述的基于改进aca-...
【专利技术属性】
技术研发人员:杜宪,冯云龙,聂聆聪,张永亮,马艳华,孙希明,
申请(专利权)人:大连理工大学,
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。