CN112836427A - 基于改进遗传算法的航空发动机最低油耗控制优化方法 - Google Patents
基于改进遗传算法的航空发动机最低油耗控制优化方法 Download PDFInfo
- Publication number
- CN112836427A CN112836427A CN202110046891.4A CN202110046891A CN112836427A CN 112836427 A CN112836427 A CN 112836427A CN 202110046891 A CN202110046891 A CN 202110046891A CN 112836427 A CN112836427 A CN 112836427A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- engine
- oil consumption
- individuals
- improved
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 75
- 230000002068 genetic effect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 230000035772 mutation Effects 0.000 claims abstract description 35
- 239000000446 fuel Substances 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000002485 combustion reaction Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 42
- 238000005516 engineering process Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种基于改进遗传算法的航空发动机最低油耗控制优化方法,根据航空发动机的特点,对遗传算法进行了改进,主要对遗传算法的初始种群的构造、适应度函数、交叉算子和变异算子等方面进行了改进,改进后的遗传算法可以发挥遗传算法的优势,并避开其不足,加快收敛速度、提高搜寻结果的质量。将改进遗传算法用于最低油耗控制寻优,输出最优控制变量给航空发动机。本发明可以在保证发动机安全工作的前提下,实现发动机推力保持不变并降低耗油率,提高飞机的飞行距离。
Description
技术领域
本发明涉及航空发动机控制技术领域,尤其涉及一种基于改进遗传算法的航空发动机最低油耗控制优化方法。
背景技术
航空发动机是飞机的心脏,是衡量一个国家航空事业发展水平的重要指标之一,因此对强化动力***的研究对提升国家航空技术整体水平具有重要意义。由于航空发动机的工作过程复杂多变,且具有强非线性、多控制变量、时变、复杂的结构特点,因此,对发动机控制问题的研究比一般控制***更为困难。
目前航空发动机控制的特点向精细化、模块化、综合化发展,现在的发动机控制已经不是控制模块基础上的简单综合,而是更加强调控制***结构与功能的优化与提升。提高发动机性能的一个主要途径是发动机性能寻优控制。发动机性能寻优控制是指为了使发动机的性能指标达到最优,更进一步挖掘发动机的性能潜力,在发动机安全工作的前提下,在控制硬件可承受的范围内,对现有或新型发动机的性能进行优化。因此,提升我国航空发动机整体性能水平以及掌握世界先进航空发动机控制技术的关键在于研究先进的发动机性能寻优控制模式和控制方法。
同时,制空权在现代战争中扮演着至关重要的角色,掌握制空权就把握住了战争胜负的关键。随着科技的高速发展,现代空战对战斗机提出了更高的要求,这些要求主要体现在飞行包线的更加宽广、作战半径的扩大、机动性及灵活性的提高、推重比的增加、油耗的降低、短距离的起动、可靠性和可操作性的提升等方面。发动机的最低油耗控制模式的目的是在保证发动机安全工作的前提下,保证发动机推力不变,降低发动机的耗油率,提高飞机的作战半径。
国内外在发动机最低油耗寻优控制的研究虽然取得了一定成果,但也存在许多尚未解决的技术难题或待改进之处。难点在于寻找既有较强的全局收敛能力,又能较快收敛的优化算法。比如,遗传算法具有计算量大,耗时长,易早熟等缺点,不适宜应用于复杂的航空发动机性能寻优中。
发明内容
为解决现有技术存在的问题,本发明提出一种基于改进遗传算法的航空发动机最低油耗控制优化方法,对遗传算法进行改进,并将改进的遗传算法应用于发动机最低油耗寻优控制模式中,在保证发动机安全工作的前提下,保证发动机推力不变,降低发动机的耗油率,提高飞机的飞行距离。
本发明的技术方案为:
首先建立航空发动机的非线性数学模型,然后以改进遗传算法来进行发动机最低油耗寻优控制,以实现某型航空涡扇发动机在保持推力不变的情况下耗油率最低。
所述一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:第一步建立航空发动机的非线性数学模型;第二步确定最低油耗控制模式的目标函数和约束函数;第三步以改进遗传算法优化计算;第四步输出最优控制变量给航空发动机。
所述一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:所述改进遗传算法是对基本遗传算法进行了改进,主要对遗传算法的初始种群的构造、适应度函数、交叉算子和变异算子等方面进行了改进。
所述航空发动机的非线性数学模型为
y=f(x)
所述最低油耗控制模式为在保证发动机安全工作的前提下,保证发动机推力不变,降低发动机的耗油率,其数学描述如下:
约束条件:gimin≤gi(x)≤gimax,i=1,2,...
其中,gi(x)为约束条件,包括涡轮前温度不超温、高压压气机不喘振、高压转子不超转、风扇不超转、燃烧室不富油熄火、主燃烧室供油量不超过其最大供油量、喷管喉部面积不小于其最小面积等等,gimin,gimax分别为约束条件的下限值,上限值。
即对于最低油耗控制模式需要求解如下非线性约束问题:
其中控制变量x=[Wf,A9,dvgl,dvgh]T,以上各个变量均在相应的变化范围之内取初值。
所述改进遗传算法的算法流程为
(1)初始化。给参数赋值,随机产生含M个个体的初始种群。
(3)选择。采用选择算子中的最优保存策略,即当前群体中适应度最高的个体不参与交叉运算和变异运算,而是用该个体来替换掉本代群体中经过交叉、变异等操作后所产生的适应度最低的个体。
(4)交叉。采用改进的交叉算子,即由
可进行交叉操作,生成优秀个体的“后代”,用这些“后代”代替被移除的个体。
(5)变异。采用改进的变异算子,即由Ω={xk-s(t)(xk-Lk),xk+s(t)(Uk-xk)}可进行变异操作,生成新个体。
(6)计算子代群体中各个个体的适应度值。
(7)若算法已经达到所允许的最大进化代数或者连续几代群体最优个体都没有进化,则输出最终结果,结束迭代;否则转(3),继续搜索。
进一步的,所述控制变量为调节主燃油流量Wf、尾喷管面积A9、风扇导叶角度dvgl和压气机导叶角度dvgh。
有益效果
与现有技术相比较,本发明的基于改进遗传算法的航空发动机最低油耗控制优化方法对遗传算法进行改进,并将改进的遗传算法应用于发动机最低油耗模式寻优控制,在保证发动机安全工作的前提下,实现发动机推力保持不变并降低耗油率,提高飞机的飞行距离。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明发动机最低油耗寻优控制流程图;
图2是本发明最低油耗控制模式原理图;
图3是本发明随机方向法运算流程图;
图4是本发明改进遗传算法的基本运算流程图。
具体实施方式
本发明解决的问题是航空发动机的最低油耗寻优控制。发动机最低油耗寻优控制就是为了使发动机的推力保持不变,耗油率降到最低,选取最优控制方法寻找一组最优控制量(主燃油流量Wf、尾喷管面积A9、风扇导流叶片角度dvgl、压气机导流叶片角度dvgh)。
以某型航空涡扇发动机非线性数学模型为研究对象,建立最低油耗控制模式的目标函数,利用优化算法对发动机进行优化计算,即可得到满足最低油耗性能指标的最优控制变量。最低油耗控制模式是指在发动机安全和推力不变的前提下,降低发动机耗油率,该模式通常用于巡航状态,可增加巡航时间和作战半径。
控制算法是指控制***实现控制规律或控制模式,达到***性能要求所采用的计算方法。很多学者对线性和非线性优化算法在寻优控制中应用进行了大量研究,主要研究算法有:线性规划法,遗传算法,模型辅助模式搜索方法,及遗传算法等等。本发明在总结前人成果的基础上,根据航空发动机的特点,对遗传算法进行改进,并应用于发动机最低油耗寻优控制中。
1、由于航空发动机最低油耗寻优控制需要依据发动机当前工作状态参数做出控制决策,因此,进行最优控制方法研究时,通常以航空发动机数学模型取代真实的发动机。由于航空发动机的建模技术已经非常成熟,这里不再赘述,直接给出建立的发动机非线性模型
y=f(x)
2、改进遗传算法的设计
航空发动机最低油耗寻优技术是飞行/推进***综合控制的关键技术。随着航空科技投入的增加,全权限数字式电子控制技术在新一代发动机中得到广泛的应用。为了优化飞机和发动机的油耗性能,通常在发动机的巡航状态采取最低油耗控制模式。遗传算法具有计算量大,耗时长,易早熟等缺点,不适宜应用于复杂的航空发动机性能寻优中。因此本发明设计了一种改进的遗传算法对航空发动机进行最低油耗寻优控制,其基本思路如图1所示。
最低油耗控制模式指的是以发动机安全和推力恒定为前提,降低发动机耗油率,该模式用于巡航状态,可增加巡航时间和作战半径。
在不开加力,高压转子转速nH=常数的条件下,要想实现最低油耗控制模式,需要调节主燃油流量Wf、尾喷管面积A9、风扇导叶角度dvgl和压气机导叶角度dvgh。对小涵道比涡扇发动机而言,增大尾喷管面积A9,发动机压比πc会增加,同时减少主燃油流量Wf,调节风扇导叶角度dvgl和压气机导叶角度dvgh,使发动机转速有所降低,空气流量Wa增大,可保持推力基本不变。该控制模式的发动机压比πc与Wa的关系如图2所示。点a为当前工作点,寻优路径要沿等推力线进行,到点b时耗油率为最低点,并且最低耗油控制模式的全局最优点一般不在约束边界上,而是可行域内全局效率的最高点。在推力恒定条件下,最低油耗控制模式能够提高部件效率,主燃油流量Wf减小,因此耗油率降低。
考虑约束条件后,最低油耗控制模式的数学描述如下:
性能指标:min sfc
约束条件:gimin≤gi(x)≤gimax,i=1,2,...
其中,gi(x)为约束条件,gimin,gimax分别为约束条件的下限值,上限值。
本发明对基本遗传算法不加赘述。为了充分发挥遗传算法的优势,避开其不足,加快收敛速度、提高搜寻结果的质量。根据发动机模型的特点,本发明对遗传算法进行了改进,主要对遗传算法的初始种群的构造、适应度函数、交叉算子和变异算子等方面进行了改进,并将改进的遗传算法应用于航空发动机最低油耗寻优控制中。
由于初始群体是遗传算法搜索寻优的出发点,因此初始群体的构造关系着遗传算法的执行效率。在初始群体的构造过程中需要保证初始群体的多样性,避免遗传算法陷入局部收敛。由于群体是个体构成的,因而,如果产生的个体能够遍布整个搜索空间,就能在一定程度上保证初始群体的多样性。本发明采用随机方向法来构造初始群体,采用此方法可以在搜索空间内随机生成初始群体中的个体,且个体能遍布整个搜索空间。
初始点的选择:
随机方向法的初始点x0必须是一个可行点,即满足gj(x)≤0(j=1,2,…,m)的点。其计算步骤如下:
(1)输入变量的下限值和上限值,即
ai≤xi≤bi(i=1,2,…,n)
(2)在区间(0,1)内产生n个伪随机数qi(i=1,2,…,n)
(3)计算随机点x的各分量
xi=ai+qi(bi-ai)(i=1,2,…,n)
(4)判断随机点x是否可行。若x为可行点,则去初始点x0←x;若x为非可行点,则转步骤(2),直到产生的x是可行点为止。
可行搜索方向的产生:
产生可行搜索方向的方法是在k个随机方向中选取一个较好的方向。其计算步骤为:
(1)在(-1,1)区间内产生伪随机数ri j(i=1,2,…,n;j=1,2,…,k),按下式求出随机单位向量ej
(2)取一实验步长α0,按下式计算k个随机点
xj=x0+α0ej(j=1,2,…,k)
显然,k个随机点分布在以初始点x0为中心,以α0为半径的超球面上。
(3)检验k个随机点xj(j=1,2,…,k)是否为可行点,除去可行点,计算余下的可行随机点的目标函数值,比较其大小,选出目标函数值最小的点xL。
(4)比较xL和x0两点的目标函数值,若f(xL)<f(x0),则取xL和x0的连线方向作为可行搜索方向;若f(xL)≥f(x0),则将步长α0缩小,转步骤(1),直至f(xL)<f(x0)为止。如果缩小到很小仍然找不到一个xL,使f(xL)<f(x0),则说明x0是个局部极小点,此时可更换初始点,转步骤(1)。
综上所述,当xL点满足
则可行搜索方向d为
d=xL-x0
搜索步长的确定:
可行搜索方向d确定后,初始点移至xL,即x0←xL,从x0点出发沿d方向进行搜索,所用的步长α一般按加速步长法来确定。所谓加速步长法是指依次迭代的步长按一定的比例递增的方法。各次迭代的步长按下式计算:
α=τα
式中τ——步长加速系数,可取τ=1.3;
α——步长,初始步长取α=α0。
随机方向法的计算步骤如图3所示。
不同的编码方式可能会对算法的优化质量和优化效率产生较大的影响。本发明采用十进制浮点数编码方法。由于发动机某些性能参数如推力,其值变化范围较大,且航空发动机优化控制问题涉及到的决策变量较多,且对于部分决策变量的精度要求较高,因此十进制浮点数编码非常适合。另外,本发明研究的是航空发动机在线性能寻优控制技术,对于所采用的优化算法的计算效率要求较高,采用该编码方法可以提高其运算效率。
适应度函数的设计和遗传算法中的选择操作直接相关,因此适应度函数的选取至关重要,其选取不仅直接影响到遗传算法的收敛速度,而且与遗传算法的迭代停止条件、问题的约束条件密切相关。一般而言,适应度函数是由目标函数变换而成的。常用的适应度函数尺度变换方法有:线性变换法、幂函数变换法和指数变换法。
本发明对适应度函数进行了一些改进,操作如下式所示:
其中
式中T为进化的最大代数,t为当前迭代代数,b为参数,本发明取值为3,r∈[0,1]。由上式可知,改进后的适应度函数是非负的,在进化过程中,局部最优点的个数逐渐减少,加大收敛于全局最优解的概率。同时,当t越来越接近T时,s(t)越接近于0,复制的强制越趋向于适应度值较大的个体。
遗传算子主要包括选择算子、交叉算子和变异算子。本发明主要对交叉算子和变异算子进行了改进。下面将对以上三种算子分别进行研究。
选择算子是在已有的群体中选择出优异的个体加以保留,淘汰劣势个体。选择算子反映了种子的生存能力,遗传算法中选择算子采用何种选择策略,从父本群体中选择等群体规模的个体形成下一代群体,这对算法的性能影响最大。
选择算子解决的问题是:制定一种选择规则,从上一代群体中选取若干个个体遗传到下一代群体。为了把适应度最好的个体要尽量保留到下一代群体中,本发明采用最优保存策略来进行优胜劣汰操作,即当前群体中适应度最高的个体不参与交叉运算和变异运算,而是用该个体来替换掉本代群体中经过交叉、变异等操作后所产生的适应度最低的个体。
最优保存策略的具体操作过程是:
①找出当前群体中适应度最高的个体和适应度最低的个体。
②若当前群体中最佳个体的适应度比总的迄今为止的最好个体的适应度还要高,则以当前群体中的最佳个体作为新的迄今为止的最好个体。
③用迄今为止的最好个体替换当前群体中的最差个体。
遗传算法中交叉操作的目的是产生新个体。交叉操作的基本过程是:相互配对的染色体通过某种方式交换其部分基因,从而形成新的个体。在针对具体问题设计交叉操作方法时,应遵循的原则是:在不过多破坏个体编码串中具有优良性状的模式的前提下,高效地产生具有较好性状的新的模式。
本发明在算数交叉的基础上,提出一种新的交叉算子,该算子不依赖所选取的适应度函数,而且还克服了子代个体限定于两个父代个体之间的缺陷,保持了群体基因库的多样性,起到了变异算子的作用。具体如下:
可以看出,当γ<α或γ<β时,交叉后得到的子代个体将不限定于两个父代个体所确定的距体内。若可以同样证明得到结论。由上述所说,采用本发明提出的改进交叉算子,不仅拓展了搜索空间,还可以有效防止“早熟”问题,加快收敛速度。与一般的交叉算子不同,本发明采取父代与子代进行竞争,选取最优与次优的两个个体进入下一代,这样可以使群体向适应度值高的区域靠拢,加快收敛速度。
遗传算法中的变异运算是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换,从而形成一个新的个体。变异运算决定了遗传算法的局部搜索能力。变异算子其实有两个作用,其主要作用是增强种群多样性,以跳出局部极小点,即全局搜索功能;另一个作用是对种子作扰动,以便产生一个合适的优化方向,其实质是增强种子交叉的方向多样性,即辅助交叉搜索功能。常用的变异算子有基本位变异,均匀变异,非均匀变异、边界变异、高斯变异等等。
本发明在常见的变异算子的基础上做些改进,改进后的变异算子不仅具有原有算子的优点,且操作上比原有算子简单方便,有效地加快遗传算法的收敛速度,具体如下:
设父代染色体为x=[x1,x2,…,xk,…,xn],元素xk∈[Lk,Uk]为变异元素,变异后的元素yk随机产生于区间Ω:
Ω={xk-s(t)(xk-Lk),xk+s(t)(Uk-xk)}
其中
式中T为进化的最大代数,t为当前迭代代数,b为参数,本发明取值为3,r∈[0,1]。当T较小时,s(t)≈1,此时的变异空间相对较大,而T较大时,s(t)≈0,变异空间较小,从而加快搜索速度。
遗传算法中需要选择的运行参数主要有个体编码串长度l、群体大小M、选择概率pr、变异概率pm、终止代数T等。这些参数对遗传算法的运行性能影响较大,需认真选取。群体大小M选为20~100,选择概率pr选为0.5~0.85,变异概率pm选为0.0001~0.1,终止代数T选为100~1000。编码串长度l的选取与编码方法有关。本发明采用浮点数编码,编码串长度l应与决策变量的个数n相等。对于变异概率pm,当pm取值较大时,可能破坏较好的模式;当pm取值太小时,变异操作产生新个体的能力和抑制早熟现象的能力就会较差。
改进的遗传算法的基本运算流程如图4所示。
(1)初始化。给参数赋值,随机产生含M个个体的初始种群。
(3)选择。采用选择算子中的最优保存策略,即当前群体中适应度最高的个体不参与交叉运算和变异运算,而是用该个体来替换掉本代群体中经过交叉、变异等操作后所产生的适应度最低的个体。
(4)交叉。采用改进的交叉算子,即由
可进行交叉操作,生成优秀个体的“后代”,用这些“后代”代替被移除的个体。
(5)变异。采用改进的变异算子,即由Ω={xk-s(t)(xk-Lk),xk+s(t)(Uk-xk)}可进行变异操作,生成新个体。
(6)计算子代群体中各个个体的适应度值。
(7)若算法已经达到所允许的最大进化代数或者连续几代群体最优个体都没有进化,则输出最终结果,结束迭代;否则转(3),继续搜索。
3、基于改进的遗传算法的最低油耗寻优控制
最低油耗模式是在保持推力不变的情况下降低耗油率,该模式用于巡航状态。耗油率的降低将增加飞机的巡航时间和作战半径。
耗油率sfc与燃油流量Wf和推力F有关,在保持推力F不变的情况下,降低耗油率就是要尽可能的降低燃油流量Wf,而降低燃油流量Wf,会导致推力F的降低,为了保持推力F不变就必须同时调节其他几个控制变量:尾喷管喷口面积A9,风扇导流叶片角度dvgl,压气机导流叶片角度dvgh。因此,本发明选取主燃烧室燃油流量Wf,尾喷管喷口面积A9,风扇导流叶片角度dvgl,压气机导流叶片角度dvgh作为控制变量。
在最低油耗模式下,优化目标如下式所示:
为了保证发动机工作状态的最优性、稳定性和结构强度,必须对发动机的使用进行特定的限制。由于受到飞行条件、机械负荷、热负荷以及气动负荷的限制,所有这些限制可分为两类:一类是动力装置部件工作过程中气动稳定性条件的限制,与压气机、燃烧室等一些发动机部件有关;第二类是强度限制。在发动机的所有使用条件下,应该保持必要的强度余量。对于发动机的稳定工作状态,要限制对涡轮叶片强度余量最有影响的转速极限值。在给定的飞行包线范围内,出于结构或气动考虑必须限制发动机的压力和温度。在正常工作条件下,要限制超温和超转。
综上所述,本发明选取的发动机的约束条件有:涡轮前温度不超温、高压压气机不喘振、高压转子不超转、风扇不超转、燃烧室不富油熄火、主燃烧室供油量不超过其最大供油量、喷管喉部面积不小于其最小面积等等。
考虑到目标函数、约束条件以及控制变量的影响后,需要寻找一组合适的Wf,A9,dvgl,dvgh,使发动机工作在最低耗油率点,即需要求解如下非线性约束问题:
其中控制变量x=[Wf,A9,dvgl,dvgh]T,以上各个变量均在相应的变化范围之内取初值。
在最低油耗模式下,发动机推力F保持恒定。故使sfc最小化问题可转化为使变循环发动机主燃油流量Wf最小化。因此,优化目标函数可以转化为:
式中,JF表示保持发动机推力F不变的目标函数,Fd表示巡航状态下所需的推力值。
因此,可将目标函数转化为:
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:第一步建立航空发动机的非线性数学模型;
第二步确定最低油耗控制模式的目标函数和约束函数;
第三步以改进遗传算法优化计算;
第四步输出最优控制变量给航空发动机。
所述一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:所述改进遗传算法是对基本遗传算法进行了改进,主要对遗传算法的初始种群的构造、适应度函数、交叉算子和变异算子等方面进行了改进。
3.根据权利要求1所述的一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:所述的最低油耗控制模式为在保证发动机安全工作的前提下,保证发动机推力不变,降低发动机的耗油率,其数学描述如下:
约束条件:gimin≤gi(x)≤gimax,i=1,2,...
其中,gi(x)为约束条件,包括涡轮前温度不超温、高压压气机不喘振、高压转子不超转、风扇不超转、燃烧室不富油熄火、主燃烧室供油量不超过其最大供油量、喷管喉部面积不小于其最小面积等等,gimin,gimax分别为约束条件的下限值,上限值。
即对于最低油耗控制模式需要求解如下非线性约束问题:
其中控制变量x=[Wf,A9,dvgl,dvgh]T,以上各个变量均在相应的变化范围之内取初值。
4.根据权利要求1所述的一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:所述改进遗传算法的算法流程为
(1)初始化。给参数赋值,随机产生含M个个体的初始种群。
(3)选择。采用选择算子中的最优保存策略,即当前群体中适应度最高的个体不参与交叉运算和变异运算,而是用该个体来替换掉本代群体中经过交叉、变异等操作后所产生的适应度最低的个体。
(4)交叉。采用改进的交叉算子,即由
可进行交叉操作,生成优秀个体的“后代”,用这些“后代”代替被移除的个体。
(5)变异。采用改进的变异算子,即由Ω={xk-s(t)(xk-Lk),xk+s(t)(Uk-xk)}可进行变异操作,生成新个体。
(6)计算子代群体中各个个体的适应度值。
(7)若算法已经达到所允许的最大进化代数或者连续几代群体最优个体都没有进化,则输出最终结果,结束迭代;否则转(3),继续搜索。
5.根据权利要求1所述的一种基于改进遗传算法的航空发动机最低油耗控制优化方法,其特征在于:所述控制变量为调节主燃油流量Wf、尾喷管面积A9、风扇导叶角度dvgl和压气机导叶角度dvgh。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046891.4A CN112836427A (zh) | 2021-01-14 | 2021-01-14 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046891.4A CN112836427A (zh) | 2021-01-14 | 2021-01-14 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836427A true CN112836427A (zh) | 2021-05-25 |
Family
ID=75928082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110046891.4A Pending CN112836427A (zh) | 2021-01-14 | 2021-01-14 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836427A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468819A (zh) * | 2021-07-21 | 2021-10-01 | 桂林电子科技大学 | 基于遗传算法的无人机辅助边缘计算的能耗优化方法 |
CN114215646A (zh) * | 2021-05-20 | 2022-03-22 | 西北工业大学 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949989A (en) * | 1997-06-27 | 1999-09-07 | Chrysler Corporation | Method of designing and developing engine induction systems which minimize engine source noise |
WO2013060803A1 (en) * | 2011-10-27 | 2013-05-02 | Jaguar Cars Ltd | Genetic algorithm optimisation process |
CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
US20200362770A1 (en) * | 2018-11-07 | 2020-11-19 | Dalian University Of Technology | Design method for optimization of transient control law of aero-engine |
-
2021
- 2021-01-14 CN CN202110046891.4A patent/CN112836427A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949989A (en) * | 1997-06-27 | 1999-09-07 | Chrysler Corporation | Method of designing and developing engine induction systems which minimize engine source noise |
WO2013060803A1 (en) * | 2011-10-27 | 2013-05-02 | Jaguar Cars Ltd | Genetic algorithm optimisation process |
CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
US20200362770A1 (en) * | 2018-11-07 | 2020-11-19 | Dalian University Of Technology | Design method for optimization of transient control law of aero-engine |
Non-Patent Citations (4)
Title |
---|
刘旭东等: "某涡扇发动机最小油耗模式性能优化算法研究", 《计算机仿真》 * |
刘渊等: "基于改进灰狼优化算法的涡扇发动机性能/喷流噪声综合优化控制研究", 《南京航空航天大学学报》 * |
李勇等: "基于遗传算法-序列二次规划的涡扇发动机最低油耗性能寻优控制", 《推进技术》 * |
李立君等: "基于多目标遗传算法的航空发动机总体性能优化设计", 《航空动力学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114215646A (zh) * | 2021-05-20 | 2022-03-22 | 西北工业大学 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
CN113468819A (zh) * | 2021-07-21 | 2021-10-01 | 桂林电子科技大学 | 基于遗传算法的无人机辅助边缘计算的能耗优化方法 |
CN113468819B (zh) * | 2021-07-21 | 2022-11-25 | 桂林电子科技大学 | 基于遗传算法的无人机辅助边缘计算的能耗优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885891A (zh) | 一种航空发动机总体性能优化方法 | |
CN112836427A (zh) | 基于改进遗传算法的航空发动机最低油耗控制优化方法 | |
CN112926255B (zh) | 基于改进遗传算法的变循环发动机最低油耗控制优化方法 | |
CN108386276B (zh) | 基于延寿控制的航空发动机加速控制实时优化方法、装置 | |
CN111594322B (zh) | 一种基于Q-Learning的变循环航空发动机推力控制方法 | |
CN108763747A (zh) | 运载火箭尺寸参数估算方法 | |
CN108763746A (zh) | 运载火箭质量参数估算方法 | |
CN112182789A (zh) | 自适应变循环发动机多目标优化设计方法 | |
CN112943453A (zh) | 气路部件故障下基于iga的发动机最大推力控制优化方法 | |
CN114215646A (zh) | 基于改进遗传算法的航空发动机最低油耗控制优化方法 | |
CN112926254B (zh) | 基于改进遗传算法的变循环发动机最大推力控制优化方法 | |
CN112836426A (zh) | 基于改进遗传算法的航空发动机最大推力控制优化方法 | |
CN113027614A (zh) | 基于改进模拟退火算法的航空发动机最大推力控制优化方法 | |
CN112949159A (zh) | 基于ipso的变循环发动机加速过程最优控制方法 | |
CN112949161A (zh) | 气路部件故障下基于iga的发动机最低油耗控制优化方法 | |
Yan et al. | A Newly Improved Collaborative Optimization Strategy: Application to Conceptual Multidisciplinary Design Optimization of a Civil Aero-Engine | |
CN113236429A (zh) | 基于改进禁忌搜索算法的航空发动机最低油耗控制优化方法 | |
CN113705934A (zh) | 一种基于多目标智能优化的超临界湿冷供热机组负荷经济分配方法 | |
CN115544779B (zh) | 基于双模线性螺旋吸引法的航空发动机最大推力控制方法 | |
Kieszek et al. | Optimization of a jet engine compressor disc with application of artificial neural networks for calculations related to time and mass | |
CN117217071A (zh) | 基于deorl的航空发动机最低油耗控制优化方法 | |
Shao et al. | Aerodynamic optimization of the radial inflow turbine for a 100kW-class micro gas turbine based on metamodel-semi-assisted method | |
CN116992761A (zh) | 一种基于计算机的变循环发动机最大推力控制优化方法 | |
CN116974194A (zh) | 一种基于计算机的变循环发动机加速过程最优控制方法 | |
CN115562035B (zh) | 一种变循环发动机稳态控制规律设计模型的建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210525 |
|
WD01 | Invention patent application deemed withdrawn after publication |