CN112949160A - 气路部件故障下基于ipso的发动机加速过程最优控制方法 - Google Patents
气路部件故障下基于ipso的发动机加速过程最优控制方法 Download PDFInfo
- Publication number
- CN112949160A CN112949160A CN202110079277.8A CN202110079277A CN112949160A CN 112949160 A CN112949160 A CN 112949160A CN 202110079277 A CN202110079277 A CN 202110079277A CN 112949160 A CN112949160 A CN 112949160A
- Authority
- CN
- China
- Prior art keywords
- engine
- optimization
- gas path
- acceleration process
- particle swarm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000001133 acceleration Effects 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 title claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 127
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 230000007547 defect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 54
- 230000036541 health Effects 0.000 claims description 28
- 230000000739 chaotic effect Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 24
- 238000003745 diagnosis Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 238000002485 combustion reaction Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims 1
- 239000007789 gas Substances 0.000 description 33
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 17
- 238000011160 research Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000002028 premature Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (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
本发明提出一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,根据航空发动机的特点,针对原始粒子群算法迭代后期容易陷入局部最优,收敛精度低,易发散等缺点,对粒子群算法进行改进。对粒子群算法中重要参数的改进;与GuoA算法相结合,有针对性的进行改进。将改进粒子群算法用于加速过程寻优,并且设计最优控制器所用的发动机模型考虑了发动机气路部件故障。本发明能够在发动机机气路部件故障的情况下依旧对真实发动机的加速过程进行优良控制,可以实现发动机气路部件故障的情况下加速过程的最优控制,在保证发动机安全工作前提下,缩短发动机加速时间,有效改善发动机加速性能,提高飞机的机动性和容错能力。
Description
技术领域
本发明涉及航空发动机控制技术领域,尤其涉及一种气路部件故障下基于IPSO的发动机加速过程最优控制方法。
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。
现代战机对飞机的机动性要求非常高,良好的机动性就要求发动机具有良好的加速性能。加速过程控制是航空发动机过渡态控制的一种,相较于发动机起动、接通/切断加力、减速控制,加速过程控制对发动机以及飞机性能的影响更为明显。发动机的加速过程直接影响战斗机的重要飞行指标(如:战斗机加速、爬升和紧急着陆复飞等等),因此,研究发动机加速过程的最优控制,改善发动机加速性能具有重要意义。
国内外在发动机加速过程的最优控制研究中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。比如,粒子群算法往往出现早熟收敛和全局收敛性能差等缺点,不能直接用在航空发动机加速过程的寻优控制中。
并且,现代战机对航空发动机性能的要求不断提高,其结构也越来越复杂,并且由于发动机工作环境的恶劣多变,发动机故障约占飞机总故障的1/3。其中,气路部件故障占发动机总体故障的90%以上,其维护费用占发动机总体维护费用的60%。为了保证发动机安全工作并使故障发动机提供足够的性能来保证飞机安全飞行或具有高的机动性,必须对故障的发动机性能进行恢复,并且对发动机进行容错控制,保证控制***正常稳定工作且具有良好的性能。因此,研究发动机气路部件故障容错控制方法具有重要意义。
传统的气路部件故障容错控制方法在航空发动机出现气路部件故障时通过修正控制规律,使得发动机的推力与油门杆始终匹配,有效的保证了发动机的推力。然而,这些设计方法并没有解决当前控制器和发动机模型不匹配从而导致控制***性能下降甚至不稳定的问题。当发动机发生气路部件故障时,发动机在同一工作点的线性化模型也会发生较大变化。因此,根据正常状态的发动机模型设计的控制器一般无法保证气路部件故障时发动机的性能,甚至无法保证控制***的闭环稳定。
综上,研究气路部件故障状态下发动机的加速过程寻优控制具有重要意义。
发明内容
为解决现有技术存在的问题,本发明提出一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,对粒子群算法进行改进,并将改进的粒子群算法应用于发动机加速过程寻优控制,并且加速过程寻优控制所用的发动机模型为考虑了发动机气路部件故障的非线性机载发动机模型。能够在发动机机气路部件故障的情况下依旧对真实发动机进行优良控制,实现发动机加速过程的最优控制,提高发动机的加速过程性能,提高飞机的机动性和容错能力。
本发明的技术方案为:
首先航空发动机的气路部件故障诊断模块,包含非线性机载发动机模型和分段线性化卡尔曼滤波器,然后结合气路部件故障诊断模块中的非线性机载发动机模型,以改进粒子群算法来进行发动机加速过程寻优,以实现某型航空涡扇发动机加速过程最优。
所述一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:第一步建立航空发动机的气路部件故障诊断模块,包含非线性机载发动机模型和分段线性化卡尔曼滤波器;第二步根据发动机加速过程确定相应的目标函数和约束函数;第三步以改进单纯形法优化计算;第四步输出最优控制变量给航空发动机。
所述一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:所述改进粒子群算法是在基本的粒子群算法上进行改进,针对原始粒子群算法迭代后期容易陷入局部最优,收敛精度低,易发散等缺点,对粒子群算法进行改进。主要从以下两个方面进行改进:
(1)粒子群算法中重要参数的改进,主要包括:惯性权重ω的调节,学习因子c1和c2的改进。
(2)与GuoA算法相结合,取长补短,有针对性的进行改进。
所述气路部件故障诊断模块中包括非线性机载发动机模型和分段线性化卡尔曼滤波器;
所述非线性机载发动机模型为带健康参数的发动机非线性模型:
y=g(x,u,h)
其中为控制输入向量,,包括调节主燃油流量Wf、尾喷管面积A9、风扇导叶角度dvgl和压气机导叶角度dvgh,为状态向量,为输出向量,包括燃油消耗率sfc和发动机推力F和其他发动机可测输出,包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力,风扇转速和压气机转速,为健康参数向量,f(·)为表示***动态的n维可微非线性向量函数,g(·)为产生***输出的m维可微非线性向量函数;非线性机载发动机模型输入为控制输入向量u以及上一周期的健康参数h,其输出的健康稳态参考值(xaug,NOBEM,yNOBEM)作为分段线性化卡尔曼滤波器当前周期的估计初始值;
所述分段线性化卡尔曼滤波器的输入为测量参数y以及非线性机载发动机模型输出的健康稳态参考值(xaug,NOBEM,yNOBEM),根据公式
确定,而A、C、L、M是将健康参数h看作发动机的控制输入,并对非线性机载发动机模型在健康稳态参考点处进行线性化得到的反映发动机性能退化的增广线性状态变量模型
的系数:
w为***噪声,v为测量噪声,相应的协方差矩阵为对角阵Q和R。
所述加速过程考虑的约束条件有: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等等。优化问题的数学描述如下:
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。
采用线性加权法将多目标函数转化为单目标函数,来确定寻优目标函数。即
对上式进行离散化和归一化处理。这样处理的目的是为了消除目标函数中各参数量纲和量值变化范围的不同对优化结果的影响。最终的寻优目标函数可以写成以下形式:
上式中,ωa和ωb为相应目标函数的权重系数,满足ωa≥0,ωb≥0,其大小反映相应的寻优目标函数在多目标优化问题中的重要程度。
参照目标函数的形式,对航空发动机约束条件也进行离散化和归一化处理:
以上gi(x)(i=1,2,…,11)构成约束函数矩阵g(x),考虑约束条件后,目标函数可化为:
其中ω=[ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11]为约束函数的权重调整系数矩阵,其中ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11为对应约束条件可调整权重系数,ω·g(x)的设计用于满足发动机的约束条件。
所述改进粒子群算法的算法流程为
(1)初始化子空间。混沌初始化找到N个粒子,计算粒子对应的适应度函数值,对这N个粒子按函数值大小进行排序,取前M个作为各种群的初始粒子,随机产生M个初始速度,取前S个粒子构成子空间:
||f(Xbest)-f(Xworst)||≤ε(ε为收敛精度)
或迭代次数t<Tmax
若满足上述收敛条件,则输出Xbest,f(Xbest)作为最优点X*,f(X*)计算结束,否则转3);
(3)更新粒子速度。对于每个粒子,第d(1≤d≤D)维按下式更新速度,并限制在Vmax内。
Vid,t+1=ωVid,t+c1r1(pid,t-Xid,t)+c2r2(pgd,t-Xid,t)
(4)更新粒子位置。按下式更新速度,
Xid,t+1=Xid,t+Vid,t+1
(5)计算变异操作误差阈值ΔE。按下式计算变异操作误差阈值ΔE:
ΔE=f(Xi,t+1)-f(Xi,t)
如果ΔE<0,转6);如果ΔE≥0,则转7)
(6)根据Logistic混沌信号发生器,产生
u1=(u11,u12,u13,…,u1D),
u1j=4u0j(1-u0j)(j=1,2,…,D)
混沌变异产生子群体,上式中,h表示步长,随演化代数t而逐渐减小。β表示混沌扰动量,根据实际问题设定,一般取β=10e-7~10e-5,效果较好;k表示子群的大小,一般取k=2~6,比较选取最优的Xi,best,Xi,t+1=Xi,best,count[i]=0;
(7)若ΔE≥0,count[i]=count[i]+1,如果ΔE≤e,e为允许粒子变坏的上届,接受新值Xi,t+1=Xi,t;否则,不接受更新Xi,t=Xi,t+1。
(8)若count[i]≥G,(G为允许粒子不更新的代数),从子空间V中产生一新个体Xson,并进行越界判断
i=i+1,单个粒子完成更新,转3)。
(9)t=t+1,若粒子的适应值优于原来的个体极值,设置当前的适应值为个体极值Pi,如果Pi优于Xworst成立,那么Xworst=Pi,转2)。
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,本发明的气路部件故障下基于IPSO的发动机加速过程最优控制方法,对粒子群算法进行改进,可以提升算法的收敛速度,减少迭代次数,又保证了解的质量,并且一定程度上避免陷入局部最优解。所用发动机模型为考虑了发动机气路部件故障状态的非线性机载自适应模型。并将改进的粒子群算法应用于发动机加速过程寻优控制,保证发动机发生气路部件故障时仍安全工作,实现发动机加速过程的最优控制,在保证发动机安全工作前提下,缩短发动机加速时间,有效改善发动机加速性能,提高飞机的机动性和容错能力。
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是本实施例气路部件故障诊断模块的结构示意图;
图2是本实施例气路部件故障诊断模块中卡尔曼滤波器的结构示意图;
图3是本发明发动机加速过程寻优控制流程图;
图4是本发明GuoA算法流程图;
图5是本发明改进粒子群算法流程图。
具体实施方式
航空发动机在运行过程中由于自然磨损、腐蚀、积垢以及热蠕变等因素都会引起气路部件性能发生蜕化,并且当性能蜕化到一定程度会引发故障;另外,由于外物吸入引起的损伤、机械疲劳断裂等原因,也会引起气路部件故障的发生。前者故障发生的过程较为缓慢,而后者故障发生的过程是迅速的。当发动机气路部件发生故障却并未失效时,此时发动机的部分性能将会严重偏离额定状态。以涡轮部件为例,当其发生故障后,其工作效率将会下降,即将具有高温、高压的燃气转换为机械能的能力将会有所降低,但仍能为风扇或压气机部件提供相应的动力,使其工作在新的平衡状态下。此时发动机也已较大偏离原始状态。气路部件故障会导致发动机设计时所建立的非线性模型和气路部件故障时的真实发动机严重不匹配,进而导致根据该非线性模型设计的增益调度控制器无法对气路部件故障后的发动机进行良好的控制,严重降低了发动机的性能,甚至不能保证控制***的稳定性,无法保证发动机安全工作。
本发明解决的问题是考虑气路部件故障的航空发动机的加速过程寻优控制。发动机寻优问题就是为了使发动机的加速过程达到最优,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,建立加速过程的相应目标函数,利用优化算法对发动机进行优化计算,即可得到加速过程的满足最优性能指标的最优控制变量,在保证发动机安全工作前提下,缩短发动机加速时间,有效改善发动机加速性能。
本发明在总结前人成果的基础上,根据航空发动机的特点,对粒子群算法进行改进,并应用于发动机寻优控制中。
1、发动机气路部件故障诊断
气路部件故障会导致部件对应的特性参数发生变化。发动机气路部件故障最终表征在不同转子部件的工作效率和流通量的改变上,即可以从风风扇、压气机、主燃烧、高压涡轮和低压涡轮部件的效率系数或者流量系数的变化来揭示发动机故障位置以及故障程度,风扇、压气机、主燃烧室、高压涡轮和低压涡轮部件的效率系数或流量系数被称为健康参数。
基于部件法,建立带健康参数的非线性机载发动机模型
y=g(x,u,h)
其中为控制输入向量,,包括调节主燃油流量Wf、尾喷管面积A9、风扇导叶角度dvgl和压气机导叶角度dvgh,为状态向量,为输出向量,包括燃油消耗率sfc和发动机推力F和其他发动机可测输出,包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力,风扇转速和压气机转速,为健康参数向量,f(·)为表示***动态的n维可微非线性向量函数,g(·)为产生***输出的m维可微非线性向量函数。
将健康参数h看作发动机的控制输入,采用小扰动法或拟合法对发动机非线性模型在健康稳态参考点处进行线性化。
其中
A′=A,B′=(B L),C′=C,
D′=(D M),Δu′=(Δu Δh)T
w为***噪声,v为测量噪声,h为健康参数,Δh=h-h0;上述w与v皆为不相关的高斯白噪声,其均值均为0,协方差矩阵为对角阵Q和R,即满足条件如下:
E(w)=0E[wwT]=Q
E(v)=0E[vvT]=R
Δ表示该参数的变化量,h0表示发动机初始状态健康参数。
进一步得到了反映发动机性能退化的增广线性状态变量模型
其中系数矩阵可由下式得到:
这些系数在发动机不同的工作状态具有不同的值。
实际上,健康参数很难测量,甚至不可能测量,而发动机各部分的压力、温度、转速等参数比较容易通过测量得到,通常称为“测量参数”,主要包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力,风扇转速和压气机转速。当发动机工作环境不发生变化时,健康参数的变化会引起被测参数的相应变化,二者之间存在气动热力学关系。因此,可以设计最优估计滤波器,通过测量参数来实现健康参数的最优估计。
对于渐变型部件故障,对应故障部件健康参数变化缓慢,因此在进行单次故障诊断的时间周期内,可以认为满足对于突变型部件故障,更加关心的是发动机在故障发生后再次稳定工作时部件故障的严重程度,发动机再次稳定工作后,故障部件的健康参数变化依旧满足将健康参数进一步转化为状态变量,可以得到
其中
如图1所示,建立的气路部件故障诊断模块主要由两部分组成,一部分是基于健康参数的非线性机载发动机模型,另一部分是分段线性卡尔曼滤波器。基本工作原理是将非线性机载发动机模型的输出作为分段线性卡尔曼滤波器的稳态参考值,并扩展健康参数,通过分段线性卡尔曼滤波器进行在线实时估计,最后反馈给非线性机载发动机模型进行在线实时更新,实现对实际发动机的实时跟踪。
如图2所示,卡尔曼估计方程为:
的初值,可得计算公式:
根据该计算公式可以得到发动机的健康参数h,实现发动机的气路部件故障诊断。
2、改进粒子群算法的设计
航空发动机的动态性能寻优控制中的最短响应时间控制模式是指在保证发动机安全工作前提下,缩短发动机加速时间。最短响应时间控制模式通常用于发动机加速过程,有效改善发动机的加速性能。发动机加速过程寻优控制流程如图3所示,其基本思想是:首先以所建立的涡扇发动机非线性数学模型为基础,在确保发动机安全运行的前提下,以缩短发动机加速时间为优化目标,然后寻求最优的控制计划,充分挖掘发动机的性能潜力以达到优化的目的。由于航空发动机具有强非线性性、高复杂性等特点,运用传统的优化方法难以同时提高优化精度和速度,所以必须采用更有效的优化算法来解决此问题。
粒子群算法往往出现早熟收敛和全局收敛性能差等缺点,不能直接用在航空发动机加速过程的寻优控制中。因此,针对原始粒子群算法迭代后期容易陷入局部最优,收敛精度低,易发散等缺点,对粒子群算法进行改进,并将改进的粒子群算法用于航空发动机加速过程的寻优控制中。主要从以下两个方面进行改进:
(1)粒子群算法中重要参数的改进,主要包括:惯性权重ω的调节,学习因子c1和c2的改进。
(2)与GuoA算法相结合,取长补短,有针对性的进行改进。
主要对惯性权重ω及学习因子c1和c2进行改进,惯性权重ω是粒子群算法中最重要的一个参数,惯性权重ω的恰当选取有利于算法均衡全局和局部的搜索性能,当粒子均按照全体粒子及自身的经验向着目标最优解进行搜索,惯性权重ω的选择很关键,如果选择不当则会导致粒子缺乏精确的搜索能力。学习因子c1和c2决定了粒子自身经验和群体经验对粒子运动轨迹的影响,反映了粒子间信息交流的强弱,因此合理的设置c1和c2将有利于种群尽快的寻找到最优解。
惯性权重的改进:
标准粒子群算法通过一个惯性权重ω来协调粒子群算法的全局和局部寻优能力。具体做法是将基本粒子群的速度方程修改为如下式所示,而位置方程保持不变:
Vid,t+1=ωVid,t+c1r1(pid,t-xid,t)+c2r2(pgd,t-xid,t)
式中ω为惯性权重,其大小决定了粒子对当前速度继承的多少,选择一个合适的ω有助于粒子群均衡其探索能力与开发能力。惯性权重ω主要是权衡局部最优以及全局最优的作用,较大的惯性权重有利于展开全局寻优,而较小的惯性权重则有利于局部寻优。本发明采用从0.9线性递减到0.4的线性递减策略,则粒子群算法在开始时具有良好的全局搜索性能,能够迅速定位到接近全局最优点的区域,而在后期具有良好的局部搜索性能,能够精确地得到全局最优解。在该权重计算公式中,Tmax为最大迭代次数,t为当前迭代次数,ωstart,ωend,分别为初始惯性权重和终止权重。
学习因子c1和c2的改进:
在粒子群算法的公式中,学习因子c1和c2不仅反映粒子间信息交流的强弱,而且决定了粒子自身经验和群体经验对粒子运动轨迹的影响,因此合理的设置c1和c2将有利于种群快速寻找到最优解。虽然通过对惯性权重ω及学习因子c1和c2进行改进能够一定程度上达到寻优的效果,但是仍然存在一些问题以待解决。当全体粒子均向着目标最优解进行搜索,当粒子越接近最优值时,其搜索速度越小,粒子将失去搜索的多样性,从而粒子易陷入局部最优,收敛精度不高,后期收敛速度慢。本发明针对粒子群算法以上的缺点提出了一种与GuoA算法融合的改进算法。
针对基本粒子群算法中存在着早熟收敛、易陷入局部最优解等问题,本发明在基本粒子群算法的基础之上,引入GuoA算法的思想,并将种群的混沌初始化和混沌变异操作引入改进算法中,其主要思想为:在粒子群算法连续多代找不到最优解时,粒子采用GuoA算法中的子空间进行搜索,当子空间发现更优粒子时,取代原粒子,更新后的粒子再执行混沌变异,并产生子群,选取更优的粒子进入下一代。由于子空间搜索的全局性,改进算法在理论上讲是全局收敛算法。
混沌序列是通过映射表、生成规则及初始条件来确定的一种伪随机序列,拥有丰富的来源、生成方法简单等特点。本发明将种群的混沌初始化和混沌扰动应用于改进的粒子群算法中,可以提升算法的收敛速度,减少迭代次数,又保证了解的质量,并且一定程度上避免陷入局部最优解。本发明采用Logisitic混沌映射来产生初始种群的位置和速度。
GuoA算法(郭涛算法)是由郭涛提出的一种基于多父体重组和群体爬山法相结合的演化算法,多用于求解一些数值优化问题,并取得很好的优化效果。GuoA算法的核心思想是通过利用少数个体所张成的子空间来随机生成新的个体,并使算法搜索的子空间可覆盖多父体的凸组合空间。本发明将GuoA算法融入粒子群算法中,新算法不易早熟,具有全局搜索能力。
GuoA算法流程如图4所示。粒子群算法与GuoA算法的寻优方式有很大不同。
粒子群算法:
①寻优过程是线性的、社会性的、有导向性的;
②粒子之间信息共享,所以算法收敛速度很快;
③容易陷入局部最优解,容易造成早熟收敛。
GuoA算法:
①寻优过程是呈散点形的随机搜索,不受全局最优的约束;
②子空间中随机搜索的非凸性,使解空间中的无死角;
③当最优解不唯一时,算法可能一次同时找到多个最优解。
由于两算法寻优方式的不同,因此两算法在融合过程中需解决的几个问题:
①粒子群算法中没有涉及子空间,而GuoA算法需要生成子空间;
②生成子空间中的粒子的搜索方式;
③子空间的更新方式;
④算法的搜索方式之间的切换方式。
为了解决以上几个问题,改进粒子群算法作如下设计。
初始化子空间:
随机产生N条混沌序列,对于每一条混沌序列,随机产生D维向量z1=(z11,z12,z13,...,z1D),z1j∈(0,1),j=1,2,3,...,D,取Logistic为混沌信号发生器,zi+1j=μ(1-zij)(j=1,2,3,...,D;i=1,2,...,N-1),得到N个z1,z2,z3,...,zN。将zi的各个分量映射到优化变量的取值范围,
xij=aj+(bj-aj)zij(j=1,2,...,D;i=1,2,...,N)
Xi=(xi1,xi2,xi3,…,xiD)T,i=1,2,3,...,N,以上混沌初始化找到N个粒子,对这N个粒子按适应值大小进行排序,取前M个作为种群的初始粒子,随机产生M个初始速度;取前S个粒子构成子空间:
子空间搜索:
利用变异操作误差阈值ΔE和允许粒子不更新的代数G对子空间进行搜索,具体步骤如下:
(1)按ΔE=f(Xi,t+1)-f(Xi,t)计算变异操作误差阈值;
(2)若ΔE<0,混沌变异产生子群体,选取最优的Xi,best,Xi,t+1=Xi,best,count[i]=0;
(3)若ΔE≥0,count[i]=count[i]+1,如果ΔE≤e,e为允许粒子变坏的上界,接受新值Xi,t+1=Xi,t;否则,不接受更新Xi,t=Xi,t+1。
(4)若count[i]≥G,(G为允许粒子不更新的代数)在子空间V中产生一个新个体Xson,比较f(Xson)与f(Xi,t+1)的大小,选取较优的个体取代Xi,t+1。
子空间的更新:
子空间V的更新,实质就是对子空间P={X1,X2,…,XS}的更新,在本算法中,把单个粒子产生的历史最优位置Pi与P中Xworst进行比较,如果Pi优于Xworst,那么Xworst=Pi。
算法搜索方式的切换:
算法的切换设计在单个粒子更新的过程中,当粒子连续几代找不到较优解更新时count[i]≥G,算法搜索方式切换为子空间产生粒子,进行随机搜索。如果子空间中产生的粒子优于该粒子时,算法又切换回粒子群的更新方式。
改进粒子群算法流程如图5所示:
(1)初始化子空间。混沌初始化找到N个粒子,计算粒子对应的适应度函数值,对这N个粒子按函数值大小进行排序,取前M个作为各种群的初始粒子,随机产生M个初始速度,取前S个粒子构成子空间:
||f(Xbest)-f(Xworst)||≤ε(ε为收敛精度)
或迭代次数t<Tmax
若满足上述收敛条件,则输出Xbest,f(Xbest)作为最优点X*,f(X*)计算结束,否则转3);
(3)更新粒子速度。对于每个粒子,第d(1≤d≤D)维按下式更新速度,并限制在Vmax内。
Vid,t+1=ωVid,t+c1r1(pid,t-Xid,t)+c2r2(pgd,t-Xid,t)
(4)更新粒子位置。按下式更新速度,
Xid,t+1=Xid,t+Vid,t+1
(5)计算变异操作误差阈值ΔE。按下式计算变异操作误差阈值ΔE:
ΔE=f(Xi,t+1)-f(Xi,t)
如果ΔE<0,转6);如果ΔE≥0,则转7)
(6)根据Logistic混沌信号发生器,产生
u1=(u11,u12,u13,...,u1D),
u1j=4u0j(1-u0j)(j=1,2,...,D)
混沌变异产生子群体,上式中,h表示步长,随演化代数t而逐渐减小。β表示混沌扰动量,根据实际问题设定,一般取β=10e-7~10e-5,效果较好;k表示子群的大小,一般取k=2~6,比较选取最优的Xi,best,Xi,t+1=Xi,best,count[i]=0;
(7)若ΔE≥0,count[i]=count[i]+1,如果ΔE≤e,e为允许粒子变坏的上届,接受新值Xi,t+1=Xi,t;否则,不接受更新Xi,t=Xi,t+1。
(8)若count[i]≥G,(G为允许粒子不更新的代数),从子空间V中产生一新个体Xson,并进行越界判断
i=i+1,单个粒子完成更新,转3)。
(9)t=t+1,若粒子的适应值优于原来的个体极值,设置当前的适应值为个体极值Pi,如果Pi优于Xworst成立,那么Xworst=Pi,转2)。
3、基于改进的粒子群算法的加速过程寻优控制
在保证发动机安全工作的前提下,采用改进的粒子群算法对某型涡扇发动机进行加速过程寻优控制,在保证发动机安全工作的前提下,改进的粒子群算法可以有效地缩短加速时间,达到寻优的目的。
发动机的加速时间定义为
式中:I为转子的转动惯量;nmax为加速过程结束时的转速;nidle为慢车时的转速;ΔNac为加速过程中涡轮的剩余功率。
从上式可以看出:决定加速时间的因素主要是加速过程中的涡轮剩余功率ΔNac。而涡轮的剩余功率主要决定于高压转子转速nH和高压涡轮前总温Tt4。为缩短加速时间,就必须增大涡轮的剩余功率,也就是必须增大发动机的高压转子转速和提高燃烧室后的温度。因此,本发明选取高压转子转速nH和高压涡轮前总温Tt4作为加速过程寻优控制的目标函数。目标函数的数学表述如下:
上式中,nHd为高压转子的目标转速,nH为高压转子的实际转速。Tt4d为高压涡轮前的目标总温,Tt4为高压涡轮前实际总温。
要保证发动机在加速过程中稳定工作,本发明考虑的约束条件有: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,使发动机加速时间最短,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。
发动机的加速过程是一个动态过程,需要得到的优化结果是随时间变化的控制变量的轨迹曲线,但改进的粒子群算法只适用于静态问题,要达到求解动态问题的目的,必须对目标函数、控制变量及约束条件进行适当的处理。由上式可知,本发明采用的是多目标最优控制方法,采用线性加权法将多目标函数转化为单目标函数,来确定寻优目标函数。即
对上式进行离散化和归一化处理。这样处理的目的是为了消除目标函数中各参数量纲和量值变化范围的不同对优化结果的影响。最终的寻优目标函数可以写成以下形式:
上式中,ωa和ωb为相应目标函数的权重系数,满足ωa≥0,ωb≥0,其大小反映相应的寻优目标函数在多目标优化问题中的重要程度。
参照目标函数的形式,对航空发动机约束条件也进行离散化和归一化处理:
以上gi(x)(i=1,2,...,11)构成约束函数矩阵g(x),考虑约束条件后,目标函数可化为:
其中ω=[ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11]为约束函数的权重调整系数矩阵,其中ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11为对应约束条件可调整权重系数,ω·g(x)的设计用于满足发动机的约束条件。
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)
1.一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:第一步建立航空发动机的气路部件故障诊断模块,包含非线性机载发动机模型和分段线性化卡尔曼滤波器;
第二步根据发动机加速过程确定相应的目标函数和约束函数;
第三步以改进粒子群算法优化计算;
第四步输出最优控制变量给航空发动机。
所述一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:所述改进粒子群算法是在基本的粒子群算法上进行改进,针对原始粒子群算法迭代后期容易陷入局部最优,收敛精度低,易发散等缺点,对粒子群算法进行改进。主要从以下两个方面进行改进:
(1)粒子群算法中重要参数的改进,主要包括:惯性权重ω的调节,学习因子c1和c2的改进。
(2)与GuoA算法相结合,取长补短,有针对性的进行改进。
2.根据权利要求1所述的一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:所述气路部件故障诊断模块中包括非线性机载发动机模型和分段线性化卡尔曼滤波器;
所述非线性机载发动机模型为带健康参数的发动机非线性模型:
y=g(x,u,h)
其中为控制输入向量,,包括调节主燃油流量Wf、尾喷管面积A9、风扇导叶角度dvgl和压气机导叶角度dvgh,为状态向量,为输出向量,包括燃油消耗率sfc和发动机推力F和其他发动机可测输出,包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力,风扇转速和压气机转速,为健康参数向量,f(·)为表示***动态的n维可微非线性向量函数,g(·)为产生***输出的m维可微非线性向量函数;非线性机载发动机模型输入为控制输入向量u以及上一周期的健康参数h,其输出的健康稳态参考值(xaug,NOBEM,yNOBEM)作为分段线性化卡尔曼滤波器当前周期的估计初始值;
所述分段线性化卡尔曼滤波器的输入为测量参数y以及非线性机载发动机模型输出的健康稳态参考值(xaug,NOBEM,yNOBEM),根据公式
确定,而A、C、L、M是将健康参数h看作发动机的控制输入,并对非线性机载发动机模型在健康稳态参考点处进行线性化得到的反映发动机气路部件故障的增广线性状态变量模型
的系数:
w为***噪声,v为测量噪声,相应的协方差矩阵为对角阵Q和R。
3.根据权利要求1所述的一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:所述加速过程考虑的约束条件有: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等等。优化问题的数学描述如下:
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。
采用线性加权法将多目标函数转化为单目标函数,来确定寻优目标函数。即
对上式进行离散化和归一化处理。这样处理的目的是为了消除目标函数中各参数量纲和量值变化范围的不同对优化结果的影响。最终的寻优目标函数可以写成以下形式:
上式中,ωa和ωb为相应目标函数的权重系数,满足ωa≥0,ωb≥0,其大小反映相应的寻优目标函数在多目标优化问题中的重要程度。
参照目标函数的形式,对航空发动机约束条件也进行离散化和归一化处理:
以上gi(x)(i=1,2,...,11)构成约束函数矩阵g(x),考虑约束条件后,目标函数可化为:
其中ω=[ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11]为约束函数的权重调整系数矩阵,其中ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8,ω9,ω10,ω11为对应约束条件可调整权重系数,ω·g(x)的设计用于满足发动机的约束条件。
4.根据权利要求1所述的一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,其特征在于:所述改进粒子群算法的算法流程为
(1)初始化子空间。混沌初始化找到N个粒子,计算粒子对应的适应度函数值,对这N个粒子按函数值大小进行排序,取前M个作为各种群的初始粒子,随机产生M个初始速度,取前S个粒子构成子空间:
||f(Xbest)-f(Xworst)||≤ε(ε为收敛精度)或迭代次数t<Tmax
若满足上述收敛条件,则输出Xbest,f(Xbest)作为最优点X*,f(X*)计算结束,否则转3);
(3)更新粒子速度。对于每个粒子,第d(1≤d≤D)维按下式更新速度,并限制在Vmax内。
Vid,t+1=ωVid,t+c1r1(pid,t-Xid,t)+c2r2(pgd,t-Xid,t)
(4)更新粒子位置。按下式更新速度,
Xid,t+1=Xid,t+Vid,t+1
(5)计算变异操作误差阈值ΔE。按下式计算变异操作误差阈值ΔE:
ΔE=f(Xi,t+1)-f(Xi,t)
如果ΔE<0,转6);如果ΔE≥0,则转7)
(6)根据Logistic混沌信号发生器,产生
u1=(u11,u12,u13,…,u1D),
u1j=4u0j(1-u0j)(j=1,2,…,D)
混沌变异产生子群体,上式中,h表示步长,随演化代数t而逐渐减小。β表示混沌扰动量,根据实际问题设定,一般取β=10e-7~10e-5,效果较好;k表示子群的大小,一般取k=2~6,比较选取最优的Xi,best,Xi,t+1=Xi,best,count[i]=0;
(7)若ΔE≥0,count[i]=count[i]+1,如果ΔE≤e,e为允许粒子变坏的上届,接受新值Xi,t+1=Xi,t;否则,不接受更新Xi,t=Xi,t+1。
(8)若count[i]≥G,(G为允许粒子不更新的代数),从子空间V中产生一新个体Xson,并进行越界判断
i=i+1,单个粒子完成更新,转3)。
(9)t=t+1,若粒子的适应值优于原来的个体极值,设置当前的适应值为个体极值Pi,如果Pi优于Xworst成立,那么Xworst=Pi,转2)。
5.根据权利要求1所述的一种气路部件故障下基于IPSO的发动机加速过程最优控制方法,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 |
---|---|---|---|
CN202110079277.8A CN112949160A (zh) | 2021-01-21 | 2021-01-21 | 气路部件故障下基于ipso的发动机加速过程最优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079277.8A CN112949160A (zh) | 2021-01-21 | 2021-01-21 | 气路部件故障下基于ipso的发动机加速过程最优控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949160A true CN112949160A (zh) | 2021-06-11 |
Family
ID=76235786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079277.8A Pending CN112949160A (zh) | 2021-01-21 | 2021-01-21 | 气路部件故障下基于ipso的发动机加速过程最优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949160A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672328A (zh) * | 2019-11-05 | 2020-01-10 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
CN111608808A (zh) * | 2020-06-15 | 2020-09-01 | 西北工业大学 | 输入受限航空发动机增益调度容错控制器 |
CN111856919A (zh) * | 2020-06-15 | 2020-10-30 | 西北工业大学 | 航空发动机气路部件故障增益调度容错控制器 |
-
2021
- 2021-01-21 CN CN202110079277.8A patent/CN112949160A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672328A (zh) * | 2019-11-05 | 2020-01-10 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
CN111608808A (zh) * | 2020-06-15 | 2020-09-01 | 西北工业大学 | 输入受限航空发动机增益调度容错控制器 |
CN111856919A (zh) * | 2020-06-15 | 2020-10-30 | 西北工业大学 | 航空发动机气路部件故障增益调度容错控制器 |
Non-Patent Citations (2)
Title |
---|
GOU LINFENG等: "Predictive Control of Turbofan Engine Model Based on Improved Elman Neural Network", 《IEEE》 * |
杨坤等: "SQP方法在航空发动机加速寻优控制中的应用", 《电光与控制》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109854389B (zh) | 涡轴发动机双发扭矩匹配控制方法及装置 | |
CN110647052B (zh) | 一种变循环发动机模式切换自适应身份证模型构建方法 | |
CN110219736B (zh) | 基于非线性模型预测控制的航空发动机直接推力控制方法 | |
CN111608808A (zh) | 输入受限航空发动机增益调度容错控制器 | |
CN111880403A (zh) | 航空发动机最大推力状态容错二自由度μ控制器 | |
Zhou et al. | HNN-based generalized predictive control for turbofan engine direct performance optimization | |
CN111856919A (zh) | 航空发动机气路部件故障增益调度容错控制器 | |
CN112947064A (zh) | 考虑气路部件故障的航空发动机最大推力控制优化方法 | |
CN112327602A (zh) | 变循环发动机气路部件故障增益调度容错控制器 | |
CN116513467B (zh) | 一种考虑进气安全的高速飞行器优化控制方法 | |
CN112949160A (zh) | 气路部件故障下基于ipso的发动机加速过程最优控制方法 | |
CN112861426A (zh) | 基于改进粒子群算法的航空发动机加速过程最优控制方法 | |
CN111852663A (zh) | 变循环发动机降保守性鲁棒增益调度控制器 | |
CN112879165A (zh) | 考虑气路部件故障的航空发动机加速过程最优控制方法 | |
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 | |
CN112949159A (zh) | 基于ipso的变循环发动机加速过程最优控制方法 | |
CN112948961A (zh) | 考虑气路部件故障的航空发动机最低油耗控制优化方法 | |
CN111856929B (zh) | 航空发动机容错增益调度二自由度h∞控制器 | |
CN110985216A (zh) | 一种含在线修正的航空发动机智能多变量控制方法 | |
CN111830827B (zh) | 航空发动机容错增益调度二自由度μ控制器 | |
CN111852662A (zh) | 航空发动机最大推力状态容错二自由度h∞控制器 | |
CN112346336A (zh) | 航空发动机气路部件故障鲁棒增益调度容错控制器 | |
CN113569319A (zh) | 基于pso_de智能算法的航空发动机模型自适应修正器设计方法 | |
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 | |
CN112943479A (zh) | 基于改进单纯形法的航空发动机加速过程最优控制方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210611 |