CN105629735B - 一种航空发动机在线自适应最优pid控制器设计方法 - Google Patents
一种航空发动机在线自适应最优pid控制器设计方法 Download PDFInfo
- Publication number
- CN105629735B CN105629735B CN201610096639.3A CN201610096639A CN105629735B CN 105629735 B CN105629735 B CN 105629735B CN 201610096639 A CN201610096639 A CN 201610096639A CN 105629735 B CN105629735 B CN 105629735B
- Authority
- CN
- China
- Prior art keywords
- bee
- engine
- aero
- pid controller
- solution vector
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000009401 outcrossing Methods 0.000 claims description 6
- 230000008450 motivation Effects 0.000 claims 1
- 239000000446 fuel Substances 0.000 description 16
- 230000000694 effects Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种航空发动机在线自适应最优PID控制器设计方法,其针对航空发动机PID控制器的参数优化问题,首先建立航空发动机的增量形式的线性数学模型,并设计航空发动机PID控制系统,接着针对控制系统设计每个采样时刻的目标性能函数,最后利用该目标性能函数,基于设计的新型融合蜂群算法进行航空发动机在线PID控制器参数优化。本发明针对发动机PID控制器的参数优化问题,无需繁琐的手工调试,只要设计合理的PID控制器参数在线优化的目标性能函数,利用融合蜂群算法就能够实现控制对象在每个控制周期内性能最优,使航空发动机闭环系统具有满意的动态性能和鲁棒稳定性。
Description
技术领域:
本发明涉及一种航空发动机在线自适应最优PID控制器设计方法,采用一种新型的融合蜂群算法,针对航空发动机PID控制器参数具有在线自适应优化能力,能够根据发动机的当前工作状态自动优化控制参数以达到最优的控制效果。
背景技术:
航空发动机是一种热力过程极其复杂的非线性被控对象,其工作环境存在未知干扰、参数摄动等非线性因素,需要对其工作过程加以控制,且设计的控制器需要良好的动态性能和鲁棒性,航空发动机控制器的设计是如今国内外航空发动机界研究的重点和难点。常用的控制方法有PID控制,LQR控制,H∞控制,自适应控制,预测控制,滑模变结构控制等。由于航空发动机气动热力工程复杂,非线性因素较多,控制器的可靠性和稳定性非常重要,因此在实际工程应用中仍然大量采用经典的PID控制器。PID控制器是最为通用的控制器,由于具有设计思想简单、鲁棒性好、可靠性高等优点,被广泛应用于航空航天、电力、工业流程等领域。PID控制器的性能与比例系数、积分系数、微分系数的的优化整定有非常直接的关系,目前,比较传统的PID参数整定方法有Ziegler-Nichols法、梯度法、间接寻优法等,虽然具有不错的参数整定能力,但由于存在对工作者经验依赖较强、对初值敏感、整定繁琐、自适应能力差等缺点,因此研究现代智能PID控制具有重要的意义。
人工蜂群算法(Artificial Bee Colony algorithm)又称ABC算法,是一种基于群体协作的智能算法ABC算法模仿了蜜蜂群的采蜜流程,用来优化目标问题。但是,ABC算法存在一定的不足,比如,存在运行后期优化速度慢、容易陷入局部最优等问题,因此对ABC算法在运用中进行改进非常重要,特别是从选择机制、邻域搜索机制、解向量多样性机制方面的改进研究具有重要的意义。
目前研究的航空发动机智能PID控制,多数是离线整定PID参数以优化控制效果,在控制过程PID的三个参数保持不变,通过设计合理的目标函数,虽然可以达到良好的控制效果,但是离线整定PID参数只能针对特定的工作情况,缺乏灵活性,且不能实现控制器参数的时变最优。而在线整定能够在每个采样时刻,根据控制系统的误差、误差变化率等动态的优化控制参数,大大提高了优化算法的灵活性。
发明内容:
本发明所要解决的技术问题是考虑到航空发动机热力过程极其复杂,发动机控制对象具有强非线性,建立航空发动机线性化数学模型,设计航空发动机PID控制器,并设计合理的控制器在线优化目标性能函数,采用设计的融合蜂群算法在控制过程中对发动机PID控制器进行在线优化,得到时最优参数,使得在整个控制过程航空发动机的性能最优。
本发明采用如下技术方案:一种航空发动机在线自适应最优PID控制器设计方法,包括如下步骤
步骤1),建立航空发动机的增量化线性数学模型;
步骤2),针对步骤1)中的线性数学模型设计航空发动机PID控制器;
步骤3),针对步骤2)中的PID控制器参数优化问题,设计每个采样时刻的目标性能函数;
步骤4),利用步骤3)中设计的目标性能函数,在航空发动机PID控制系统中,在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化;
所述步骤1)中建立航空发动机增量化线性数学模型的步骤如下:
步骤1.1),根据航空发动机气动热力学特性和部件特性数据建立发动机部件级非线性数学模型;
步骤1.2),针对步骤1.1)中非线性数学模型,采用小信号扰动法和拟合法建立航空发动机增量化线性数学模型。
进一步地,所述步骤3)中对每个采样时刻的目标性能函数设计方法如下:
采用误差绝对值和误差变化率的加权和作为每个采样时刻算法中蜂群个体参数选择的目标函数J0,即
J0=α1|e|+α2|de|
其中,e=ΔNfR-ΔNf表示转速跟踪误差,ΔNf表示风扇转速,ΔNfR为转速参考指令,de为转速误差变化率,当|e|>0.05时,为了保证闭环系统能够有足够快的动态性能,尽快地降低误差,α2取值为0,即不考虑转速误差变化率的影响,当|e|≤0.05时,为防止误差变化太快而产生超调,α2取一定大小的数值,但相对于α1仍然较小,
为了避免转速超调量过大,在目标函数中加入误差惩罚机制,即将发动机转速超调量作为最优指标的一项,因此最优指标J可以表示为
if(e<0)J=J0+α3|e|
其中,为了使误差惩罚功能实际有效,α3远大于α1。
进一步地,所述步骤4)中在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化的方法如下:
步骤4.1),在当前采样时刻设定对应于航空发动机PID控制器3个参数的3维解向量,并初始化所有的解向量;
步骤4.2),计算所有解向量的目标函数值,并求得全局最小目标函数值和全局最优解向量;
步骤4.3),开始融合蜂群算法循环,将雇佣蜂的解向量未更新次数值置零;
步骤4.4),雇佣蜂进行邻域搜索产生新解,基于贪婪准则选择更优的解向量;
步骤4.5),若某只雇佣蜂未能提高解向量质量,则未更新计数加1;
步骤4.6),计算每只雇佣蜂被选择的概率,观察蜂按概率随机选择雇佣蜂,概率值越大的雇佣蜂越可能被观察蜂选择;
步骤4.7),最后一只观察蜂选择步骤4.4)中产生的最优解向量;
步骤4.8),观察蜂进行邻域搜索,基于贪婪准则选择更优解,按照步骤4.5)中的方法计算未更新计数值;
步骤4.9),观察蜂用进行交叉运算产生新解,若新解质量优于原来的解向量,则用新解向量代替原来的解,并按照步骤4.5)中的方法计算未更新计数值;
步骤4.10),确定本次循环的最优目标函数值,若优于上次循环得到的全局最优目标函数值,则将它赋给全局最优目标函数值,并把对应的解向量赋值给全局最优解向量;
步骤4.11),若某只雇佣蜂的未更新计数值达到设定的最大未更新次数,则该雇佣蜂又变成侦察蜂,并重新初始化解向量;
步骤4.12),若未达到设定的循环迭代次数,则转到步骤4.4),否则,融合蜂群算法结束,得到航空发动机PID控制器在当前采样时刻全局最优解向量,即PID控制器参数。
进一步地,所述步骤4.1)中初始化解向量的方法如下:
Xmi=lower(i)+rand(0,1)×(upper(i)-lower(i))
Xmi表示第m个雇佣蜂对应的解向量的第i维值,lower(i)和upper(i)分别是Xmi的最小值和最大值,1≤m≤Colonysize/2,Colonysize是种群大小,rand是0到1之间的随机数。
进一步地,所述步骤4.4)中邻域搜索产生新解X'mj的方法如下:
X'mj=Xmj+rand(-1,1)×(Xmj-Xkj)+rand(0,1)×(Pgj-Xmj)
其中,Xmj表示第m个雇佣蜂对应的解向量的第j维值,Xkj表示第k个雇佣蜂对应的解向量的第j维值,k、j为随机数,且k≠m,1≤j≤Dim,Dim为解向量的维数,rand(0,1)×(Pgj-Xmj)为全局最优位置引导项,Pgj为全局最优解向量的第j维分量,若X'mj超过取值范围,则取临近的极限值来代替,引入全局最优位置引导项后,蜂群在进行邻域搜索时将趋向全局最优位置。
进一步地,所述步骤4.6)中观察蜂随机选择雇佣蜂的概率公式为:
即对于第m个雇佣蜂,其被观察蜂选择的概率为Pm,其中,Xm表示第m个雇佣蜂对应的解向量,Xi表示第i个观察蜂对应的解向量,fit(Xm)表示Xm的适应度函数值。
进一步地,所述步骤4.9)中观察蜂进行交叉运算产生新解采用的方法如以下公式所示:
其中,和分别表示第m个观察蜂交叉运算前后对应的解向量,和分别表示第m+1个观察蜂交叉运算前后对应的解向量,α为0到1之间的随机数,1≤m≤Colonysize/2,m为奇数,上述公式是在观察蜂阶段融入交叉算子,在观察蜂进行邻域搜索并进行贪婪选择后,两两相邻的解向量按照设计的交叉概率进行交叉运算。
本发明具有如下有益效果:
(1)本发明提出了一种新型的融合蜂群算法,相对于传统的人工蜂群算法,从多个方面改进了算法机制,具有收敛速度快、寻优能力强、鲁棒性好的优点;
(2)本发明是一种基于融合蜂群算法的航空发动机在线自适应最优PID控制器设计方法,相对于传统的航空发动机PID控制器参数设计方法,采用融合蜂群算法进行PID控制参数优化,无需大量的经验知识便可在给定参数范围内自动优化得到最优控制参数,能够省去人工整定的繁琐过程;
(3)本发明一种基于融合蜂群算法的航空发动机在线自适应最优PID控制器设计方法,与传统的离线优化航空发动机PID控制器参数方法相比,具有更加灵活的特点,采用在线优化的方法,在每个采样时刻均对控制参数进行优化,得到时变最优参数,使闭环系统在整个控制过程中始终保持性能最优。
附图说明:
图1是本发明的流程图。
图2是地面状态的转速跟踪效果图。
图3是地面状态的燃油量变化曲线图。
图4是地面状态的PID控制器参数变化曲线图。
图5是高空状态的转速跟踪效果图。
图6是高空状态的燃油量变化曲线图。
图7是高空状态的PID控制器参数变化曲线图。
具体实施方式:
本发明一种航空发动机在线自适应最优PID控制器设计方法,包括如下步骤:
步骤1),建立航空发动机的增量化线性数学模型;
步骤2),针对步骤1)中的线性数学模型设计航空发动机PID控制器;
步骤3),针对步骤2)中的PID控制器参数优化问题,设计每个采样时刻的目标性能函数;
步骤4),利用步骤3)中设计的目标性能函数,在航空发动机PID控制系统中,在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化。
其中步骤1)中建立航空发动机增量化线性数学模型的步骤如下:
步骤1.1),根据航空发动机气动热力学特性和部件特性数据建立发动机部件级非线性数学模型;
步骤1.2),针对步骤1.1)中非线性数学模型,采用小信号扰动法和拟合法建立航空发动机增量化线性数学模型。
其中步骤3)中对每个采样时刻的目标性能函数设计方法如下:
采用误差绝对值和误差变化率的加权和作为每个采样时刻算法中蜂群个体参数选择的目标函数J0,即
J0=α1|e|+α2|de|
其中,e=ΔNfR-ΔNf表示转速跟踪误差,ΔNf表示风扇转速,ΔNfR为转速参考指令,de为转速误差变化率。当|e|>0.05时,为了保证闭环系统能够有足够快的动态性能,尽快地降低误差,通常α2取值为0,即不考虑转速误差变化率的影响。当|e|≤0.05时,为防止误差变化太快而产生超调,α2通常取一定大小的数值,但相对于α1仍然较小。
为了避免转速超调量过大,在目标函数中加入误差惩罚机制,即将发动机转速超调量作为最优指标的一项,因此最优指标J可以表示为
if(e<0)J=J0+α3|e|
其中,为了使误差惩罚功能实际有效,α3一般要远大于α1。
其中步骤4)中在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化的方法如下:
步骤4.1),在当前采样时刻设定对应于航空发动机PID控制器3个参数的3维解向量,并初始化所有的解向量;
步骤4.2),计算所有解向量的目标函数值,并求得全局最小目标函数值和全局最优解向量;
步骤4.3),开始融合蜂群算法循环,将雇佣蜂的解向量未更新次数值置零;
步骤4.4),雇佣蜂进行邻域搜索产生新解,基于贪婪准则选择更优的解向量;
步骤4.5),若某只雇佣蜂未能提高解向量质量,则未更新计数加1;
步骤4.6),计算每只雇佣蜂被选择的概率,观察蜂按概率随机选择雇佣蜂,概率值越大的雇佣蜂越可能被观察蜂选择;
步骤4.7),最后一只观察蜂选择步骤4.4)中产生的最优解向量;
步骤4.8),观察蜂进行邻域搜索,基于贪婪准则选择更优解,按照步骤4.5)中的方法计算未更新计数值;
步骤4.9),观察蜂用进行交叉运算产生新解,若新解质量优于原来的解向量,则用新解向量代替原来的解,并按照步骤4.5)中的方法计算未更新计数值;
步骤4.10),确定本次循环的最优目标函数值,若优于上次循环得到的全局最优目标函数值,则将它赋给全局最优目标函数值,并把对应的解向量赋值给全局最优解向量;
步骤4.11),若某只雇佣蜂的未更新计数值达到设定的最大未更新次数,则该雇佣蜂又变成侦察蜂,并重新初始化解向量;
步骤4.12),若未达到设定的循环迭代次数,则转到步骤4.4),否则,融合蜂群算法结束,得到航空发动机PID控制器在当前采样时刻全局最优解向量,即PID控制器参数。
其中步骤4.1)中初始化解向量的方法如下:
Xmi=lower(i)+rand(0,1)×(upper(i)-lower(i))
Xmi表示第m个雇佣蜂对应的解向量的第i维值,lower(i)和upper(i)分别是Xmi的最小值和最大值,1≤m≤Colonysize/2,Colonysize是种群大小,rand是0到1之间的随机数。
其中步骤4.4)中邻域搜索产生新解X'mj的方法如下:
X'mj=Xmj+rand(-1,1)×(Xmj-Xkj)+rand(0,1)×(Pgj-Xmj)
其中,Xmj表示第m个雇佣蜂对应的解向量的第j维值,Xkj表示第k个雇佣蜂对应的解向量的第j维值,k、j为随机数,且k≠m,1≤j≤Dim,Dim为解向量的维数,rand(0,1)×(Pgj-Xmj)为全局最优位置引导项,Pgj为全局最优解向量的第j维分量,若X'mj超过取值范围,则取临近的极限值来代替。引入全局最优位置引导项后,蜂群在进行邻域搜索时将趋向全局最优位置,避免了邻域搜索的盲目性。
其中步骤4.6)中观察蜂随机选择雇佣蜂的概率公式为:
即对于第m个雇佣蜂,其被观察蜂选择的概率为Pm。其中,Xm表示第m个雇佣蜂对应的解向量,Xi表示第i个观察蜂对应的解向量,fit(Xm)表示Xm的适应度函数值。
其中步骤4.9)中观察蜂进行交叉运算产生新解采用的方法如以下公式所示:
其中,和分别表示第m个观察蜂交叉运算前后对应的解向量,和分别表示第m+1个观察蜂交叉运算前后对应的解向量,α为0到1之间的随机数,1≤m≤Colonysize/2,m为奇数。上述公式实际上是在观察蜂阶段融入交叉算子,在观察蜂进行邻域搜索并进行贪婪选择后,两两相邻的解向量按照设计的交叉概率进行交叉运算。
本发明具体实施方式以某型航空发动机为例,航空发动机控制对象可视为主供油执行机构和燃油转速系统的串联,其中主供油执行机构可视为时间常数为0.1s的惯性环节,传递函数为燃油-转速系统的数学模型为主燃烧室供油量ΔWf对风扇转速ΔNf的增量形式的线性化数学模型,即在地面和高空状态分别进行验证。
对基于融合蜂群算法的在线自适应时变最优PID控制器进行算法仿真。为了减少计算量,更好的达到实时性的要求,设定融合蜂群算法的种群大小为10,循环迭代次数为5。控制系统仿真步长设为0.001s,参考信号为一方波信号,用以测试所设计的时变最优PID控制器的跟踪能力和控制效果。仿真中,针对航空发动机转速控制系统的目标性能函数,α1取0.95,当|e|>0.05时,为了保证闭环系统能够有足够快的动态性能,尽快地降低误差,取α2=0,当|e|≤0.05,为防止误差变化太快而产生超调,取α2=0.05。α3远大于α1,取α3=100。
在地面状态,H=0,Ma=0,H和Ma分别表示高度和马赫数,发动机燃油转速系统的数学模型为设定PID控制器3个参数的范围:9.0≤kp≤13.0,9.0≤ki≤11.0,2.8≤kd≤4.0。在控制过程中,用融合蜂群算法对航空发动机PID控制系统进行在线参数优化,图2是地面状态的转速跟踪效果图,图3是地面状态的燃油量变化曲线图,图4是地面状态的PID控制器参数变化曲线图。可见地面状态下,在初始阶段,为了尽快降低误差,kp、ki较大,kd较小;当转速上升到一定程度,为了防止误差变化太快而产生超调,kp、ki下降,kd上升,此时转速上升变慢,同时供油量随之下降;当第一次上升到指令值后,为防止超调产生,kp上升、kd下降;在5s时由于指令信号变大,为降低误差,ki上升,kp、kd突变后恢复;当转速上升到一定程度,同样为了防止误差变化太快,kp、ki下降,kd上升,此时转速上升变慢,同时供油量随之下降;当再次上升到指令值后,为防止超调产生,kp上升、kd下降;在10s时指令信号值变小,之前的最优控制参数能够适用,没有发生变化。
在高空状态,H=11km,Ma=0.8,发动机燃油转速系统的数学模型为设定PID控制3个参数的范围:2.5≤kp≤3.5,2.5≤ki≤3.5,0.55≤kd≤0.75。在控制过程中,用融合蜂群算法对航空发动机PID控制系统进行在线参数优化,图5是高空状态的转速跟踪效果图,图6是高空状态的燃油量变化曲线图,图7是高空状态的PID控制器参数变化曲线图。可见高空状态下,在初始阶段,为了尽快降低误差,kp、ki较大,kd较小;当转速上升到一定程度,为了防止误差变化太快而产生超调,kp、ki下降,kd上升,此时转速上升变慢,同时供油量随之下降;在5s时由于指令信号变大,为降低误差,kp、ki上升,kd下降,供油量变大;当转速上升到一定程度,为了防止误差变化太快,kp、ki下降,kd上升,转速上升变慢,同时供油量随之下降;在10时,由于指令信号值下降,为了降低误差加快系统响应,ki突变后恢复保持不变,kp上升、kd下降,供油量突然下降后缓慢上升。
由发动机地面状态和高空状态的系统响应可知,采用融合蜂群算法对航空发动机PID控制系统进行在线参数优化,能够根据控制系统的工作状态动态的改变PID控制器参数,在每一个采样时刻均能优化出最优的控制参数,实现了时变最优控制,使得闭环系统响应快,超调量小。
本发明基于融合蜂群算法的航空发动机在线自适应最优PID控制器设计方法,首先对航空发动机进行闭环反馈控制系统设计,并采用PID控制器对发动机进行实际控制。设计了航空发动机在线自适应最优PID控制器的目标性能函数,在每个采样时刻,采用设计的融合蜂群算法对航空发动机PID控制器参数进行在线优化,得到当前时刻的最优控制参数,使当前时刻航空发动机控制系统性能最优。本发明针对具有复杂工况的控制对象,采用融合蜂群算法只要设计合理的在线优化目标函数,在每个采样时刻均能自动优化得到最优的控制器参数,使航空发动机在整个控制过程中的每个时刻均保持最优性能,使闭环系统响应迅速且控制系统稳定。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (6)
1.一种航空发动机在线自适应最优PID控制器设计方法,其特征在于:包括如下步骤
步骤1),建立航空发动机的增量化线性数学模型;
步骤2),针对步骤1)中的线性数学模型设计航空发动机PID控制器;
步骤3),针对步骤2)中的PID控制器参数优化问题,设计每个采样时刻的目标性能函数;
步骤4),利用步骤3)中设计的目标性能函数,在航空发动机PID控制系统中,在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化;
所述步骤1)中建立航空发动机增量化线性数学模型的步骤如下:
步骤1.1),根据航空发动机气动热力学特性和部件特性数据建立发动机部件级非线性数学模型;
步骤1.2),针对步骤1.1)中非线性数学模型,采用小信号扰动法和拟合法建立航空发动机增量化线性数学模型;
所述步骤3)中对每个采样时刻的目标性能函数设计方法如下:
采用误差绝对值和误差变化率的加权和作为每个采样时刻算法中蜂群个体参数选择的目标函数J0,即
J0=α1|e|+α2|de|
其中,e=ΔNfR-ΔNf表示转速跟踪误差,ΔNf表示风扇转速,ΔNfR为转速参考指令,de为转速误差变化率,当|e|>0.05时,为了保证闭环系统能够有足够快的动态性能,尽快地降低误差,α2取值为0,即不考虑转速误差变化率的影响,当|e|≤0.05时,为防止误差变化太快而产生超调,α2取一定大小的数值,但相对于α1仍然较小,
为了避免转速超调量过大,在目标函数中加入误差惩罚机制,即将发动机转速超调量作为最优指标的一项,因此最优指标J可以表示为
if(e<0) J=J0+α3|e|
其中,为了使误差惩罚功能实际有效,α3大于α1。
2.如权利要求1所述的航空发动机在线自适应最优PID控制器设计方法,其特征在于:所述步骤4)中在每个采样时刻用融合蜂群算法对PID控制器参数进行在线优化的方法如下:
步骤4.1),在当前采样时刻设定对应于航空发动机PID控制器3个参数的3维解向量,并初始化所有的解向量;
步骤4.2),计算所有解向量的目标函数值,并求得全局最小目标函数值和全局最优解向量;
步骤4.3),开始融合蜂群算法循环,将雇佣蜂的解向量未更新次数值置零;
步骤4.4),雇佣蜂进行邻域搜索产生新解,基于贪婪准则选择更优的解向量;
步骤4.5),若某只雇佣蜂未能提高解向量质量,则未更新计数加1;
步骤4.6),计算每只雇佣蜂被选择的概率,观察蜂按概率随机选择雇佣蜂,概率值越大的雇佣蜂越可能被观察蜂选择;
步骤4.7),最后一只观察蜂选择步骤4.4)中产生的最优解向量;
步骤4.8),观察蜂进行邻域搜索,基于贪婪准则选择更优解,按照步骤4.5)中的方法计算未更新计数值;
步骤4.9),观察蜂用进行交叉运算产生新解,若新解质量优于原来的解向量,则用新解向量代替原来的解,并按照步骤4.5)中的方法计算未更新计数值;
步骤4.10),确定本次循环的最优目标函数值,若优于上次循环得到的全局最优目标函数值,则将它赋给全局最优目标函数值,并把对应的解向量赋值给全局最优解向量;
步骤4.11),若某只雇佣蜂的未更新计数值达到设定的最大未更新次数,则该雇佣蜂又变成侦察蜂,并重新初始化解向量;
步骤4.12),若未达到设定的循环迭代次数,则转到步骤4.4),否则,融合蜂群算法结束,得到航空发动机PID控制器在当前采样时刻全局最优解向量,即PID控制器参数。
3.如权利要求2所述的航空发动机在线自适应最优PID控制器设计方法,其特征在于:所述步骤4.1)中初始化解向量的方法如下:
Xmi=lower(i)+rand(0,1)×(upper(i)-lower(i))
Xmi表示第m个雇佣蜂对应的解向量的第i维值,lower(i)和upper(i)分别是Xmi的最小值和最大值,1≤m≤Colonysize/2,Colonysize是种群大小,rand是0到1之间的随机数。
4.如权利要求2所述的航空发动机在线自适应最优PID控制器设计方法,其特征在于:所述步骤4.4)中邻域搜索产生新解X'mj的方法如下:
X'mj=Xmj+rand(-1,1)×(Xmj-Xkj)+rand(0,1)×(Pgj-Xmj)
其中,Xmj表示第m个雇佣蜂对应的解向量的第j维值,Xkj表示第k个雇佣蜂对应的解向量的第j维值,k、j为随机数,且k≠m,1≤j≤Dim,Dim为解向量的维数,rand(0,1)×(Pgj-Xmj)为全局最优位置引导项,Pgj为全局最优解向量的第j维分量,若X'mj超过取值范围,则取临近的极限值来代替,引入全局最优位置引导项后,蜂群在进行邻域搜索时将趋向全局最优位置。
5.如权利要求3所述的航空发动机在线自适应最优PID控制器设计方法,其特征在于:所述步骤4.6)中观察蜂随机选择雇佣蜂的概率公式为:
即对于第m个雇佣蜂,其被观察蜂选择的概率为Pm,其中,Xm表示第m个雇佣蜂对应的解向量,Xi表示第i个观察蜂对应的解向量,fit(Xm)表示Xm的适应度函数值。
6.如权利要求3所述的航空发动机在线自适应最优PID控制器设计方法,其特征在于:所述步骤4.9)中观察蜂进行交叉运算产生新解采用的方法如以下公式所示:
其中,和分别表示第m个观察蜂交叉运算前后对应的解向量,和分别表示第m+1个观察蜂交叉运算前后对应的解向量,α为0到1之间的随机数,1≤m≤Colonysize/2,m为奇数,上述公式是在观察蜂阶段融入交叉算子,在观察蜂进行邻域搜索并进行贪婪选择后,两两相邻的解向量按照设计的交叉概率进行交叉运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610096639.3A CN105629735B (zh) | 2016-02-22 | 2016-02-22 | 一种航空发动机在线自适应最优pid控制器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610096639.3A CN105629735B (zh) | 2016-02-22 | 2016-02-22 | 一种航空发动机在线自适应最优pid控制器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105629735A CN105629735A (zh) | 2016-06-01 |
CN105629735B true CN105629735B (zh) | 2018-12-07 |
Family
ID=56044804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610096639.3A Expired - Fee Related CN105629735B (zh) | 2016-02-22 | 2016-02-22 | 一种航空发动机在线自适应最优pid控制器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105629735B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928004B (zh) * | 2016-06-16 | 2018-04-06 | 河北工程大学 | 一种高温燃烧器的燃油流量控制方法及其系统 |
CN106483850A (zh) * | 2016-11-23 | 2017-03-08 | 沈阳航天新光集团有限公司 | 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法 |
CN107728481B (zh) * | 2017-11-14 | 2021-06-04 | 江西理工大学 | 一种基于模型预测控制的闭环建模方法及装置 |
CN109787931A (zh) * | 2018-03-20 | 2019-05-21 | 中山大学 | 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 |
CN108427270A (zh) * | 2018-03-26 | 2018-08-21 | 中电科芜湖通用航空产业技术研究院有限公司 | 动力系统的全局最优pid参数整定系统、方法及装置 |
CN108762089B (zh) * | 2018-06-15 | 2021-02-19 | 大连理工大学 | 一种基于模型预测的航空发动机在线优化及多变量控制设计方法 |
CN108803336B (zh) * | 2018-06-28 | 2020-10-20 | 南京航空航天大学 | 一种航空发动机自适应lqg/ltr控制器设计方法 |
CN109740817B (zh) * | 2018-12-30 | 2020-07-31 | 江苏金陵智造研究院有限公司 | 基于改进人工蜂群算法的车间设施布局优化方法 |
CN110588654B (zh) * | 2019-10-10 | 2020-04-10 | 奥特酷智能科技(南京)有限公司 | 一种自动整定车辆速度相应pid控制参数的方法 |
WO2021097696A1 (zh) * | 2019-11-20 | 2021-05-27 | 大连理工大学 | 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法 |
CN111046568B (zh) * | 2019-12-18 | 2022-09-09 | 哈尔滨工程大学 | 一种基于航空发动机及尾喷管机电液多系统联合仿真的控制参数优化方法 |
CN111443607B (zh) * | 2020-04-04 | 2022-05-31 | 西北工业大学 | 基于健康退化的航空发动机降保守性鲁棒增益调度控制器 |
CN112949159A (zh) * | 2021-01-21 | 2021-06-11 | 西北工业大学 | 基于ipso的变循环发动机加速过程最优控制方法 |
CN113239487B (zh) * | 2021-05-06 | 2023-05-26 | 信阳航空职业学院 | 一种航空发动机加速寻优控制方法、系统、介质及设备 |
CN115062751B (zh) * | 2022-06-21 | 2023-09-12 | 中国科学院数学与系统科学研究院 | 一种基于稀疏闭环辨识的航空发动机燃油系统建模方法 |
CN117092905B (zh) * | 2023-10-19 | 2024-02-02 | 济南大学 | 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5920488A (en) * | 1990-10-01 | 1999-07-06 | American Auto-Matrix, Inc. | Method and system for maintaining a desired air flow through a fume hood |
CN102520620A (zh) * | 2011-11-18 | 2012-06-27 | 南京航空航天大学 | 单旋翼直升机/涡轴发动机通用综合模型的构建方法 |
CN105093931A (zh) * | 2015-06-08 | 2015-11-25 | 南京航空航天大学 | 一种航空发动机非线性系统控制器设计方法 |
CN105262656A (zh) * | 2015-09-22 | 2016-01-20 | 南京航空航天大学 | 航空发动机分布式控制系统时间触发通信总线的实现方法 |
-
2016
- 2016-02-22 CN CN201610096639.3A patent/CN105629735B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5920488A (en) * | 1990-10-01 | 1999-07-06 | American Auto-Matrix, Inc. | Method and system for maintaining a desired air flow through a fume hood |
CN102520620A (zh) * | 2011-11-18 | 2012-06-27 | 南京航空航天大学 | 单旋翼直升机/涡轴发动机通用综合模型的构建方法 |
CN105093931A (zh) * | 2015-06-08 | 2015-11-25 | 南京航空航天大学 | 一种航空发动机非线性系统控制器设计方法 |
CN105262656A (zh) * | 2015-09-22 | 2016-01-20 | 南京航空航天大学 | 航空发动机分布式控制系统时间触发通信总线的实现方法 |
Non-Patent Citations (1)
Title |
---|
基于人工蜂群算法的航空发动机参数自整定PID控制;卢彬彬 等;《推进技术》;20150131;第36卷(第1期);第130-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105629735A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105629735B (zh) | 一种航空发动机在线自适应最优pid控制器设计方法 | |
Prasad et al. | Modelling and simulation for optimal control of nonlinear inverted pendulum dynamical system using PID controller and LQR | |
CN109162813B (zh) | 一种基于迭代学习修正的航空发动机智能转速控制方法 | |
CN105425612B (zh) | 一种水轮机调节系统控制参数的优选方法 | |
CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN102720634B (zh) | 一种优化参数的变论域模糊电动变桨控制方法 | |
Swain et al. | Design of static synchronous series compensator based damping controller employing real coded genetic algorithm | |
WO2015193032A1 (en) | Controlling a target system | |
Eslami et al. | Optimal design of PID-based low-pass filter for gas turbine using intelligent method | |
CN106877769B (zh) | 一种伺服电机速度控制器增益参数自整定的方法 | |
CN106681133B (zh) | 一种水电机组模型改进型子空间闭环辨识方法 | |
CN115588998A (zh) | 一种基于图强化学习的配电网电压无功优化方法 | |
CN108375902A (zh) | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 | |
CN109634350A (zh) | 一种基于神经网络来调整占空比实现最大功率跟踪的方法 | |
Alagoz et al. | Adaptive control of nonlinear TRMS model by using gradient descent optimizers | |
CN112861315B (zh) | 一种电力系统非凸单目标最优潮流全局解的一维下降搜索法 | |
Mustafa et al. | Adaptive PID controller based on real base function network identification, and genetic algorithm in automatic voltage regulator system | |
CN110556873B (zh) | 一种基于罚函数的vsg自适应转动惯量控制方法 | |
Wang et al. | Simplified model of doubly fed induction generator in normal operation | |
Sambariya et al. | Optimal design of Load Frequency Controller for a Single Area System using Fire Fly Algorithm | |
CN116094053B (zh) | 一种构网型电源多机并联控制方法 | |
Tian et al. | A general technical route for parameter optimization of ship motion controller based on artificial bee colony algorithm | |
Wang et al. | An original self-turning PI controller for STATCOM in wind farm with voltage fluctuation based on IABC algorithm | |
Panda et al. | Modelling, simulation and optimal tuning of FACTS controller in a multi-machine power system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181207 Termination date: 20200222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |