CN110513199B - 一种航空发动机推力衰退缓解的神经网络控制方法 - Google Patents

Abstract

本发明公开了一种航空发动机推力衰退缓解的神经网络控制方法，该方法包括：采用神经网络学习的NARMA‑L2模型建立内环控制系统；结合内环控制系统，设计基于变增量LP优化算法的外环指令修正模块，得到在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。本发明解决了常规多变量控制器在发动机发生部件性能突变的情况下整机推力水平下降的问题，适用于在一定飞行包线内不同工作点的发动机推力衰退缓解控制，对于在不超温、不超转的情况下缓解由发动机部件性能突变引起的整机推力损失、提高发动机整机性能表现有着积极促进的作用。

Description

一种航空发动机推力衰退缓解的神经网络控制方法

技术领域

本发明属于航空发动机推力缓解控制技术领域，尤其涉及一种航空发动机推力衰退缓解的神经网络控制方法。

背景技术

随着现代航空技术的飞速发展，飞行器需要性能更强、可靠性更高的航空发动机。由于发动机本身复杂的结构和其所处恶劣的工作环境，当发动机运行一段时间后，发动机的各个部件由于腐蚀、外物损伤等原因会发生不同程度的性能突变。这些原因使得实际发动机与同型号额定发动机之间会产生偏差，主要体现在部件的流通能力和效率的降低。为了确保飞行器的安全飞行、延长发动机使用寿命，需要对发生部件性能突变的发动机进行推力恢复，因此，研究航空发动机推力衰退缓解控制方法十分必要。

一种有效的推力缓解控制方法是通过内环控制转速，外环修正指令，进而达到推力缓解的目的。航空发动机是一个复杂的热力学系统，具有很强的不确定性和时变性，这使得内环控制器的设计变得困难。神经网络由于其良好的非线性逼近和泛化能力被广泛应用，带有反馈线性化的非线性自回归滑动平均(Nonlinear Auto regressive MovingAverage with Feedback Linearization，NARMA-L2)控制器是一种有效的人工神经网络控制器架构。在一定条件下，非线性系统的输入输出关系可以由NARMA-L2模型辨识得到，并且可以通过简单的数学变换得到控制律。然而由于NARMA-L2模型存在建模误差和训练误差，使得所设计的控制器性能在包线内应用受到影响。因此，本发明尝试提出一种具有在线修正能力的航空发动机性能衰退缓解控制器(OC-NARMA-L2)，该方法利用梯度下降法在线修正控制器的神经网络参数，使其具有自适应的特性。

发明内容

针对上述技术问题，本发明提供一种航空发动机推力衰退缓解的神经网络控制方法，针对常规多变量控制器在发动机部件性能突变的情况下推力水平下降的问题，将基于变增量LP优化算法的外环指令修正模块同内环控制系统结合，得到具有自调整能力的推力衰退缓解神经网络控制器。该方法可在不超温、不超转的情况下缓解由发动机部件性能突变引起的整机推力损失，提高发动机整机性能表现。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于，包括以下步骤：

步骤A)建立发动机高压转子转速、压比与尾喷管喉道面积之间的物理变量插值模型，以及利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型；

步骤B)结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，开发在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。

步骤C)发动机发生部件性能突变时，通过外环加入指令修正模块，对发动机指令进行修正，利用推力衰退缓解神经网络控制器追踪修正后的指令进而达到推力恢复的目的。

进一步的，所述步骤A)中利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型具体步骤如下：

步骤A1)，选取发动机主燃油量作为输入量u[k]，高压转子转速作为输出量y[k]，并根据所选输入输出量构建NARMA-L2模型为：

y[k]＝f₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])+g₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])u[k]

其中，f₀和g₀可以通过训练神经网络组f₀ ^*和g₀ ^*近似得到，而转速控制律为：

其中，y^*[k]为发动机期望输出；并根据发动机整机落压比指令、实际输出落压比和输出转速插值换算得到尾喷管喉道面积控制量；

步骤A2)，利用期望输出和实际输出间的误差e_c(k)对神经网络组f₀ ^*和g₀ ^*的拓扑结构参数进行在线修正：

W(k+1)＝W(k)+αΔW(k)

V(k+1)＝V(k)+αΔV(k)

其中，W和V分别为神经网络组的权值和阈值；α为学习率，其大小影响参数的调整速度，由多次试取法确定；ΔW(k)和ΔV(k)为雅可比矩阵。拓扑向量中的各元素在k时刻的更新如下：

w_i(k+1)＝w_i(k)-αΔw_i(k)

v_i(k+1)＝v_i(k)-αΔv_i(k)

其中，T＝{y(k),y(k-1),y(k-2),...,y(k-n),u(k-1),u(k-2),…,u(k-n)}。

进一步的，所述步骤B)中结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，得到在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器具体步骤如下：

步骤B1)，构建基于变增量LP优化的航空发动机推力缓解神经网络控制系统结构图，包括NARMA-L2模型、内环神经网络控制器、发动机模型、性能状态滤波器、外环指令修正模块；

步骤B2)，根据飞行条件及相关的控制计划确定发动机初始指令，利用发动机模型输出和限制条件设计基于变增量LP算法的外环指令修正模块，建立在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。

进一步的，所述步骤B2)根据发动机模型输出和限制条件设计基于变增量LP算法的外环指令修正模块，建立在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器具体步骤如下：

步骤B2.1)，对不可测推力和边界限制条件在工作点附近小范围进行线性化，提取性能指标、约束量和控制量之间的线性关系PSM，具体公式为：

其中，ΔS_mf和ΔS_mc分别为风扇和压气机的喘振裕度增量，Δn_L和Δn_H分别为低压、高压转子转速增量，ΔF_n为推力增量，ΔT_t6为涡轮后温度增量，ΔW_f为燃油量增量，ΔA₈为尾喷口面积增量，P矩阵元素可从发动机稳态模型中通过扰动法得出，具体公式为：

P_ij＝{M_i(u₀(j)+Δu_j,...)-M_i(u₀)}/Δu_j

i＝1,2,...,6,j＝1,2

其中，M_i(·)是通过模型计算得到的输出矩阵；u₀是控制量的初始值；Δu_j是第j个控制量增量；

步骤B2.2)，对于步骤B2.1)中的控制量增量Δu_j，可由相应控制量u_j乘以增量系数得出，增量系数的选取规则为：

其中，k为迭代次数；ΔF_n为推力增量。根据步骤B2.1)中提取的PSM(推进系统矩阵，Propulsion System Matrix)，将指令修正转换为LP优化问题，求解推力缓解所需指令的修正量。

进一步的，所述步骤B2.2)中将指令修正转换为LP优化问题，求解推力缓解所需指令的修正量具体步骤如下：

步骤B2.2.1)，在发动机不超转、不超温、喘振裕度和控制量满足范围要求、推力不超过期望值的约束下寻找发动机最大推力，具体公式为：

其中，F_n为发动机推力，W_f为燃油量，A₈为尾喷口面积，u＝[W_f,A₈]^T为发动机控制向量，u_min和u_max分别为向量下界和上界，n_Lmin和n_Lmax分别为低压转子转速最低和最高值，n_Hmin和n_Hmax分别为高压转子转速最低和最高值，T_t6min和T_t6max分别为涡轮后温度最低和最高值，S_mf和S_mc分别为风扇和压气机喘振裕度，F_nor为实时模型计算出未发生突变故障的发动机推力期望值；

步骤B2.2.2)，根据控制量约束与限制约束，利用步骤B2.1)中提取的PSM，将步骤B2.2.1)中的公式改写为：

同理求得最大推力性能指标为：

ΔF_n＝p₆₁ΔW_f+p₆₂ΔA₈

步骤B2.2.3)，求解LP问题，经反复迭代至满足精度要求或达到最大迭代次数限制后得到全局最优解W_f和A₈，并将最优解输入到发动机中计算得到对应的输出信号n_H和EPR，将二者与推力恢复前指令信号作差，得到的Δn_Hr和ΔEPR_r作为转速指令和整机落压比指令的修正值输入到内环神经网络控制器，内环神经网络控制器跟踪修正后的指令，缓解发动机整机推力损失。

进一步的，步骤C)中，发动机发生部件性能突变时，先将发动机转速指令下降1％，然后加入外环修指令。

有益效果：本发明提出了基于变增量LP算法的航空发动机推力缓解神经网络控制器，在多变量控制器基础上设计指令修正外环回路，其中转速控制通过神经网络学习的NARMA-L2模型逆实现。当发动机性能发生突变时，首先将高压转子转速指令降低1％确保发动机安全工作，之后利用变增量LP优化算法在保证发动机不超限条件下得到高压转子转速指令和整机落压比指令的修正量，从而使发动机在性能退化情况下尽可能继续提供所需推力。

附图说明

图1是本发明基于变增量LP优化的航空发动机推力缓解神经网络控制系统结构图。

图2是内环NARMA-L2控制系统结构图。

图3是变增量LP算法结构图。

图4是H＝0,Ma＝0，风扇发生性能突变时供油量比较图。

图5是H＝0,Ma＝0，风扇发生性能突变时高压转子转速比较图。

图6是H＝0,Ma＝0，风扇发生性能突变时推力比较图。

图7是H＝8000m,Ma＝1.2，压气机发生性能突变时供油量比较图。

图8是H＝8000m,Ma＝1.2，压气机发生性能突变时高压转子转速比较图。

图9是H＝8000m,Ma＝1.2，压气机发生性能突变时推力比较图。

具体实施方式

下面结合附图对本发明的具体实施方式作更进一步的说明。

本发明说明的一种航空发动机推力衰退缓解的神经网络控制方法，包括以下步骤：

步骤A)建立发动机高压转子转速、压比与尾喷管喉道面积之间的物理变量插值模型，以及利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型；

步骤B)结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，开发在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。

步骤A1)，选取发动机主燃油量作为输入量u[k]，高压转子转速作为输出量y[k]，并根据所选输入输出量构建NARMA-L2模型为：

y[k]＝f₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])+g₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])u[k]

其中，f₀和g₀可以通过训练神经网络组f₀ ^*和g₀ ^*近似得到，而转速控制律为：

其中，y^*[k]为发动机期望输出；并根据发动机整机落压比指令、实际输出落压比和输出转速插值换算得到尾喷管喉道面积控制量；

步骤A2)，利用期望输出和实际输出间的误差e_c(k)对神经网络组f₀ ^*和g₀ ^*的拓扑结构参数进行在线修正：

W(k+1)＝W(k)+αΔW(k)

V(k+1)＝V(k)+αΔV(k)

其中，W和V分别为神经网络组的权值和阈值；α为学习率，其大小影响参数的调整速度，由多次试取法确定；ΔW(k)和ΔV(k)为雅可比矩阵。拓扑向量中的各元素在k时刻的更新如下：

w_i(k+1)＝w_i(k)-αΔw_i(k)

v_i(k+1)＝v_i(k)-αΔv_i(k)

其中，T＝{y(k),y(k-1),y(k-2),...,y(k-n),u(k-1),u(k-2),…,u(k-n)}。

步骤B1)，构建基于变增量LP优化的航空发动机推力缓解神经网络控制系统结构图，包括NARMA-L2模型、内环神经网络控制器、发动机模型、性能状态滤波器、外环指令修正模块；

步骤B2)，根据飞行条件及相关的控制计划确定发动机初始指令，利用发动机模型输出和限制条件设计基于变增量LP算法的外环指令修正模块，建立在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。

步骤B2.1)，对不可测推力和边界限制条件在工作点附近小范围进行线性化，提取性能指标、约束量和控制量之间的线性关系PSM，具体公式为:

其中，ΔS_mf和ΔS_mc分别为风扇和压气机的喘振裕度增量，Δn_L和Δn_H分别为低压、高压转子转速增量，ΔF_n为推力增量，ΔT_t6为涡轮后温度增量，ΔW_f为燃油量增量，ΔA₈为尾喷口面积增量，P矩阵元素可从发动机稳态模型中通过扰动法得出，具体公式为：

P_ij＝{M_i(u₀(j)+Δu_j,...)-M_i(u₀)}/Δu_j

i＝1,2,...,6,j＝1,2

其中，M_i(·)是通过模型计算得到的输出矩阵；u₀是控制量的初始值；Δu_j是第j个控制量增量；

步骤B2.2)，对于步骤B2.1)中的控制量增量Δu_j，可由相应控制量u_j乘以增量系数得出，增量系数的选取规则为：

其中，k为迭代次数；ΔF_n为推力增量。根据步骤B2.1)中提取的PSM，将指令修正转换为LP优化问题，求解推力缓解所需指令的修正量。

步骤B2.2.1)，在发动机不超转、不超温、喘振裕度和控制量满足范围要求、推力不超过期望值的约束下寻找发动机最大推力，具体公式为：

其中，F_n为发动机推力，W_f为燃油量，A₈为尾喷口面积，u＝[W_f,A₈]^T为发动机控制向量，u_min和u_max分别为向量下界和上界，n_Lmin和n_Lmax分别为低压转子转速最低和最高值，n_Hmin和n_Hmax分别为高压转子转速最低和最高值，T_t6min和T_t6max分别为涡轮后温度最低和最高值，S_mf和S_mc分别为风扇和压气机喘振裕度，F_nor为实时模型计算出未发生突变故障的发动机推力期望值；

步骤B2.2.2)，根据控制量约束与限制约束，利用步骤B2.1)中提取的PSM，将步骤B2.2.1)中的公式改写为：

同理求得最大推力性能指标为：

ΔF_n＝p₆₁ΔW_f+p₆₂ΔA₈

步骤B2.2.3)，求解LP问题，经反复迭代至满足精度要求或达到最大迭代次数限制后得到全局最优解W_f和A₈，并将最优解输入到发动机中计算得到对应的输出信号n_H和EPR，将二者与推力恢复前指令信号作差，得到的Δn_Hr和ΔEPR_r作为转速指令和整机落压比指令的修正值输入到内环神经网络控制器，内环神经网络控制器跟踪修正后的指令，缓解发动机整机推力损失。

为了验证本发明所设计的航空发动机推力衰退缓解的神经网络控制方法的有效性，在MATLAB环境下进行了一定包线内推力衰退缓解控制的数字仿真。

本发明采用某型双转子小涵道比涡扇发动机的非线性部件模型作为被控对象。该模型通过面向对象编程的方法构建，包括了进气道，风扇，压气机，燃烧室，涡轮和尾喷管等航空发动机的重要部件，并且很容易在MATLAB环境中调用。

在进行推力缓解控制之前，首先需要训练得到内环神经网络控制器。其中，控制器中的NARMA-L2模型的两个神经网络均为单隐含层，且输入层、隐含层和输出层的神经元个数分别为5、10和1。训练首先需要利用航空发动机模型在H＝0，Ma＝0的飞行条件下，通过随机的输入信号生成包含10000组训练样本的主燃油量-高压转子转速数据集，其中随机输入信号W_f的范围为：96.79％到100％，模型输出信号n_H的范围为：99.42％到100％。训练完成后，为了进一步得到具有自适应能力的控制器，对神经网络参数进行在线修正，其中学习率α＝0.0022，至此内环神经网络控制器设计完毕，其结构如图2所示。

在内环控制器的基础上加入外环指令修正，得到完整的推力衰退缓解控制器并针对该控制器进行仿真验证，其中外环指令修正的变增量LP算法结构如图3所示。仿真共有2组，包含包线内2个飞行条件，分别为H＝0,Ma＝0以及H＝8000m,Ma＝1.2，其中第1组仿真高压转子转速指令n_Hr初始值为1，在10s后发动机风扇发生性能突变，其效率降低5％，在20s后开始修正指令，并且在30s时仿真结束；第2组仿真n_Hr初始值为0.95，在10s后发动机风扇和压气机发生性能突变，二者流量和效率均降低1％，在20s后开始修正指令，同样在30s时仿真结束。

图4-6展示了H＝0,Ma＝0，n_Hr＝1稳定工作点处风扇发生性能突变时所选变量变化情况。图中的3条线分别对应一下三种情况：①发动机正常工作情况下，常规的内环控制方式下主燃油、高压转子转速和推力的变化；②发动机发生性能突变的情况下，常规的内环控制方式下主燃油、高压转子转速和推力的变化；③发动机发生突变故障的情况下，推力缓解控制方式下主燃油、高压转子转速和推力的变化。

从图4中可以看出性能突变发生后，常规转速控制通过降低燃油量保证高压转子转速继续追踪原指令，这导致发动机推力发生衰退。本发明提出的推力衰退缓解控制方法在突变发生后先将n_Hr降低1％以确保发动机安全工作，并在第20s将修正后的指令输入神经网络控制器进行推力恢复，但从图5中可以看出，由于此时的高压转子转速最大值n_Hmax＝1.018，导致在变增量LP优化算法寻优过程中n_H达到边界而寻优停止。从图6中可以发现，虽然推力缓解控制下的推力并未恢复到无突变时的推力，但相比于常规控制，依然在保证发动机不超限的情况下使推力得到提升。

图7-9展示了H＝8000,Ma＝1.2，n_Hr＝0.95稳定工作点处压气机发生性能突变时所选变量变化情况。随着高度和马赫数的提升，发动机特性相比于地面点已发生较大变化。得益于内环神经网络控制器的自适应特性，使得性能突变后控制器依然可以很好的跟踪转速指令，但此时推力大小相比于发动机正常工作时有所下降。当加入外环指令修正回路后，为了保证发动机安全工作，转速指令信号先下调1％，此时控制器很快追踪上新的指令信号，之后利用变增量LP算法得到推力缓解所需的指令信号增量，在第20s将迭代获得的Δn_Hr和ΔEPR_r同时作用于内环控制器，从图9中可以看出，本文设计的推力缓解控制方法相比于常规内环控制器可以有效地对推力进行恢复。

本发明针对航空发动机性能突变导致部件性能蜕化引起的推力下降的问题，提出了一种基于变增量LP优化的航空发动机推力衰退缓解的神经网络控制方法。该方法依据发动机高压转子转速和整机落压比指令，通过发动机多变量控制器计算出燃油流量和尾喷口喉道面积控制变量，其中内环控制通过神经网络学习的NARMA-L2模型逆实现；在多变量控制器基础上设计指令修正外环回路，利用变增量LP优化方法，并根据发动机部件性能突变引起的推力衰退程度，调整发动机指令信号以缓解整机推力损失。仿真结果验证了设计的部件性能突变条件下的推力缓解控制方法的有效性。

需要指出的是，以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于，包括以下步骤：

步骤A)建立发动机高压转子转速、压比与尾喷管喉道面积之间的物理变量插值模型，以及利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型；

步骤B)结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，开发在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器；

步骤C)发动机发生部件性能突变时，通过外环加入指令修正模块，对发动机指令进行修正，利用推力衰退缓解神经网络控制器追踪修正后的指令进而达到推力恢复的目的。

2.根据权利要求1所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：所述步骤A)中利用主燃油量与高压转子转速之间的关系，采用神经网络建立性能衰退缓解的内环控制NARMA-L2模型具体步骤如下：

步骤A1)，选取发动机主燃油量作为输入量u[k]，高压转子转速作为输出量y[k]，并根据所选输入输出量构建NARMA-L2模型为：

y[k]＝f₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])+g₀(y[k-1],y[k-2],…,y[k-n],u[k-1],u[k-2],…,u[k-n])u[k]

其中，f₀和g₀是NARMA-L2模型中的两个非线性映射，通过训练神经网络组f₀ ^*和g₀ ^*近似得到，而转速控制律为：

其中，y^*[k]为发动机期望输出；并根据发动机整机落压比指令、实际输出落压比和输出转速插值换算得到尾喷管喉道面积控制量；

步骤A2)，利用期望输出和实际输出间的误差e_c(k)对神经网络组f₀ ^*和g₀ ^*的拓扑结构参数进行在线修正：

W(k+1)＝W(k)+αΔW(k)

V(k+1)＝V(k)+αΔV(k)

其中，W和V分别为神经网络组的权值和阈值；α为学习率，其大小影响参数的调整速度，由多次试取法确定；ΔW(k)和ΔV(k)为雅可比矩阵；拓扑向量中的各元素在k时刻的更新如下：

w_i(k+1)＝w_i(k)-αΔw_i(k)

v_i(k+1)＝v_i(k)-αΔv_i(k)

其中，T＝{y(k),y(k-1),y(k-2),...,y(k-n),u(k-1),u(k-2),…,u(k-n)}。

3.根据权利要求1所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：所述步骤B)中结合NARMA-L2模型，设计基于变增量LP算法的外环指令修正模块，得到在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器具体步骤如下：

步骤B1)，构建基于变增量LP优化的航空发动机推力缓解神经网络控制系统结构图，包括内环神经网络控制器、发动机模型、性能状态滤波器、外环指令修正模块；

步骤B2)，根据飞行条件及相关的控制计划确定发动机初始指令，利用发动机模型输出和限制条件设计基于变增量LP算法的外环指令修正模块，建立在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器。

4.根据权利要求3所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：所述步骤B2)根据发动机模型输出和限制条件设计基于变增量LP算法的外环指令修正模块，建立在发动机发生部件性能突变的情况下具有自调整能力的推力衰退缓解神经网络控制器具体步骤如下：

步骤B2.1)，对不可测推力和边界限制条件在工作点附近小范围进行线性化，提取性能指标、约束量和控制量之间的线性关系PSM，具体公式为：

其中，ΔS_mf和ΔS_mc分别为风扇和压气机的喘振裕度增量，Δn_L和Δn_H分别为低压、高压转子转速增量，ΔF_n为推力增量，ΔT_t6为涡轮后温度增量，ΔW_f为燃油量增量，ΔA₈为尾喷口面积增量，P矩阵元素可从发动机稳态模型中通过扰动法得出，具体公式为：

P_ij＝{M_i(u₀(j)+Δu_j,...)-M_i(u₀)}/Δu_j

i＝1,2,...,6,j＝1,2

其中，M_i(·)是通过发动机稳态模型计算得到的输出矩阵；u₀是控制量的初始值；Δu_j是第j个控制量增量；

步骤B2.2)，对于步骤B2.1)中的控制量增量Δu_j，可由相应控制量u_j乘以增量系数得出，增量系数的选取规则为：

其中，k为迭代次数；ΔF_n为推力增量；根据步骤B2.1)中提取的PSM，将指令修正转换为LP优化问题，求解推力缓解所需指令的修正量。

5.根据权利要求4所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：所述步骤B2.2)中将指令修正转换为LP优化问题，求解推力缓解所需指令的修正量具体步骤如下：

步骤B2.2.1)，在发动机不超转、不超温、喘振裕度和控制量满足范围要求、推力不超过期望值的约束下寻找发动机最大推力，具体公式为：

其中，F_n为发动机推力，W_f为燃油量，A₈为尾喷口面积，u＝[W_f,A₈]^T为发动机控制向量，u_min和u_max分别为向量下界和上界，n_Lmin和n_Lmax分别为低压转子转速最低和最高值，n_Hmin和n_Hmax分别为高压转子转速最低和最高值，T_t6min和T_t6max分别为涡轮后温度最低和最高值，S_mf和S_mc分别为风扇和压气机喘振裕度，F_nor为实时模型计算出未发生突变故障的发动机推力期望值；

步骤B2.2.2)，根据控制量约束与限制约束，利用步骤B2.1)中提取的PSM，将步骤B2.2.1)中的公式改写为：

同理求得最大推力性能指标为：

ΔF_n＝p₆₁ΔW_f+p₆₂ΔA₈

步骤B2.2.3)，求解LP问题，经反复迭代至满足精度要求或达到最大迭代次数限制后得到全局最优解W_f和A₈，并将最优解输入到发动机中计算得到对应的输出信号n_H和EPR，将二者与推力恢复前指令信号作差，得到的Δn_Hr和ΔEPR_r作为转速指令和整机落压比指令的修正值输入到内环神经网络控制器，内环神经网络控制器跟踪修正后的指令，缓解发动机整机推力损失。

6.根据权利要求1所述的一种航空发动机推力衰退缓解的神经网络控制方法，其特征在于：步骤C)中，发动机发生部件性能突变时，先将发动机转速指令下降1％，然后加入外环修指令。

Images