CN111042928A - 一种基于动态神经网络的变循环发动机智能控制方法 - Google Patents

Abstract

本发明属于航空发动机控制技术领域，提供了一种基于动态神经网络的变循环发动机智能控制方法，通过在神经网络训练算法中添加基于灰色关联分析法的结构调整算法，对神经网络结构进行调整，构建动态神经网络控制器，实现对变循环发动机的智能控制。通过本发明设计的基于灰色关联度分析法的网络结构调整算法进行动态神经网络训练，构建基于动态神经网络的变循环发动机动智能控制器。有效改善了变循环发动机控制变量增多带来的非线性多变量之间的耦合问题和传统的控制方法过于依赖模型精度的问题。同时，又能在神经网络训练过程中进行结构的动态调整，使网络结构更加精简，提高了运行速度和控制精度。

Description

一种基于动态神经网络的变循环发动机智能控制方法

技术领域

本发明属于航空发动机控制技术领域，具体涉及一种基于动态神经网络的变循环发动机智能控制方法。

背景技术

控制系统是航空发动机的重要组成部分，是影响航空发动机性能优劣的关键因素。变循环发动机融合了涡喷及涡扇发动机的优点，增加了几何可调部件。通过自适应调节这些部件的几何形状、位置等参数，使得变循环发动机能够在加速和爬升等飞机机动飞行阶段，拥有高单位推力；在亚音速巡航阶段，能够拥有较低的耗油率。然而，由于可调部件的增多，导致控制变量增多，控制器的结构更加复杂；同时，变循环发动机非线性控制变量之间具有较强的耦合关系。如何很好地解决回路间的耦合，使得各个变量之间相互配合发挥出整体的性能，实现变循环发动机的多变量控制，是一个急需突破的难题，更是后序开展过渡态控制，全包线综合控制的基础。

目前，国内外针对变循环发动机的多变量控制系统大多是在传统的鲁棒控制、线性二次调节器LQR控制等的基础上增加遗传(GA)算法、教学学习型算法(TLBO)等智能优化算法或者添加补偿控制器。现有的控制方法大多基于精确的发动机模型，会导致模型的精度直接影响控制器的控制效果，而且不能很好的解决非线性变量之间的耦合问题。由于神经网络自身的非线性特点，基于神经网络的控制器能够很好的解决多变量之间的耦合问题，但是在训练时，无法直接确定隐含层的结构，结构过大会导致训练过慢以及过拟合；结构过小则无法达到要求的精度。因此，针对以上问题，设计一种能够解决神经网络自身结构缺陷并将其用于变循环发动机控制的动态神经网络控制器，具有重大的意义。

发明内容

针对现有变循环发动机多变量控制方法存在的问题，本发明提供了一种基于动态神经网络的变循环发动机智能控制方法，通过在神经网络训练算法中添加基于灰色关联分析法的结构调整算法，对神经网络结构进行调整，构建动态神经网络控制器，实现对变循环发动机的智能控制。

本发明的技术方案：

一种基于动态神经网络的变循环发动机智能控制方法，步骤如下：

步骤1：构建动态神经网络的训练样本集

步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速n_h的实际值和期望值、压比π的期望值和实际值和控制变量；控制变量包括燃油流量W_f、尾喷口临界面积A₈、高压涡轮导向器面积A_HTG、风扇导流叶片角度α_f、核心机风扇导流叶片角度α_CDFS、压气机导流叶片角度α_c、高压压气机导流叶片角度α_turb、核心机风扇混合器面积A_CDFS的实际运行值；

步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值即离群点进行删除；针对缺失值，进行同类均值插补；

步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n_h的期望值与实际值的偏差Δn_h、发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出；

构建动态神经网络的训练样本集：

x＝[Δn_h,Δπ]

y＝[W_f,α_turb,α_f,A₈,α_CDFS,A_CDFS,A_HTG,α_c]

h＝[x,y]

其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集；

步骤1.4：对动态神经网络的训练样本集进行归一化处理：

其中，h_norm，h_min和h_max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值；

步骤2：训练动态神经网络

步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集h_norm，80％作为训练样本，20％作为测试样本；

步骤2.2：初始化动态神经网络参数：输入层神经元个数、各隐含层神经元个数、输出层神经元个数、迭代次数、训练精度ε和学习率μ；

步骤2.3：计算动态神经网络每层的状态和激活值：

z^(l)(k)＝Θ^(l)(k)a^(l-1)(k)+b^(l)(k),2≤l≤L

其中，L表示动态神经网络的总层数，f(·)表示神经元的激活函数；

表示在学习第k个样本的输入x(k)时，第l-1到第l层的权重矩阵；n_l表示第l层神经元的个数；

表示输入为x(k)时，第l-1到第l层的偏置；

表示输入为x(k)时，第l层神经元的状态；

表示输入为x(k)时，第l层神经元的激活值即输出值；

步骤2.4：计算动态神经网络输出层的误差以及损失值：

e(k)＝y(k)-o(k)

其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算；

计算δ^(l)作为误差反向传播的中间量：

更新动态神经网络权重矩阵和偏置参数矩阵：

Θ^(l)(k+1)＝Θ^(l)(k)-μδ^(l)(k)a^(l-1)(k)

b^(l)(k+1)＝b^(l)(k)-μδ^(l)(k)

步骤2.5：进行动态神经网络的结构增加判断

计算所有样本训练一次后的平均损失值E：

其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数

其中N_w为滑动窗口的大小；

若满足第i次训练后，E_i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ_new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：

n_l(i+1)＝n_l(i)+1

Θ^(l)(i+1)＝[Θ^(l)(i),θ_new]

在当前第l层(1＜l＜L)增加神经元后，若经过连续N_w次训练后，动态神经网络输出层的损失变化率小于阈值η₃：

且满足E_i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；

步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出

作为比较序列，动态神经网络输出o＝(o₁,o₂,...,o_nL)为参考序列，计算

的关联系数

其中，ρ∈(0,+∞)为分辨系数，

为灰关联序列；

采用平均值法计算关联度：

其中，

表示关联度；比较第l层各个神经元的关联度

将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n_l和权重矩阵Θ^(l)；

若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的损失增加过多使得E_i+1-E_i＞η₄，其中，η₄＞0为误差浮动阈值；则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；

步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；

步骤2.8：基于测试样本，对当前训练好的动态神经网络进行检验，计算测试误差；

步骤3：构建动态神经网络控制器

将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n_h期望值和实际值的差值Δn_h、发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。

本发明的有益效果：通过本发明设计的基于灰色关联度分析法的网络结构调整算法进行动态神经网络训练，构建基于动态神经网络的变循环发动机动智能控制器。有效改善了变循环发动机控制变量增多带来的非线性多变量之间的耦合问题和传统的控制方法过于依赖模型精度的问题。同时，又能在神经网络训练过程中进行结构的动态调整，使网络结构更加精简，提高了运行速度和控制精度。

附图说明

图1为动态神经网络结构动态调整算法流程图。

图2为所采用的动态神经网络结构示意图。

图3(a)、图3(b)、图3(c)为在变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，动态神经网络隐含层为3层，每层神经元个数初始为10、5、5，运用本发明所提方法在训练过程中各隐含层神经元个数的变化曲线。

图4为在变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，动态神经网络隐含层为3层，每层神经元个数初始为10、5、5，运用本发明所提方法在训练过程中的误差变化曲线。

图5为变循环发动机动态神经网络闭环控制系统框图。

图6(a)、图6(b)为变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，采用动态神经网络控制器，分别对高压相对转速目标值为0.9622，压比目标值为3.6的跟踪效果。

图7(a)、图7(b)为变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，分别采用动态神经网络控制器和固定结构神经网络控制器，对高压相对转速目标值为0.9622，压比目标值为3.6的控制效果对比图。

具体实施方式

下面结合附图以及技术方案对本发明实例做进步的详细说明。

本发明的具体步骤如下：

步骤1：构建动态神经网络的训练样本集。

步骤1.1：以0.01s为采样周期，采集变循环发动机在特定高度，油门杆角度下的运行参数。包括被控变量高压相对转速n_h的实际值和期望值，压比π的期望值和实际值和控制变量：燃油流量W_f、尾喷口临界面积A₈、高压涡轮导向器面积A_HTG、风扇导流叶片角度α_f、核心机风扇导流叶片角度α_CDFS、压气机导流叶片角度α_c、高压压气机导流叶片角度α_turb、核心机风扇混合器面积A_CDFS的实际运行值。

步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值(离群点)进行删除；针对缺失值，进行同类均值插补。

步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n_h的期望值与实际值的偏差Δn_h和发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出。构建动态神经网络的训练样本集：

x＝[Δn_h,Δπ]

y＝[W_f,α_turb,α_f,A₈,α_CDFS,A_CDFS,A_HTG,α_c]

h＝[x,y]

其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集。

步骤1.4：对动态神经网络的训练样本集进行归一化处理：

其中，h_norm，h_min和h_max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值。

如图1所示，动态神经网络训练过程中结构调整算法步骤如下：

所使用的动态神经网络结构示意图如图2所示。

步骤2：训练动态神经网络。

步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集h_norm，80％作为训练样本，20％作为测试样本。

步骤2.2：初始化动态神经网络训练参数。

输入层神经元个数为2、输出层神经元个数为8、隐含层结构初始化为10、5、5(三层隐含层，每层神经元个数分别为10、5、5)、学习率μ＝0.1、迭代次数为850、精度要求为ε＝1.0e-3。

表示第l-1到第l层的权重矩阵，初始化为数值在[0，1]之间的随机数矩阵，

表示第l-1到第l层的偏置，初始化为数值在[0，1]之间的随机数矩阵。

Θ⁽²⁾:[2×10double],b⁽²⁾:[1×10double]

Θ⁽³⁾:[10×5double],b⁽³⁾:[1×5double]

Θ⁽⁴⁾:[5×5double],b⁽⁴⁾:[1×5double]

Θ⁽⁵⁾:[5×8double],b⁽⁵⁾:[1×8double]

步骤2.3：计算动态神经网络每层的状态和激活值。

z^(l)(k)＝Θ^(l)(k)a^(l-1)(k)+b^(l)(k),2≤l≤L

其中，L＝5表示动态神经网络的总层数，f(·)表示神经元的激活函数,使用sigmoid函数。

表示在学习第k个样本的输入即x(k)时，第l-1到第l层的权重矩阵；n_l表示第l层神经元的个数。

表示输入为x(k)时，第l-1到第l层的偏置；

表示输入为x(k)时，第l层神经元的状态；

表示输入为x(k)时，第l层神经元的激活值即输出值；

步骤2.4：计算动态神经网络输出层的误差以及损失值：

e(k)＝y(k)-o(k)

其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算。

计算δ^(l)作为误差反向传播的中间量：

更新动态神经网络权重矩阵和偏置参数矩阵：

Θ^(l)(k+1)＝Θ^(l)(k)-μδ^(l)(k)a^(l-1)(k)

b^(l)(k+1)＝b^(l)(k)-μδ^(l)(k)

步骤2.5：进行动态神经网络的结构增加判断

计算所有样本训练一次后的平均损失值E：

其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数

其中N_w＝10为滑动窗口的大小；

若满足第i次训练后，E_i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ_new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：

n_l(i+1)＝n_l(i)+1

Θ^(l)(i+1)＝[Θ^(l)(i),θ_new]

在当前第l层(1＜l＜L)增加神经元后，若经过连续N_w次训练后，动态神经网络输出层的损失变化率小于阈值η₃：

η₃＝0.1ε且满足E_i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；

步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出

作为比较序列，动态神经网络输出o＝(o₁,o₂,...,o_nL)为参考序列，计算

与o＝(o₁,o₂,...,o_nL)的关联系数

其中，ρ＝0.15为分辨系数，

为灰关联序列。

采用平均值法计算关联度：

其中，

表示关联度。比较第l层各个神经元的关联度

将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n_l和权重矩阵Θ^(l)。

若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的误差增加过多使得E_i+1-E_i＞η₄，其中，η₄＝0.5ε为误差浮动阈值。则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；

步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；

训练结束后，动态神经网络隐含层结构最终为9、4、14。动态神经网络训练过程中各个隐含层神经元变化情况如图3(a)、图3(b)、图3(c)所示。

动态神经网络训练过程中的误差变化曲线如图4所示。

步骤2.8：基于测试样本，对当前训练好的动态神经网络进行网络检验，计算测试误差。测试误差为8.89e-04。

步骤3：构建动态神经网络控制器。

如图5所示，将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n_h期望值和实际值的差值Δn_h和发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。

图6(a)，图6(b)分别为变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，采用动态神经网络控制器，分别对高压相对转速目标值为0.9622，压比目标值为3.6的跟踪效果。

由图6(a)，图6(b)仿真结果可知，运用本发明所提方法设计的动态神经网络控制器可使得高压相对转速控制精度达到99.999％，压比控制精度达到99.713％。

图7(a)、图7(b)为变循环发动机在初始高度为0，初始马赫数为0，油门杆角度为50°的情况下，分别采用动态神经网络控制器和固定结构神经网络控制器，对高压相对转速目标值为0.9622，压比目标值为3.6的控制效果对比图。

对比图7(a)，图7(b)可知，动态神经网络控制器对高压转速的控制误差相对于固定结构神经网络控制器降低了97.47％；动态神经网络控制器对压比的控制误差相对于固定结构神经网络控制器降低了90.10％。

综上可见，在变循环发动机控制中，运用基于灰色关联度分析法的结构动态调整算法训练的动态神经网络，构建的变循环发动机动态神经网络控制器，网络结构更加精简，控制精度更高，达到稳态的时间更快。

Claims (1)

1.一种基于动态神经网络的变循环发动机智能控制方法，其特征在于，步骤如下：

步骤1：构建动态神经网络的训练样本集

步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速n_h的实际值和期望值、压比π的期望值和实际值和控制变量；控制变量包括燃油流量W_f、尾喷口临界面积A₈、高压涡轮导向器面积A_HTG、风扇导流叶片角度α_f、核心机风扇导流叶片角度α_CDFS、压气机导流叶片角度α_c、高压压气机导流叶片角度α_turb、核心机风扇混合器面积A_CDFS的实际运行值；

步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值即离群点进行删除；针对缺失值，进行同类均值插补；

步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n_h的期望值与实际值的偏差Δn_h、发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出；

构建动态神经网络的训练样本集：

x＝[Δn_h,Δπ]

y＝[W_f,α_turb,α_f,A₈,α_CDFS,A_CDFS,A_HTG,α_c]

h＝[x,y]

其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集；

步骤1.4：对动态神经网络的训练样本集进行归一化处理：

其中，h_norm，h_min和h_max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值；

步骤2：训练动态神经网络

步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集h_norm，80％作为训练样本，20％作为测试样本；

步骤2.2：初始化动态神经网络参数：输入层神经元个数、各隐含层神经元个数、输出层神经元个数、迭代次数、训练精度ε和学习率μ；

步骤2.3：计算动态神经网络每层的状态和激活值：

z^(l)(k)＝Θ^(l)(k)a^(l-1)(k)+b^(l)(k),2≤l≤L

其中，L表示动态神经网络的总层数，f(·)表示神经元的激活函数；

表示在学习第k个样本的输入x(k)时，第l-1到第l层的权重矩阵；n_l表示第l层神经元的个数；

表示输入为x(k)时，第l-1到第l层的偏置；

表示输入为x(k)时，第l层神经元的状态；

表示输入为x(k)时，第l层神经元的激活值即输出值；

步骤2.4：计算动态神经网络输出层的误差以及损失值：

e(k)＝y(k)-o(k)

其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算；

计算δ^(l)作为误差反向传播的中间量：

更新动态神经网络权重矩阵和偏置参数矩阵：

Θ^(l)(k+1)＝Θ^(l)(k)-μδ^(l)(k)a^(l-1)(k)

b^(l)(k+1)＝b^(l)(k)-μδ^(l)(k)

步骤2.5：进行动态神经网络的结构增加判断

计算所有样本训练一次后的平均损失值E：

其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数

其中N_w为滑动窗口的大小；

若满足第i次训练后，E_i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ_new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：

n_l(i+1)＝n_l(i)+1

Θ^(l)(i+1)＝[Θ^(l)(i),θ_new]

在当前第l层(1＜l＜L)增加神经元后，若经过连续N_w次训练后，动态神经网络输出层的损失变化率小于阈值η₃：

且满足E_i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；

步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出

作为比较序列，动态神经网络输出o＝(o₁,o₂,...,o_nL)为参考序列，计算

与o＝(o₁,o₂,...,o_nL)的关联系数

其中，ρ∈(0,+∞)为分辨系数，

为灰关联序列；

采用平均值法计算关联度：

其中，

表示关联度；比较第l层各个神经元的关联度

将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n_l和权重矩阵Θ^(l)；

若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的损失增加过多使得E_i+1-E_i＞η₄，其中，η₄＞0为误差浮动阈值；则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；

步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；

步骤2.8：基于测试样本，对当前训练好的动态神经网络进行检验，计算测试误差；

步骤3：构建动态神经网络控制器

将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n_h期望值和实际值的差值Δn_h、发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。

Images