CN111624880B - 一种基于脑情感学习模型的变循环发动机多变量控制算法 - Google Patents
一种基于脑情感学习模型的变循环发动机多变量控制算法 Download PDFInfo
- Publication number
- CN111624880B CN111624880B CN202010433399.8A CN202010433399A CN111624880B CN 111624880 B CN111624880 B CN 111624880B CN 202010433399 A CN202010433399 A CN 202010433399A CN 111624880 B CN111624880 B CN 111624880B
- Authority
- CN
- China
- Prior art keywords
- variable
- emotion
- cycle engine
- input signal
- output
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 59
- 210000004556 brain Anatomy 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 230000001953 sensory effect Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000000446 fuel Substances 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 15
- 235000011437 Amygdalus communis Nutrition 0.000 claims description 12
- 241000220304 Prunus dulcis Species 0.000 claims description 12
- 235000020224 almond Nutrition 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002996 emotional effect Effects 0.000 claims description 4
- 210000005153 frontal cortex Anatomy 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 7
- 238000010168 coupling process Methods 0.000 abstract description 7
- 238000005859 coupling reaction Methods 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000588653 Neisseria Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于脑情感学习模型的变循环发动机多变量控制算法,选择变循环发动机控制变量:主燃油流量、核心机风扇导流角和尾喷管面积,输出变量:高压压气机相对转速和落压比;控制系统包括感官输入信号产生器、情感暗示信号产生器、脑情感学习模块;其中,感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差,分别产生感官输入信号和感暗示信号,输入至脑情感学习模块;脑情感学习模块接收感官输入信号和和情感暗示信号,得到变循环发动机的控制变量。本发明的算法可改善变循环发动机多变量控制的耦合问题和传统的控制方法过于依赖模型精度的问题,实现变循环发动机的快、准、稳控制,具有重要的工程意义。
Description
技术领域
本发明属于航空发动机控制技术领域,具体涉及一种基于脑情感学习模型的变循环发动机多变量控制算法。
背景技术
航空发动机为飞机提供飞行动力,其发展水平是衡量一个国家现代化水平和国防力量的重要标准。变循环发动机可以视为涡喷发动机和涡扇发动机的组合体,从而获得比单一的涡扇或涡喷发动机更强的性能,是未来军用和民用飞机理想动力装置。变循环发动机在飞机的飞行工况或性能需求发生变化时,需要对几何可变部件和主燃油流量进行快速的调节,以改变其推力、航速和耗油率,使其快速适应环境状态,完成作业任务而不降低其性能。变循环发动机中可调部件可达十多个,各部件间耦合性强,导致控制结构复杂。
文献表明,目前变循环发动机控制规律设计主要通过建立发动机的非线性部件级模型,采用燃油闭环控制和几何机构开环调度的进行控制。变循环发动机各部件协同工作才能发挥出最大性能优势,传统的几何部件解耦、开环控制难以充分发挥发动机整机性能,需要采用多变量控制方法。目前变循环发动机的多变量控制系统大多是基于变循环发动机部件级非线性模型,在经典控制系统设计框架下,通过采用逆奈氏阵法的解耦控制、H∞鲁棒控制、LQR/LTR控制和基于智能算法的PID控制等实现。这些方法都需要精确的变循环发动机模型,建模精度严重影响控制效果,而且难以很好的解决控制变量之间的耦合问题。因此,针对上述问题,设计一种能够消除建模误差和控制变量的耦合对控制效果的影响,实现变循环发动机的快、准、稳控制,不依赖于模型的智能控制算法对变循环发动机可调部件进行联合调节,具有重要的工程意义。
发明内容
针对变循环发动机现有控制系统存在的问题,本发明提供了一种基于脑情感学习模型的变循环发动机多变量控制算法。并采用差分算法解决所提算法随着控制变量的增多,控制器参数也急剧增多的问题,实现了变循环发动机多可调部件的组合调节。
本发明的技术方案:
一种基于脑情感学习模型的变循环发动机多变量控制算法,选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积,输出变量分别为高压压气机相对转速和落压比;控制系统主要由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块组成;其中,感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差,分别产生感官输入信号和感暗示信号,输入至脑情感学习模块;脑情感学习模块接收感官输入信号和和情感暗示信号,得到变循环发动机的控制变量;计算步骤如下:
步骤1:计算感官输入信号Smn(k),m=1,2,3,表示变循环发动机第m个控制变量,n=1,2,表示变循环发动机输出变量,k为第k个采样周期;
其中,kpmn为情感输入信号计算中的比例权重系数,kimn为情感输入信号计算中的积分权重系数;e1(k)、e2(k)分别为两个输出变量的输出误差,l为累加变量;步骤2:计算情感暗示信号Rewm(k)
其中,krpmn为情感暗示信号计算中的比例权重系数,krdmn为情感暗示信号计算中的微分权重系数,krimn为情感暗示信号计算中的积分权重系数,T为采样周期;
步骤3:计算脑情感学习模块输出的控制变量Um(k)
Um(k)=Am(k)-Om(k)
其中,U1为主燃油流量、U2为核心机风扇导流角,U3为尾喷管面积,Am为第m个杏仁体子模块输出,Om为第m个眶额皮质子模块输出,Vmi和Wmi分别为第m个杏仁体子模块和第m个眶额皮质子模块中的第i个节点权值,i=1,2;
步骤4:更新第k+1时刻,第m个杏仁体子模块和第m个眶额皮质子模块中的节点权值
Vmi(k+1)=Vmi(k)+αm(Smi(k)*max(0,Rewm(k)-Am(k)))
Wmi(k+1)=Wmi(k)+βm(Smi(k)*(Um(k)-Rewm(k)))
其中,αm和βm分别为第m个杏仁体子模块和第m个眶额皮质子模块的学习因子,且0<αm<1,0<βm<1;
步骤5:采用差分进化方法,优化参数kpmn,kimn,krpmn,krdmn,krimn
步骤5.1:种群初始化,设待优化参数为X,在正数范围内随机均匀的产生M个个体,每个个体为一个N维向量;
Xi(0)=Xi1(0)+Xi2(0)+…+XiN(0),i=1,2,…,M
其中,Xi(0)表示第0代的第i个个体,Xij(0)表示第0代第i个个体的第j个基因,j=1,2,…,N;
步骤5.2:变异,计算Hi(g);从种群中随机选择三个个体,Xp1(g),Xp2(g),Xp3(g),g为迭代次数,变异算子Hi(g)为
Hi(g)=Xp1(g)+F*(Xp2(g)-Xp3(g))
其中,F>0为缩放因子;
步骤5.3:交叉,计算Vi(g)
其中,rand(0,1)表示在0~1之间产生一个随机数,0≤Pcr≤1为交叉概率;
步骤5.4:选择,根据适应度函数的值从第g次迭代中每个个体的Vi(g)和Xi(g)中选择出适应度更高的得到新一代种群
其中,适应度函数f定义为
e1X(k)和e2X(k)分别为优化参数为Xi(g+1)时,变循环发动机输出变量的输出误差;
步骤5.5:迭代次数g+1,重复步骤5.2-步骤5.4,直至达到给定迭代次数的目标值或适应度函数f小于误差给定值ε,优化结束。
本发明的有益效果:通过本发明设计的基于脑情感学习模型的变循环发动机多变量控制算法。可以改善变循环发动机多变量控制的耦合问题和传统的控制方法过于依赖模型精度的问题,实现变循环发动机的快、准、稳控制,具有重要的工程意义。
附图说明
图1为基于脑情感学习模型的变循环发动机多变量控制系统结构示意图。
图2为基于脑情感学习模型的变循环发动机多变量控制算法流程图。
图3为基于差分算法的控制参数优化流程图。
图4(a)、图4(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,采用基于脑情感学习模型的变循环发动机多变量控制算法,分别对高压相对转速目标值为0.9622,落压比目标值为3.599的跟踪效果。
图5(a)、图5(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53°的情况下,采用基于脑情感学习模型的变循环发动机多变量控制算法,分别对高压相对转速目标值为0.9744,落压比目标值为3.825的跟踪效果。
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。
一种基于脑情感学习模型的变循环发动机多变量控制算法,选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积,输出变量分别为高压压气机相对转速和落压比。如图1所示,控制系统由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块组成。其中,感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差,分别产生感官输入信号和感暗示信号,输入至脑情感学习模块。脑情感学习模块接收感官输入信号和和情感暗示信号,得到变循环发动机的控制变量。如图2所示,计算步骤如下:
步骤1:计算感官输入信号Smn(k),m=1,2,3,表示变循环发动机第m个控制变量,n=1,2,表示变循环发动机输出变量,k为第k个采样周期。
其中,kpmn为情感输入信号计算中的比例权重系数,kimn为情感输入信号计算中的积分权重系数。e1(k)、e2(k)分别为两个输出变量的输出误差。
步骤2:计算情感暗示信号Rewm(k)。
其中,krpmn为情感暗示信号计算中的比例权重系数,krdmn为情感暗示信号计算中的微分权重系数,krimn为情感暗示信号计算中的积分权重系数,T=0.02s为采样周期。
步骤3:计算脑情感学习模块输出的控制变量Um(k)
Um(k)=Am(k)-Om(k)
其中,U1为主燃油流量、U2为核心机风扇导流角,U3为尾喷管面积,Am为第m个杏仁体子模块输出,Om为第m个眶额皮质子模块输出,Vmi和Wmi分别为第m个杏仁体子模块和第m个眶额皮质子模块中的第i个节点权值,i=1,2,3。
步骤4:更新第k+1时刻,第m个杏仁体子模块和第m个眶额皮质子模块中的节点权值
Vmi(k+1)=Vmi(k)+αm(Smi(k)*max(0,Rewm(k)-Am(k)))
Wmi(k+1)=Wmi(k)+βm(Smi(k)*(Um(k)-Rewm(k)))
其中,αm和βm分别为第m个杏仁体子模块和第m个眶额皮质子模块的学习因子,选择αm=0.35,βm=0.6。
步骤5:采用差分进化方法,如图3所示,优化参数kpmn,kimn,krpmn,krdmn,krimn
步骤5.1:种群初始化,设待优化参数为X,在正数范围内随机均匀的产生M=600个个体,每个个体为一个N=1维向量。
Xi(0)=Xi1(0)+Xi2(0)+…+XiN(0),i=1,2,…,M
其中,Xi(0)表示第0代的第i个个体,Xij(0)表示第0代第i个个体的第j个基因,j=1,2,…,N。
步骤5.2:变异,计算Hi(g)。从种群中随机选择三个个体,Xp1(g),Xp2(g),Xp3(g),g为迭代次数,变异算子Hi(g)为
Hi(g)=Xp1(g)+F*(Xp2(g)-Xp3(g))
其中,F=0.85为缩放因子。
步骤5.3:交叉,计算Vi(g)
其中,rand(0,1)表示在0~1之间产生一个随机数,Pcr=0.6为交叉概率。
步骤5.4:选择。根据适应度函数的值从第g次迭代中每个个体的Vi(g)和Xi(g)中选择出适应度更高的得到新一代种群
其中,适应度函数f定义为
e1X(k)和e2X(k)分别为优化参数为Xi(g+1)时,变循环发动机输出变量的输出相对误差。
步骤5.5:迭代次数g+1。重复步骤5.2-步骤5.4,直至达到给定迭代次数的目标值4000或适应度函数f小于误差给定值ε=3×10-4,优化结束。
本发明的有益效果:通过本发明设计的基于脑情感学习模型的变循环发动机多变量控制算法。可以改善变循环发动机多变量控制的耦合问题和传统的控制方法过于依赖模型精度的问题,实现变循环发动机的快、准、稳控制,具有重要的工程意义。
图4(a),图4(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,采用基于脑情感学习模型的变循环发动机多变量控制器,分别对高压相对转速目标值为0.9622,落压比目标值为3.599的跟踪效果。仿真结果表明,运用本发明所提方法设计的基于脑情感学习模型的变循环发动机多变量控制算法,可使得高压压气机相对转速稳态误差约为0.052%,落压比稳态误差约为0.083%。
图5(a)、图5(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53°的情况下,采用基于脑情感学习模型的变循环发动机多变量控制器,分别对高压相对转速目标值为0.9744,落压比目标值为3.825的跟踪效果。仿真结果表明,运用本发明所提方法设计的基于脑情感学习模型的变循环发动机多变量控制算法,可使得高压压气机相对转速稳态误差约为0.021%,落压比稳态误差约为0.074%。
综上可见,在变循环发动机控制中,运用基于脑情感学习模型的变循环发动机多变量控制算法,构建的变循环发动多变量控制器,可以改善变循环发动机多变量控制的耦合问题和传统的控制方法过于依赖模型精度的问题,实现变循环发动机的快、准、稳控制。
Claims (1)
1.一种基于脑情感学习模型的变循环发动机多变量控制算法,选择变循环发动机控制变量分别为主燃油流量、核心机风扇导流角和尾喷管面积,输出变量分别为高压压气机相对转速和落压比;控制系统主要由感官输入信号产生器、情感暗示信号产生器、脑情感学习模块组成;其中,感官输入信号产生器和情感暗示信号产生器接收变循环发动机输出变量的输出误差,分别产生感官输入信号和情感暗示信号,输入至脑情感学习模块;脑情感学习模块接收感官输入信号和情感暗示信号,得到变循环发动机的控制变量;其特征在于,步骤如下:
步骤1:计算感官输入信号Smn(k),m=1,2,3,表示变循环发动机第m个控制变量,n=1,2,表示变循环发动机输出变量,k为第k个采样周期;
其中,kpmn为情感输入信号计算中的比例权重系数,kimn为情感输入信号计算中的积分权重系数;e1(k)、e2(k)分别为两个输出变量的输出误差,l为累加变量;步骤2:计算情感暗示信号Rewm(k)
其中,krpmn为情感暗示信号计算中的比例权重系数,krdmn为情感暗示信号计算中的微分权重系数,krimn为情感暗示信号计算中的积分权重系数,T为采样周期;
步骤3:计算脑情感学习模块输出的控制变量Um(k)
Um(k)=Am(k)-Om(k)
其中,U1为主燃油流量、U2为核心机风扇导流角,U3为尾喷管面积,Am为第m个杏仁体子模块输出,Om为第m个眶额皮质子模块输出,Vmi和Wmi分别为第m个杏仁体子模块和第m个眶额皮质子模块中的第i个节点权值,i=1,2;
步骤4:更新第k+1时刻,第m个杏仁体子模块和第m个眶额皮质子模块中的节点权值
Vmi(k+1)=Vmi(k)+αm(Smi(k)*max(0,Rewm(k)-Am(k)))
Wmi(k+1)=Wmi(k)+βm(Smi(k)*(Um(k)-Rewm(k)))
其中,αm和βm分别为第m个杏仁体子模块和第m个眶额皮质子模块的学习因子,且0<αm<1,0<βm<1;
步骤5:采用差分进化方法,优化参数kpmn,kimn,krpmn,krdmn,krimn
步骤5.1:种群初始化,设待优化参数为X,在正数范围内随机均匀的产生M个个体,每个个体为一个N维向量;
Xi(0)=Xi1(0)+Xi2(0)+…+XiN(0),i=1,2,…,M
其中,Xi(0)表示第0代的第i个个体,Xij(0)表示第0代第i个个体的第j个基因,j=1,2,…,N;
步骤5.2:变异,计算Hi(g);从种群中随机选择三个个体,Xp1(g),Xp2(g),Xp3(g),g为迭代次数,变异算子Hi(g)为
Hi(g)=Xp1(g)+F*(Xp2(g)-Xp3(g))
其中,F>0为缩放因子;
步骤5.3:交叉,计算Vi(g)
其中,rand(0,1)表示在0~1之间产生一个随机数,0≤Pcr≤1为交叉概率;
步骤5.4:选择,根据适应度函数的值从第g次迭代中每个个体的Vi(g)和Xi(g)中选择出适应度更高的得到新一代种群
其中,适应度函数f定义为
e1X(k)和e2X(k)分别为,优化参数为Xi(g+1)时,变循环发动机两个输出变量的输出误差;
步骤5.5:迭代次数g+1,重复步骤5.2-步骤5.4,直至达到给定迭代次数的目标值或适应度函数f小于误差给定值ε,优化结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433399.8A CN111624880B (zh) | 2020-05-21 | 2020-05-21 | 一种基于脑情感学习模型的变循环发动机多变量控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433399.8A CN111624880B (zh) | 2020-05-21 | 2020-05-21 | 一种基于脑情感学习模型的变循环发动机多变量控制算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624880A CN111624880A (zh) | 2020-09-04 |
CN111624880B true CN111624880B (zh) | 2021-05-18 |
Family
ID=72259974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433399.8A Active CN111624880B (zh) | 2020-05-21 | 2020-05-21 | 一种基于脑情感学习模型的变循环发动机多变量控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624880B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6219657B1 (en) * | 1997-03-13 | 2001-04-17 | Nec Corporation | Device and method for creation of emotions |
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 |
EP3034841A1 (en) * | 2013-08-13 | 2016-06-22 | IHI Corporation | Gas turbine engine optimization control device |
CN106988191A (zh) * | 2017-03-21 | 2017-07-28 | 上海大学 | 一种大脑电信号控制的静力光轮压路机 |
JP2017155620A (ja) * | 2016-02-29 | 2017-09-07 | トヨタ自動車株式会社 | 可変サイクルエンジン |
CN107392315A (zh) * | 2017-07-07 | 2017-11-24 | 中南大学 | 一种优化大脑情感学习模型的方法 |
CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
CN107924482A (zh) * | 2015-06-17 | 2018-04-17 | 情感爱思比株式会社 | 情感控制系统、系统及程序 |
CN108196443A (zh) * | 2017-11-23 | 2018-06-22 | 南京航空航天大学 | 变循环发动机的非线性预测控制设计方法 |
CN109472062A (zh) * | 2018-10-18 | 2019-03-15 | 南京航空航天大学 | 一种变循环发动机自适应部件级仿真模型构建方法 |
CN111042928A (zh) * | 2019-12-30 | 2020-04-21 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
-
2020
- 2020-05-21 CN CN202010433399.8A patent/CN111624880B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6219657B1 (en) * | 1997-03-13 | 2001-04-17 | Nec Corporation | Device and method for creation of emotions |
EP3034841A1 (en) * | 2013-08-13 | 2016-06-22 | IHI Corporation | Gas turbine engine optimization control device |
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 |
CN107924482A (zh) * | 2015-06-17 | 2018-04-17 | 情感爱思比株式会社 | 情感控制系统、系统及程序 |
JP2017155620A (ja) * | 2016-02-29 | 2017-09-07 | トヨタ自動車株式会社 | 可変サイクルエンジン |
CN106988191A (zh) * | 2017-03-21 | 2017-07-28 | 上海大学 | 一种大脑电信号控制的静力光轮压路机 |
CN107392315A (zh) * | 2017-07-07 | 2017-11-24 | 中南大学 | 一种优化大脑情感学习模型的方法 |
CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
CN108196443A (zh) * | 2017-11-23 | 2018-06-22 | 南京航空航天大学 | 变循环发动机的非线性预测控制设计方法 |
CN109472062A (zh) * | 2018-10-18 | 2019-03-15 | 南京航空航天大学 | 一种变循环发动机自适应部件级仿真模型构建方法 |
CN111042928A (zh) * | 2019-12-30 | 2020-04-21 | 大连理工大学 | 一种基于动态神经网络的变循环发动机智能控制方法 |
Non-Patent Citations (1)
Title |
---|
基于大脑情感学习模型的步进电机控制系统;王帅夫等;《吉林大学学报(工学版)》;20140630;第44卷(第3期);第765-770页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111624880A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111042928B (zh) | 一种基于动态神经网络的变循环发动机智能控制方法 | |
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 | |
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 | |
CN111594322B (zh) | 一种基于Q-Learning的变循环航空发动机推力控制方法 | |
CN114675535B (zh) | 一种基于强化学习的航空发动机过渡态寻优控制方法 | |
CN111006843B (zh) | 一种暂冲式超声速风洞的连续变速压方法 | |
CN111679576B (zh) | 一种基于改进确定性策略梯度算法的变循环发动机控制器设计方法 | |
CN111679574A (zh) | 一种基于大规模全局优化技术的变循环发动机过渡态优化方法 | |
CN112131670B (zh) | 一种基于混合自适应差分进化的航空发动机模型迭代算法 | |
CN112286047A (zh) | 基于神经网络的narma-l2多变量控制方法 | |
CN110579962A (zh) | 基于神经网络的涡扇发动机推力预测方法及控制器 | |
CN113267314A (zh) | 一种暂冲式风洞的超声速流场总压控制系统 | |
CN111624880B (zh) | 一种基于脑情感学习模型的变循环发动机多变量控制算法 | |
CN112231835B (zh) | 综合推力性能和偏转效率的矢量喷管出口面积优化方法 | |
CN203499824U (zh) | 一种挖掘航空发动机的加速潜能的控制系统 | |
CN114527654A (zh) | 一种基于强化学习的涡扇发动机直接推力智能控制方法 | |
Cheng et al. | A nonlinear H∞ set-point control method for turbofan engines with disturbances | |
CN111219257A (zh) | 基于自适应增强算法的涡扇发动机直接数据驱动控制方法 | |
Chen et al. | Design of control laws based on inverted decoupling and LMI for a turboprop engine | |
CN114047692B (zh) | 一种涡扇发动机鲁棒容错抗干扰模型参考动态输出反馈控制方法 | |
Zhang et al. | Data-driven nonlinear MIMO modeling for turbofan aeroengine control system of autonomous aircraft | |
CN114167717B (zh) | 一种基于改进pso-模糊pid的火电机组deh转速控制方法 | |
Han et al. | Direct learning control for an Aero-engine based on Adaboost-LSSVM | |
Linyuan et al. | Steady state control schedule optimization for a variable cycle engine | |
CN111624886B (zh) | 一种基于sarsa的变循环航空发动机推力控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |