CN113239487B - 一种航空发动机加速寻优控制方法、系统、介质及设备 - Google Patents
一种航空发动机加速寻优控制方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN113239487B CN113239487B CN202110492055.9A CN202110492055A CN113239487B CN 113239487 B CN113239487 B CN 113239487B CN 202110492055 A CN202110492055 A CN 202110492055A CN 113239487 B CN113239487 B CN 113239487B
- Authority
- CN
- China
- Prior art keywords
- solution
- optimizing
- optimal
- algorithm
- objective function
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02K—JET-PROPULSION PLANTS
- F02K1/00—Plants characterised by the form or arrangement of the jet pipe or nozzle; Jet pipes or nozzles peculiar thereto
- F02K1/06—Varying effective area of jet pipe or nozzle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种航空发动机加速寻优控制方法、系统、介质及设备,将当前寻优目标函数导入SA算法中作为优化目标,设SA算法参数,随时产生一个初始解;将初始解作为第一次寻优的初始解,通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解,比较可行解和初始解,将最优解作为当前解;将当前解作为SA算法的最优解输出;进行寻优至寻找到最优值;通过最优值获得对整个加速过程的最优控制,重新产生新的扰动,直到当前解保持稳定,飞机推力达到最大,最短的时间内完成加速,完成航空发动机加速寻优控制。本发明具有全局探索能力,能够在安全的前提下充分发掘发动机的潜力。
Description
技术领域
本发明属于航空发动机控制技术领域,具体涉及一种航空发动机加速寻优控制方法、系统、介质及设备。
背景技术
军用飞机经常需要进行爬升、俯冲、追击等动作,因此,军用飞机对其发动机加速性有着很高的要求。若能在发动机加速过程中获得较大的推力,可大幅提升飞机的机动性。航空发动机是飞机提供推力的装置,深入研究航空发动机控制系统,在保证航空发动机安全工作的前提下,充分挖掘发动机推力潜力,是提升发动机加速性能的重要手段。
航空发动机是极其复杂的机械、热力和电磁系统,具有强非线性、多变量等特点。航空发动机加速过程控制,可视为一个非线性规划问题。虽然现有研究在一定程度上改善了发动机的过渡态性能,但还存在以下问题:
(1)对发动机推力潜力挖掘不够充分,如序列二次规划算法等梯度类算法对发动机控制系统进行大范围如全飞行包线,全控制过的优化时,很难找到全局最优控制规律,因为该类算法对初始解敏感,容易陷入局部最优解。
(2)在挖掘发动机过渡态性能时,仅考虑小偏离情况,对发动机全加速范围的优化研究不够充分,且在寻优过程中,对发动机工作安全因素考虑较少。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种航空发动机加速寻优控制方法、系统、介质及设备,在全控制过程对航空发动机推力潜力进行了挖掘。全飞行包线范围的研究结果证实,该控制系统可在保证航空发动机工作安全的前提下,充分挖掘发动机推力潜能,提升发动机加速性能,使发动机推力在最短时间内达到最大。
本发明采用以下技术方案:
一种航空发动机加速寻优控制方法,包括以下步骤:
S1、设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数;
S2、将步骤S1得到的当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随时产生一个初始解(WFM0,A80);
S3、将步骤S2产生的初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解和初始解,将最优解作为当前解;
S4、SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将步骤S3的当前解作为最优解输出;
S5、在步骤S4输出的最优解基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;
S6、根据步骤S5找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,回到步骤S3重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
进一步的,步骤S1中,当前寻优目标函数为:
其中,f″(FN)为待优化的目标函数,kF为一个常数且k≥FNmax,FNmax为发动机加速过程中产生的最大推力值,FN为发动机的实际推力,t0为设定的控制周期,t1为实际的优化控制周期。
进一步的,设定最优目标函数为:
其中,tc为整个加速过程控制时间。
具体的,步骤S4中,根据SA算法判断是否达到最大迭代计算次数N1,或是否达到收敛检查设计数N2,若满足任一个条件,将对应解(ΔWFMn,ΔA8n)作为最优解输出。
进一步的,若未达到最大迭代计算次数N1,或未达到收敛检查设计数N2,SA算法比较新解和旧解的能量,若新解的能量大于旧解则接受新解,进行下一轮的寻优。
更进一步的,若新解的能量小于旧解,计算接受新解的概率P,并将P与初始设定的β值相比,若P大于β则接受新解,进行下一轮寻优;若接受新解的概率P小于β,继续按旧解进行下一轮寻优,按照Metropolis准则接受新解(ΔWFMn,ΔA8n)。
具体的,步骤S5中,最优值为:WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n。
本发明的另一技术方案是,一种航空发动机加速寻优控制系统,包括:
函数模块,设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数;
参数模块,将函数模块得到的当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随时产生一个初始解(WFM0,A80);
扰动模块,将参数模块产生的初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解(ΔWFMn,ΔA8n)和初始解(WFM0,A80),将最优解作为当前解;
第一寻优模块,SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将扰动模块得到的当前解作为最优解输出;
第二寻优模块,在第一寻优模块输出的最优解基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;
输出模块,根据第二寻优模块找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,扰动模块重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
本发明的另一技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的航空发动机加速寻优控制方法。
本发明的另一技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行航空发动机加速寻优控制方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种航空发动机加速寻优控制方法,在发动机加速过程中,以最短的时间获得发动推力最大为控制目标,以发动机的燃油流量、尾喷管喉部面积等变量为控制参数,采用模拟退火算法为优化算法,在全飞行包线内对航空发动机进行了加速寻优控制,从而挖掘了发动机加速潜能,并大幅地提升了发动机加速能力,相比于原型控制器,所设计的加速寻优控制方法在加速过程中,可提升发动机加速推力约12%,全加速过程仅需约3.7s。
进一步的,通过设置当前寻优目标函数可达到在整个控制周期中,发动机快速、稳定地获得最大推力的目的。
进一步的,最优目标函数反映了发动机加速寻优控制目标,SA可通过迭代计算过程不断计算最优目标函数值,通过迭代优化,寻找最优的控制参数组合,使得最优目标函数值最小,从而使得航空发动机在保证安全的前提下,快速地获得最大推力。
进一步的,根据SA算法判断是否达到最大迭代计算次数N1,或是否达到收敛检查设计数N2,来控制SA算法的寻优过程,防止优化时间过长,节省时间开销;其中,若达到收敛检查设计数N2,则表明优化已收敛。
进一步的,若未达到最大迭代计算次数N1,或未达到收敛检查设计数N2时,SA算法将继续寻找全局最优解,这样设置可以使得SA算法在可行域内充分地寻找全局最优解,进而更好的实现对整个加速过程中发动机的最优控制。
进一步的,Metropolis准则可以一定几率接受结果变坏的运算方向,这样有助于SA算法跳出局部最优解的陷阱。
进一步的,通过步骤S5将整个优化周期分成多个单位控制周期,针对每一个单位控制周期,找到一组最优解,并输出最优值,最终将所有最优值按照时间顺序组合为一组最优控制序列,根据最优控制序列输出最优控制曲线。
综上所述,本发明具有全局探索能力,能够在安全的前提下充分发掘发动机的潜力。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为SA算法流程图;
图2为航空发动机寿命预测的原理图;
图3为数据采集系统的构架图;
图4为目标函数优化曲线;
图5为SA系统对比传统PID控制系统推力变化曲线;
图6为SA系统对比传统PID控制系统主燃油流量变化曲线;
图7为SA系统对比传统PID控制系统尾喷口面积变化曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
模拟退火算法(Simulated Annealing,SA)参考了物理退火的原理,可赋予优化过程一种时变且最终趋于零的突跳概率,从而使得算法可有效跳出局部最优解并最终趋于全局最优解。作为一种串行结构的优化算法,在理论上在具有概率的全局优化性。该算法在诸如集成电路、控制工程、机器学习、信号处理等领域的工程问题上得到了广泛的运用,并取得了较大的成功。本发明将SA应用于某型航空发动机加速控制,设计了一种基于SA的航空发动机加速寻优控制系统,在全控制过程对航空发动机推力潜力进行了挖掘。全飞行包线范围的研究结果证实,该控制系统可在保证航空发动机工作安全的前提下,充分挖掘发动机推力潜能,提升发动机加速性能。
请参阅图1,本发明一种基于SA的航空发动机加速寻优控制方法,具体步骤如下:
S1、设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数;
S101、设定最优目标函数;
最优控制问题的目标是,在尽可能短的时间内,使发动机推力达到最大;目标函数设置为:
其中,tc为整个加速过程控制时间,FN为发动机的实际推力。
S102、将步骤S101设定的最优目标函数转化为最小值求解问题;
为了不失非线性规划问题的一般性,可将最大值求解问题通过适当的方法转换为最小值求解问题,求解过程如下:
其中,kF为一个常数且k≥FNmax,FNmax为预估的发动机加速过程中可产生的最大推力值,tc为发动机的控制系统为全权限数字电子控制器(FADEC),FADEC具有固定的采样周期和控制周期。
S103、对步骤S102最小值求解的目标函数离散化;
式(2)所示的控制目标为连续函数,因此需要将该控制目标离散化,以适应FADEC的控制方式。当t0为FADEC的控制周期长度时,可对寻优控制目标函数做如下变化;实际FADEC的控制周期设定较小,相邻两个控制周期的参数变化不大,因此,若每个控制周期都进行优化,实际意义不大,且将造成巨大的软硬件开销。故根据实际情况,设定实际的优化控制周期t1=5t0,也即在每5个FADEC控制周期中,滚动寻优一次,当前的5个FADEC控制周期则保持当前获得的最优控制参数值,直至获得下一个滚动寻优结果。
根据上述设计方案,得出当前寻优目标函为:
S2、设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;同时,随时产生一个初始解(WFM0,A80);
S3、通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n);
S4、SA算法判断是否达到最大迭代计算次数N1,或者是否达到收敛检查设计数N2,若达到这两个条件中的一个,将对应解(ΔWFMn,ΔA8n)作为最优解输出;若未达到,SA算法将比较新解和旧解的能量即E(X0)和E(Xn),若新解的能量大于旧解则接受新解,进行下一轮的寻优;若新解的能量小于旧解,则通过公式计算接受新解的概率P,并将P与初始设定的β值相比,若P大于β则接受新解,进行下一轮寻优;若P小于β则继续按照旧解进行下一轮寻优,即按照Metropolis准则以一定的概率接受新解(ΔWFMn,ΔA8n);
S5、得到最优解;
在接受新解(ΔWFMn,ΔA8n)的基础上继续进行下一轮的寻优直到当前轮次达到最大迭代计算次数X,或者是达到收敛检查设计数N,则SA寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;
S6、获得对整个加速过程的最优控制,回到步骤S3产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
本发明再一个实施例中,提供一种基于SA的航空发动机加速寻优控制系统,该系统能够用于实现上述基于SA的航空发动机加速寻优控制方法,具体的,该基于SA的航空发动机加速寻优控制系统包括函数模块、参数模块、扰动模块、第一寻优模块、第二寻优模块以及输出模块。
其中,函数模块,设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数;
参数模块,将函数模块得到的当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随时产生一个初始解(WFM0,A80);
扰动模块,将参数模块产生的初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解(ΔWFMn,ΔA8n)和初始解(WFM0,A80),将最优解作为当前解;
第一寻优模块,SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将扰动模块得到的当前解作为最优解输出;
第二寻优模块,在第一寻优模块输出的最优解基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;
输出模块,根据第二寻优模块找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,扰动模块重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于SA的航空发动机加速寻优控制方法的操作,包括:
设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数;将当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随时产生一个初始解(WFM0,A80);将初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解和初始解,将最优解作为当前解;SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将当前解作为最优解输出;在最优解的基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;根据找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于SA的航空发动机加速寻优控制方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数;将当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随时产生一个初始解(WFM0,A80);将初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解和初始解,将最优解作为当前解;SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将当前解作为最优解输出;在最优解的基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;根据找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图2,基于SA算法的航空发动机加速最优控制系统的工作过程如下:
步骤1,将飞行状态(飞行高度H和飞行马赫数Ma),以及SA算法设定的初始参数(初始温度T0,降温速率k,最大迭代计算次数N1,收敛检查设计数N2,收敛最大差值为N3)输入到系统中;
步骤2,SA系统根据当前的飞行状态模拟出一组WFM和A8的加速控制数据;
步骤3,将这一组数据发送到各个执行器上;
步骤4,执行器根据这一组数据控制并完成飞机的加速状态,同时将最优控制曲线发到控制屏幕上做到数据的可视化。
航空发动机加速寻优控制系统的构成及其参数设定,具体如下:
1、构建基于SA算法寻优系统及其参数设定
基于SA的航空发动机加速寻优控制系统中的参数设定,主要包括以下两个部分,分别为设定优化控制目标及参数约束、模拟退火算法的相关参数选择。SA算法寻找最优控制轨迹和对比传统的PID系统,
1)设定优化控制目标及参数约束
本设计所研究的航空发动机包含13个传感器(如表1所示)数据和2个条件设置(如表2所示)数据,将这15个参数导入设计的基于SA的航空发动机加速寻优控制系统中。
表1传感器名称
表2条件设置名称
目标函数的设定
利用模拟退火算法,寻找WFM和A8的最优变化轨迹,使得动机由慢车状态加速到最大状态的过程中,加速时间最短,发动机安全性和稳定性符合要求,且尽可能获得大推力。因此将目标函数设定为(所示为离散后的结果):
参数约束
为使得发动机由加速到过程中,加速时间最短,发动机安全性和稳定性符合要求,结合实际可提出两类约束条件。第一类为保证发动机加速过程安全,即保证不超转,不超温,不喘振而设置的参数约束,其包括,发动机涡轮前最高温度限制、高,低压转子转速限制、压气机,风扇喘振裕度限制、压气机出口最大压力限制和富油熄火边界限制等。第二类为发动机的物理条件约束,也即发动机设计定型后,某些如最大供油量、供油速率等参数受到发动机物理条件的约束。这类约束包括,供油量变化范围的限制、尾喷管喉部面积变化范围的限制、供油速率的限制、尾喷管喉部面积变化速率的限制等。约束条件如下:
其中,T41涡轮进口温度,n1和n2分别为发动机高压转子转速和低压转子转速,SMC和SFC分别为压气机和风扇的喘振裕度,FAR和P31分别为发动机油气比和压气机出口压力,带有下角标max和min的分别代表相应参数的最大物理(或者安全)限制值和最小物理(或者安全)限制值。
2)模拟退火算法的相关参数选择
观察模拟退火算法的过程,发现其主要存在如下参数问题:
(1)温度T的初始值设置问题
退火速度问题,即每个T值的迭代次数;
(2)温度管理问题
因此本发明将退火的参数设置为:本发明将初始温度T0设置为1,降温速率K设置为1,将初始温度从1.0开始降低结合降温速率的设置,允许温度在更长的时间内保持较高的温度(这样大幅增加了SA算法在高温段的寻找全局最优值的能力);最大迭代计算次数为N1设置为10000,这样确保SA算法的寻优过程是充分的;收敛检查设计数为N2设置为5,收敛Epsilon(最大差值)N3设置为1.0E-5,即保证了算法最后找到收敛的最优解,也不会浪费太多的时间成本,加快了寻优过程。
3)SA算法寻找最优控制轨迹
在确定当前的飞行高度H和马赫数Ma后,使风扇和压气机导流叶片角度按照预定控制规律变化,以主燃油流量WFM和尾喷口喉道截面A8为输入变量,利用遗传算法,寻找WFM和A8的最优变化轨迹,使得发动机加速时间最短,且尽可能获得大推力。
2、航空发动机的数据采集及特点
1)数据采集
航空发动上有13个传感器和2条件设置的数据,因此需要数据采集系统对这15个数据进行实时采集。而一个典型的数据采集系统通常包括传感器、滤波放大电路、数据采集电路、A/D转换电路、计算机CPU及应用软件部分,如图3所示。当航空发动机上的传感器将物理数据转化为电信号,后经滤波电路消除掉噪声,放大电路将信号放大,数据采集系统将模拟信号转化为CPU可识别的电子信号,最后由CPU进行处理后显示出来,完成数据采集任务,同时实时地监控传感器和条件设置的变化。
2)航空发动机数据采集系统的特点
①被测参数种类多,覆盖面宽。需要测量的参数主要有温度、压力、空气流量、燃油流量、燃气、转速、推力、频率、方向角等多种。
②被测信号微弱,要求传感器的精度高。例如,在发动机测试中热电偶和应变电桥输出的都是低电压小信号,其满量程一般在5~20mV的量级;在风洞试验中,应变传感器输出的电压信号为5μV。因此要求模拟输入通道的零点漂移和噪声低到微伏的量级。
③测试采样速率高。飞机的飞行状态变化很快,部件或整机在一种状态下、同一瞬间的各种参数的变化情况都要求记录下来,没有快速或高速测试系统是不可能的。一般要求采集速率从1~100kHz之间,有的试验要求更高的采集速率。
④测量准确度和分辨率要求高。例如发动机的推力达到±0.2%;涡轮后排气温度达到±0.3%;燃油流量达到±0.2%;高低压压气机压力达到±0.2%;转速达到±0.01%;其他参数要求在±0.5%~±1%范围内,某些参数的测量要求具有16位分辨率的AD转换器。
抗干扰能力强。由于飞机在飞行时环境复杂,所以要求数据采集系统在较强的电磁干扰(包括工频和射频)和同时伴有共模干扰的情况下测出或采集到微弱信号,因此数据采集系统必须有抗干扰设计要求。
3、测量—处理—显示—控制一体化
一体化功能的具体体现:
①导入初始状态。本发明针对的是当前状态到最大加力的过程,通过发动机上的传感器以及数据采集系统,将采集回来的各种参数通过显示器进行显示并导入发动机加速寻优控制系统。
②基于SA算法寻优。导入数据后,利用本发明构建好的SA寻优系统进行对WFM和A8的最优输入,一般WFM从维持当前状态的最小燃油流量开始增加,A8从最大的尾喷口面积开始减小,记录整个寻优过程中WFM和A8的数值,寻优结束的标志是WFM和A8的数值不再变化,此时已达到在该状态下(初始高度和马赫数)最大的推力及最短的加速时间。
③最优控制数据的显示并控制。将步骤②中的数据输出保存到发动机的电脑,将其通过显示器显示出来,同时发送到发动机的各个执行器件当中,以便根据航空发动机加速寻优控制系统得出的最优控制数据进行对飞机加速过程的最优控制。
基于SA的航空发动机加速寻优控制系统对航空发动机的数据采集不仅是测量一些参数并对参数进行实时分析与处理,还要对飞行过程中对设备和部件及其所处环境、位置及各种过程等变化进行最优控制,在符合客观变化规律的条件下,用最短的时间获得最大的发动机推力,这样所得到的最优控制的数据才更符合客观实际。
测量—处理—显示—控制一体化的实现,不仅能够大大提高数据的置信度和可靠性,大大降低人为错误操作因素,使试验成功率得到提高,而且也是科学研究试验本身发展的需要。其结果是,既节约了时间和经费,又能保证试验质量,高效率地完成科研与生产任务。
例如,本发明为了使得寻找到WFM和A8的最优控制数据更加方便阅读,故而设置一个人机交互界面。该人机交互界面显示经过数据收集器转换过的各个传感器信息、WFM和A8变化数值、发动机的最大推力、最短加速时间、主燃油流量和尾喷口加速变化数值,以便于飞行员清楚的了解到飞机目前的飞行状态,更好地对飞机进行实时掌握。
请参阅图4,为对目标函数的某一次寻优过程,针对目标函数的寻优过程进行了约1000次后,可见该目标函数的值趋于稳定,即表明得到当前的最优解(燃油量和尾喷口面积)的取值。同时表明该寻优控制方法所设置的参数合适,达到了寻优速度快,时间成本小的目的。
请参阅图5,为基于SA航空发动机加速寻优控制的方法和传统的PID控制方法的推力对比图,本文设计的基于SA寻优方法比传统PID方法提前响应了1.25秒,同时推力提升了7%,并且仅仅需要3.7s就加速到最大推力。
请参阅图6,燃油量最优控制曲线对比图,本文设计的SA方法寻找出来的曲线没有超过安全飞行的燃油量参数限定,同时更加平稳。传统的PID控制方法超过了安全限定极易损坏飞机发动机。
请参阅图7,为尾喷口面积最优控制曲线对比图,本发明设计的SA方法寻找出来的最优控制曲线在确保不损害发动机的安全运行下,充分对尾喷口进行了精准控制,使得飞机可以在更短的时间内加速到最大推力。传统的PID控制方法直接默认为最小喷口面积。
综上所述,本发明一种基于SA的航空发动机加速寻优控制方法及系统,收敛速度快,计算效率高,能充分发掘航空发动机潜力。与传统的控制器相比,所设计加速寻优控制方法能够提高发动机的加速过程安全性,并大幅提高发动机推力,本发明控制方法可全面提升发动机加速性能。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种航空发动机加速寻优控制方法,其特征在于,包括以下步骤:
S1、设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数,当前寻优目标函数为:
其中,f″(FN)为待优化的目标函数,kF为一个常数且k≥FNmax,FNmax为发动机加速过程中产生的最大推力值,FN为发动机的实际推力,t0为设定的控制周期,t1为实际的优化控制周期,设定最优目标函数为:
其中,tc为整个加速过程控制时间;
S2、将步骤S1得到的当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随机产生一个初始解(WFM0,A80),WFM0为初始寻优的主燃油流量,A80为初始寻优尾喷管喉道截面积;
S3、将步骤S2产生的初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解和初始解,将最优解作为当前解;
S4、SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将步骤S3的当前解作为最优解输出;
S5、在步骤S4输出的最优解基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;
S6、根据步骤S5找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,回到步骤S3重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
2.根据权利要求1所述的方法,其特征在于,步骤S4中,根据SA算法判断是否达到最大迭代计算次数N1,或是否达到收敛检查设计数N2,若满足任一个条件,将对应解(ΔWFMn,ΔA8n)作为最优解输出。
3.根据权利要求1所述的方法,其特征在于,步骤S4中,根据SA算法判断,若未达到最大迭代计算次数N1,或未达到收敛检查设计数N2,SA算法比较新解和旧解的能量,若新解的能量大于旧解则接受新解,进行下一轮的寻优。
4.根据权利要求3所述的方法,其特征在于,若新解的能量小于旧解,计算接受新解的概率P,并将P与初始设定的β值相比,若P大于β则接受新解,进行下一轮寻优;若接受新解的概率P小于β,继续按旧解进行下一轮寻优,按照Metropolis准则接受新解(ΔWFMn,ΔA8n)。
5.一种航空发动机加速寻优控制系统,其特征在于,包括:
函数模块,设定最优目标函数,将最优目标函数转化为最小值求解问题,对最小值求解的目标函数进行离散化,得到当前寻优目标函数,当前寻优目标函数为:
其中,f″(FN)为待优化的目标函数,kF为一个常数且k≥FNmax,FNmax为发动机加速过程中产生的最大推力值,FN为发动机的实际推力,t0为设定的控制周期,t1为实际的优化控制周期,设定最优目标函数为:
其中,tc为整个加速过程控制时间;
参数模块,将函数模块得到的当前寻优目标函数导入SA算法中作为优化目标,设SA算法的初始温度为T0,降温速率为k,最大迭代计算次数为N1,收敛检查设计数N2,收敛最大差值为N3;随时产生一个初始解(WFM0,A80),WFM0为初始寻优的主燃油流量,A80为初始寻优尾喷管喉道截面积;
扰动模块,将参数模块产生的初始解作为第一次寻优的初始解(WFM0,A80),通过SA算法产生扰动,按照降温速率进行降温,随机产生一组新的可行解(ΔWFMn,ΔA8n),比较可行解(ΔWFMn,ΔA8n)和初始解(WFM0,A80),将最优解作为当前解;
第一寻优模块,SA算法根据最大迭代计算次数N1或收敛检查设计数N2进行寻优,将扰动模块得到的当前解作为最优解输出;
第二寻优模块,在第一寻优模块输出的最优解基础上进行下一轮寻优,直到当前轮次达到最大迭代计算次数X,或是达到收敛检查设计数N,则SA算法寻找到最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n;
输出模块,根据第二寻优模块找到的最优值WFMn=WFN0+ΔWFMn,A8n=A80+ΔA8n获得对整个加速过程的最优控制,扰动模块重新产生新的扰动,直到WFMn和A8n保持稳定,飞机推力达到最大,使航空发动机在最短的时间内完成加速,实现航空发动机加速寻优控制。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
7.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492055.9A CN113239487B (zh) | 2021-05-06 | 2021-05-06 | 一种航空发动机加速寻优控制方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492055.9A CN113239487B (zh) | 2021-05-06 | 2021-05-06 | 一种航空发动机加速寻优控制方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239487A CN113239487A (zh) | 2021-08-10 |
CN113239487B true CN113239487B (zh) | 2023-05-26 |
Family
ID=77132139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110492055.9A Active CN113239487B (zh) | 2021-05-06 | 2021-05-06 | 一种航空发动机加速寻优控制方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239487B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519255B (zh) * | 2023-03-13 | 2023-09-08 | 中国航空工业集团公司沈阳空气动力研究所 | 一种用于连续式跨声速风洞的马赫数精确控制系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629735A (zh) * | 2016-02-22 | 2016-06-01 | 南京航空航天大学 | 一种航空发动机在线自适应最优pid控制器设计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB8520202D0 (en) * | 1985-08-12 | 1985-09-18 | Ritchie N S | Gas turbine aero-engine |
CN102289203A (zh) * | 2011-04-26 | 2011-12-21 | 北京航空航天大学 | 一种用于航空发动机性能寻优控制的新型混合优化方法 |
CN103452674B (zh) * | 2013-07-24 | 2016-03-02 | 长安大学 | 一种挖掘航空发动机的加速潜能的控制系统及控制方法 |
US10671092B2 (en) * | 2017-10-20 | 2020-06-02 | The Boeing Company | Airplane climb thrust optimization |
US10934944B2 (en) * | 2018-11-07 | 2021-03-02 | Dalian University Of Technology | Method for optimization of transient control law of aero-engine |
CN111425304B (zh) * | 2020-04-23 | 2021-01-12 | 南京航空航天大学 | 基于复合模型预测控制的航空发动机直接推力控制方法 |
-
2021
- 2021-05-06 CN CN202110492055.9A patent/CN113239487B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629735A (zh) * | 2016-02-22 | 2016-06-01 | 南京航空航天大学 | 一种航空发动机在线自适应最优pid控制器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113239487A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108762089B (zh) | 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 | |
US10934944B2 (en) | Method for optimization of transient control law of aero-engine | |
US9878692B2 (en) | Model-based optimal control for stall margin limit protection in an aircraft engine | |
WO2019237320A1 (zh) | 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 | |
CN111679574B (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 | |
EP2963268B1 (en) | Multivariable feedforward control | |
Pang et al. | Improved nonlinear MPC for aircraft gas turbine engine based on semi-alternative optimization strategy | |
Linyuan et al. | Designing method of acceleration and deceleration control schedule for variable cycle engine | |
CN113239487B (zh) | 一种航空发动机加速寻优控制方法、系统、介质及设备 | |
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 | |
Yu et al. | A new method for the design of optimal control in the transient state of a gas turbine engine | |
Pandey et al. | Model predictive control for gas turbine engines | |
Sakthivel et al. | Disturbance rejection and robust tracking control design for turbofan systems | |
Palmieri et al. | An innovative sliding mode load controller for gas turbine power generators: Design and experimental validation via real-time simulation | |
CN112668162A (zh) | 一种基于惯性滑模的航空发动机建模方法 | |
CN111734533B (zh) | 一种基于涡扇发动机的模型预测方法及系统 | |
Jia et al. | Multi-variable anti-disturbance controller with state-dependent switching law for adaptive cycle engine | |
Cai et al. | Experimental study on gas temperature control for a high-speed heat-airflow wind tunnel | |
CN113075882A (zh) | 基于非平衡态线性化的涡扇发动机多变量鲁棒变增益控制方法 | |
Zhang et al. | Optimization of cycle parameters of variable cycle engine based on response surface model | |
CN113777919B (zh) | 一种基于nsga-ⅱ遗传算法的自抗扰控制的串级燃气轮机功率控制方法 | |
Wang et al. | Direct thrust control for variable cycle engine based on fractional order PID-nonlinear model predictive control under off-nominal operation conditions | |
Yong et al. | Nonlinear adaptation for performance model of an aero engine using QPSO | |
CN113741170B (zh) | 一种基于深度神经网络的航空发动机直接推力逆控制方法 | |
Mikhailov et al. | Simulation of gas turbine engines considering the rotating stall in a compressor |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230413 Address after: 464000 Zhenlei mountain scenic spot, Pingqiao District, Xinyang City, Henan Province Applicant after: Xinyang Aviation Vocational College Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an Applicant before: CHANG'AN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |