CN116449685B - 一种快速跟踪精准控制的舰船燃机控制方法及装置 - Google Patents
一种快速跟踪精准控制的舰船燃机控制方法及装置 Download PDFInfo
- Publication number
- CN116449685B CN116449685B CN202310440864.4A CN202310440864A CN116449685B CN 116449685 B CN116449685 B CN 116449685B CN 202310440864 A CN202310440864 A CN 202310440864A CN 116449685 B CN116449685 B CN 116449685B
- Authority
- CN
- China
- Prior art keywords
- control
- bpnn
- acquiring
- neural network
- control signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 239000000446 fuel Substances 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 12
- 230000006641 stabilisation Effects 0.000 claims description 8
- 238000011105 stabilization Methods 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000001816 cooling Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种快速跟踪精准控制的舰船燃机控制方法及装置，控制器装置为功率驱动器，包括控制单元和功率单元。方法包括：获取转速控制信号、加速度控制信号、排气温度控制信号，通过最小值选择器得到燃料需求信号，基于燃料需求信号对燃料控制系统进行控制；获取第一开口角控制量、第二开口角控制量，通过最小值选择器得到开度控制信号，基于开度控制信号对进口导叶控制系统进行控制。与现有技术相比，本发明通过遗传算法寻优确定BPNN网络的初始控制参数，再通过BPNN神经网络反向传播学习算法不断通过自学习整定PID的参数，使用PID控制器实现燃气轮机控制，能够有效的提高控制系统的控制跟踪速度与控制精度。
Description
技术领域
本发明涉及舰船燃气轮机智能控制技术领域，尤其是涉及一种快速跟踪精准控制的舰船燃机控制方法及装置。
背景技术
舰船全电推进方式是当今各国船用动力的主要发展方向，舰船全电推进的方式能够更加方便的对舰船进行总体的布局和设计，并且船舶电气化水平的提高使得舰船趋向智能化、自动化和信息化。舰船的航行海况非常复杂，舰船上负载对电网的扰动情况也很复杂。同时，由于全电推进舰船的电网容量非常小，使得船舶发电系统对负荷扰动非常敏感，尤其是随着目前舰船投入的用电设备功率的增大和装置的增多导致负荷的突变，所以如何在大幅度负载突变下实现快速控制和控制信号精准调节从而保证舰船发电系统的稳定性是当前研究的关键问题，该问题直接影响舰船的整体作战性能和舰船的生命力。
当前燃气轮机机组的控制装置主要为燃油伺服装置控制，单参数单回路的燃油伺服控制系统难以适应外界环境的大幅度变化，且对一些复杂的过程难以进行有效控制。针对该问题，国内外研究者对此展开了大量的研究。一些研究者针对燃气轮机的转速调节和负荷控制建立了控制器模型，进行了初步仿真研究，考虑到燃气轮机的使用寿命以及安全性等，将排气温度限制加入燃气轮机控制环节。一些研究者引入了负载动态前馈及基于燃油量预估的前馈环节，通过提前增加油量来平抑电网的波动；在物理结构方面，增加了利用机电转化关系的飞轮储能装置来减少大负载变化下的系统波动。还有一些研究者利用船用燃气轮机进口导叶(IGV)装置，在机组甩负荷时，对其快速关闭以防止燃机超速。并且基于此控制需求以及被控对象的特性，采用基于先验知识的自适应逆控制(AIC)，设计IGV控制装置以实现对其动态响应的控制。当前传统控制器采用PID控制器，由于其结构设计简单和可靠性强而被广泛用于燃气轮机的控制中，但其存在参数需要根据具体情况进行确定和非线性问题等，使得控制器无法达到最佳性能。
目前，智能控制迎来了巨大的发展，出现了许多智能控制算法优化的燃气轮机控制器，如滑模控制器和模糊PID控制器，神经网络PID控制器等，但在不同程度上都具有其局限性：模糊PID控制器虽无需精确的数学模型且控制精度高，但模糊控制具有控制规则基于经验确定从而导致的适应性差的缺点；神经网络PID控制器中，由于神经网络初始权值随机，表现出不稳定和难以得到最好控制效果的缺点。
综上，为增加舰船燃机变工况下的稳定性和可靠性，有必要对智能控制器做出进一步优化。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速跟踪精准控制的舰船燃机控制方法及装置。
本发明的目的可以通过以下技术方案来实现：
根据本发明的第一方面，提供一种快速跟踪精准控制的舰船燃机控制方法，应用于燃油伺服控制系统和进口导叶控制系统，所述舰船燃机控制方法包括以下步骤：
获取动力涡轮实际转速，基于燃气轮机动力涡轮的实际转速和设定转速得到转速控制信号；获取燃气轮机转子实际加速度，基于动力涡轮的实际加速度和设定加速度得到加速度控制信号；获取动力涡轮的实际排气温度，动力涡轮的实际排气温度和设第一排气温度得到排气温度控制信号；
基于所述转速控制信号、加速度控制信号和排气温度控制信号，通过最小值选择器得到燃料需求信号，基于所述燃料需求信号对燃料控制系统进行控制；
获取动力涡轮的实际排气温度，基于动力涡轮的实际排气温度和设定第二排气温度得到第一开口角控制量；获取喘振裕度值，基于喘振裕度值和设定安全裕度参考值得到第二开口角控制量；
基于第一开口角控制量和第二开口角控制量，通过最小值选择器得到开度控制信号，基于所述开度控制信号对进口导叶控制系统进行控制。
进一步地，建立BPNN-GA智能控制器，分别使用所述BPNN-GA智能控制器获取转速控制信号、加速度控制信号、排气温度控制信号、第一开口角控制量和第二开口角控制量；所述BPNN-GA智能控制器包括BPNN神经网络和PID控制器，所述BPNN神经网络包括输入层、隐藏层和输出层；所述输入层以实际信号、设定值、实际信号与设定信号的差值作为输入，所述输出层以PID控制器的三个参数kP、kI、kD作为输出，所述BPNN神经网络的权值和阈值采用遗传算法寻优确定。
进一步地，使用遗传算法确定所述BPNN神经网络的权值和阈值具体为：
(1)编码：将BPNN神经网络的权值和阈值进行编码，得到由多个个体组成的种群；
(2)适应度计算：计算各个个体的适应度，检查是否满足预设置的终止条件，若满足，则输出当前适应度值最优的个体，否则，执行步骤(3)；
(3)执行选择、交叉和变异操作，更新种群，重复步骤(2)。
进一步地，将个体所代表的权值和阈值代入所述BPNN神经网络，通过神经网络反向传播算法自适应实时调节网络参数，调节完成后将BPNN神经网络输出的三个参数代入PID控制器，使用PID控制器进行转速控制，并获取转速控制结果，计算适应度，所述适应度的计算公式为：
其中，Fitnessi表示个体i的适应度，Mx表示燃机转速最大相对超调值，ST表示转速稳定花费时间，INT(Error)表示判定稳定后实际转速与设定转速的误差积分。
进一步地，使用浮点数编码的方法将BPNN神经网络的权值和阈值进行编码，所述选择操作采取轮盘赌形式；采用交叉操作和变异操作进行点交叉与点变异，其中，交叉率与变异率采用非定值进行计算：
Gene＝Lbd+(Ubd-Lbd)×Pick
其中，Gene代表个体不同点位的基因值，Lbd与Ubd为下边界与上边界，Pick代表随机插值点位，Pc代表交叉率大小，k1为曲线光滑系数，favg为种群平均适应度值，f′为个体适应度值，Pcmax和Pcmin分别表示预设置的最大交叉率和最小交叉率，Pm代表变异率大小，Gmax代表预设置的遗传最大代数，G为当前实时代数，Pm1、Pm2、Pm3分别表示曲线增益系数，光滑因子和偏置系数。
根据本发明的第二方面，提供一种快速跟踪精准控制的舰船燃机控制器装置，所述控制器装置为功率驱动器，包括控制单元和功率单元。
进一步地，所述功率单元为一套基于IGBT的AC/DC/AC变频器，采用典型的两电平-三相电压型桥式PWM变流器电路拓扑；所述控制单元采用基于PXIe总线平台的快速控制原型机。
进一步地，所述快速控制原型机硬件包括机箱、CPU板卡、2块FPGA板卡，硬件选型为：机箱型号为NI PXIe-1071，CPU板卡型号为NI PXIe-8821，FPGA板卡型号为PXIe-7846R。
进一步地，所述控制单元的输入/输出通过FPGA板卡的I/O实现，所述CPU板卡带有辅助I/O，包括USB接口、网线接口和DP显示接口。
进一步地，所述控制单元还与上位机和外部输入输出设备相连。
与现有技术相比，本发明具有以下有益效果：
(1)通过遗传算法寻优确定BPNN网络的初始控制参数，再通过BPNN神经网络反向传播学习算法不断通过自学习整定PID的参数，使用PID控制器实现燃气轮机控制，实现PID控制参数的实时调节，能够有效的提高控制系统的控制跟踪速度与控制精度。
(2)以三轴燃气轮机为控制对象，基于BPNN-GA的智能控制器通过各控制执行机构对燃油伺服控制回路、压气机进口导叶角控制回路进行控制，能够对燃气轮机运行过程中负荷突增、负荷突减、负荷阶跃递增、负荷阶跃递减和负荷突甩下实现安全高效、快速的智能调控。
附图说明
图1为本发明实施例中舰船燃气轮机发电机组系统主拓扑结构图；
图2为本发明实施例中燃油伺服控制系统(燃料控制系统)示意图；
图3为本发明实施例中压气机进口导叶控制系统示意图；
图4为本发明实施例中BPNN-GA控制流程示意图；
图5为本发明实施例中功率驱动器快速控制原型机硬件原理结构图；
图中：1、燃烧室，2、高压涡轮，3、低压涡轮，4、动力涡轮，5、低压压气机，6、高压压气机，7、第一冷却流量阀门，8、第二冷却流量阀门，9、第三冷却流量阀门，10、第一放气阀门，11、第二放气阀门，12、油泵，13、燃油阀门，14、发电机，15、整流器，16、逆变器，17、燃气轮机总控系统，18、进口导叶控制系统，19、燃油伺服控制器。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例，本发明的保护范围不限于下述的实施例。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，都应当属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程示意图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)或者调整没有时序限制的步骤的执行顺序。
实施例1：
为了方便理解，本实施例对舰船燃气轮机发电机组的总体拓扑结构介绍如下：
如图1所示，舰船燃气轮机发电机组主要由燃气轮机及其燃料控制系统和IGV进口导叶控制系统、同步发电机14、整流器15、逆变器16和电网构成。燃气轮机部分主要由电力负载的变化通过燃气轮机总控系统17作用于燃气轮机燃料控制系统(燃油伺服控制器19)和进口导叶控制系统18(IGV控制器)，实现对燃气轮机燃料量的控制和燃气轮机进气量的控制，从而直接影响燃气轮机功率负荷的输出，而燃气轮机与同步发电机14同轴旋转，再经过整流器15和逆变器16实现对负载功率的闭环调节。
本发明用于舰船燃气轮机的发电机组，主要是对燃气轮机总控系统进行设计，如图1所示，舰船燃气轮机发电机组的总体拓扑结构中包括：
燃烧室1、高压涡轮2、低压涡轮3、动力涡轮4、低压压气机5、高压压气机6、第一冷却流量阀门7、第二冷却流量阀门8、第三冷却流量阀门9、放气阀门10、放气阀门11、油泵12、燃油阀门13。其中低压压气机5和低压涡轮3通过低压轴相连接；高压压气机6和高压涡轮2通过高压轴相连；燃油伺服控制器19通过燃油阀门14与燃烧室相连接；低压压气机5通过第一放气阀门10与放气模块相连接；高压压气机6通过第二放气阀门11与放气模块相连接；高压涡轮2的冷却流量模块主要通过第一冷却流量阀门7与高压压气机6相连；低压涡轮3的冷却流量模块主要通过第二冷却流量阀门8与高压压气机6相连；动力涡轮的冷却流量模块主要通过第三冷却流量阀门9与高压压气机6相连。
燃气轮机运行过程中，由于涡轮入口温度过高，严重影响涡轮叶片的使用寿命，所以需要对涡轮的叶片进行冷却，本发明的三轴燃气轮机模型主要通过由高压压气机6抽气分别冷却高压涡轮2、低压涡轮3和动力涡轮4的第一级，抽气量的选取主要根据设计值按比例进行选择。由于变工况甩负荷过程中避免压气机发生喘振，故设置放气模块，其中本实施例中放气模块主要通过动力涡轮的转速和加速度的设定值与实际值的差值进行判断实现对放气阀的关闭和开启。
本发明用于舰船燃气轮机的发电机组，总的来说，舰船燃气轮机的发电机组控制包括燃料控制系统和进口导叶控制系统，燃料控制系统的控制逻辑包括转速控制回路、加速度控制回路和温度控制回路，进口导叶控制系统的控制基于动力涡轮排气温度和喘振裕度值。具体的，舰船燃机控制方法包括以下步骤：
S1、获取动力涡轮实际转速，基于燃气轮机动力涡轮的实际转速和设定转速得到转速控制信号；获取燃气轮机转子实际加速度，基于动力涡轮的实际加速度和设定加速度得到加速度控制信号；获取动力涡轮的实际排气温度，动力涡轮的实际排气温度和设定第一排气温度得到排气温度控制信号；
S2、基于转速控制信号、加速度控制信号和排气温度控制信号，通过最小值选择器得到燃料需求信号，基于燃料需求信号对燃料控制系统进行控制；
S3、获取动力涡轮的实际排气温度，基于动力涡轮的实际排气温度和设定第二排气温度得到第一开口角控制量；获取喘振裕度值，基于喘振裕度值和设定安全裕度参考值得到第二开口角控制量；
S4、基于第一开口角控制量和第二开口角控制量，通过最小值选择器得到开度控制信号，基于开度控制信号对进口导叶控制系统进行控制。
其中，上述自适应控制方法中，使用BPNN-GA智能控制器分别得到转速控制信号、加速度控制信号、排气温度控制信号、第一开口角控制量和第二开口角控制量，BPNN-GA智能控制器包括BPNN神经网络和PID控制器，BPNN神经网络包括输入层、隐藏层和输出层；输入层以实际信号、设定值、实际信号与设定信号的差值作为输入，输出层以PID控制器的三个参数kP、kI、kD作为输出，BPNN神经网络的权值和阈值采用遗传算法寻优确定。
使用遗传算法(Genetic Algorithm，GA)确定BPNN神经网络的权值和阈值具体为：
(1)编码：将BPNN神经网络的权值和阈值进行编码，得到由多个个体组成的种群；本申请实施例中，首先设定遗传算法初始参数，如迭代次数，种群数量以及神经网络的各层数目，使用浮点数编码的方法将BPNN神经网络的权值和阈值进行编码；
(2)适应度计算：计算各个个体的适应度，检查是否满足预设置的终止条件，若满足，则输出当前适应度值最优的个体，否则，执行步骤(3)；
具体的，将个体所代表的权值和阈值代入BPNN神经网络，通过神经网络反向传播算法自适应实时调节网络参数，调节完成后将BPNN神经网络输出的三个参数代入PID控制器，使用PID控制器进行转速控制，并获取转速控制结果，计算适应度，适应度的计算公式为：
其中，Fitnessi表示个体i的适应度，Mx表示燃机转速最大相对超调值，ST表示转速稳定花费时间，INT(Error)表示判定稳定后实际转速与设定转速的误差积分。
适应度值大小代表燃气轮机的控制装置在面对大负荷变化下的适应程度，适应度值越大，代表该智能控制器表现越好，当燃机动力转子超调量小，稳定至设定参考值稳定时间花费少同时误差小代表该个体所具有的初始神经网络权重为优解。
(3)执行选择、交叉和变异操作，更新种群，重复步骤(2)；本申请实施例中，选择操作采取轮盘赌形式，采用交叉操作和变异操作进行点交叉与点变异，其中，交叉率与变异率采用非定值进行计算：
Gene＝Lbd+(Ubd-Lbd)×Pick
其中，Gene代表个体不同点位的基因值，Lbd与Ubd为下边界与上边界，Pick代表随机插值点位，Pc代表交叉率大小，k1为曲线光滑系数，favg为种群平均适应度值，f′为个体适应度值，Pcmax和Pcmin分别表示预设置的最大交叉率和最小交叉率，Pm代表变异率大小，Gmax代表预设置的遗传最大代数，G为当前实时代数，Pm1、Pm2、Pm3分别表示曲线增益系数，光滑因子和偏置系数。
本实施例，遗传算法中计算适应度通过本地工作变量区输入进入Simulink进行仿真，单次仿真结果通过simout语句于Matlab页面进行调用。首先设定遗传算法初始参数，如迭代次数，种群数量以及神经网络的各层数目，随后通过Matlab遗传算法程序对Simulink智能控制系统进行实时寻优仿真，通过编码，计算适应度，选择，交叉，变异五个步骤获得训练出使得控制效果最好的BPNN网络初始权重和阈值，再通过反向传播确定PID参数，进而使用PID进行控制，得到智能控制结果，整体流程如图4所示。
具体的，BPNN神经网络包括输入层、隐藏层和输出层；输入层以实际信号、设定值、实际信号与设定信号的差值作为输入，输出层以PID控制器的三个参数kP、kI、kD作为输出，BPNN神经网络通过神经网络反向传播算法自适应实时调节网络参数，隐含层选取双曲正切函数作为激活函数，输出层选取非负型双曲正切函数作为激活函数。若是不引入遗传算法，则在输入层与隐藏层、隐藏层与输出层的参数传递过程中，选取随机数作为初始的权值和阈值，选定性能指标函数E(k)，从而通过反向传播不断学习，直至性能指标函数E(k)满足要求，再将此时BPNN神经网络的输出作为PID控制器的kP、kI、kD参数。而本申请实施例中，为了能够快速提高控制跟踪速度和控制精度，通过遗传算法进行BPNN神经网络的权值、阈值自动寻优，确定BPNN神经网络权重和阈值的初始值，再进行反向传播对PID控制器比例、积分、微分进行自学习整定，从而可快速确定PID参数，提高控制效果。本申请实施例中，性能指标函数E(k)如下：
其中，r(k)表示设定值，y(k)表示神经网络输出值，k表示迭代次数。
通过遗传算法寻优，确定神经网络权值和阈值的初始值，将其代入BPNN神经网络，再进行反向传播学习，确定PID控制器的参数。通过神经网络反向传播算法自适应实时调节网络参数具体为：
当学习率为η，惯性系数为α时，根据梯度下降法对输出层和隐藏层的权重系数进行修正，输出层连接权值的调整量为：
其中，表示输出层的连接权值，k表示神经网络迭代次数，l表示BPNN神经网络的输出节点，i表示BPNN神经网络的隐藏层节点；
隐藏层连接权值在训练后的改变量为：
其中，表示隐藏层的连接权值，j表示BPNN神经网络的输入节点，/>表示BPNN神经网络的输入，/>表示性能指标函数E(k)对隐藏层输入的偏导数，/>表示BPNN神经网络隐藏层激活函数的导数，/>表示表示性能指标函数E(k)对BPNN神经网络输出层输入的偏导数，Q表示BPNN神经网络隐藏层的神经单元数，即第Q个隐藏层神经元；
基于修正后的输出层连接权值和隐藏层连接权值，计算性能指标函数E(k)，若性能指标函数E(k)小于预设置的性能阈值，则此时BPNN神经网络输出的三个参数已满足PID控制器要求，学习结束，否则，令k+1，继续调节网络参数。
本申请将遗传算法、神经网络技术与传统PID控制相结合，运用为燃油伺服控制装置与IGV控制装置的控制器，可以在一定程度上解决传统控制装置不易适应外界环境的大幅度变化的缺陷。遗传算法寻优后的神经网络自学习使得舰船燃气轮机发电机组控制系统能够自动适应各种工况的运行；利用神经网络对PID的比例，积分和微分三个参数进行自整定，能大大减少控制量的超调量和调整时间，能大幅度增加智能控制装置控制的舰船燃机变工况下的稳定性和可靠性。
本发明还提供一种快速跟踪精准控制的舰船燃机控制器装置，控制器装置为功率驱动器，功率驱动器由控制单元和功率单元组成。
功率单元为一套基于IGBT的AC/DC/AC变频器，采用典型的两电平-三相电压型桥式PWM变流器电路拓扑。
控制单元采用基于PXIe总线平台的快速控制原型机(RCP)，以提高研发效率和应用灵活性。
功率驱动器快速控制原型机硬件选型方案如表1所示，对应的控制器硬件原理结构如图5所示。其中，机箱型号为NI PXIe-1071，NI PXIe-8821 CPU板卡1块，主要执行较长周期的控制算法以及人机交互的计算处理；PXI-7846R型FPGA板卡2块，主要执行较短周期的控制算法以及输入/输出的计算处理。快速控制原型机硬件组装如下：1块CPU板卡和2块FPGA板卡已固定在机箱槽位上，控制器输入/输出是通过FPGA板卡的I/O实现的，CPU板卡还带有辅助I/O，主要包括USB接口、网线接口和DP显示接口等，控制器通过网线与上位机连接通讯，控制器还可以外接显示器、键盘和鼠标等外部输入输出设备。
表1功率驱动器快速控制原型机硬件选型表
上述控制器装置中，功率单元的作用是整流，功率单元从交流母线上取电，输出24V直流电源供控制单元使用。控制单元的作用是将FPGA板卡的I/O采集的数据输入CPU板卡执行较长周期的控制算法以及人机交互的计算处理。该控制器装置可以实现对模拟量信号的采集和智能控制器触发脉冲的输出，模拟控制器利用智能控制算法对输入信号进行计算然后输出的过程。
本发明包括对智能控制装置中各控制回路及执行机构的模块构建与连接，如下：
燃气轮机燃料控制系统如图2所示。转速控制回路将燃气轮机的动力涡轮速度通过速度传感器把信号传递给BPNN-GA智能控制器进行控制，其中转速的调节和控制主要通过调整进入燃气轮机的燃料量，当动力涡轮的实际转速低于设定转速时，转速控制回路输出使燃料量增加的转速控制信号，当动力涡轮的实际转速高于其设定转速时，转速控制系统输出使燃料量减少的转速控制信号。加速度控制回路主要实现对燃气轮机转子加速度的控制，主要用于防止轴系机械损伤，也能减少对热部件的冲击，通过BPNN-GA智能控制器进行控制，当动力涡轮实际加速度高于设定加速度时，加速度控制回路输出使燃料量减少的加速度控制信号。温度控制回路将动力涡轮实际排气温度通过温度传感器信号传递给燃气轮机进行控制，通过BPNN-GA智能控制器进行控制，实现对燃气轮机温度的控制，主要实现涡轮入口温度的控制，避免由于涡轮入口温度过高引起超温现象。当动力涡轮的实际排气温度高于其设定温度时，温度控制回路输出使燃料量减少的温度控制信号。通过上述转速控制回路、加速度控制回路、温度控制回路分别获得转速控制信号、加速度控制信号和排气温度控制信号，并将控制信号输入到最小值选择器中，通过最小值选择器输出最小的燃油基准，将最小基准输入到燃料控制系统中，信号通过伺服放大器放大，电液伺服阀工作带动油动机工作，油动机通过传递机构实现对燃料输出的改变。同时由线位移传感器LVDT对油动机位置信号进行反馈调节且燃气轮机将信号传给功率调节器进行负反馈调节。电液伺服阀门、油动机与传动机构皆为机械连接。随后传动机构控制燃油调节阀门控制燃油变化。当转速突升时，转速增加，控制输出信号减小，燃油量减少。
燃气轮机进口导叶控制系统如图3所示。在进口导叶控制系统的控制中，进口导叶控制系统将动力涡轮排气温度通过温度传感器信号传递至燃气轮机的进口导叶调节机构，通过BPNN-GA智能控制器得到第一开口角控制量，喘振保护回路利用模型计算的喘振裕度值与设定安全裕度参考值作为输入，经过BPNN-GA智能控制器计算后输出第二开口角控制量，通过最小值选择器，基于先保护后控制的原则，从第一开口角控制量和第二开口角控制量得到开度控制信号，随后压气机开口角控制量通过控制叶片角度传动系统改变低压压气机与高压压气机的叶片进口开口角度。第一开口角控制量和第二开口角控制量控制信号通过最小值选择器处理后与伺服放大器相连接，伺服放大器将信号进行放大后与电液伺服阀门进行连接，电液伺服阀门与油动机进行连接。油动机与压气机进口导叶角通过机械传递机构相连，油动机信号经过导叶角传递机构实现对压气机进口导叶角度的改变，同时由线位移传感器LVDT对油动机进行位置反馈。当转速突升时，燃油量增加，燃烧室温度增加，增大压气机进口开度。
可以理解的是，温度控制回路和IGV进口导叶控制系统，都是以动力涡轮实际温度和设定的温度作为输入的，但是，由于控制时的考量因素不同，故而设定第一排气温度和设定第二排气温度是不同的，一般，可以根据经验设置，也可以基于其他参数的测量值或者计算值确定。
本申请提供的BPNN-GA智能控制器，在传统PID控制器的基础上，采用BP神经网络对PID参数进行实时自学习整定，从而使得PID控制器拥有更好的控制能力，同时为了实现BP-PID控制器对燃机控制参数的快速跟踪，采用遗传算法对BPNN神经网络的隐含层与输出层权值进行寻优，通过寻优获得令BP-PID控制器拥有快速跟踪能力的初始BPNN神经网络权重值，寻优过程中将控制目标稳定后的残差积分列入适应度计算中，能进一步提高控制精度。将上述BPNN-GA智能控制器运用于三轴燃气轮机燃油伺服控制装置与进口导叶控制装置的控制器中，能够有效的提高控制系统的控制跟踪速度与控制精度。
实施例2：
为验证本申请的有效性，进行以下实验验证。
首先对如下大负载变化下进行遗传算法寻优。燃气轮机进入稳态设计点工况，在稳定运行后燃机负载端由100％负载突卸至80％负载，通过种群初始化确定神经网络输入层神经元，隐含层神经元和输出层神经元数目，确定为3，5，3，迭代次数设置为50，种群设置为100。对神经网络权值阈值作为基因进行编码，适应度函数设置为模型控制结果输出。
本发明对种群进行以下5个操作：编码，计算适应度，选择，交叉，变异。种群编码后，Matlab通过sim语句对Simulink文件进行实时仿真控制。负载的突降导致转速的突增，动力转子转速突增，输入进入神经网络控制器进行计算。通过神经网络的正向计算与方向修正计算后，输出训练结果KP,KI,KD系数，通过改变该系数实现对PID控制器的控制。Simulink单次仿真结束，通过计算获得该个体具有的初始权重值对应的适应度值，通过simout语句返回调用至Matlab程序中。通过种群中所有个体基因的仿真计算后，获得种群所有个体的适应度值，随后进行选择交叉变异操作。
遗传算法在超过设定最大种群迭代次数后，得到种群最优基因及最优隐含层初始权值与输出层初始权重，超调量为2.78％，稳定时间花费10.98s，残差积分为0.2901，KP,KI,KD系数训练出最优权值对应的控制器初始值分别为0.9947，0.9945，0.8848，神经网络最优学习率为0.4053，最优动量因子为0.9941。随后对基因进行解码操作，将种群中最好的基因解码获得BP神经网络的初始权重，对燃机进行大负载变化下的仿真计算。
负载的变化带动发电机的功率变动，从而对动力转子转速产生正转矩的作用，使得动力转子转速迅速增大。动力转子转速增大后与设计工况点转速同时输入进入燃油伺服控制系统的动力转子转速控制回路，通过与设定的参考值做差输入进BPNN-GA智能控制器部分进行计算，BP神经网络的各层权值阈值都为GA算法寻优值，在初始化权重后，BP神经网络通过最速下降法自学习对PID控制器的比例，积分，微分三个参数在线修正，从而得出当负载由100％下降至80％燃油控制输出信号的减少最优值。
动力转子转速下降后求得动力转子加速度大小，并以加速度安全边界作为控制目标，当动力转子加速度未超过设定转速加速度边界值时，保持动力转子转速控制回路燃油控制信号输出。当转子速度超过边界值时，通过与设定的参考值做差输入进BPNN-GA智能控制器部分进行计算，BP神经网络的各层权值阈值都为GA算法寻优值，在初始化权重后，BP神经网络通过最速下降法自学习对PID控制器的比例，积分，微分三个参数在线修正，对燃油控制信号量进行修正和抑制。
燃油伺服系统三个回路信号计算完毕，通过最小值选择阀门15，选择后的最小值燃油控制信号通入伺服放大器16进行放大，随后控制信号通入电液伺服阀17，通过调节伺服阀17控制油动机18的油量信号，最后油动机18通过传动机构19改变进入三轴燃气轮机的燃油流量，通过阀门13进入燃烧室。
燃烧室排温变化率作为控制目标变量返回压气机叶片开口角度控制系统的燃烧室出口温度保护控制回路。当燃料流量迅速减小的时候，燃烧室温度会迅速减小，为防止温度变化过大，将燃烧室排温变化率与固定偏置进行做差，偏差量输入进BPNN-GA智能控制器部分进行计算，通过比例，积分，微分三个参数的在线修正后，得出压气机叶片开口角度控制信号的最优值。
压气机叶片开口角两回路控制信号计算完毕，通过最大最小值选择器20，最小值选择器20与伺服放大器21相连接，信号通过伺服放大器21放大后与电液伺服阀门22进行连接，电液伺服阀门22与油动机23进行连接。油动机23与压气机进口导叶角通过机械传递机构24相连，油动机信号经过导叶角传递机构24实现对压气机进口导叶角度的改变，从而改变低压压气机5与高压压气机6的进气流量。同时线位移传感器LVDT会对油动机进行位置反馈，保证油动机对控制信号精准的跟随并反应。
在BPNN-GA智能控制器控制下，随着动力转子转速的增大减缓至，直至回落至设计转速，超调量为2.78％，稳定时间为10.98s，稳定后残差积分为0.2901。PID控制装置中比例，积分，微分系数分别稳定至0.9947，0.9945，0.8848。
在未经过GA寻优的BPNN控制装置控制下，随着动力转子转速的增大减缓，直至回落至设计转速，超调量为2.79％，稳定时间为14.367s，稳定残差积分为0.5003。PID控制装置中比例，积分，微分系数分别稳定至0.9984，0.995，0.99。
可以看出BPNN-GA智能控制器相对BPNN-PID控制装置减少1％超调，同时减少23％的转子稳定时间使得控制更为快速，减少42％的残差，使得控制更为精准。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种快速跟踪精准控制的舰船燃机控制方法，其特征在于，应用于燃油伺服控制系统和进口导叶控制系统，所述舰船燃机控制方法包括以下步骤：
获取动力涡轮实际转速，基于燃气轮机动力涡轮的实际转速和设定转速得到转速控制信号；获取燃气轮机转子实际加速度，基于动力涡轮的实际加速度和设定加速度得到加速度控制信号；获取动力涡轮的实际排气温度，动力涡轮的实际排气温度和设定第一排气温度得到排气温度控制信号；
基于所述转速控制信号、加速度控制信号和排气温度控制信号，通过最小值选择器得到燃料需求信号，基于所述燃料需求信号对燃料控制系统进行控制；
获取动力涡轮的实际排气温度，基于动力涡轮的实际排气温度和设定第二排气温度得到第一开口角控制量；获取喘振裕度值，基于喘振裕度值和设定安全裕度参考值得到第二开口角控制量；
基于第一开口角控制量和第二开口角控制量，通过最小值选择器得到开度控制信号，基于所述开度控制信号对进口导叶控制系统进行控制；
建立BPNN-GA智能控制器，分别使用所述BPNN-GA智能控制器获取转速控制信号、加速度控制信号、排气温度控制信号、第一开口角控制量和第二开口角控制量；所述BPNN-GA智能控制器包括BPNN神经网络和PID控制器，所述BPNN神经网络包括输入层、隐藏层和输出层；所述输入层以实际信号、设定值、实际信号与设定信号的差值作为输入，所述输出层以PID控制器的三个参数kP、kI、kD作为输出，所述BPNN神经网络的权值和阈值采用遗传算法寻优确定；
使用遗传算法确定所述BPNN神经网络的权值和阈值具体为：
(1)编码：将BPNN神经网络的权值和阈值进行编码，得到由多个个体组成的种群；
(2)适应度计算：计算各个个体的适应度，检查是否满足预设置的终止条件，若满足，则输出当前适应度值最优的个体，否则，执行步骤(3)；
(3)执行选择、交叉和变异操作，更新种群，重复步骤(2)。
2.根据权利要求1所述的一种快速跟踪精准控制的舰船燃机控制方法，其特征在于，将个体所代表的权值和阈值代入所述BPNN神经网络，通过神经网络反向传播算法自适应实时调节网络参数，调节完成后将BPNN神经网络输出的三个参数代入PID控制器，使用PID控制器进行转速控制，并获取转速控制结果，计算适应度，所述适应度的计算公式为：
其中，Fitnessi表示个体i的适应度，Mx表示燃机转速最大相对超调值，ST表示转速稳定花费时间，INT(Error)表示判定稳定后实际转速与设定转速的误差积分。
3.根据权利要求1所述的一种快速跟踪精准控制的舰船燃机控制方法，其特征在于，使用浮点数编码的方法将BPNN神经网络的权值和阈值进行编码，所述选择操作采取轮盘赌形式；采用交叉操作和变异操作进行点交叉与点变异，其中，交叉率与变异率采用非定值进行计算：
Gene＝Lbd+(Ubd-Lbd)×Pick
其中，Gene代表个体不同点位的基因值，Lbd与Ubd为下边界与上边界，Pick代表随机插值点位，Pc代表交叉率大小，k1为曲线光滑系数，favg为种群平均适应度值，f′为个体适应度值，Pcmax和Pcmin分别表示预设置的最大交叉率和最小交叉率，Pm代表变异率大小，Gmax代表预设置的遗传最大代数，G为当前实时代数，Pm1、Pm2、Pm3分别表示曲线增益系数，光滑因子和偏置系数。
4.一种快速跟踪精准控制的舰船燃机控制器装置，其特征在于，基于如权利要求1-3中任一所述的一种快速跟踪精准控制的舰船燃机控制方法，所述控制器装置为功率驱动器，包括控制单元和功率单元。
5.根据权利要求4所述的一种快速跟踪精准控制的舰船燃机控制器装置，其特征在于，所述功率单元为一套基于IGBT的AC/DC/AC变频器，采用典型的两电平-三相电压型桥式PWM变流器电路拓扑；所述控制单元采用基于PXIe总线平台的快速控制原型机。
6.根据权利要求5所述的一种快速跟踪精准控制的舰船燃机控制器装置，其特征在于，所述快速控制原型机硬件包括机箱、CPU板卡、2块FPGA板卡，硬件选型为：机箱型号为NIPXIe-1071，CPU板卡型号为NI PXIe-8821，FPGA板卡型号为PXIe-7846R。
7.根据权利要求6所述的一种快速跟踪精准控制的舰船燃机控制器装置，其特征在于，所述控制单元的输入/输出通过FPGA板卡的I/O实现，所述CPU板卡带有辅助I/O，包括USB接口、网线接口和DP显示接口。
8.根据权利要求6所述的一种快速跟踪精准控制的舰船燃机控制器装置，其特征在于，所述控制单元还与上位机和外部输入输出设备相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440864.4A CN116449685B (zh) | 2023-04-23 | 2023-04-23 | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440864.4A CN116449685B (zh) | 2023-04-23 | 2023-04-23 | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449685A CN116449685A (zh) | 2023-07-18 |
| CN116449685B true CN116449685B (zh) | 2024-03-29 |
Family
ID=87121758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310440864.4A Active CN116449685B (zh) | 2023-04-23 | 2023-04-23 | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449685B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106896724A (zh) * | 2017-04-10 | 2017-06-27 | 中国科学院合肥物质科学研究院 | 用于太阳跟踪器的跟踪系统及跟踪方法 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN113311697A (zh) * | 2021-05-10 | 2021-08-27 | 武汉天富海科技发展有限公司 | 基于遗传算法的pid转速控制的燃气轮机组建模方法 |
| CN115481658A (zh) * | 2022-08-30 | 2022-12-16 | 大连理工大学 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116794968A (zh) * | 2023-05-08 | 2023-09-22 | 中国人民解放军海军工程大学 | 一种用于内燃机冷却控制的bp-pid改进算法 |
-
2023
- 2023-04-23 CN CN202310440864.4A patent/CN116449685B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106896724A (zh) * | 2017-04-10 | 2017-06-27 | 中国科学院合肥物质科学研究院 | 用于太阳跟踪器的跟踪系统及跟踪方法 |
| WO2021035911A1 (zh) * | 2019-08-28 | 2021-03-04 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
| CN113311697A (zh) * | 2021-05-10 | 2021-08-27 | 武汉天富海科技发展有限公司 | 基于遗传算法的pid转速控制的燃气轮机组建模方法 |
| CN115481658A (zh) * | 2022-08-30 | 2022-12-16 | 大连理工大学 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449685A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113471988B (zh) | 一种抽蓄机组机电暂态模型的有功-频率耦合控制方法 | |
| CN103401256B (zh) | 火力发电厂大型汽轮机功频电液控制系统参数的优化方法 | |
| CN110513199B (zh) | 一种航空发动机推力衰退缓解的神经网络控制方法 | |
| CN105425612A (zh) | 一种水轮机调节系统控制参数的优选方法 | |
| CN110059345A (zh) | 一种抽水蓄能机组相继甩负荷关机规律优化方法与系统 | |
| Zalkind et al. | The fatigue loading effects of yaw control for wind plants | |
| Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
| CN112464478A (zh) | 一种水轮机调速系统的控制规律优化方法及装置 | |
| CN112990674A (zh) | 一种海上浮式风电场多目标运行调度方法 | |
| CN116449685B (zh) | 一种快速跟踪精准控制的舰船燃机控制方法及装置 | |
| Wen et al. | Intelligent control for rapidity and security of all-electric ships gas turbine under complex mutation load using optimized neural network | |
| CN116466567A (zh) | 一种复杂工况下舰船燃气轮机自适应控制方法及系统 | |
| Hosseini et al. | Intelligent pitch angle control based on gain-scheduled recurrent ANFIS | |
| CN108549207A (zh) | 一种水轮机调节系统控制参数的方法 | |
| CN110970936B (zh) | 一种深度调峰机组一次调频性能计算方法 | |
| CN116595682A (zh) | 一种叶片泵瞬态过程性能优化设计方法 | |
| CN117028141A (zh) | 一种风电机组的变桨协调优化控制方法 | |
| Naik et al. | Comparative Analysis of Plant and Controller Co-optimization Frameworks for Turbines | |
| Priyanka et al. | Simulation and tuning of PID controllers using evolutionary algorithms | |
| Kozlova et al. | Application of Neural Network Control of Pump Unit | |
| Chen et al. | Research on optimization of the design (inverse) issue of S2 surface of axial compressor based on genetic algorithm | |
| Xu et al. | Process control optimization for hydroelectric power based on neural network algorithm | |
| CN117471905B (zh) | 一种改进樽海鞘群的抽水蓄能机组调节系统的控制方法 | |
| Pehlivan | A novel fuzzy logic pitch angle controller with genetic algorithm optimization for wind turbines | |
| CN114876706B (zh) | 一种高水头大容量水轮发电机组压力脉动控制方法 |
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 |