CN116577993A - 涡轴发动机神经网络自适应控制方法及装置 - Google Patents

Abstract

本发明公开了一种涡轴发动机神经网络自适应控制方法。该方法包括以下步骤：步骤1、通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述，构建涡轴发动机非线性状态空间方程模型；步骤2、利用神经网络模型逼近模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对神经网络模型进行在线训练，并根据在线获得的未知函数的值计算控制量；步骤3、利用Min‑Max逻辑从多个控制量中进行选择，实现超限保护。本发明还公开了一种涡轴发动机神经网络自适应控制装置。相比现有技术，本发明能够基于个体发动机的输入输出数据，实现对涡轴发动机个体的自适应控制。

Description

涡轴发动机神经网络自适应控制方法及装置

技术领域

本发明涉及一种涡轴发动机神经网络自适应控制方法及装置，属于航空宇航推进理论与工程中的系统控制与仿真领域。

背景技术

在传统的涡轴发动机控制中常采用增益调度比例-积分-微分(PID)控制方法，通过在包线不同区域设置不同的PID控制器参数来适应发动机的强非线性变参数特征。但是这种增益调度通过插值进行，首先需要在包线内设置大量的PID控制器，调度过程复杂，且对系统不确定性的鲁棒性较差。基于非线性自回归滑动平均模型(NARMA)的NARMA-L2控制的主要思想是使用一个近似的NARMA模型来表示非线性系统，其中控制输入与系统输出呈线性关系，因此NARMA-L2控制器的输出可以根据辨识模型和控制目标直接计算得到，且可以在线更新辨识模型，从而实现控制器参数的自适应。随着神经网络自适应控制的兴起，NARMA-L2控制由于结构简单、易于辨识且具有局部输入输出线性化特点，在自动化领域被广泛用作神经网络自适应控制的基础结构。

NARMA-L2控制器中，模型精度对其控制效果至关重要。目前的NARMA-L2控制器设计提高模型精度的方法主要有两种：调整模型描述和改进训练算法。前者目前仍然只使用输入——输出信号进行系统识别，没有使用关于模型的其他信息，因此，由于模型输入信息不足，它们的模型精度仍无法令人满意，而在航空发动机控制系统中，状态空间方程被研究人员广泛使用，因为它能有效地表征了发动机的动态性能，发动机转子速度通常被选为状态变量，因为它们与其他输出变量密切相关，而这些特点在前一种方法中都没有得到体现。而对于后者，其通常采用一些先进的网络结构或在线训练方法，如支持向量机、随机梯度下降法、在线贯序极限学习机等。然而，支持向量回归的性能在很大程度上取决于核函数的选择，而不合适的下降步长会使梯度下降法收敛缓慢并被困在局部最小值。随机产生的输入权重保证了在线贯序极限学习机较好的实时性，但它对网络模型的准确性有负面影响，导致控制的不确定性。因此，已有的网络训练算法均存在较大缺陷。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种涡轴发动机神经网络自适应控制方法，能够基于个体发动机的输入输出数据，实现对涡轴发动机个体的自适应控制。

本发明具体采用以下技术方案解决上述技术问题：

一种涡轴发动机神经网络自适应控制方法，包括以下步骤：

步骤1、通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述，构建涡轴发动机非线性状态空间方程模型；

步骤2、利用神经网络模型逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对所述神经网络模型进行在线训练，并根据在线获得的所述未知非线性函数的值计算控制量；步骤3、利用Min-Max逻辑从根据多个不同输出分别计算得到的多个控制量中进行选择，实现超限保护。

优选地，所述涡轴发动机非线性状态空间方程模型具体如下：

式中，W_fb,k为实际涡轴发动机燃油流量，为控制输入量；n_p,k为实际涡轴发动机动力涡轮转速，为模型调度参数；n_c,k为实际涡轴发动机燃气涡轮转速，为模型状态量；为涡轴发动机动力涡轮转速的模型输出值；/>为涡轴发动机压气机出口总压的模型输出值；/>为涡轴发动机动力涡轮进口总温的模型输出值；/>为由n_p,k调度、神经网络逼近的未知非线性函数，/>为向量/>的分量，/>为向量的分量；以上所有变量中下标k、k+1均表示时刻。

进一步优选地，所述神经网络模型共有n_p,k，n_c,k，W_fb,k三个输入量，但仅有n_p,k作为输入层的神经元；所述神经网络具有单隐含层结构，且该隐含层被分为两组，每组各有m_x1和m_u个神经元，输出层到隐含层为全连接，在隐含层后，这两组隐含层神经元分别乘以另外两个网络输入，即状态量n_c,k和输入量W_fb,k，然后通过全连接到输出层；神经网络的输出为所述非线性状态空间方程模型的三个近似量和/>

更进一步优选地，所述未知非线性函数由所述神经网络模型的参数计算得到，具体如下：

式中，m_x1为与状态量相乘的隐含层节点数，m_u为与输入量相乘的隐含层节点数，b_j,k为隐含层第j个神经元的偏置，w_1j,k代表输入层第1个神经元到隐含层第j个神经元的连接权值，β_j1,k,β_j2,k,β_j3,k分别代表乘法层第j神经元到输出层第1、2、3个神经元的连接权值，以上所有变量中下标k、k+1均表示时刻；σ(·)为隐含层激励函数。

优选地，所述根据在线获得的所述未知函数的值计算控制量，具体如下：

u_k＝minU_k＝min[u_c,k,u_1,con,k,u_2,con,k]

式中，min代表取向量中的最小值，u_c,k代表为主被控量n_p,k计算得到的控制量，u_1,con,k代表为限制量P_3,k+1计算得到的控制量，u_2,con,k代表为限制量T_44,k+1计算得到的控制量，以上所有变量中下标k均表示时刻；所述三个控制量u_c,k、u_1,con,k、u_2,con,k的值由下式计算得到：

式中，r_k+1为主被控量的参考轨迹，r_i,con,k+1为第i个限制量的限制值，e_m,k为主被控量的模型误差，e_m,i,con,k为第i个限制量的模型误差。

优选地，所述神经网络模型的输出层权值通过批量最小二乘法初始化，控制过程中通过递推最小二乘算法在线更新；输入层到隐含层的连接权值通过批量Levenberg-Marquardt算法初始化，控制过程中通过Levenberg-Marquardt算法在线更新。

基于同一发明构思还可以得到以下技术方案：

一种涡轴发动机神经网络自适应控制装置，包括：

涡轴发动机非线性状态空间方程模型，通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述构建而成；

神经网络模型，用于逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对所述神经网络模型进行在线训练，并根据在线获得的所述未知非线性函数的值计算控制量；

Min-Max选择模块，用于利用Min-Max逻辑从根据多个不同输出分别计算得到的多个控制量中进行选择，实现超限保护。

优选地，所述涡轴发动机非线性状态空间方程模型具体如下：

式中，W_fb,k为实际涡轴发动机燃油流量，为控制输入量；n_p,k为实际涡轴发动机动力涡轮转速，为模型调度参数；n_c,k为实际涡轴发动机燃气涡轮转速，为模型状态量；为涡轴发动机动力涡轮转速的模型输出值；/>为涡轴发动机压气机出口总压的模型输出值；/>为涡轴发动机动力涡轮进口总温的模型输出值；/>为由n_p,k调度、神经网络逼近的未知非线性函数，/>为向量/>的分量，/>为向量的分量；以上所有变量中下标k、k+1均表示时刻。

进一步优选地，所述神经网络模型共有n_p,k，n_c,k，W_fb,k三个输入量，但仅有n_p,k作为输入层的神经元；所述神经网络具有单隐含层结构，且该隐含层被分为两组，每组各有m_x1和m_u个神经元，输出层到隐含层为全连接，在隐含层后，这两组隐含层神经元分别乘以另外两个网络输入，即状态量n_c,k和输入量W_fb,k，然后通过全连接到输出层；神经网络的输出为所述非线性状态空间方程模型的三个近似量和/>

更进一步优选地，所述未知非线性函数由所述神经网络模型的参数计算得到，具体如下：

式中，m_x1为与状态量相乘的隐含层节点数，m_u为与输入量相乘的隐含层节点数，b_j,k为隐含层第j个神经元的偏置，w_1j,k代表输入层第1个神经元到隐含层第j个神经元的连接权值，β_j1,k,β_j2,k,β_j3,k分别代表乘法层第j神经元到输出层第1、2、3个神经元的连接权值，以上所有变量中下标k、k+1均表示时刻；σ(·)为隐含层激励函数。

优选地，所述根据在线获得的所述未知函数的值计算控制量，具体如下：

u_k＝minU_k＝min[u_c,k,u_1,con,k,u_2,con,k]

式中，min代表取向量中的最小值，u_c,k代表为主被控量n_p,k计算得到的控制量，u_1,con,k代表为限制量P_3,k+1计算得到的控制量，u_2,con,k代表为限制量T_44,k+1计算得到的控制量，以上所有变量中下标k均表示时刻；所述三个控制量u_c,k、u_1,con,k、u_2,con,k的值由下式计算得到：

式中，r_k+1为主被控量的参考轨迹，r_i,con,k+1为第i个限制量的限制值，e_m,k为主被控量的模型误差，e_m,i,con,k为第i个限制量的模型误差。

优选地，所述神经网络模型的输出层权值通过批量最小二乘法初始化，控制过程中通过递推最小二乘算法在线更新；输入层到隐含层的连接权值通过批量Levenberg-Marquardt算法初始化，控制过程中通过Levenberg-Marquardt算法在线更新。

相比现有技术，本发明技术方案具有以下有益效果：

(1)模型建模精度高：现有的非线性自回归滑动平均模型，仅采用输入输出数据进行建模，且神经网络训练算法常使用离线批量梯度下降法，易陷入局部最优。本发明采用非线性状态空间方程模型，在非线性自回归滑动平均模型中引入状态量，增加其包含的信息量，从而增加建模精度，并使用递推最小二乘法和在线Levenberg-Marquardt算法混合进行网络训练，神经网络收敛能力更强。

(2)控制器设计效率高、控制效果好：传统的涡轴发动机通常采用串级PID控制器，其在大飞行包线内不同工作点必须预先设计和采用多组不同的PID参数来确保可接受的控制性能，即便如此其对发动机性能退化和个体差异依旧无法自适应。本发明采用自适应控制方法，根据涡轴发动机工作过程中实时输入输出数据进行辨识与控制，可对涡轴发动机当前工作状态进行识别和自适应，从而只需设计一组初始参数即可在全包线内工作，并能够在涡轴发动机性能退化时确保良好的控制效果。

(3)控制器可移植性强：本发明的自适应控制利用了神经网络的在线学习能力，可以基于不同型号的涡轴发动机输入输出数据实时进行非线性状态变量模型参数的更新，与发动机工作状态的一致性高，对发动机性能退化和个体差异具有自适应能力。

附图说明

图1为本发明用于建立涡轴发动机神经网络非线性状态空间方程模型的一个神经网络结构实例；

图2为本发明的控制器拓扑结构；

图3为仿真过程中前飞速度、需用功率和桨矩角变化曲线；

图4为本发明的非线性状态空间方程模型和非线性自回归滑动平均模型建模误差的对比曲线；

图5为本发明的主回路控制效果和串级PID控制器控制效果的对比曲线；

图6为仿真中部件退化效率变化曲线；

图7为本发明加入超限保护回路且发生部件退化后的控制效果和参数变化曲线。

具体实施方式

针对现有涡轴发动机非线性自回归滑动平均模型建模精度不高、自适应能力不强的问题，本发明在非线性自回归滑动平均模型中引入状态量，对状态量和输入量相对于输出量进行线性化描述，利用神经网络模型逼近未知非线性函数，获得所述未知函数的值，进而计算控制量，并利用Min-Max逻辑从根据多个不同输出计算得到的不同控制量中进行选择，实现超限保护。本发明的适用对象为所有类型的涡轴发动机。

本发明所提出的涡轴发动机神经网络自适应控制方法，包括以下步骤：

步骤1、通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述，构建涡轴发动机非线性状态空间方程模型；

步骤2、利用神经网络模型逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对所述神经网络模型进行在线训练，并根据在线获得的所述未知非线性函数的值计算控制量；步骤3、利用Min-Max逻辑从根据多个不同输出分别计算得到的多个控制量中进行选择，实现超限保护。

本发明所提出的涡轴发动机神经网络自适应控制装置，包括：

涡轴发动机非线性状态空间方程模型，通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述构建而成；

神经网络模型，用于逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对所述神经网络模型进行在线训练，并根据在线获得的所述未知非线性函数的值计算控制量；

Min-Max选择模块，用于利用Min-Max逻辑从根据多个不同输出分别计算得到的多个控制量中进行选择，实现超限保护。

为了便于公众理解，下面以为某型涡轴发动机所构建的本发明神经网络自适应控制器(NSSE-AC)为例，结合附图来对本发明的技术方案进行详细说明：

首先针对涡轴发动机建立非线性状态空间模型如下：

式中，W_fb,k为实际涡轴发动机燃油流量，为控制输入量，n_p,k为实际涡轴发动机动力涡轮转速，为模型调度参数，n_c,k为实际涡轴发动机燃气涡轮转速，为模型状态量，为涡轴发动机动力涡轮转速的模型输出值，/>为涡轴发动机压气机出口总压的模型输出值，/>为涡轴发动机动力涡轮进口总温的模型输出值，/>为由n_p,k调度、神经网络逼近的未知非线性函数，/>为向量/>的分量，/>为向量/>的分量，以上所有变量中下标k、k+1均表示时刻。

然后构建用于逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数的神经网络模型。本实施例中用于逼近和/>的神经网络结构如图1所示，具有如下特点：神经网络的全部输入均需进行归一化处理，共有n_p,k，n_c,k，W_fb,k三个输入量，但仅有n_p,k作为输入层的神经元；所述神经网络具有单隐含层结构，且该隐含层被分为两组，每组各有m_x1和m_u个神经元，输出层到隐含层为全连接，在隐含层后，这两组隐含层神经元需分别乘以另外两个网络输入，即状态量n_c,k和输入量W_fb,k，然后通过全连接到输出层；神经网络的输出为所述非线性状态空间模型的三个近似量/>和/>神经网络在控制过程中使用发动机实际输出的n_p,k+1，P_3,k+1和T_44,k+1进行在线训练。

所述涡轴发动机非线性状态空间方程模型中的未知非线性函数可由所述神经网络模型的参数计算得到，具体如下：

式中，m_x1为与状态量相乘的隐含层节点数，m_u为与输入量相乘的隐含层节点数，

b_j,k为隐含层第j个神经元的偏置，w_1j,k代表输入层第1个神经元到隐含层第j个神经元的连接权值，β_j1,k,β_j2,k,β_j3,k分别代表乘法层第j神经元到输出层第1，2，3个神经元的连接权值，以上所有变量中下标k、k+1均表示时刻；σ(·)为隐含层激励函数。

基于上述辨识得到的涡轴发动机非线性状态空间方程模型的未知非线性函数，引入Min-Max逻辑实现超限保护，计算控制器输出，控制器拓扑结构如图2所示，将参考轨迹r_k+1与上一步得到的模型误差e_m,k作差后输入控制器，通过非线性状态空间方程模型(NSSE)中辨识得到的非线性函数和/>计算出控制量u_k，将其输入被控对象的同时，保留至NSSE模型中；输入控制量后，被控对象的实际状态x_k保留至NSSE模型中，而被控对象实际输出y_k将与模型输出/>作差得到模型误差e_m,k，依据该误差使用递推最小二乘法和在线Levenberg-Marquardt算法混合(RLS-LM)进行网络训练，更新NSSE模型参数。

具体如下：

u_k＝minU_k＝min[u_c,k,u_1,con,k,u_2,con,k] (3)

式中，min代表取向量中的最小值，u_c,k代表为主被控量n_p,k计算得到的控制量，u_1,con,k代表为限制量P_3,k+1计算得到的控制量，u_2,con,k代表为限制量T_44,k+1计算得到的控制量，以上所有变量中下标k均表示时刻；三个控制量的值可由非线性状态空间方程表达式，即式(1)反算得出，具体如下：

式中，r_k+1为主被控量的参考轨迹，r_i,con,k+1为第i个限制量的限制值，e_m,k为主被控量的模型误差，e_m,i,con,k为第i个限制量的模型误差。

在控制过程中，必须对神经网络的权值和偏置进行在线更新，以使每一采样时刻的建模误差最小。神经网络隐含层输出计算如下：

H_k＝σ(n_p,kw_k+b_k) (5)

经过乘法层，网络输出如下：

式中，代表哈达玛积。

首先使用递推最小二乘法对输出层权值进行更新，其目标函数如下：

根据递推最小二乘法，输出层权值更新如下：

式中P_k为工作矩阵，计算如下：

然后，为进一步提高网络准确性和稳定性，再引入Levenberg-Marquardt算法对隐含层权值和偏置进行更新，其目标函数如下：

根据Levenberg-Marquardt算法，隐含层权值和偏置更新如下：

式中，Δw和Δb代表单次迭代权值和偏置变化量，计算如下：

式中n为状态量维度，s为隐含层总节点数。

式中μ>0是松弛因子，I_w和I_b为适维单位矩阵，J_w和J_b为一维雅可比矩阵，计算如下：

式中偏导数计算如下：

式中γ代表乘法层的外部输入，表达如下：

由于涡轴发动机状态量、输入量和输出量之间量级差别很大，因此为加强神经网络稳定性，必须对输入输出神经网络的数据进行归一化和反归一化。

神经网络任何输入量都必须进行归一化，过程如下：

式中χ代表任何需要归一化的变量，包括参考轨迹，输入网络的模型状态量、输入量和输出量，下标ub和lb代表归一化的上下限。

而对于控制器计算得到的控制量，则需进行反归一化处理后才可使用，对于相同变量，反归一化的上下限应与归一化时相同。

式中ν代表任何需要反归一化的变量。

为了验证本发明所建立的非线性状态空间神经网络模型精度和自适应控制器的控制效果，基于某型涡轴发动机和直升机的一体化部件级数学模型，在大飞行包线内进行仿真。图3给出了仿真过程中前飞速度、需用功率和桨矩角的随时间变化情况。

图4给出了NARMA-L2模型和非线性状态空间方程(NSSE)模型的输出对比，图中“CLM”代表部件级模型输出，“NARMA-L2”代表非线性自回归滑动平均模型的模型输出，“NSSE”代表非线性状态空间方程模型的输出。如图4可见，NSSE模型可以准确地辨识涡轴发动机的输出，所有输出的最大相对动态误差都小于1％。此外，对于两个限制保护参数P₃和T₄₄，NSSE模型的精度优势更加明显。对于P₃，NSSE模型的最大相对误差为0.9706％，而NARMA-L2模型的相对误差则高达5.9237％；对于T₄₄，NSSE模型的最大相对误差为0.2971％，而NARMA-L2模型的相对误差高达3.0982％，说明以典型状态变量作为神经网络乘法层输入的涡轴发动机的NSSE模型比NARMA-L2模型的建模精度更高，验证了本发明所提非线性状态空间方程模型的有效性。

图5给出了NSSE-AC控制器和串级PID控制器在涡轴发动机主控制回路的控制效果对比。图中“Cascade PID”代表串级PID控制器响应，“NSSE-AC”代表基于非线性状态空间方程的涡轴发动机神经网络自适应控制器响应。如图5可见，串级PID和NSSE-AC的W_fb变化差别很小，但两个控制系统的n_p响应差别很大。每当前飞速度V_x增加时，由于需用功率需求的变化，n_p在100％左右波动，但NSSE-AC的波动幅度远小于串级PID控制器，这说明NSSE-AC对负载和飞行条件变化的自适应能力更强，此外，NSSE-AC的n_p响应可以比串级PID控制器更快地返回到稳定状态，验证了本发明在主回路控制的有效性。

为进一步验证所提NSSE-AC控制器在部件退化发生时的超限保护控制性能，令涡轴发动机动力涡轮效率发生如图6所示的退化，图7给出了此时NSSE-AC控制器的控制效果和涡轴发动机的参数变化。图中“With DEG”代表发生部件退化时的控制响应，“WithoutDEG”代表未发生部件退化时的的控制响应，“Main Control”代表只激活主控制回路的控制响应，“With Constraints”代表超限保护回路和主回路同时激活时的控制响应，“Limit”代表限制量的限制值。如图7可见，即使在动力涡轮效率下降的情况下，NSSE-AC控制器的响应也是令人满意的。当只有主控制回路工作时，n_p的最大超调量小于1％。超限保护回路的控制性能与不发生退化时几乎相同。P₃和T₄₄的超限也得到了充分限制，主回路和超限保护回路之间的切换也很平滑。当退化发生时，超限保护回路被激活的时间较长，n_p的下垂幅度比未退化时大，这意味着此时系统面临更严重的超限趋势，而NSSE-AC控制器有效地处理了这个问题，说明以本发明提出的NSSE-AC控制器对涡轮轴发动机的非线性和不确定性有足够的自适应能力，在部件退化和限制下可以取得优异的控制性能，验证了本发明的有效性。

Claims (12)

1.一种涡轴发动机神经网络自适应控制方法，其特征在于，包括以下步骤：

步骤1、通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述，构建涡轴发动机非线性状态空间方程模型；

步骤2、利用神经网络模型逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对所述神经网络模型进行在线训练，并根据在线获得的所述未知非线性函数的值计算控制量；

步骤3、利用Min-Max逻辑从根据多个不同输出分别计算得到的多个控制量中进行选择，实现超限保护。

2.如权利要求1所述涡轴发动机神经网络自适应控制方法，其特征在于，所述涡轴发动机非线性状态空间方程模型具体如下：

式中，W_fb,k为实际涡轴发动机燃油流量，为控制输入量；n_p,k为实际涡轴发动机动力涡轮转速，为模型调度参数；n_c,k为实际涡轴发动机燃气涡轮转速，为模型状态量；为涡轴发动机动力涡轮转速的模型输出值；/>为涡轴发动机压气机出口总压的模型输出值；/>为涡轴发动机动力涡轮进口总温的模型输出值；/>为由n_p,k调度、神经网络逼近的未知非线性函数，/>为向量/>的分量，/>为向量/>的分量；以上所有变量中下标k、k+1均表示时刻。

3.如权利要求2所述涡轴发动机神经网络自适应控制方法，其特征在于，所述神经网络模型共有n_p,k，n_c,k，W_fb,k三个输入量，但仅有n_p,k作为输入层的神经元；所述神经网络具有单隐含层结构，且该隐含层被分为两组，每组各有m_x1和m_u个神经元，输出层到隐含层为全连接，在隐含层后，这两组隐含层神经元分别乘以另外两个网络输入，即状态量n_c,k和输入量W_fb,k，然后通过全连接到输出层；

神经网络的输出为所述非线性状态空间方程模型的三个近似量和/>

4.如权利要求3所述涡轴发动机神经网络自适应控制方法，其特征在于，所述未知非线性函数由所述神经网络模型的参数计算得到，具体如下：

式中，m_x1为与状态量相乘的隐含层节点数，m_u为与输入量相乘的隐含层节点数，b_j,k为隐含层第j个神经元的偏置，w_1j,k代表输入层第1个神经元到隐含层第j个神经元的连接权值，β_j1,k,β_j2,k,β_j3,k分别代表乘法层第j神经元到输出层第1、2、3个神经元的连接权值，以上所有变量中下标k、k+1均表示时刻；σ(·)为隐含层激励函数。

5.如权利要求3所述涡轴发动机神经网络自适应控制方法，其特征在于，所述根据在线获得的所述未知函数的值计算控制量，具体如下：

u_k＝minU_k＝min[u_c,k,u_1,con,k,u_2,con,k]

式中，min代表取向量中的最小值，u_c,k代表为主被控量n_p,k计算得到的控制量，u_1,con,k代表为限制量P_3,k+1计算得到的控制量，u_2,con,k代表为限制量T_44,k+1计算得到的控制量，以上所有变量中下标k均表示时刻；所述三个控制量u_c,k、u_1,con,k、u_2,con,k的值由下式计算得到：

式中，r_k+1为主被控量的参考轨迹，r_i,con,k+1为第i个限制量的限制值，e_m,k为主被控量的模型误差，e_m,i,con,k为第i个限制量的模型误差。

6.如权利要求3所述涡轴发动机神经网络自适应控制方法，其特征在于，所述神经网络模型的输出层权值通过批量最小二乘法初始化，控制过程中通过递推最小二乘算法在线更新；输入层到隐含层的连接权值通过批量Levenberg

-Marquardt算法初始化，控制过程中通过Levenberg-Marquardt算法在线更新。

7.一种涡轴发动机神经网络自适应控制装置，其特征在于，包括：

涡轴发动机非线性状态空间方程模型，通过在非线性自回归滑动平均模型中引入状态量，并对状态量和输入量相对于输出量进行线性化描述构建而成；

神经网络模型，用于逼近所述涡轴发动机非线性状态空间方程模型中的未知非线性函数，利用涡轴发动机实际输出的状态量、输入量和输出量对所述神经网络模型进行在线训练，并根据在线获得的所述未知非线性函数的值计算控制量；

Min-Max选择模块，用于利用Min-Max逻辑从根据多个不同输出分别计算得到的多个控制量中进行选择，实现超限保护。

8.如权利要求7所述涡轴发动机神经网络自适应控制装置，其特征在于，所述涡轴发动机非线性状态空间方程模型具体如下：

式中，W_fb,k为实际涡轴发动机燃油流量，为控制输入量；n_p,k为实际涡轴发动机动力涡轮转速，为模型调度参数；n_c,k为实际涡轴发动机燃气涡轮转速，为模型状态量；为涡轴发动机动力涡轮转速的模型输出值；/>为涡轴发动机压气机出口总压的模型输出值；/>为涡轴发动机动力涡轮进口总温的模型输出值；/>为由n_p,k调度、神经网络逼近的未知非线性函数，/>为向量/>的分量，/>为向量/>的分量；以上所有变量中下标k、k+1均表示时刻。

9.如权利要求8所述涡轴发动机神经网络自适应控制装置，其特征在于，所述神经网络模型共有n_p,k，n_c,k，W_fb,k三个输入量，但仅有n_p,k作为输入层的神经元；所述神经网络具有单隐含层结构，且该隐含层被分为两组，每组各有m_x1和m_u个神经元，输出层到隐含层为全连接，在隐含层后，这两组隐含层神经元分别乘以另外两个网络输入，即状态量n_c,k和输入量W_fb,k，然后通过全连接到输出层；

神经网络的输出为所述非线性状态空间方程模型的三个近似量和/>

10.如权利要求9所述涡轴发动机神经网络自适应控制装置，其特征在于，所述未知非线性函数由所述神经网络模型的参数计算得到，具体如下：

式中，m_x1为与状态量相乘的隐含层节点数，m_u为与输入量相乘的隐含层节点数，b_j,k为隐含层第j个神经元的偏置，w_1j,k代表输入层第1个神经元到隐含层第j个神经元的连接权值，β_j1,k,β_j2,k,β_j3,k分别代表乘法层第j神经元到输出层第1、2、3个神经元的连接权值，以上所有变量中下标k、k+1均表示时刻；σ(·)为隐含层激励函数。

11.如权利要求8所述涡轴发动机神经网络自适应控制装置，其特征在于，所述根据在线获得的所述未知函数的值计算控制量，具体如下：

u_k＝minU_k＝min[u_c,k,u_1,con,k,u_2,con,k]

式中，min代表取向量中的最小值，u_c,k代表为主被控量n_p,k计算得到的控制量，u_1,con,k代表为限制量P_3,k+1计算得到的控制量，u_2,con,k代表为限制量T_44,k+1计算得到的控制量，以上所有变量中下标k均表示时刻；所述三个控制量u_c,k、u_1,con,k、u_2,con,k的值由下式计算得到：

式中，r_k+1为主被控量的参考轨迹，r_i,con,k+1为第i个限制量的限制值，e_m,k为主被控量的模型误差，e_m,i,con,k为第i个限制量的模型误差。

12.如权利要求8所述涡轴发动机神经网络自适应控制装置，其特征在于，所述神经网络模型的输出层权值通过批量最小二乘法初始化，控制过程中通过递推最小二乘算法在线更新；输入层到隐含层的连接权值通过批量Levenberg

-Marquardt算法初始化，控制过程中通过Levenberg-Marquardt算法在线更新。