CN203499824U - 一种挖掘航空发动机的加速潜能的控制系统 - Google Patents

Abstract

本实用新型公开了一种挖掘航空发动机的加速潜能的控制系统，包括航空发动机、优化控制器、全权限数字电子控制器以及发动机非线性实时数学模型；航空发动机上安装有用于测试发动机转速、温度以及压力的传感器，全权限数字电子控制器通过电磁阀组件控制航空发动机。本实用新型直接以航空发动机非线性数学模型作为机载模型，全权限数字电子控制器根据优化控制器输入的最优控制作用量来控制航空发动机，大幅提升优化计算效率，从而提高加速寻优控制系统的实时性。相对于传统的发动机加速控制系统，可大幅减少加速时间并全面提升发动机推力。

Description

一种挖掘航空发动机的加速潜能的控制系统

技术领域

本实用新型属于航空发动机加速控制技术领域，具体涉及一种挖掘航空发动机的加速潜能的控制系统。

背景技术

当今，高性能军用歼击机对发动机的机动性要求越来越高，这就在客观上对发动机加速控制系统提出了更高的要求。在发动机加速过程中，若能在尽可能短的时间内将发动机推力提升到最大，将会使飞机具有更好的机动性，从而获得更好的作战优势。

航空发动机是一个极其复杂的热力机械系统，其具有强非线性、多变量、强耦合等特性。随着航空发动机技术的发展，航空发动机的工作范围越来越大，对航空发动机的加速性能的要求也越来越高，如希望加速时间短、发动机的推力提升快等。为实现上述目标，要求现代的航空发动机加速控制系统具备在线寻优控制能力。而传统的机械液压式控制器采用了子系统独立设计和控制的方法，很难实现在线优化控制。而随着现代计算机技术的发展，以发动机全权限数字电子控制器（Full Authority Digital Electronic Control,FADEC）为基础，可实现航空发动机加速在线寻优控制。航空发动机加速过程优化控制技术对于提高航空发动机性能，使飞机获得更好的空中作战优势，具有重要的意义。

在20世纪70年代，已有美国学者将线性二次型最优控制理论应用于航空发动机加速控制。而将线性二次型最优控制理论应用于航空发动机加速过程优化控制时，具有明显缺点，如采用此方法时需对发动机数学模型进行线性化处理，这导致了模型精度降低，控制效果大打折扣，且鲁棒性较差，较小的模型误差就可能导致系统不稳定。目前国外公开的有关航空发动机加速过程优化控制的研究资料非常少，且大多为一些科普性的资料，一些关键性的技术资料并未公开，很难了解到其核心技术。

国内有学者设计了以线性规划方法、序列二次规划（Sequential QuadraticProgramming Algorithm,SQP）算法、遗传算法（Genetic Algorithm,GA）等算法为优化控制算法的航空发动机加速在线优化控制系统。但这些方法存在如下缺陷：

（1）这些方法中，线性规划方法和SQP算法的突出优点是所需计算量小，实时性好，但使用这些方法时，需要使用相似理论在全飞行包线范围内分块线性化处理发动机的非线性数学模型，这致使航空发动机模型出现线性化误差，导致其精度较差。此外，这两种方法对于初始解非常敏感，若初始解设置不合适，容易导致算法陷入局部最优解甚至不收敛。

（2）采用遗传算法等智能算法时，无需对发动机数学模型进行线性化且其优化效果良好，但这类智能算法的缺点在于需要大量计算才能收敛到最终解，故其计算效率低，实时性差。

综上，目前尚未出现针对航空发动机加速在线寻优控制的，既能避免发动机模型线性化处理带来的模型误差，又具有严格的全局收敛能力、不对初始解敏感、高优化效率（算法实时性可达到实际应用要求）等特性的优化算法。

实用新型内容

本实用新型的目的在于解决上述问题，提供一种挖掘航空发动机的加速潜能的控制系统，该系统直接采用航空发动机非线性数学模型作为机载模型，不对其做任何线性化处理，以提高优化控制效果的置信度。

为达到上述目的，本实用新型所采用的技术方案是：包括航空发动机、用于控制航空发动机的全权限数字电子控制器以及用于为全权限数字电子控制器提供最优控制策略的机载计算机；航空发动机上安装有转速传感器、温度传感器以及压力传感器，各传感器的输出端分别与全权限数字电子控制器和机载计算机相连；机载计算机的输出端与全权限数字电子控制器相连；全权限数字电子控制器根据最优控制策略通过电磁阀组件控制航空发动机。

上述的机载计算机内设置有处理器模块、优化控制器以及发动机非线性实时数学模型；上述优化控制器与发动机非线性实时数学模型相交互。

上述的优化控制器包括加速寻优控制算法模块、优化控制目标模块、安全约束模块以及物理约束模块；所述加速寻优控制算法模块通过调用发动机非线性实时数学模型，并根据优化控制目标模块、安全约束模块以及物理约束模块为全权限数字电子控制器提供最优控制策略。

上述的电磁阀组件分别通过几何位置调节组件和主燃油控制组件与航空发动机相连。

与现有技术相比，本实用新型具有以下有益效果：

本实用新型直接以航空发动机非线性数学模型作为机载模型，全权限数字电子控制器根据优化控制器输入的最优控制作用量来控制航空发动机，大幅提升优化计算效率，从而提高加速寻优控制系统的实时性。该航空发动机加速寻优控制系统可充分挖掘发动机加速潜力，全面提升发动机加速性能，能够在多方面提升我国军用战斗机的机动性、使其获得空中作战优势。相对于传统的发动机加速控制系统，可大幅减少加速时间并全面提升发动机推力。

附图说明

图1为本实用新型航空发动机加速寻优控制系统的原理图；

图2为本实用新型GA-SQP混合优化控制算法的工作原理图。

具体实施方式

下面结合附图对本发的明的做进一步的说明：

参见图1，本实用新型包括航空发动机、用于控制航空发动机的全权限数字电子控制器以及用于为全权限数字电子控制器提供最优控制策略的机载计算机；航空发动机上安装有转速传感器、温度传感器以及压力传感器，各传感器的输出端分别与全权限数字电子控制器和发动机非线性实时数学模型相连；机载计算机内设置有处理器模块、优化控制器以及发动机非线性实时数学模型；上述优化控制器与发动机非线性实时数学模型相交互，并且优化控制器的输出端与全权限数字电子控制器相连；优化控制器包括加速寻优控制算法模块、优化控制目标模块、安全约束模块以及物理约束模块；所述加速寻优控制算法模块通过调用发动机非线性实时数学模型，并根据优化控制目标模块、安全约束模块以及物理约束模块为全权限数字电子控制器提供最优控制策略；全权限数字电子控制器通过电磁阀组件控制航空发动机，电磁阀组件分别通过几何位置调节组件和主燃油控制组件与航空发动机相连。

本实用新型还公开了一种的挖掘航空发动机的加速潜能的控制方法，采用GA-SQP混合算法，其由遗传算法和序列二次规划算法组成，其中，针对航空发动机加速寻优控制的GA-SQP混合算法中的GA的运行参数包括种群规模P、最大进化代数G_t、复制概率P_r、变异概率P_m和标准偏差系数α，GA-SQP混合算法中的GA的各个操作过程包括以下步骤：

1）对航空发动机的主燃烧室燃油流量WFM、航空发动机尾喷口喉部面积A₈、航空发动机风扇进口导流叶片转角α₁、航空发动机高压压气机可调静子叶片转角α₂进行浮点数编码，随机生成一个由若干个个体组成的群体，所述的个体由分别进行编码后的WFM、A₈、α₁和α₂组成；

2）优化控制器调用发动机非线性实时数学模型计算步骤1）中得到的每个个体适应度，并按照适应度大小由高到低的顺序排列步骤1）中得到的个体，按照排列顺序，由高至低选出排名在前5%～40%的个体，同时由低至高选出排名在后5%～40%的个体；

将选出的排名在前5%～40%的个体直接保留到下一代，同时直接将排名在后5%～40%的个体从群体中移除；

从排名在前5%～40%的个体中随机选择“双亲”，然后进行交叉操作，生成新的个体，用生成的新的个体，取代被移除的个体。

其中，适应度大小的确定方法如下：

在步骤1）产生的个体中，当个体满足安全约束和物理约束条件时，每个控制周期内的优化控制目标值

越小的个体，其适应度越高；当个体不满足安全约束和物理约束时，则越接近满足安全约束和物理约束条件的个体的适应度越高。

其中，每个控制周期内的优化控制目标值

的确定方法如下：

优化控制目标值J为：

$J={\∫}_0^T|K-\mathrm{FN}|\mathrm{dt}$

上式中，FN表示发动机产生的推力，T为总的加速控制时间，K为常数，此处将其值设置为：K＝1.5FN_max，FN_max为航空发动机在最大状态下，采用全权限数字电子控制器时，可产生的最大推力；

对优化控制目标值J进行如下处理：

$J=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{t_{i-1}}{\overset{t_i}{\∫}}|K-{\mathrm{FN}}_i|\mathrm{dt}---\left(1\right)$

$\≈\underset{i=1}{\overset{k}{\mathrm{\Σ}}}|K-{\mathrm{FN}}_i|(t_i-t_{i-1})---\left(2\right)$

$=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}|K-{\mathrm{FN}}_i|\mathrm{\τ}---\left(3\right)$

（1）至（3）式中，t_i＝t_i-1+τ，t_k＝T，t为优化控制时间，t_i为第i个控制周期的起始时间，FN_i为第i个控制周期的发动机推力，τ为每个单位控制周期持续的时间；

根据式（3）得到每个控制周期内的优化控制目标函数：

$\min J_i^{\′}=|K-{\mathrm{FN}}_i|\mathrm{\τ},(i=\mathrm{0,1,2,3}...k)---\left(4\right)$

τ为正常数，使|K-FN_i|为最小，则每个控制周期内的优化控制目标值也为最小，故将式（4）变为如下形式：

$\min J_i^{\′}=|K-{\mathrm{FN}}_i|,(i=\mathrm{0,1,2,3}...k).$

将加速时间T划分为有限个单位控制周期，设定τ为每个单位控制周期持续的时间，则在第i个控制周期内：

$\left\{\begin{array}{c}{\mathrm{WFM}}_i={\mathrm{WFM}}_{i-1}+{\mathrm{\ΔWFM}}_i\\ A_{8i}=A_{8(i-1)}+{\mathrm{\ΔA}}_{8i}\\ {\mathrm{\α}}_1={\mathrm{\α}}_{1(i-1)}+{\mathrm{\Δ\α}}_{1i}\\ {\mathrm{\α}}_2={\mathrm{\α}}_{2(i-1)}+{\mathrm{\Δ\α}}_{2i}\end{array}\right.,(i=\mathrm{1,2,3}\·\·\·k)$

WFM_i、A_8i、α_1i、α_2i分表表示WFM、A₈、α₁、α₂在第i个控制周期的参数量值；ΔWFM_i、ΔA_8i、Δα_1i、Δα_2i分别表示WFM、A₈、α₁、α₂第i个控制周期的增量；

物理约束和安全约束如下：

$\left\{\begin{array}{c}{T}_{41}\≤T_{41\max }\\ n_1\≤n_{1\max }\\ n_2\≤n_{2\max }\\ {\mathrm{WFM}}_{\min }\≤\mathrm{WFM}\≤{\mathrm{WFM}}_{\max }\\ A_{8\min }\≤A_8\≤A_{8\max }\\ \left|{\mathrm{\ΔWFM}}_i\right|\≤{\mathrm{\ΔWFM}}_{\max }\\ \left|{\mathrm{\ΔA}}_{8i}\right|\≤{\mathrm{\ΔA}}_{8\max }\\ \mathrm{SMF}\≥{\mathrm{SMF}}_{\min }\\ \mathrm{SMC}\≥{\mathrm{SMC}}_{\min }\\ P_{31}\≤P_{31\max }\\ \mathrm{FAR}\≤{\mathrm{FAR}}_{\max }\end{array}\right.$

上式中，WFM_min和WFM_max分别表示WFM的最小和最大限制值、A_8min和A_8max分别表示A₈的最小和最大限制值、ΔWFM_max和ΔA_8max分别表示|ΔWFM_i|和|ΔA_8i|的最大限制值、FAR_max表示主燃烧室油气比FAR的最大限制值、n_1max表示低压转子转速n₁的最大限制值、n_2max表示高压转子转速n₂的最大限制值、P_31max表示压气机出口总压P₃₁的最大限制值、T_41max表示涡轮前温度T₄₁的最大限制值、SMF_min表示风扇稳定裕度SMF的最小限制值、SMC_min表示压气机稳定裕度SMC的最小限制值。

交叉操作的具体步骤如下：

（1）不断随机选取群体中的两个个体进行配对，直到所有待选个体配对完成，然后在每一对个体上随机选取交叉点；

（2）交换每一对随机配对的个体的交叉点处的染色体。

3）设有一个个体为：X＝[x₁,x₂,x₃,x₄]^T，x₁,x₂,x₃,x₄分别表示组成该个体的发动机参数WFM、A₈、α₁和α₂，若其在x_k（k=1、2、3或4）点发生变异，x_k的取值范围为[x_kmin,x_kmax]，其中，x_kmin和x_kmax分别为在现有物理装置的条件下x_k能取到的最小值和最大值，则个体中的x_k被

取代，根据所设计非均匀变异操作方法，在发生变异后，

$x_k^{\′}=\left\{\begin{array}{ccc}{x}_k+\mathrm{\γ}(x_{k\max }-x_{k\min })\mathrm{\α},& \mathrm{if}& r=0\\ x_k-\mathrm{\γ}(x_{k\max }-x_{k\min })\mathrm{\α},& \mathrm{if}& r=1\end{array}\right.$

式中，r为计算机随机产生一个数值，该值为0或1；γ为在[0,1]范围内服从均匀概率分布的一个随机数，γ(x_kmax-x_kmin)α为施加在x_k上的一个噪声信号，其均值为0；α是这个噪声信号的标准偏差系数，当小于x_kmin或者大于x_kmax时，令其值分别为x_kmin和x_kmax；x_k的噪声标准偏差是Sd，则：

Sd＝α(x_kmax-x_kmin)；

4）经过步骤2）和步骤3）的操作之后，形成下一代种群，下一代种群再进行步骤2）和步骤3）的操作，再形成新一代种群，反复进行，直到进化代数G≥G_t之后，遗传算法停止，得到适应度最高的个体，其中，G为当前进化代数，G_t为最大进化代数，3≤G_t≤100；

5）将步骤4）得到的适应度最高的个体输入至标准SQP算法中，并将其作为SQP算法的初始点求取最终的最优控制参数，然后将最优控制参数输入至航空发动机的全权限数字电子控制器中，全权限数字电子控制器根据最优控制参数控制航空发动机。

本实用新型的工作原理是：

本实用新型挖掘航空发动机的加速潜能的控制系统包括优化控制器、全权限数字电子控制器、机载发动机非线性数学模型、电磁阀组件、几何位置调节组件、主燃油控制组件以及传感器等。其中，优化控制器由加速寻优控制算法、优化控制目标、发动机的安全约束和物理约束组成，该优化控制算法是由遗传算法和序列二次规划算法融合而成的一种GA-SQP混合算法；传感器包括：转速传感器、温度传感器、压力传感器等；传感器测量的信号包括：发动机高低转子转速信号、发动机部分截面的空气压力信号和燃气温度信号、尾喷口喉部面积、航空发动机风扇进口导流叶片转角和航空发动机高压气机可调静子叶片转角等。

优化控制器由加速寻优控制算法、优化控制目标、发动机安全约束和物理约束组成，其与机载发动机非线性实时数学模型相互交换数据并计算得出航空发动机加速控制的最优控制作用量，并将该最优控制作用量信号输入到全权限数字电子控制器，全权限数字电子控制器根据该最优控制作用量信号发出控制作用量驱动电磁阀组件动作，使得几何位置调节组件和主燃油控制组件运转，从而向航空发动机输入与优化控制器输出的最优控制作用量相对应的控制量（包括：航空发动机的主燃烧室燃油流量WFM、航空发动机尾喷口喉部面积A₈、航空发动机风扇进口导流叶片转角α₁、航空发动机高压压气机可调静子叶片转角α₂）。传感器与航空发动机相连接，传感器测量发动机的真实参数并将其反馈到发动机非线性实时数学模型和全权限数字电子控制器中。

参见图2，图2为本实用新型GA-SQP混合优化控制算法的工作原理图。图中，G表示当前进化代数，G_t表示最大进化代数。该优化控制过程可描述如下

1）进行初始化设置：令控制周期数i=0，遗传算法当前的进化代数G为1。

2）利用遗传算法随机产生一个群体。

3）计算群体中各个个体的适应度。通过选择操作过程，保留具有较好适应度的个体并将具有较差适应度的个体从群体中移除。在此之后，随机选择保留下的较优秀的个体，通过交叉操作，产生这些优秀个体的“后代”并用这些“后代”代替被移除的个体。最后通过变异操作，使群体中某些个体的特性发生变化，从而形成新的个体。

4）经过步骤3）的各项操作之后，即可形成下一代种群，下一代种群再进行3）所描述的各项操作，再形成新一代种群。如此反复进行，直到进化代数达到事先设定好的最大进化代数之后，遗传算法停止，输出当前最优解作为最终解，即“准最优解”。

5）遗传算法停止后输出的最终解即为第一个控制周期的准最优解，得到第一个控制周期的准最优解后，将该准最优解输入至标准SQP算法中，并将其作为SQP算法的初始点求取最终的最优控制参数，然后将最优控制参数输入至航空发动机。此后，需再求取第二个控制周期的解。求取方法是：初始化遗传算法，令当前的进化代数G为1，然后重复步骤2）至步骤4），得到第二个控制周期的解，如此循环，不断向航空发动机提供新的控制周期的最优控制参数。

6）航空发动机加速过程结束后，GA-SQP混合算法运算结束。优化控制系统输出的由这k个控制周期的最终解组合而成的发动机控制参数的优化曲线，即为随加速时间变化的控制变量的轨迹曲线。

Claims (2)

1.一种挖掘航空发动机的加速潜能的控制系统，其特征在于：包括航空发动机、用于控制航空发动机的全权限数字电子控制器以及用于为全权限数字电子控制器提供最优控制策略的机载计算机；航空发动机上安装有转速传感器、温度传感器以及压力传感器，各传感器的输出端分别与全权限数字电子控制器和机载计算机相连；机载计算机的输出端与全权限数字电子控制器相连；全权限数字电子控制器根据最优控制策略通过电磁阀组件控制航空发动机。 

2.根据权利要求1所述的挖掘航空发动机的加速潜能的控制系统，其特征在于：所述的电磁阀组件分别通过几何位置调节组件和主燃油控制组件与航空发动机相连。 

Images