WO2021134887A1 - 一种基于动态神经网络的变循环发动机智能控制方法 - Google Patents

一种基于动态神经网络的变循环发动机智能控制方法 Download PDF

Info

Publication number
WO2021134887A1
WO2021134887A1 PCT/CN2020/077110 CN2020077110W WO2021134887A1 WO 2021134887 A1 WO2021134887 A1 WO 2021134887A1 CN 2020077110 W CN2020077110 W CN 2020077110W WO 2021134887 A1 WO2021134887 A1 WO 2021134887A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
dynamic neural
layer
dynamic
training
Prior art date
Application number
PCT/CN2020/077110
Other languages
English (en)
French (fr)
Inventor
马艳华
杜宪
孙希明
夏卫国
Original Assignee
大连理工大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 大连理工大学 filed Critical 大连理工大学
Priority to US16/981,682 priority Critical patent/US11823057B2/en
Publication of WO2021134887A1 publication Critical patent/WO2021134887A1/zh

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks

Definitions

  • the invention belongs to the technical field of aeroengine control, and in particular relates to an intelligent control method for a variable cycle engine based on a dynamic neural network.
  • variable-cycle engine combines the advantages of turbojet and turbofan engines, and adds geometrically adjustable components. By adaptively adjusting parameters such as the geometry and position of these components, the variable-cycle engine can have high unit thrust during the maneuvering phase of the aircraft such as acceleration and climb; it can have lower fuel consumption during the subsonic cruise phase.
  • control variables increase, and the structure of the controller is more complicated. At the same time, there is a strong coupling relationship between the nonlinear control variables of the variable cycle engine.
  • the present invention provides an intelligent control method for variable-cycle engines based on dynamic neural networks.
  • an intelligent control method for variable-cycle engines based on dynamic neural networks.
  • Step 1 Build the training sample set of the dynamic neural network
  • Step 1.1 Take 0.01s as the sampling period, collect the operating parameters of the variable cycle engine at the set altitude and throttle lever angle, including the actual and expected values of the controlled variable high pressure relative speed n h , and the expected and actual values of the pressure ratio ⁇ And control variables; control variables include fuel flow W f , critical area of the tail nozzle A 8 , high-pressure turbine guide area A HTG , fan guide vane angle ⁇ f , core fan guide vane angle ⁇ CDFS , compressor guide vane The actual operating value of the angle ⁇ c , the high-pressure compressor guide vane angle ⁇ turb , and the core engine fan mixer area A CDFS;
  • Step 1.2 Perform data processing on the operating parameters of the variable cycle engine collected in Step 1.1, and delete outliers that are outliers; for missing values, perform homogeneous mean interpolation;
  • Step 1.3 Use the deviation ⁇ n h between the expected value and the actual value of the high pressure relative speed n h in the variable cycle engine operating parameters after data processing, and the deviation ⁇ between the expected value and the actual value of the engine pressure ratio ⁇ as the input of the dynamic neural network Parameter, the change value of the control variable is used as the target output of the dynamic neural network;
  • x is the input parameter of the dynamic neural network
  • y is the target output of the dynamic neural network
  • h is the training sample set of the dynamic neural network
  • Step 1.4 Normalize the training sample set of the dynamic neural network:
  • h norm , h min and h max are the normalized value, minimum value and maximum value of the training sample set h data of the dynamic neural network respectively;
  • Step 2 Training the dynamic neural network
  • Step 2.1 Take the normalized training sample set h norm of the dynamic neural network obtained in step 1.4, with 80% as the training sample and 20% as the test sample;
  • Step 2.2 Initialize dynamic neural network parameters: the number of neurons in the input layer, the number of neurons in each hidden layer, the number of neurons in the output layer, the number of iterations, the training accuracy ⁇ and the learning rate ⁇ ;
  • Step 2.3 Calculate the state and activation value of each layer of the dynamic neural network:
  • L represents the total number of layers of the dynamic neural network
  • f( ⁇ ) represents the activation function of the neuron
  • n l represents the number of neurons in the lth layer
  • Step 2.4 Calculate the error and loss value of the output layer of the dynamic neural network:
  • y(k) is the expected output of the kth sample
  • o(k) is the actual output produced by the dynamic neural network for the input x(k) of the kth sample
  • e(k) is the error of the output layer at this time
  • E(k) is the loss value of the output layer when learning the kth sample currently
  • represents the norm operation
  • Step 2.5 Perform the structure increase judgment of the dynamic neural network
  • N represents the total number of samples; calculate the average number of loss values of the output layer in the current sample window Where N w is the size of the sliding window;
  • n l (i+1) n l (i)+1
  • ⁇ (0,+ ⁇ ) is the resolution coefficient
  • Step 2.7 When the error meets the given accuracy requirements, end the training and save the weight matrix and bias parameter matrix of the dynamic neural network; when the error does not meet the given accuracy requirements, continue iterative training until the accuracy requirements are met or the specified The number of iterations;
  • Step 2.8 Based on the test sample, check the currently trained dynamic neural network and calculate the test error;
  • Step 3 Build a dynamic neural network controller
  • the trained neural network package is dynamically variable cycle engine controller, the controlled variable high voltage n h relative rotational speed difference between the expected and actual values of ⁇ n h, the engine pressure ratio difference between the expected and actual values of ⁇ after normalization of ⁇
  • the input parameter of the dynamic neural network controller de-normalize the output parameter of the dynamic neural network as the control variable of the variable cycle engine to realize the intelligent control of the variable cycle engine.
  • the dynamic neural network training is performed through the network structure adjustment algorithm based on the gray correlation analysis method designed by the present invention, and the dynamic intelligent controller of the variable cycle engine based on the dynamic neural network is constructed.
  • the problem of coupling between nonlinear and multi-variables caused by the increase of control variables of the variable-cycle engine and the problem of traditional control methods relying too much on model accuracy are effectively improved.
  • the structure can be dynamically adjusted during the neural network training process, so that the network structure is more streamlined, and the running speed and control accuracy are improved.
  • Figure 1 is a flow chart of the dynamic adjustment algorithm for the dynamic neural network structure.
  • Figure 2 is a schematic diagram of the dynamic neural network structure used.
  • Figure 3(a), Figure 3(b), Figure 3(c) show the hidden layer of dynamic neural network when the initial height of the variable-cycle engine is 0, the initial Mach number is 0, and the throttle stick angle is 50° There are 3 layers, the number of neurons in each layer is initially 10, 5, and 5, and the change curve of the number of neurons in each hidden layer in the training process using the method of the present invention.
  • Figure 4 shows that when the initial height of the variable-cycle engine is 0, the initial Mach number is 0, and the throttle lever angle is 50°, the hidden layer of the dynamic neural network is 3 layers, and the number of neurons in each layer is initially 10, 5. 5.
  • Figure 5 is a block diagram of a dynamic neural network closed-loop control system for a variable-cycle engine.
  • Fig. 6(a) and Fig. 6(b) show that when the initial height of the variable-cycle engine is 0, the initial Mach number is 0, and the throttle lever angle is 50°, the dynamic neural network controller is used to adjust the high pressure relative speed target respectively.
  • the value is 0.9622, and the target value of the pressure ratio is 3.6.
  • Fig. 7(a) and Fig. 7(b) show that the variable cycle engine adopts dynamic neural network controller and fixed structure neural network control when the initial height is 0, the initial Mach number is 0, and the throttle stick angle is 50°.
  • Step 1 Build the training sample set of the dynamic neural network.
  • Step 1.1 Use 0.01s as the sampling period to collect the operating parameters of the variable cycle engine at a specific height and throttle lever angle. Including the actual value and expected value of the controlled variable high pressure relative speed n h , the expected value and actual value of the pressure ratio ⁇ and the control variables: fuel flow rate W f , critical area of the tail nozzle A 8 , high pressure turbine guide area A HTG , fan diversion Actual operating values of blade angle ⁇ f , core fan guide blade angle ⁇ CDFS , compressor guide blade angle ⁇ c , high pressure compressor guide blade angle ⁇ turb , core fan mixer area A CDFS.
  • Step 1.2 Perform data processing on the operating parameters of the variable cycle engine collected in Step 1.1, and delete outliers (outliers); for missing values, perform homogeneous mean interpolation.
  • Step 1.3 The deviation ⁇ n h between the expected value and the actual value of the high pressure relative speed n h and the deviation ⁇ between the expected value and the actual value of the engine pressure ratio ⁇ in the operating parameters of the variable cycle engine after data processing are used as the input of the dynamic neural network
  • the change values of parameters and control variables are used as the target output of the dynamic neural network.
  • x is the input parameter of the dynamic neural network
  • y is the target output of the dynamic neural network
  • h is the training sample set of the dynamic neural network.
  • Step 1.4 Normalize the training sample set of the dynamic neural network:
  • h norm , h min and h max are the normalized value, minimum value and maximum value of the training sample set h data of the dynamic neural network, respectively.
  • Step 2 Train a dynamic neural network.
  • Step 2.1 Take the normalized training sample set h norm of the dynamic neural network obtained in step 1.4, with 80% as the training sample and 20% as the test sample.
  • Step 2.2 Initialize the training parameters of the dynamic neural network.
  • the number of neurons in the input layer is 2, the number of neurons in the output layer is 8, and the hidden layer structure is initialized to 10, 5, and 5 (three hidden layers, the number of neurons in each layer is 10, 5, and 5) ,
  • Step 2.3 Calculate the state and activation value of each layer of the dynamic neural network.
  • f( ⁇ ) represents the activation function of the neuron
  • the sigmoid function is used. Indicates the weight matrix of the l-1th layer to the lth layer when learning the input of the kth sample, that is, x(k); n l represents the number of neurons in the lth layer.
  • Step 2.4 Calculate the error and loss value of the output layer of the dynamic neural network:
  • y(k) is the expected output of the kth sample
  • o(k) is the actual output produced by the dynamic neural network for the input x(k) of the kth sample
  • e(k) is the error of the output layer at this time
  • E(k) is the loss value of the output layer when the kth sample is currently learned
  • represents the norm operation.
  • Step 2.5 Perform the structure increase judgment of the dynamic neural network
  • n l (i+1) n l (i)+1
  • Step 2.7 When the error meets the given accuracy requirements, end the training and save the weight matrix and bias parameter matrix of the dynamic neural network; when the error does not meet the given accuracy requirements, continue iterative training until the accuracy requirements are met or the specified The number of iterations;
  • Step 2.8 Based on the test sample, perform network inspection on the currently trained dynamic neural network, and calculate the test error.
  • the test error is 8.89e-04.
  • Step 3 Build a dynamic neural network controller.
  • the trained dynamic neural network is packaged as a variable cycle engine controller, the difference between the expected value and actual value of the controlled variable high pressure relative speed n h ⁇ n h and the difference between the expected value and actual value of the engine pressure ratio ⁇
  • the value ⁇ is normalized as the input parameter of the dynamic neural network controller; the output parameter of the dynamic neural network is de-normalized as the control variable of the variable cycle engine to realize the intelligent control of the variable cycle engine.
  • Fig. 6(a) and Fig. 6(b) respectively show the variable cycle engine when the initial height is 0, the initial Mach number is 0, and the throttle lever angle is 50°, the dynamic neural network controller is used to determine the relative speed of the high pressure.
  • the target value is 0.9622, and the target value of the pressure ratio is 3.6.
  • the dynamic neural network controller designed by the method of the present invention can make the high pressure relative speed control accuracy reach 99.999%, and the pressure ratio control accuracy reach 99.713%.
  • Fig. 7(a) and Fig. 7(b) show that the variable cycle engine adopts dynamic neural network controller and fixed structure neural network control when the initial height is 0, the initial Mach number is 0, and the throttle stick angle is 50°.
  • variable cycle engine control the dynamic neural network trained by the structure dynamic adjustment algorithm based on the gray correlation analysis method is used to construct the variable cycle engine dynamic neural network controller.
  • the network structure is more streamlined and the control accuracy is higher.
  • the time to steady state is faster.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

一种基于动态神经网络的变循环发动机智能控制方法，通过在神经网络训练算法中添加基于灰色关联分析法的结构调整算法，对神经网络结构进行调整，构建动态神经网络控制器，实现对变循环发动机的智能控制。通过基于灰色关联度分析法的网络结构调整算法进行动态神经网络训练，构建基于动态神经网络的变循环发动机动智能控制器，有效改善了变循环发动机控制变量增多带来的非线性多变量之间的耦合问题和传统的控制方法过于依赖模型精度的问题。同时，又能在神经网络训练过程中进行结构的动态调整，使网络结构更加精简，提高了运行速度和控制精度。

Description

一种基于动态神经网络的变循环发动机智能控制方法 技术领域
本发明属于航空发动机控制技术领域，具体涉及一种基于动态神经网络的变循环发动机智能控制方法。
背景技术
控制系统是航空发动机的重要组成部分，是影响航空发动机性能优劣的关键因素。变循环发动机融合了涡喷及涡扇发动机的优点，增加了几何可调部件。通过自适应调节这些部件的几何形状、位置等参数，使得变循环发动机能够在加速和爬升等飞机机动飞行阶段，拥有高单位推力；在亚音速巡航阶段，能够拥有较低的耗油率。然而，由于可调部件的增多，导致控制变量增多，控制器的结构更加复杂；同时，变循环发动机非线性控制变量之间具有较强的耦合关系。如何很好地解决回路间的耦合，使得各个变量之间相互配合发挥出整体的性能，实现变循环发动机的多变量控制，是一个急需突破的难题，更是后序开展过渡态控制，全包线综合控制的基础。
目前，国内外针对变循环发动机的多变量控制系统大多是在传统的鲁棒控制、线性二次调节器LQR控制等的基础上增加遗传(GA)算法、教学学习型算法(TLBO)等智能优化算法或者添加补偿控制器。现有的控制方法大多基于精确的发动机模型，会导致模型的精度直接影响控制器的控制效果，而且不能很好的解决非线性变量之间的耦合问题。由于神经网络自身的非线性特点，基于神经网络的控制器能够很好的解决多变量之间的耦合问题，但是在训练时，无法直接确定隐含层的结构，结构过大会导致训练过慢以及过拟合；结构过小则无法达到要求的精度。因此，针对以上问题，设计一种能够解决神经网络自 身结构缺陷并将其用于变循环发动机控制的动态神经网络控制器，具有重大的意义。
发明内容
针对现有变循环发动机多变量控制方法存在的问题，本发明提供了一种基于动态神经网络的变循环发动机智能控制方法，通过在神经网络训练算法中添加基于灰色关联分析法的结构调整算法，对神经网络结构进行调整，构建动态神经网络控制器，实现对变循环发动机的智能控制。
本发明的技术方案：
一种基于动态神经网络的变循环发动机智能控制方法，步骤如下：
步骤1：构建动态神经网络的训练样本集
步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速n h的实际值和期望值、压比π的期望值和实际值和控制变量；控制变量包括燃油流量W f、尾喷口临界面积A 8、高压涡轮导向器面积A HTG、风扇导流叶片角度α f、核心机风扇导流叶片角度α CDFS、压气机导流叶片角度α c、高压压气机导流叶片角度α turb、核心机风扇混合器面积A CDFS的实际运行值；
步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值即离群点进行删除；针对缺失值，进行同类均值插补；
步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n h的期望值与实际值的偏差Δn h、发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出；
构建动态神经网络的训练样本集：
x＝[Δn h,Δπ]
y＝[W f,α turb,α f,A 8,α CDFS,A CDFS,A HTG,α c]
h＝[x,y]
其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集；
步骤1.4：对动态神经网络的训练样本集进行归一化处理：
Figure PCTCN2020077110-appb-000001
其中，h norm，h min和h max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值；
步骤2：训练动态神经网络
步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集h norm，80％作为训练样本，20％作为测试样本；
步骤2.2：初始化动态神经网络参数：输入层神经元个数、各隐含层神经元个数、输出层神经元个数、迭代次数、训练精度ε和学习率μ；
步骤2.3：计算动态神经网络每层的状态和激活值：
Figure PCTCN2020077110-appb-000002
z (l)(k)＝Θ (l)(k)a (l-1)(k)+b (l)(k),2≤l≤L
其中，L表示动态神经网络的总层数，f(·)表示神经元的激活函数；
Figure PCTCN2020077110-appb-000003
表示在学习第k个样本的输入x(k)时，第l-1到第l层的权重矩阵；n l表示第l层神经元的个数；
Figure PCTCN2020077110-appb-000004
表示输入为x(k)时，第l-1到第l层的偏置；
Figure PCTCN2020077110-appb-000005
表示输入为x(k)时，第l层神经元的状态；
Figure PCTCN2020077110-appb-000006
表示输入为x(k)时，第l层神经元的激活值 即输出值；
步骤2.4：计算动态神经网络输出层的误差以及损失值：
e(k)＝y(k)-o(k)
Figure PCTCN2020077110-appb-000007
其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算；
计算δ (l)作为误差反向传播的中间量：
Figure PCTCN2020077110-appb-000008
更新动态神经网络权重矩阵和偏置参数矩阵：
Θ (l)(k+1)＝Θ (l)(k)-μδ (l)(k)a (l-1)(k)
b (l)(k+1)＝b (l)(k)-μδ (l)(k)
步骤2.5：进行动态神经网络的结构增加判断
计算所有样本训练一次后的平均损失值E：
Figure PCTCN2020077110-appb-000009
其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数
Figure PCTCN2020077110-appb-000010
其中N w为滑动窗口的大小；
若满足第i次训练后，E i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：
n l(i+1)＝n l(i)+1
Θ (l)(i+1)＝[Θ (l)(i),θ new]
在当前第l层(1＜l＜L)增加神经元后，若经过连续N w次训练后，动态神经网络输出层的损失变化率小于阈值η 3：
Figure PCTCN2020077110-appb-000011
且满足E i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；
步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出
Figure PCTCN2020077110-appb-000012
作为比较序列，动态神经网络输出o＝(o 1,o 2,...,o nL)为参考序列，计算
Figure PCTCN2020077110-appb-000013
与o＝(o 1,o 2,...,o nL)的关联系数
Figure PCTCN2020077110-appb-000014
Figure PCTCN2020077110-appb-000015
其中，ρ∈(0,+∞)为分辨系数，
Figure PCTCN2020077110-appb-000016
为灰关联序列；
采用平均值法计算关联度：
Figure PCTCN2020077110-appb-000017
其中，
Figure PCTCN2020077110-appb-000018
表示关联度；比较第l层各个神经元的关联度
Figure PCTCN2020077110-appb-000019
将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n l和权重矩阵Θ (l)；
若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的损失增加过多使得E i+1-E i＞η 4，其中，η 4＞0为误差浮动阈值；则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；
步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；
步骤2.8：基于测试样本，对当前训练好的动态神经网络进行检验，计算测 试误差；
步骤3：构建动态神经网络控制器
将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n h期望值和实际值的差值Δn h、发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。
本发明的有益效果：通过本发明设计的基于灰色关联度分析法的网络结构调整算法进行动态神经网络训练，构建基于动态神经网络的变循环发动机动智能控制器。有效改善了变循环发动机控制变量增多带来的非线性多变量之间的耦合问题和传统的控制方法过于依赖模型精度的问题。同时，又能在神经网络训练过程中进行结构的动态调整，使网络结构更加精简，提高了运行速度和控制精度。
附图说明
图1为动态神经网络结构动态调整算法流程图。
图2为所采用的动态神经网络结构示意图。
图3(a)、图3(b)、图3(c)为在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，动态神经网络隐含层为3层，每层神经元个数初始为10、5、5，运用本发明所提方法在训练过程中各隐含层神经元个数的变化曲线。
图4为在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，动态神经网络隐含层为3层，每层神经元个数初始为10、5、5，运用本发明所提方法在训练过程中的误差变化曲线。
图5为变循环发动机动态神经网络闭环控制系统框图。
图6(a)、图6(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，采用动态神经网络控制器，分别对高压相对转速目标值为0.9622，压比目标值为3.6的跟踪效果。
图7(a)、图7(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，分别采用动态神经网络控制器和固定结构神经网络控制器，对高压相对转速目标值为0.9622，压比目标值为3.6的控制效果对比图。
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。
本发明的具体步骤如下：
步骤1：构建动态神经网络的训练样本集。
步骤1.1：以0.01s为采样周期，采集变循环发动机在特定高度，油门杆角度下的运行参数。包括被控变量高压相对转速n h的实际值和期望值，压比π的期望值和实际值和控制变量：燃油流量W f、尾喷口临界面积A 8、高压涡轮导向器面积A HTG、风扇导流叶片角度α f、核心机风扇导流叶片角度α CDFS、压气机导流叶片角度α c、高压压气机导流叶片角度α turb、核心机风扇混合器面积A CDFS的实际运行值。
步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值(离群点)进行删除；针对缺失值，进行同类均值插补。
步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n h的期望值与实际值的偏差Δn h和发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出。构 建动态神经网络的训练样本集：
x＝[Δn h,Δπ]
y＝[W f,α turb,α f,A 8,α CDFS,A CDFS,A HTG,α c]
h＝[x,y]
其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集。
步骤1.4：对动态神经网络的训练样本集进行归一化处理：
Figure PCTCN2020077110-appb-000020
其中，h norm，h min和h max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值。
如图1所示，动态神经网络训练过程中结构调整算法步骤如下：
所使用的动态神经网络结构示意图如图2所示。
步骤2：训练动态神经网络。
步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集h norm，80％作为训练样本，20％作为测试样本。
步骤2.2：初始化动态神经网络训练参数。
输入层神经元个数为2、输出层神经元个数为8、隐含层结构初始化为10、5、5(三层隐含层，每层神经元个数分别为10、5、5)、学习率μ＝0.1、迭代次数为850、精度要求为ε＝1.0e-3。
Figure PCTCN2020077110-appb-000021
表示第l-1到第l层的权重矩阵，初始化为数值在[0，1]之间的随机数矩阵，
Figure PCTCN2020077110-appb-000022
表示第l-1到第l层的偏置，初始化为数值在[0，1]之间的随机数矩阵。
Θ (2):[2×10double],b (2):[1×10double]
Θ (3):[10×5double],b (3):[1×5double]
Θ (4):[5×5double],b (4):[1×5double]
Θ (5):[5×8double],b (5):[1×8double]
步骤2.3：计算动态神经网络每层的状态和激活值。
Figure PCTCN2020077110-appb-000023
z (l)(k)＝Θ (l)(k)a (l-1)(k)+b (l)(k),2≤l≤L
其中，L＝5表示动态神经网络的总层数，f(·)表示神经元的激活函数,使用sigmoid函数。
Figure PCTCN2020077110-appb-000024
表示在学习第k个样本的输入即x(k)时，第l-1到第l层的权重矩阵；n l表示第l层神经元的个数。
Figure PCTCN2020077110-appb-000025
表示输入为x(k)时，第l-1到第l层的偏置；
Figure PCTCN2020077110-appb-000026
表示输入为x(k)时，第l层神经元的状态；
Figure PCTCN2020077110-appb-000027
表示输入为x(k)时，第l层神经元的激活值即输出值；
步骤2.4：计算动态神经网络输出层的误差以及损失值：
e(k)＝y(k)-o(k)
Figure PCTCN2020077110-appb-000028
其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算。
计算δ (l)作为误差反向传播的中间量：
Figure PCTCN2020077110-appb-000029
更新动态神经网络权重矩阵和偏置参数矩阵：
Θ (l)(k+1)＝Θ (l)(k)-μδ (l)(k)a (l-1)(k)
b (l)(k+1)＝b (l)(k)-μδ (l)(k)
步骤2.5：进行动态神经网络的结构增加判断
计算所有样本训练一次后的平均损失值E：
Figure PCTCN2020077110-appb-000030
其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数
Figure PCTCN2020077110-appb-000031
其中N w＝10为滑动窗口的大小；
若满足第i次训练后，E i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：
n l(i+1)＝n l(i)+1
Θ (l)(i+1)＝[Θ (l)(i),θ new]
在当前第l层(1＜l＜L)增加神经元后，若经过连续N w次训练后，动态神经网络输出层的损失变化率小于阈值η 3：
Figure PCTCN2020077110-appb-000032
η 3＝0.1ε且满足E i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；
步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出
Figure PCTCN2020077110-appb-000033
作为比较序列，动态神经网络输出o＝(o 1,o 2,...,o nL)为参考序列，计算
Figure PCTCN2020077110-appb-000034
与o＝(o 1,o 2,...,o nL)的关联系数
Figure PCTCN2020077110-appb-000035
Figure PCTCN2020077110-appb-000036
其中，ρ＝0.15为分辨系数，
Figure PCTCN2020077110-appb-000037
为灰关联序列。
采用平均值法计算关联度：
Figure PCTCN2020077110-appb-000038
其中，
Figure PCTCN2020077110-appb-000039
表示关联度。比较第l层各个神经元的关联度
Figure PCTCN2020077110-appb-000040
将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n l和权重矩阵Θ (l)。
若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的误差增加过多使得E i+1-E i＞η 4，其中，η 4＝0.5ε为误差浮动阈值。则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；
步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；
训练结束后，动态神经网络隐含层结构最终为9、4、14。动态神经网络训练过程中各个隐含层神经元变化情况如图3(a)、图3(b)、图3(c)所示。
动态神经网络训练过程中的误差变化曲线如图4所示。
步骤2.8：基于测试样本，对当前训练好的动态神经网络进行网络检验，计算测试误差。测试误差为8.89e-04。
步骤3：构建动态神经网络控制器。
如图5所示，将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n h期望值和实际值的差值Δn h和发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。
图6(a)，图6(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，采用动态神经网络控制器，分别对高压相对转速 目标值为0.9622，压比目标值为3.6的跟踪效果。
由图6(a)，图6(b)仿真结果可知，运用本发明所提方法设计的动态神经网络控制器可使得高压相对转速控制精度达到99.999％，压比控制精度达到99.713％。
图7(a)、图7(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，分别采用动态神经网络控制器和固定结构神经网络控制器，对高压相对转速目标值为0.9622，压比目标值为3.6的控制效果对比图。
对比图7(a)，图7(b)可知，动态神经网络控制器对高压转速的控制误差相对于固定结构神经网络控制器降低了97.47％；动态神经网络控制器对压比的控制误差相对于固定结构神经网络控制器降低了90.10％。
综上可见，在变循环发动机控制中，运用基于灰色关联度分析法的结构动态调整算法训练的动态神经网络，构建的变循环发动机动态神经网络控制器，网络结构更加精简，控制精度更高，达到稳态的时间更快。

Claims (1)

  1. 一种基于动态神经网络的变循环发动机智能控制方法，其特征在于，步骤如下：
    步骤1：构建动态神经网络的训练样本集
    步骤1.1：以0.01s为采样周期，采集变循环发动机在设定高度和油门杆角度下的运行参数，包括被控变量高压相对转速n h的实际值和期望值、压比π的期望值和实际值和控制变量；控制变量包括燃油流量W f、尾喷口临界面积A 8、高压涡轮导向器面积A HTG、风扇导流叶片角度α f、核心机风扇导流叶片角度α CDFS、压气机导流叶片角度α c、高压压气机导流叶片角度α turb、核心机风扇混合器面积A CDFS的实际运行值；
    步骤1.2：对步骤1.1采集的变循环发动机运行参数进行数据处理，针对异常值即离群点进行删除；针对缺失值，进行同类均值插补；
    步骤1.3：将经过数据处理后的变循环发动机运行参数中的高压相对转速n h的期望值与实际值的偏差Δn h、发动机压比π的期望值和实际值的偏差值Δπ作为动态神经网络的输入参数，控制变量的变化值作为动态神经网络的目标输出；
    构建动态神经网络的训练样本集：
    x＝[Δn h,Δπ]
    y＝[W f,α turb,α f,A 8,α CDFS,A CDFS,A HTG,α c]
    h＝[x,y]
    其中，x是动态神经网络的输入参数，y是动态神经网络的目标输出，h为动态神经网络的训练样本集；
    步骤1.4：对动态神经网络的训练样本集进行归一化处理：
    Figure PCTCN2020077110-appb-100001
    其中，h norm，h min和h max分别为动态神经网络的训练样本集h数据归一化后的值、最小值和最大值；
    步骤2：训练动态神经网络
    步骤2.1：将步骤1.4得到的动态神经网络归一化后的训练样本集h norm，80％作为训练样本，20％作为测试样本；
    步骤2.2：初始化动态神经网络参数：输入层神经元个数、各隐含层神经元个数、输出层神经元个数、迭代次数、训练精度ε和学习率μ；
    步骤2.3：计算动态神经网络每层的状态和激活值：
    Figure PCTCN2020077110-appb-100002
    z (l)(k)＝Θ (l)(k)a (l-1)(k)+b (l)(k),2≤l≤L
    其中，L表示动态神经网络的总层数，f(·)表示神经元的激活函数；
    Figure PCTCN2020077110-appb-100003
    表示在学习第k个样本的输入x(k)时，第l-1到第l层的权重矩阵；n l表示第l层神经元的个数；
    Figure PCTCN2020077110-appb-100004
    表示输入为x(k)时，第l-1到第l层的偏置；
    Figure PCTCN2020077110-appb-100005
    表示输入为x(k)时，第l层神经元的状态；
    Figure PCTCN2020077110-appb-100006
    表示输入为x(k)时，第l层神经元的激活值即输出值；
    步骤2.4：计算动态神经网络输出层的误差以及损失值：
    e(k)＝y(k)-o(k)
    Figure PCTCN2020077110-appb-100007
    其中，y(k)是第k个样本的期望输出，o(k)是动态神经网络对第k个样本的输入x(k)产生的实际输出，e(k)是此时输出层的误差，E(k)是当前学习第k个样本时的输出层的损失值，||·||表示范数运算；
    计算δ (l)作为误差反向传播的中间量：
    Figure PCTCN2020077110-appb-100008
    更新动态神经网络权重矩阵和偏置参数矩阵：
    Θ (l)(k+1)＝Θ (l)(k)-μδ (l)(k)a (l-1)(k)
    b (l)(k+1)＝b (l)(k)-μδ (l)(k)
    步骤2.5：进行动态神经网络的结构增加判断
    计算所有样本训练一次后的平均损失值E：
    Figure PCTCN2020077110-appb-100009
    其中，N表示总样本数；计算当前样本窗内输出层损失值的平均数
    Figure PCTCN2020077110-appb-100010
    其中N w为滑动窗口的大小；
    若满足第i次训练后，E i＞ε，则从隐含层1即动态神经网络第2层，l＝2开始增加神经元；新增神经元的权重θ new用随机数进行初始化，更新第i+1次训练时，动态神经网络第l层的神经元个数以及权重矩阵：
    n l(i+1)＝n l(i)+1
    Θ (l)(i+1)＝[Θ (l)(i),θ new]
    在当前第l层(1＜l＜L)增加神经元后，若经过连续N w次训练后，动态神经网络输出层的损失变化率小于阈值η 3：
    Figure PCTCN2020077110-appb-100011
    且满足E i＞ε，则转到下一隐含层进行神经元增加判断，直到l＝L时结束结构增加判断；
    步骤2.6：当动态神经网络停止增加隐含层神经元后，进行结构修剪判断；隐含层结点输出
    Figure PCTCN2020077110-appb-100012
    作为比较序列，动态神经网络输出o＝(o 1,o 2,...,o nL)为参考序列，计算
    Figure PCTCN2020077110-appb-100013
    与o＝(o 1,o 2,...,o nL)的关联 系数
    Figure PCTCN2020077110-appb-100014
    其中，ρ∈(0,+∞)为分辨系数，
    Figure PCTCN2020077110-appb-100015
    为灰关联序列；
    采用平均值法计算关联度：
    Figure PCTCN2020077110-appb-100016
    其中，
    Figure PCTCN2020077110-appb-100017
    表示关联度；比较第l层各个神经元的关联度
    Figure PCTCN2020077110-appb-100018
    将关联度最小的神经元删除，更新动态神经网络第l层的神经元个数n l和权重矩阵Θ (l)；
    若删除第l层(1＜l＜L)某个神经元后，动态神经网络输出层的损失增加过多使得E i+1-E i＞η 4，其中，η 4＞0为误差浮动阈值；则撤销上一步的删除操作并进入下一隐含层的结构调整判断，直到l＝L时结束结构修剪判断；
    步骤2.7：误差满足给定的精度要求时，结束训练，保存动态神经网络的权重矩阵和偏置参数矩阵；误差不满足给定的精度要求时，继续进行迭代训练，直到满足精度要求或者达到指定的迭代次数；
    步骤2.8：基于测试样本，对当前训练好的动态神经网络进行检验，计算测试误差；
    步骤3：构建动态神经网络控制器
    将训练好的动态神经网络封装为变循环发动机控制器，被控变量高压相对转速n h期望值和实际值的差值Δn h、发动机压比π的期望值和实际值的差值Δπ归一化后作为动态神经网络控制器的输入参数；将动态神经网络的输出参数反归一化后作为变循环发动机的控制变量，实现变循环发动机的智能控制。
PCT/CN2020/077110 2019-12-30 2020-02-28 一种基于动态神经网络的变循环发动机智能控制方法 WO2021134887A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/981,682 US11823057B2 (en) 2019-12-30 2020-02-28 Intelligent control method for dynamic neural network-based variable cycle engine

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911388033.7A CN111042928B (zh) 2019-12-30 2019-12-30 一种基于动态神经网络的变循环发动机智能控制方法
CN201911388033.7 2019-12-30

Publications (1)

Publication Number Publication Date
WO2021134887A1 true WO2021134887A1 (zh) 2021-07-08

Family

ID=70241197

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/077110 WO2021134887A1 (zh) 2019-12-30 2020-02-28 一种基于动态神经网络的变循环发动机智能控制方法

Country Status (2)

Country Link
CN (1) CN111042928B (zh)
WO (1) WO2021134887A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679574B (zh) * 2020-05-13 2021-05-07 大连理工大学 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
CN111624880B (zh) * 2020-05-21 2021-05-18 大连理工大学 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
CN111679576B (zh) * 2020-05-21 2021-07-16 大连理工大学 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
CN111856918A (zh) * 2020-06-15 2020-10-30 西北工业大学 变循环发动机增益调度控制器
CN111856927B (zh) * 2020-06-15 2022-06-10 西北工业大学 变循环发动机增益调度二自由度μ控制器
CN112610339B (zh) * 2021-01-13 2021-12-28 南京航空航天大学 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法
CN115390452B (zh) * 2022-09-01 2023-05-12 湖南大学无锡智能控制研究院 一种lqr横向控制器参数在线自适应方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6606612B1 (en) * 1998-08-13 2003-08-12 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for constructing composite response surfaces by combining neural networks with other interpolation or estimation techniques
EP2098704A2 (en) * 2008-03-05 2009-09-09 United Technologies Corporation Variable area fan nozzle fan flutter management system
CN108416086A (zh) * 2018-01-25 2018-08-17 大连理工大学 一种基于深度学习算法的航空发动机全包线模型自适应修正方法
CN108457750A (zh) * 2018-03-07 2018-08-28 贵州凯阳航空发动机有限公司 一种航空发动机高空高速下涡轮后温度控制值的获取方法
CN109709792A (zh) * 2017-10-26 2019-05-03 中国航发商用航空发动机有限责任公司 航空发动机稳态回路比例积分控制器及其设计方法和装置
CN110579962A (zh) * 2019-08-19 2019-12-17 南京航空航天大学 基于神经网络的涡扇发动机推力预测方法及控制器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630144B (zh) * 2009-08-18 2010-12-08 湖南大学 电子节气门的自学习逆模型控制方法
CN108304652A (zh) * 2018-02-01 2018-07-20 中国人民解放军海军航空大学 一种基于改进qpso-elm的涡轴发动机起动过程模型辨识方法
CN108573116B (zh) * 2018-05-11 2020-06-09 南京航空航天大学 一种基于长短时记忆网络的航空发动机过渡态推力估计方法
CN110531622B (zh) * 2019-09-05 2022-04-05 沈阳航空航天大学 一种基于径向基神经网络的固体火箭发动机推力控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6606612B1 (en) * 1998-08-13 2003-08-12 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for constructing composite response surfaces by combining neural networks with other interpolation or estimation techniques
EP2098704A2 (en) * 2008-03-05 2009-09-09 United Technologies Corporation Variable area fan nozzle fan flutter management system
CN109709792A (zh) * 2017-10-26 2019-05-03 中国航发商用航空发动机有限责任公司 航空发动机稳态回路比例积分控制器及其设计方法和装置
CN108416086A (zh) * 2018-01-25 2018-08-17 大连理工大学 一种基于深度学习算法的航空发动机全包线模型自适应修正方法
CN108457750A (zh) * 2018-03-07 2018-08-28 贵州凯阳航空发动机有限公司 一种航空发动机高空高速下涡轮后温度控制值的获取方法
CN110579962A (zh) * 2019-08-19 2019-12-17 南京航空航天大学 基于神经网络的涡扇发动机推力预测方法及控制器

Also Published As

Publication number Publication date
CN111042928B (zh) 2020-12-11
CN111042928A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
WO2021134887A1 (zh) 一种基于动态神经网络的变循环发动机智能控制方法
US20210201155A1 (en) Intelligent control method for dynamic neural network-based variable cycle engine
WO2020000248A1 (zh) 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
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
CN103306822B (zh) 一种基于喘振裕度估计模型的航空涡扇发动机控制方法
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
US20220309122A1 (en) Iterative algorithm for aero-engine model based on hybrid adaptive differential evolution
CN110502840B (zh) 航空发动机气路参数在线预测方法
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
CN107133433B (zh) 一种基于模型自适应汽轮机调门流量特性优化方法
CN110647052B (zh) 一种变循环发动机模式切换自适应身份证模型构建方法
CN114967474B (zh) 一种基于神经网络的通用风洞流场控制方法
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
CN111006843A (zh) 一种暂冲式超声速风洞的连续变速压方法
CN113267314A (zh) 一种暂冲式风洞的超声速流场总压控制系统
CN110985216A (zh) 一种含在线修正的航空发动机智能多变量控制方法
CN112416913B (zh) 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法
CN115217635A (zh) 一种涡扇发动机全包线自适应加速控制方法
WO2021139004A1 (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
Dodd et al. Using neural networks to optimise gas turbine aero engines
Fang et al. Optimization control with multi-constraint of aeroengine acceleration process based on reinforcement learning
CN113282004B (zh) 基于神经网络的航空发动机线性变参数模型建立方法
Zhang et al. Optimization of aero-engine H-infinity robust controller based on quantum genetic algorithm
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
CN112904715B (zh) 一种变循环发动机加速过程最优控制方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20909037

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20909037

Country of ref document: EP

Kind code of ref document: A1