基于时域卷积网络的涡扇发动机推力优化控制方法

本发明涉及发动机控制，尤其涉及一种基于时域卷积网络的涡扇发动机推力优化控制方法。

背景技术：

1、对于航空发动机这类非线性、多变量的复杂控制对象，即使可以采用传统的pid控制算法进行控制，但由于各个控制回路之间往往存在较为复杂的耦合关系，导致pid参数的整定相对困难，并且航空发动机控制过程需要考虑温度、转速等各式各样的约束条件，简单的控制器难以达到理想的控制效果。

2、模型预测控制算法是一种考虑约束条件滚动求解优化问题的特殊优化控制方法。该方法的基本思想是根据控制系统模型通过求解有限时域内带约束的开环最优控制问题来预测一段时间内系统的输出，并反复进行达到局部跟踪误差最小的控制目的。模型预测控制使用滚动优化和反馈校正策略，能够及时弥补模型失配以及外界扰动所带来的不确定性，从而获得良好的动态性能和较强的鲁棒性，在具有多变量、带约束和时滞的领域应用十分广泛。通过预测控制实现闭环系统稳定运行、最优控制的算法理论一直以来都是研究的重点，其中预测模型的建立作为关键步骤之一，往往是基于系统的物理意义和动态特性。但在滚动优化的具体实现过程中，模型预测控制迭代的计算量和计算时间会直接受到模型维度和控制变量数量的影响，对系统设备的运算性能有很高的要求，并且实际控制效果非常依赖于预测模型建模的准确性，因此预测控制方法大多运用在允许一定控制误差、可使用较大采样周期的慢动态工业过程，如化工、炼油等方面，而对于控制周期和控制精度有着严格要求的航天航空这类快速动态领域如何广泛应用仍面临挑战。

3、数据驱动的方法完全不使用任何和模型相关的物理信息，而是直接通过大量实验数据映射出模型输入和输出之间的关系来建立模型，如遗传神经网络、最小二乘支持向量机、相关性分析等，相较于基于模型简化了实现过程，广泛适用于各类控制对象。近年来，随着神经网络不断发展，其在模型预测控制中作为预测模型替代传统非线性模型方面的应用也逐渐成为研究的重点。然而，使用多层前馈神经网络、卷积神经网络、深度神经网络以及循环神经网络等传统网络模型，将不可测推力作为直接控制变量实现非线性模型预测控制仍难以达到良好的控制效果，需要根据发动机运行特性进一步设计推力预测控制器。

技术实现思路

1、本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于时域卷积网络的涡扇发动机推力优化控制方法，用于解决动态预测模型响应时间长以及传统神经网络模型控制效果差的问题。

2、本发明是通过以下技术方案予以实现：

3、一种基于时域卷积网络的涡扇发动机推力优化控制方法，包括如下步骤：

4、s1.获取涡扇发动机开环运行过程中各项参数的输出数据；

5、s2.训练时域卷积网络模型，得到涡扇发动机的回归模型；

6、s3.将控制量作用于所述时域卷积网络作为预测模型，设计非线性优化控制器；

7、s4.基于所述非线性优化控制器，与涡扇发动机共同形成推力闭环控制系统。

8、根据上述技术方案，优选地，步骤s1中，对所述输出数据进行数据预处理，数据预处理包括数据筛选和数据归一化。其中，数据筛选是为了提取与发动机推力具有较强相关性的重要参数，并且去除存在特征包含关系的重复参数，以简化模型、加快后续控制优化问题求解速度；数据归一化采用的是以下最小-最大缩放的方法，主要为了消除不同特征之间的尺度差异，加速网络训练收敛。

9、根据上述技术方案，优选地，步骤s2中，采用步骤s1中经过数据预处理的各项参数的输出数据作为训练时域卷积网络模型的输入数据，所述输入数据包括当前k时刻的主燃油信息wf(k)，喉道面积a8(k)，压气机出口压力pt3(k)，高压涡轮出口压力和温度pt5(k)、tt5(k)，低压涡轮出口压力和温度pt6(k)、tt6(k)，高低压转子转速nh(k)、nl(k)。

10、根据上述技术方案，优选地，步骤s2还包括：对所述涡扇发动机的回归模型进行拟合验证，对其预测准确性方面进行测试。

11、根据上述技术方案，优选地，步骤s3中，所述非线性优化控制器引入了对控制输入增量的惩罚项，具体为：

12、

13、s.t.ymin≤y(k+i)≤ymax

14、δumin≤δu(k+j)≤δumax

15、i＝1,…,ny

16、j＝0,…,nu-1,

17、其中，yr是发动机输出的期望参考轨迹，y(k+i)和δu(k+j)分别是发动机未来的预测输出和待优化控制增量，q为预测误差权重系数矩阵，p为控制增量权重系数矩阵，ny表示预测时域，nu表示控制时域，且ny≥nu；ymin，ymax分别表示发动机输出的最小最大值；δumin，δumax分别表示发动机控制增量的最小最大值。

18、本发明的有益效果是：

19、本发明提出的基于时域卷积网络的涡扇发动机推力优化控制方法，根据时域卷积网络的基本结构特征设计了能够充分反映发动机非线性系统特性的预测模型，并将其与优化控制方法相结合应用在涡扇发动机的实际控制中，解决了动态预测模型响应时间长、传统神经网络模型控制效果差的问题，具有良好的跟踪性能和控制效果。

技术特征：

1.一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，步骤s1中，对所述输出数据进行数据预处理。

3.根据权利要求2所述一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，步骤s1中所述数据预处理包括数据筛选和数据归一化。

4.根据权利要求2或3所述一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，步骤s2中，采用步骤s1中经过数据预处理的各项参数的输出数据作为训练时域卷积网络模型的输入数据。

5.根据权利要求4所述一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，步骤s2中，所述输入数据包括当前k时刻的主燃油信息wf(k)，喉道面积a8(k)，压气机出口压力pt3(k)，高压涡轮出口压力和温度pt5(k)、tt5(k)，低压涡轮出口压力和温度pt6(k)、tt6(k)，高低压转子转速nh(k)、nl(k)。

6.根据权利要求4所述一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，步骤s2还包括：对所述涡扇发动机的回归模型进行拟合验证。

7.根据权利要求1所述一种基于时域卷积网络的涡扇发动机推力优化控制方法，其特征在于，步骤s3中，所述非线性优化控制器引入了对控制输入增量的惩罚项，具体为：

技术总结
本发明涉及一种基于时域卷积网络的涡扇发动机推力优化控制方法，包括如下步骤：获取涡扇发动机开环运行过程中各项参数的输出数据；训练时域卷积网络模型，得到涡扇发动机的回归模型；将控制量作用于时域卷积网络作为预测模型，设计非线性优化控制器；基于非线性优化控制器，与涡扇发动机共同形成推力闭环控制系统。本发明提出的基于时域卷积网络的涡扇发动机推力优化控制方法，根据时域卷积网络的基本结构特征设计了能够充分反映发动机非线性系统特性的预测模型，并将其与优化控制方法相结合应用在涡扇发动机的实际控制中，解决了动态预测模型响应时间长、传统神经网络模型控制效果差的问题，具有良好的跟踪性能和控制效果。

技术研发人员：孟万植,温思歆,潘卓锐,王东杰,王娜,孙琦,杜宪,孙希明
受保护的技术使用者：大连理工大学人工智能大连研究院
技术研发日：
技术公布日：2024/1/16