基于神经网络的涡轴航空发动机控制系统建模及优化研究

发布时间：2020-07-08 10:17

【摘要】：航空发动机自问世以来始终是各航空强国必争的战略热点,是国家实力的中流砥柱。而作为当前航空发动机控制的最新核心技术之一,全权限数字控制受到学术界和产业界的热捧。同时,由于近年来人工智能技术在航空发动机控制领域的应用不断深入,学术和实践成果颇丰。因此本文基于涡轴发动机部件级模型和神经网络控制方法进行研究。首先,基于某型涡轴发动机实体在MATLAB/Simulink平台下运用部件法建模方法构建其数学模型。该数学模型被分为进气道、压气机、燃烧室、燃气涡轮、动力涡轮和尾喷管等6个相对独立并彼此联系的子部件,各部件依据发动机气动热力学规律进行协调工作。然后建立该模型的稳态及动态共同工作方程组并进行数值求解,以确保模型在飞行包线内的有效性和稳定性。该部件级模型是本文神经网络控制方法研究的基础。其次,以动力涡轮转速单回路PID控制为基础,结合BP神经网络控制形成智能控制回路。同时利用遗传算法(GA)来进一步改进BP神经网络的缺点,从而实现对PID控制器参数k _p、k _i、k_d的自整定。在仿真之前,利用Kalman滤波算法对实验数据进行预处理。仿真结果表明,该控制方法对涡轴发动机的稳态和过渡态的控制效果基本满足恒动力涡轮转速的控制律要求,但部分参量的变化曲线存在波动超调且曲线的平顺性有待进一步改善。最后,在恒动力涡轮转速控制律的基础上引入燃气涡轮转速控制,并提出了基于NARX神经网络的串级PID控制方法。同时结合基于小波变换的信息融合方法对供油量信息进行融合,以期改善涡轴发动机部件级模型各参量控制曲线的平顺性并减小超调量。仿真结果表明该方法改善了各参量控制曲线的平顺性,保证了发动机模型的稳定运行,同时也降低了各参量控制曲线的超调量,提高了模型的灵敏性。但基于小波变换的信息融合方法对于发动机过渡态下各参量的控制曲线的改善效果不是很明显,仍待进一步改进。BP-GA神经网络单回路PID控制和NARX神经网络串级PID控制均能很好地满足涡轴发动机部件级数学模型在稳态和过渡态的控制律要求,但二者在各控制量曲线的平顺性和超调量上各有优缺。总体上,NARX神经网络控制效果更好。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;V233.7
【图文】：

涡轴,航空发动机,整机

使其得到深入研究和广泛应用[1]。如图1-1所示，涡轴发动机整体性能的优劣程度、控制系统控制水平的高低将对直升机的可靠性、灵活性以及稳定性产生关键影响。同时，涡轴发动机还可以作为船舶、坦克等设备的动力装置，在发动机家族中具有不可替代的地位。不断复杂的应用场景促使直升机在功能及用途上更加完备，也对涡轴发动机设计及控制技术的探究提出更为迫切，也更为高水准的需求。图 1-1 涡轴航空发动机整机图研究航空发动机的各种关键技术，特别是发动机的控制系统仿真，必须有一个良好的发动机数学模型。基于大量的实验测试数据和计算机仿真技术，利用数学模型模拟真实发动机并进行控制理论的研究可节约大量的试验经费，缩短研制周期。更为重要的是

结构图,结构图,控制效果,串级控制

电子科技大学硕士学位论文算法的单回路 PID 控制方法。以上一章构建的非线性数学模型为基础，动机稳态、过渡态的控制效果进行仿真测试，同时进行控制效果分析。第四章由燃气涡轮转速控制和动力涡轮转速控制共同构成串级控制回路GA-BP 神经网络的静态特性局限，采用 NARX 动态神经网络进一步设RX 神经网络 PID 串级控制方案，并进行稳态、过渡态控制的仿真实验，表明该方法具有良好控制效果，最后将 BP、GA-BP 及 NARX 神经网络油量信息进行融合，将融合后的信息作为最终的供油量信号输入模型，合前后的控制效果。第五章总结全文的研究工作，并进行适当的展望。

模块图,涡轴发动机,模型

图 2-4 涡轴发动机模型 Simulink 模块图2.5 本章小结本章基于MATLAB/Simulink平台采用部件级建模方对某型号涡轴发动机进数学抽象，同时建立其数学模型，进而分析使发动机稳定协调工作的动、稳态型。采用部件法建模，发动机整体被分为 6 个相对独立的子部件并分别进行气热力学分析并建立对应的子模型；在一定误差限条件下，建立稳态、动态共同作方程组，并采用数值解法（N-R 法）进行方程组求解。经过实际验证，本文构建的模型是有效的。此模型也为下文设计涡轴发动机神经网络控制器打下良基础。

【参考文献】