基于粒子群算法的航空发动机多变量控制研究

论文摘要

航空发动机为一类非线性强、控制变量多、结构复杂且时变的气动热力学系统。近年来，随着航空事业的不断发展，对航空发动机的性能也提出了更高的要求。在飞行包线内，航空发动机气动热力过程受工作环境及工作状态的变化影响非常显著，若不采取合理有效的控制手段，航空发动机将无法达到要求的工作性能指标，甚至无法正常工作。为确保航空发动机在任何变化的条件下都能够安全稳定的工作，必须对其进行控制。本文以某型双轴涡扇航空发动机部件级非线性系统作为研究对象，通过采用基于改进最小二乘拟合法，在建立和分析航空发动机四变量小偏差状态变量模型的基础上，分别采用神经网络逆控制、PID网络控制以及鲁棒H∞控制进行航空发动机多变量控制研究。由于神经网络逆控制、PID网络控制过于依赖于网络初始权值以及鲁棒H∞控制主要取决于加权函数矩阵的选取，针对上述控制方法中的优化问题，采用粒子群算法进行动态优化以提高其控制性能。仿真结果表明，所设计的控制器均能取得满意的控制性能。同时，粒子群算法存在许多缺陷，如对环境的变化不敏感，算法易陷入局部极小值等不足。文中提出一种自适应变异的改进思想，以提高粒子群算法的搜索精度、收敛速度及收敛性，通过采用标准测试函数进行验证，结果表明该改进粒子群算法具有满意的搜索精度、收敛速度及收敛性。本论文的研究内容如下：1、重点分析所研究的航空发动机部件级非线性系统，并依照航空发动机控制变量的选取应可调及可观察这一原则，确定航空发动机控制系统的变量组合。针对航空发动机飞行包线内的工作点，通过采用基于改进最小二乘拟合法，建立和分析航空发动机四变量的小偏差状态变量模型。2、针对粒子群算法存在的某些不足，提出一种自适应变异的改进思想。通过该改进思想的粒子群算法具有动态调整权值、自适应变异位置量、速度量，为防止粒子速度及位置量变化过大或过小,对粒子的速度及位置更新均做限制。动态调整权值可以提高粒子群算法的收敛性，自适应变异位置、速度量可以有效防止粒子群算法易陷入局部极小值，且能够增强粒子间的活性，保证各粒子具有合理的速度进行搜索。并通过标准测试函数对该改进粒子群算法进行测试，仿真结果表明，该改进粒子群算法具有较高的搜索精度、收敛速度及收敛性等优点。3、通过采用改进粒子群算法优化BP网络，建立航空发动机BP网络辨识。并与遗传算法优化BP网络所建立的航空发动机BP网络辨识进行比较,仿真结果表明，基于改进粒子群算法的BP网络航空发动机辨识具有辨识精度高、预测误差小等优点。同时采用神经网络逆控制方法建立航空发动机神经网络逆控制器，选取航空发动机飞行包线内不同工作点，对所设计的逆控制器进行验证。仿真结果表明，该神经网络逆控制器具有控制精度高，跟踪性能优良等优点。4、由于建立的小偏差状态变量模型存在许多不确定因素，采用PID网络设计航空发动机多变量解耦控制器。然而，PID网络过于依赖于网络初始权值，通过采用改进粒子群算法优化PID网络初始权值，建立PID网络的航空发动机解耦控制器，选取航空发动机飞行包线内不同工作点，对所设计的PID网络解耦控制器进行验证。仿真结果表明，该控制器具有调节时间短、控制精度高等优点。5、同样考虑小偏差状态变量模型存在许多不确定因素，采用基于混合灵敏度方法设计航空发动机鲁棒H∞控制器。鲁棒H∞控制器主要取决于加权函数矩阵的选取，通过采用改进粒子群算法对加权函数矩阵进行优化，并将所要求的航空发动机控制性能指标作为目标函数，设计基于改进粒子群算法的航空发动机鲁棒H∞控制器，选取航空发动机飞行包线内不同工作点，对所设计的鲁棒H∞控制器进行验证。仿真结果表明，该控制器具备较好的鲁棒稳定性及鲁棒性能，并能够取得满意的控制性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 论文的选题背景及意义
• 1.2 航空发动机控制研究现状
• 1.3 粒子群算法及其在控制方法中的研究现状
• 1.4 论文主要内容及结构安排
• 第2章 航空发动机建模与分析
• 2.1 引言
• 2.2 航空发动机部件级非线性系统分析
• 2.2.1 航空发动机部件级非线性系统基本方程
• 2.2.2 航空发动机共同工作方程
• 2.2.3 航空发动机非线性系统的状态空间形式
• 2.3 航空发动机飞行包线
• 2.4 航空发动机控制变量选取
• 2.5 航空发动机小偏差状态变量模型的建立
• 2.5.1 航空发动机小偏差状态变量模型一般形式
• 2.5.2 基于改进最小二乘拟合方法的航空发动机建模
• 2.5.3 航空发动机小偏差状态变量模型
• 2.5.4 航空发动机小偏差状态变量模型性能分析
• 2.6 结论
• 第3章 改进粒子群算法
• 3.1 引言
• 3.2 基本粒子群算法
• 3.2.1 基本原理
• 3.2.2 参数分析
• 3.2.3 实现步骤
• 3.3 改进粒子群算法
• 3.3.1 基本粒子群算法的改进思路
• 3.3.2 改进粒子群算法的实现步骤
• 3.3.3 改进粒子群算法函数测试
• 3.4 结论
• 第4章 基于改进粒子群算法的航空发动机逆控制器设计
• 4.1 引言
• 4.2 基于改进粒子群算法的航空发动机BP网络辨识
• 4.2.1 航空发动机BP网络辨识一般形式
• 4.2.2 基于改进粒子群算法的航空发动机BP网络辨识
• 4.2.3 基于改进粒子群算法的航空发动机BP网络辨识性能分析
• 4.3 航空发动机神经网络逆控制方法
• 4.3.1 神经网络逆控制方法原理分析
• 4.3.2 航空发动机神经网络逆控制
• 4.4 航空发动机逆控制系统性能分析
• 4.5 结论
• 第5章 基于改进粒子群算法的航空发动机解耦控制器设计
• 5.1 引言
• 5.2 基于PID网络的解耦控制器一般形式
• 5.3 基于改进粒子群算法的PID网络解耦控制器结构
• 5.4 控制系统性能分析
• 5.5 结论
• 第6章 基于粒子群算法的航空发动机鲁棒H∞控制器设计
• 6.1 引言
• 6.2 混合灵敏度鲁棒H∞控制器设计
• 6.3 基于改进粒子群算法的鲁棒H∞控制器设计
• 6.3.1 加权函数矩阵优化问题
• 6.3.2 参数编码
• 6.3.3 目标函数定义
• 6.3.4 最优加权函数矩阵搜索
• 6.4 航空发动机鲁棒H∞控制器设计
• 6.4.1 目标函数分析
• 6.4.2 混合优化算法中参数的选取
• 6.4.3 改进粒子群算法优化结果
• 6.5 航空发动机控制系统性能评价
• 6.5.1 控制系统灵敏度分析
• 6.5.2 控制系统响应分析
• 6.5.3 控制系统鲁棒性能分析
• 6.6 结论
• 第7章 总结
• 参考文献
• 攻读硕士期间发表论文情况
• 致谢
• 附录A
• 附录B