一種航空發(fā)動機(jī)在線自適應(yīng)最優(yōu)pid控制器設(shè)計方法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明設(shè)及一種航空發(fā)動機(jī)在線自適應(yīng)最優(yōu)PID控制器設(shè)計方法，采用一種新型 的融合蜂群算法，針對航空發(fā)動機(jī)PID控制器參數(shù)具有在線自適應(yīng)優(yōu)化能力，能夠根據(jù)發(fā)動 機(jī)的當(dāng)前工作狀態(tài)自動優(yōu)化控制參數(shù)W達(dá)到最優(yōu)的控制效果。
【背景技術(shù)】：
[0002] 航空發(fā)動機(jī)是一種熱力過程極其復(fù)雜的非線性被控對象，其工作環(huán)境存在未知干 擾、參數(shù)攝動等非線性因素，需要對其工作過程加 W控制，且設(shè)計的控制器需要良好的動態(tài) 性能和魯棒性，航空發(fā)動機(jī)控制器的設(shè)計是如今國內(nèi)外航空發(fā)動機(jī)界研究的重點和難點。 常用的控制方法有PID控制，LQR控制，Hoc控制，自適應(yīng)控制，預(yù)測控制，滑模變結(jié)構(gòu)控制等。 由于航空發(fā)動機(jī)氣動熱力工程復(fù)雜，非線性因素較多，控制器的可靠性和穩(wěn)定性非常重要， 因此在實際工程應(yīng)用中仍然大量采用經(jīng)典的PID控制器。PID控制器是最為通用的控制器， 由于具有設(shè)計思想簡單、魯棒性好、可靠性高等優(yōu)點，被廣泛應(yīng)用于航空航天、電力、工業(yè)流 程等領(lǐng)域。PID控制器的性能與比例系數(shù)、積分系數(shù)、微分系數(shù)的的優(yōu)化整定有非常直接的 關(guān)系，目前，比較傳統(tǒng)的PID參數(shù)整定方法有Ziegler-Nichols法、梯度法、間接尋優(yōu)法等，雖 然具有不錯的參數(shù)整定能力，但由于存在對工作者經(jīng)驗依賴較強(qiáng)、對初值敏感、整定繁瑣、 自適應(yīng)能力差等缺點，因此研究現(xiàn)代智能PID控制具有重要的意義。
[0003] 人工蜂群算法(Artificial Bee Colony algorithm)又稱ABC算法，是一種基于群 體協(xié)作的智能算法ABC算法模仿了蜜蜂群的采蜜流程，用來優(yōu)化目標(biāo)問題。但是，ABC算法存 在一定的不足，比如，存在運行后期優(yōu)化速度慢、容易陷入局部最優(yōu)等問題，因此對ABC算法 在運用中進(jìn)行改進(jìn)非常重要，特別是從選擇機(jī)制、鄰域捜索機(jī)制、解向量多樣性機(jī)制方面的 改進(jìn)研究具有重要的意義。
[0004] 目前研究的航空發(fā)動機(jī)智能PID控制，多數(shù)是離線整定PID參數(shù)W優(yōu)化控制效果， 在控制過程PID的Ξ個參數(shù)保持不變，通過設(shè)計合理的目標(biāo)函數(shù)，雖然可W達(dá)到良好的控制 效果，但是離線整定PID參數(shù)只能針對特定的工作情況，缺乏靈活性，且不能實現(xiàn)控制器參 數(shù)的時變最優(yōu)。而在線整定能夠在每個采樣時刻，根據(jù)控制系統(tǒng)的誤差、誤差變化率等動態(tài) 的優(yōu)化控制參數(shù)，大大提高了優(yōu)化算法的靈活性。
【發(fā)明內(nèi)容】
：
[0005] 本發(fā)明所要解決的技術(shù)問題是考慮到航空發(fā)動機(jī)熱力過程極其復(fù)雜，發(fā)動機(jī)控制 對象具有強(qiáng)非線性，建立航空發(fā)動機(jī)線性化數(shù)學(xué)模型，設(shè)計航空發(fā)動機(jī)PID控制器，并設(shè)計 合理的控制器在線優(yōu)化目標(biāo)性能函數(shù)，采用設(shè)計的融合蜂群算法在控制過程中對發(fā)動機(jī) PID控制器進(jìn)行在線優(yōu)化，得到時最優(yōu)參數(shù)，使得在整個控制過程航空發(fā)動機(jī)的性能最優(yōu)。
[0006] 本發(fā)明采用如下技術(shù)方案:一種航空發(fā)動機(jī)在線自適應(yīng)最優(yōu)PID控制器設(shè)計方法， 包括如下步驟：
[0007] 步驟1 )，建立航空發(fā)動機(jī)的增量化線性數(shù)學(xué)模型；
[0008] 步驟2)，針對步驟1)中的線性數(shù)學(xué)模型設(shè)計航空發(fā)動機(jī)PID控制器；
[0009] 步驟3)，針對步驟2)中的PID控制器參數(shù)優(yōu)化問題，設(shè)計每個采用時刻的目標(biāo)性能 函數(shù)；
[0010] 步驟4)，利用步驟3)中設(shè)計的目標(biāo)性能函數(shù)，在航空發(fā)動機(jī)PID控制系統(tǒng)中，在每 個采樣時刻用融合蜂群算法對PID控制器參數(shù)進(jìn)行在線優(yōu)化。
[0011] 進(jìn)一步地，所述步驟1)中建立航空發(fā)動機(jī)增量化線性數(shù)學(xué)模型的步驟如下：
[0012] 步驟1.1)，根據(jù)航空發(fā)動機(jī)氣動熱力學(xué)特性和典型的部件特性數(shù)據(jù)建立發(fā)動機(jī)部 件級非線性數(shù)學(xué)模型；
[0013] 步驟1.2)，針對步驟1.1)中非線性數(shù)學(xué)模型，采用小信號擾動法和擬合法建立航 空發(fā)動機(jī)增量化線性數(shù)學(xué)模型。
[0014] 進(jìn)一步地，所述步驟3)中對每個采樣時刻的目標(biāo)性能函數(shù)設(shè)計方法如下：
[0015] 采用誤差絕對值和誤差變化率的加權(quán)和作為每個采樣時刻算法中蜂群個體參數(shù) 選擇的目標(biāo)函數(shù)，即
[0016] J = ai I e I +〇21 de
[0017] 其中，e = Δ化R- Δ化表示轉(zhuǎn)速跟蹤誤差，de為轉(zhuǎn)速誤差變化率，當(dāng)I e I較大時，為了 保證閉環(huán)系統(tǒng)能夠有足夠快的動態(tài)性能，盡快地降低誤差，通常02取值為0,即不考慮轉(zhuǎn)速 誤差變化率的影響，當(dāng)I e I較小，為防止誤差變化太快而產(chǎn)生超調(diào)，02取一定大小的數(shù)值，但 相對于αι仍然較小，
[0018] 為了避免轉(zhuǎn)速超調(diào)量過大，在目標(biāo)函數(shù)中加入誤差懲罰機(jī)制，即將發(fā)動機(jī)轉(zhuǎn)速超 調(diào)量作為最有指標(biāo)的一項，因此最優(yōu)指標(biāo)可W表示為
[0019] if(e<0)J = J+a3|e
[0020] 其中，為了使誤差懲罰功能實際有效，03遠(yuǎn)大于αι。
[0021] 進(jìn)一步地，所述步驟4)中在每個采樣時刻用融合蜂群算法對PID控制器參數(shù)進(jìn)行 在線優(yōu)化的方法如下：
[0022] 步驟4.1)，在當(dāng)前采樣時刻設(shè)定對應(yīng)于航空發(fā)動機(jī)PID控制器3個參數(shù)的3維解向 量，并初始化所有的解向量；
[0023] 步驟4.2)，計算所有解向量的目標(biāo)函數(shù)值，并求得全局最小目標(biāo)函數(shù)值和全局最 優(yōu)解向量；
[0024] 步驟4.3)，開始融合蜂群算法循環(huán)，將雇傭蜂的解向量未更新次數(shù)值置零；
[0025] 步驟4.4)，雇傭蜂進(jìn)行鄰域捜索產(chǎn)生新解，基于貪婪準(zhǔn)則選擇更優(yōu)的解向量；
[0026] 步驟4.5)，若某只雇傭蜂未能提高解向量質(zhì)量，則未更新計數(shù)加1;
[0027] 步驟4.6)，計算每只雇傭蜂被選擇的概率，觀察蜂按概率隨機(jī)選擇雇傭蜂，概率值 越大的雇傭蜂越可能被觀察蜂選擇；
[0028] 步驟4.7)，最后一只觀察蜂選擇步驟4.4)中產(chǎn)生的最優(yōu)解向量；
[0029] 步驟4.8)，觀察蜂進(jìn)行鄰域捜索，基于貪婪準(zhǔn)則選擇更優(yōu)解，按照步驟4.5)中的方 法計算未更新計數(shù)值；
[0030] 步驟4.9)，觀察蜂用進(jìn)行交叉運算產(chǎn)生新解，若新解質(zhì)量優(yōu)于原來的解向量，則用 新解向量代替原來的解，并按照步驟4.5)中的方法計算未更新計數(shù)值；
[0031 ]步驟4.10)，確定本次循環(huán)的最優(yōu)目標(biāo)函數(shù)值，若優(yōu)于上次循環(huán)得到的全局最優(yōu)目 標(biāo)函數(shù)值，則將它賦給全局最優(yōu)目標(biāo)函數(shù)值，并把對應(yīng)的解向量賦值給全局最優(yōu)解向量；
[0032] 步驟4.11)，若某只雇傭蜂的未更新計數(shù)值達(dá)到設(shè)定的最大未更新次數(shù)，則該雇傭 蜂又變成偵察蜂，并重新初始化解向量；
[0033] 步驟4.12)，若未達(dá)到設(shè)定的循環(huán)迭代次數(shù)，則轉(zhuǎn)到步驟4.4)，否則，融合蜂群算法 結(jié)束，得到航空發(fā)動機(jī)PID控制器在當(dāng)前采樣時刻全局最優(yōu)解向量，即PID控制器參數(shù)。
[0034] 進(jìn)一步地，所述步驟4.1)中初始化解向量的方法如下：
[0035] Xmi = lower(i)+rand(0,1) X (upper(i)-lower(i))
[0036] Xmi表示第m個雇傭蜂對應(yīng)的解向量的第i維值，lower(i)和upper(i)分別是Xmi的 最小值和最大值，1含m含Colonysize/2，Colonysize是種群大小，rand是0至Ijl之間的隨機(jī) 數(shù)。
[0037] 進(jìn)一步地，所述步驟4.4)中鄰域捜索產(chǎn)生新解法的方法如下：
[003引 X'mj = Xmj+rand(-l，1) X (Xmj-Xkj)甘and(0,1) X (Pgj-Xmj)
[0039] 其中，k、j為隨機(jī)數(shù)，且k辛m，l<j<Dim，Dim為解向量的維數(shù)，rand(0，l)X(Pg廣 Xmj)為全局最優(yōu)位置引導(dǎo)項，Pgj為全局最優(yōu)解向量的第j維分量，若X'mj超過取值范圍，則取 臨近的極限值來代替，引入全局最優(yōu)位置引導(dǎo)項后，蜂群在進(jìn)行鄰域捜索時將趨向全局最 優(yōu)位置。
[0040] 進(jìn)一步地，所述步驟4.6)中觀察蜂隨機(jī)選擇雇傭蜂的概率公式為：
[0041]
[0042] 即對于第m個雇傭蜂，其被觀察蜂選擇的概率為Pm，曰t(疋：)表示向量的適應(yīng)度函 數(shù)值。
[0043] 進(jìn)一步地，所述步驟4.9)中觀察蜂進(jìn)行交叉運算產(chǎn)生新解采用的方法如W下公式 所示：
[0044]
[0045] 其中，α為0至Ijl之間的隨機(jī)數(shù)，1含m含Colonysize/2，m為奇數(shù)，上述公式是在觀察 蜂階段融入交叉算子，在觀察蜂進(jìn)行鄰域捜索并進(jìn)行貪婪選擇后，兩兩相鄰的解向量按照 設(shè)計的交叉概率進(jìn)行交叉運算。
[0046] 本發(fā)明具有如下有益效果：
[0047] (1)本發(fā)明提出了一種新型的融合蜂群算法，相對于傳統(tǒng)的人工蜂群算法，從多個 方面改進(jìn)了算法機(jī)制，具有收斂速度快、尋優(yōu)能力強(qiáng)、魯棒性好的優(yōu)點；
[004引（2)本發(fā)明是一種基于融合蜂群算法的航空發(fā)動機(jī)在線自適應(yīng)最優(yōu)PID控制器設(shè) 計方法，相