航空发动机加速控制计划嵌套优化方法及装置

1.本发明涉及航空发动机控制技术领域，尤其涉及一种航空发动机加速控制计划优化方法。


背景技术：

2.发动机的一个重要工作过程是加减速工作过程。为保证发动机在加减速过程中不超温、不喘振、不熄火，且能快速响应，设计一个最优的加减速控制规律是至关重要的，而在加减速控制规律的设计中，加减速控制计划直接影响了航空发动机的响应性能和安全性，因此广泛采用优化技术来进行加减速控制计划的优化。
3.常用的加减速(下文统称为加速)控制计划优化方法包括基于现代人工智能的方法和基于经典非线性优化的方法。例如针对涡扇发动机的研究中，文献[1]将遗传算法和序列二次规划算法相结合，对发动机推力在最短的时间内达到最大的加速过程进行寻优求解。文献[2]针对涡扇发动机的整个加速度过程建立一个优化问题，采用序列二次规划方法对主燃油流量和尾喷口喉道面积的贝塞尔曲线进行优化，进而构建加速控制计划。文献[3][4]则将对控制计划的优化扩展到全包线，制定了基于等温度线的换算油气比控制计划和基于等高度线的n-dot控制计划。文献[5]、[6]借助多学科优化设计isight平台，通过剩余功率最大化，开展变循环发动机过渡态控制计划设计。这些控制计划优化过程，均未对开环控制几何机构和闭环控制几何机构进行区分，采用了相同的优化方法，或者仅对闭环控制的几何机构进行优化，不利于发挥多变量控制的优势。
[0004]
参考文献：
[0005]
[1]时培燕,缑林峰,郭江维,等.基于ga-sqp的航空发动机加速寻优控制[j].计算机与现代化,2014,0(01):62-66.
[0006]
[2]zheng qiangang,zhang haibo.a global optimization control for turbo-fan engine acceleration schedule design[j].proceedings of the institution of mechanical engineers,part g:journal of aerospace engineering,2018,232(2):308-316.
[0007]
[3]刘子赫,郑前钢,刘明磊,等.涡扇发动机全包线加速控制计划改进方法研究[j].推进技术,2022,43(01):346-353.
[0008]
[4]李宇琛,李秋红,张新晟等.基于主动切换逻辑的涡扇发动机n-dot控制方法[j/ol].北京航空航天大学学报:1-14[2023-06-28].https://doi.org/10.13700/j.bh.1001-5965.2022.0022.
[0009]
[5]朱白彬.三外涵变循环发动机控制计划及控制算法设计[d].南京：南京航空航天大学,2020.
[0010]
[6]jia l,chen y,cheng r,et al.designing method of acceleration and deceleration control schedule for variable cycle engine[j].chinese journal of aeronautics,2021,34(05):27-38.


技术实现要素：

[0011]
本发明所要解决的技术问题在于克服现有技术不足，提供一种航空发动机加速控制计划嵌套优化方法，内回路优化闭环几何机构位置以达到最优的控制效果，外回路优化开环几何机构位置，以提升发动机的加速性能。
[0012]
本发明所采用的技术方案具体如下：
[0013]
一种航空发动机加速控制计划嵌套优化方法，使用内、外回路嵌套的方式对参与航空发动机控制的几何机构进行嵌套优化：在外回路，对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；在内回路，对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。
[0014]
优选地，在外回路使用群智能优化方法进行所述全局优化，根据参与开环控制的几何机构个数及贝塞尔曲线控制点确定个体维数，根据所述几何机构的调节范围确定初始种群的生成范围。
[0015]
优选地，所述贝塞尔曲线的控制点由转速和参与开环控制的几何机构位置构成。
[0016]
优选地，在内回路，基于神经网络状态空间模型在线构建预测模型，并使用交替方向乘子法对闭环控制变量进行局部滚动优化；所述神经网络状态空间模型包括航空发动机状态空间模型和神经网络模型，所述航空发动机状态空间模型的参数由所述神经网络模型参数进行描述，并随所述神经网络模型参数的在线更新而更新。
[0017]
进一步优选地，所述神经网络包括隐含层、输出层以及设置在隐含层和输出层之间的一层乘法层；乘法层以航空发动机状态空间模型的状态量和控制量作为激励函数；根据状态量和控制量的维数将隐含层分为n+p组，n代表状态变量的维数，p代表输入变量的维数，每组含同样数量的j个隐含层节点，每组隐含层输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权值根据递推最小二乘法计算。
[0018]
基于同一发明构思还可以得到以下技术方案：
[0019]
一种航空发动机加速控制计划嵌套优化装置，包括相互嵌套的内回路和外回路，用于对参与航空发动机控制的几何机构进行嵌套优化；外回路用于对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；内回路用于对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。
[0020]
优选地，外回路使用群智能优化方法进行所述全局优化，根据参与开环控制的几何机构个数及贝塞尔曲线控制点确定个体维数，根据所述几何机构的调节范围确定初始种群的生成范围。
[0021]
优选地，所述贝塞尔曲线的控制点由转速和参与开环控制的几何机构位置构成。
[0022]
优选地，在内回路，基于神经网络状态空间模型在线构建预测模型，并使用交替方向乘子法对闭环控制变量进行局部滚动优化；所述神经网络状态空间模型包括航空发动机状态空间模型和神经网络模型，所述航空发动机状态空间模型的参数由所述神经网络模型参数进行描述，并随所述神经网络模型参数的在线更新而更新。
[0023]
进一步优选地，所述神经网络包括隐含层、输出层以及设置在隐含层和输出层之间的一层乘法层；乘法层以航空发动机状态空间模型的状态量和控制量作为激励函数；根据状态量和控制量的维数将隐含层分为n+p组，n代表状态变量的维数，p代表输入变量的维
数，每组含同样数量的j个隐含层节点，每组隐含层输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权值根据递推最小二乘法计算。
[0024]
相比现有技术，本发明技术方案具有以下有益效果：
[0025]
(1)控制计划优化过程和实际控制过程更一致：闭环控制变量采取闭环控制优化方式，开环控制变量采取开环优化方式，获得控制计划的方法和实际使用情况更接近；
[0026]
(2)能够充分发挥多变量控制的优势：相比传统的只进行闭环控制量或者进行有限几何机构优化的方法，本发明所有控制变量均能参与优化，能够充分发挥多变量控制的优势，提高发动机的加速性能；
[0027]
(3)加速过程评价更直接：相比传统基于转速或者基于功率提取的优化方法，本发明直接以加速时间最短来评价个体，评价指标与加速过程性能评价一致。
附图说明
[0028]
图1是变循环发动机结构示意图；
[0029]
图2是内外回路嵌套的加速控制计划优化系统结构图；
[0030]
图3是神经网络状态空间模型结构；
[0031]
图4是优化获得的五阶a
224
贝塞尔曲线；
[0032]
图5为双外涵模式下，高度0km，马赫数0时，有、无外回路粒子群优化的加速过程控制效果，其中(a)为换算油气比控制计划曲线；(b)为低压转速n
l
响应曲线；(c)为燃油流量w
fm
变化曲线；(d)为尾喷管喉部面积a8变化曲线；(e)为后涵道引射器面积a
163
变化曲线；(f)为前涵道引射器面积a
224
变化曲线；(g)为高压涡轮导向器面积a
ht
变化曲线；(h)为低压涡轮导向器面积a
lt
变化曲线；(i)为高压转速nh响应曲线；(j)为推力f响应曲线；(k)为外内涵出口总压比l
epr
响应曲线；(l)为风扇喘振裕度smf变化曲线；(m)为cdfs喘振裕度smcd变化曲线；(n)为压气机喘振裕度smc变化曲线；(o)为压气机出口压力p3变化曲线；(p)为高压涡轮进口温度t4变化曲线；
[0033]
图6为单外涵模式下，高度0km，马赫数0时，有、无外回路粒子群优化的加速过程控制结果，其中，(a)为换算油气比控制计划曲线；(b)为低压转速n
l
响应曲线；(c)为燃油流量w
fm
变化曲线；(d)为尾喷管喉部面积a8变化曲线；(e)为后涵道引射器面积a
163
变化曲线；(f)为前涵道引射器面积a
224
变化曲线；(g)为高压涡轮导向器面积a
ht
变化曲线；(h)为低压涡轮导向器面积a
lt
变化曲线；(i)为高压转速nh响应曲线；(j)为推力f响应曲线；(k)为外内涵出口总压比l
epr
响应曲线；(l)为风扇喘振裕度smf变化曲线；(m)为cdfs喘振裕度smcd变化曲线；(n)为压气机喘振裕度smc变化曲线；(o)为压气机出口压力p3变化曲线；(p)为高压涡轮进口温度t4变化曲线。
具体实施方式
[0034]
针对现有技术不足，本发明的解决思路是使用内、外回路嵌套的方式对参与航空发动机控制的几何机构进行嵌套优化：在外回路，对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；在内回路，对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。
[0035]
优选地，在外回路使用群智能优化方法进行所述全局优化，根据参与开环控制的
几何机构个数及贝塞尔曲线控制点确定个体维数，根据所述几何机构的调节范围确定初始种群的生成范围。
[0036]
优选地，所述贝塞尔曲线的控制点由转速和参与开环控制的几何机构位置构成。
[0037]
优选地，在内回路，基于神经网络状态空间模型在线构建预测模型，并使用交替方向乘子法对闭环控制变量进行局部滚动优化；所述神经网络状态空间模型包括航空发动机状态空间模型和神经网络模型，所述航空发动机状态空间模型的参数由所述神经网络模型参数进行描述，并随所述神经网络模型参数的在线更新而更新。
[0038]
进一步优选地，所述神经网络包括隐含层、输出层以及设置在隐含层和输出层之间的一层乘法层；乘法层以航空发动机状态空间模型的状态量和控制量作为激励函数；根据状态量和控制量的维数将隐含层分为n+p组，n代表状态变量的维数，p代表输入变量的维数，每组含同样数量的j个隐含层节点，每组隐含层输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权值根据递推最小二乘法计算。
[0039]
本发明所提出的航空发动机加速控制计划嵌套优化装置，包括相互嵌套的内回路和外回路，用于对参与航空发动机控制的几何机构进行嵌套优化；外回路用于对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；内回路用于对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。
[0040]
优选地，外回路使用群智能优化方法进行所述全局优化，根据参与开环控制的几何机构个数及贝塞尔曲线控制点确定个体维数，根据所述几何机构的调节范围确定初始种群的生成范围。
[0041]
优选地，所述贝塞尔曲线的控制点由转速和参与开环控制的几何机构位置构成。
[0042]
优选地，在内回路，基于神经网络状态空间模型在线构建预测模型，并使用交替方向乘子法对闭环控制变量进行局部滚动优化；所述神经网络状态空间模型包括航空发动机状态空间模型和神经网络模型，所述航空发动机状态空间模型的参数由所述神经网络模型参数进行描述，并随所述神经网络模型参数的在线更新而更新。
[0043]
进一步优选地，所述神经网络包括隐含层、输出层以及设置在隐含层和输出层之间的一层乘法层；乘法层以航空发动机状态空间模型的状态量和控制量作为激励函数；根据状态量和控制量的维数将隐含层分为n+p组，n代表状态变量的维数，p代表输入变量的维数，每组含同样数量的j个隐含层节点，每组隐含层输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权值根据递推最小二乘法计算。
[0044]
本发明技术方案的适用对象包括但不限于涡轴发动机、涡桨发动机、涡扇发动机、变循环发动机、涡轮基冲压组合发动机等。
[0045]
为了便于公众理解，下面以某型双外涵变循环发动机为例并结合附图来对本发明的技术方案进行详细说明：
[0046]
该变循环发动机结构如图1所示，主要部件有：风扇(fan)、核心驱动风扇级(cdfs)、模式选择活门(msv)、压气机(com)、前涵道引射器、燃烧室、高压涡轮(ht)、低压涡轮(lt)、后涵道引射器(rvabi)、掺混室、加力燃烧室和尾喷管。图中a
224
为前可调涵道引射器面积，a
163
为后可调涵道引射器面积，a
ht
、a
lt
为高、低压涡轮导向器面积。发动机采取三变量闭环控制方式，通过主燃油流量w
fm
、尾喷口喉道面积a8和rvabi面积a
163
闭环控制推力f、
低压转速n
l
、外涵道和内涵道出口压比l
epr
。
[0047]
为了能够在加速过程中获得最优的控制计划，本实施例以变循环发动机的部件级数学模型(clm)为依据，对前涵道引射器面积a
224
、高压涡轮导向器面积a
ht
和低压涡轮导向器面积a
lt
进行优化，本发明提出了如图2所示的加速控制计划优化结构。外回路采用群智能优化方法中较常用的粒子群优化(pso)算法对a
224
、a
ht
、a
lt
进行优化，内回路以clm为被控对象，采用模型预测控制以交替方向乘子法(admm)优化当前a
224
、a
ht
、a
lt
对应的w
fm
、a8和a
163
输入，以获得满足约束条件下的最优加速性能。为了使几何机构过渡平稳，采用贝塞尔曲线来构造a
224
、a
ht
、a
lt
加速过程的变化曲线，利用粒子群来优化贝塞尔曲线的控制点，并通过低压转速n
l
的加速时间t
ac
来评价个体的适应度。
[0048]
本实施例的加速控制计划采用离线优化的方式，为了提高优化效率，建立基于状态空间模型的线性预测模型，构造二次型性能指标，采用交替方向乘子(admm)方法进行优化。
[0049]
本实施例采用基于神经网络的状态空间模型(nn-ssm)建立方法，在经典神经网络上引入乘法层，使得nn输出具有ssm的表达形式，且大幅度提高了建模精度。
[0050]
用于模型预测控制的变循环发动机状态空间模型的表达形式如下：
[0051][0052]
其中，x＝[x1,x2]
t
＝[n
l
,nh]
t
为状态量，分别代表低、高压转速，u＝[u1,u2,u3]
t
＝[w
fm
，a8，a
163
]
t
为闭环控制变量，y＝[y1,y2,y3]
t
＝[n
l
，f，l
epr
]
t
为被控制量，yc＝[y
c1
,y
c2
,y
c3
,y
c4
,y
c5
]
t
＝[smf,smcd,smc,p3,t4]
t
表示约束向量，分别代表风扇喘振裕度、cdfs喘振裕度、压气机喘振裕度、压气机出口压力和高压涡轮进口温度，α＝n
l
为状态变量模型的调度参数。a，b，c，d，cc，dc分别是适维模型矩阵，下标k代表采样时刻。
[0053]
为了使神经网络能够具有状态变量数学模型的表达式，本实施例采用如图3所示的网络结构。在网络的隐含层和输出层之间增加一层乘法层，乘法层以状态量和控制量作为激励函数，根据状态量和控制量的维数将隐含层分为n+p组，n代表状态变量的维数，p代表输入变量的维数，每组含j个隐含层节点。每组输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权根据递推最小二乘法计算。
[0054]
网络乘法层的激励函数为k时刻的状态变量n
l,k
、n
h,k
和k时刻的输入量w
fm,k
、a
8,k
及a
163,k
。则神经网络的第m个输出可以表示为：
[0055][0056]
其中，h
i,k
＝f(wiαk+bi)为第i个隐含层节点的输出，调度参数α＝n
l
同样为神经网络输入。w是输入层与隐含层之间的权值，β是乘法层与输出层之间的权值，b是隐含层的偏置，下标i代表变量与第i个隐含层节点或者乘法层节点相关。
[0057]
由于n
l
既是式(1)中ssm的输出量又是状态量，其对应的c、d矩阵元素可以直接确定，因此改进神经网络的9个输出对应ssm的定，因此改进神经网络的9个输出对应ssm的
[0058]
此时，式(1)中的ssm则可以写成：
[0059][0060][0061][0062][0063][0064][0065]
其中，下标l表示与第l个状态量相关的参数，下标s表示与第s个约束量相关的参数。
[0066]
由式(3)可知，ssm参数可以用神经网络参数描述，能够随着神经网络输入和权值参数的更新而更新。神经网络采用在线训练方法，则所获取的ssm可以实时表征发动机动态特性。
[0067]
以在线学习ssm构建预测模型，控制时域和预测时域分别为nu和ny，在线学习ssm根据未来输入，即控制序列u＝[u
kt
,u
k+1t
,
…
,u
k+nu-1t
]
t
，由ssm计算得到发动机未来的输出序列y＝[y
k+1
,y
k+2
,
…
,y
k+ny
]
t
和限制量预测序列yc＝[y
c,k+1
,y
c,k+2
,y
c,k+3
,
…
,y
c,k+ny
]
t
。
[0068]
在每个采样时间k，已知当前的状态量xk和在线学习ssm模型得到的系统矩ak、bk、ck、dk、c
c,k
和d
c,k
，可以得到未来ny步的状态变量如式(4)所示：
[0069][0070]
同理可得未来ny步的输出变量和约束变量如式(5)和式(6)所示：
[0071][0072][0073]
所以未来ny步的输出向量和约束向量可以写成式(7)和式(8)的形式：
[0074][0075]
yc＝pcxk+hcu (8)
[0076]
其中，计算输出量的p、h矩阵和计算约束量的pc、hc矩阵分别为：
[0077]
[0078][0079]
基于上述的在线预测模型，构造出如下的带约束的二次规划问题：
[0080][0081]
其中，r为参考轨迹，输入的参考轨迹序列r＝[r
k+1rk+2
…rk+ny]t
，e为参考轨迹和预测输出的差值，则e＝r
–
y，y，i为适当维数的单位矩阵，下标max代表最大值，下标min代表最小值。
[0082]
其中，
[0083][0084][0085]umax
、u
min
为闭环控制量的最大和最小值限制。
[0086][0087][0088]
δu为执行机构的变化限制，δu
max
为每个仿真时刻执行机构的最大允许变化量，满足：
[0089][0090]
为满足执行机构的限制要求，hu矩阵可表示为式(17)，且满足式(18)：
[0091][0092]hu
u≤δu
ꢀꢀ
(18)
[0093]
因此，最终构造出的矩阵满足mu≤l。
[0094]
为求解式(11)带不等式约束的二次规划问题，本发明采取admm算法进行求解，并引入反馈校正，以获得当前a
224
、a
ht
、a
lt
下的发动机最优输入、输出序列。
[0095]
在外回路几何机构优化过程中，基于贝塞尔曲线构造a
224
、a
ht
和a
lt
加速过程的变化曲线，以被控制的低压转速加速时间最短为优化目标，采用粒子群优化算法(pso)，对表征几何参数变化的贝塞尔曲线控制点进行优化。
[0096]
贝塞尔曲线是应用于二维图形应用程序的数学曲线。一个包含n
p
+1个控制点pi(i＝0,1,
…
,n
p
)的贝塞尔曲线方程可表示为n阶伯恩斯坦多项式的线性组合：
[0097][0098]
其中，pi(ni，ai)为控制点参数，n代表横坐标转速，a代表纵坐标几何机构面积，下标i代表第i+1个控制点。t为比例参数，当t从0到1改变时，贝塞尔曲线上的点从起点移动到终点。
[0099]
采用粒子群算法对控制点进行优化，每个几何机构采用5个控制点，对应低压转速的[76％,82％,88％,94％,102％]，3个开环控制的几何机构一共15个控制点，则第i个粒子的位置向量x表示为xi＝(x
i1
,x
i2
,
…
,x
i15
)，速度向量v为vi＝(v
i1
,v
i2
,
…
,v
i15
)，第i个粒子迄今为止搜索到的最优位置为p
best,i
，粒子群搜索到的最优位置为g
best
，此时粒子的速度和位置更新如下：
[0100][0101]
其中，g表示当前迭代次数，ω为惯性因子，c1和c2是非负的加速度因子，r1和r2是介于0和1之间的随机数
[0102]
以内外回路共同作用下的加速时间t
ac
来判断粒子的适应度。
[0103]
mint
ac
＝t
2-t1ꢀꢀ
(21)
[0104]
其中，t1为加速开始时间，t2为加速到达目标转速99％的时间。
[0105]
通过粒子速度的变化，改变粒子的位置，获得不同的a
224
、a
ht
和a
lt
变化曲线，以a
224
为例，最优粒子对应的贝塞尔曲线如图4所示。由图4可见，在低压转速增大过程中，a
224
表现出先减少、后增大的变化趋势，且低转速时变化较快，而高转速时变化较慢，随低压转速呈
现光滑的过渡，在加速过程中，可以随低压转速进行开环调节。
[0106]
通过内外回路的嵌套优化，以加速时间最短粒子构造的贝塞尔曲线为开环调节计划，得到加速过程的最优开、闭环输入、输出序列。基于最优序列的燃油、高压转子换算转速n
h,cor
和压气机出口压力构建换算油气比加速控制计划。
[0107][0108]
其中，下标cor表示换算参数。
[0109]
为验证加速控制计划的有效性，在变循环发动机的单/双外涵两种模式下，开展仿真验证。双外涵模式下，变循环发动机在地面点(h＝0km,ma＝0)和亚声速巡航工作点(h＝8km,ma＝0.9)，开展加速过程控制计划优化。图5给出了地面点的仿真结果，图中同时给出了a
224
、a
ht
和a
lt
恒定(without pso)，仅采用内环模型预测控制的仿真结果。仿真过程中，风扇喘振裕度限制smfmin＝0.1，cdfs喘振裕度限制smcdmin＝0.1，压气机喘振裕度限制smcmin＝0.1，压气机出口压力限制p3max，高压涡轮前进口温度限制t4max。由图5可知，在加速的初始阶段，发动机的输出参数远离约束边界，此阶段燃油流量迅速增大，输入量主要受执行机构的限制，随着燃油流量的继续增加，发动机高、低压转速增加，风扇和压气机工作点逐渐向喘振边界移动；在加速后期，发动机高低压转速继续增加，压缩部件工作点开始逐渐远离喘振边界，但压气机出口压力和涡轮进口温度逐渐接近约束边界；此时低压转速接近100％，加速过程结束.由图5(b)可知，外环输入轨迹经过pso优化后，低压转速n
l
达到99％的响应时间从6.7秒加快到5.55秒。结果表明，经过模型预测控制和粒子群优化算法优化后的加速控制计划，可以安全、快速的实现加速过程控制。
[0110]
在亚声速巡航工作点h＝8km，ma＝0.9同样进行了加速控制计划的优化，仿真结果与图5类似，低压转速n
l
达到99％响应时间从5.575秒加快到4.949秒。验证了所设计的加速控制计划的优越性。
[0111]
单外涵模式下，变循环发动机分别在地面点(h＝0km,ma＝0)和超声速巡航工作点(h＝11km,ma＝1.4)，开展加速过程控制计划优化。地面工作点结果见图6。图6中，单外涵模式下加速过程与双外涵类似，都是在加速的初始阶段，远离约束边界，输入量的增加较快；在加速后期由于压气机出口压力和涡轮进口温度逐渐接近约束边界，输入量的增加速率稍有降低，最终低压转速稳定在100％转速，优化后n
l
达到99％响应时间从4.15秒加快到3.9秒。在h＝11km,ma＝1.4超声速巡航工作点的，低压转速响应时间从8.825秒加快到7.575秒，验证了本发明的内外回路嵌套加速控制计划优化方法的有效性。

技术特征：
1.一种航空发动机加速控制计划嵌套优化方法，其特征在于，使用内、外回路嵌套的方式对参与航空发动机控制的几何机构进行嵌套优化：在外回路，对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；在内回路，对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。2.如权利要求1所述航空发动机加速控制计划嵌套优化方法，其特征在于，在外回路使用群智能优化方法进行所述全局优化，根据参与开环控制的几何机构个数及贝塞尔曲线控制点确定个体维数，根据所述几何机构的调节范围确定初始种群的生成范围。3.如权利要求1所述航空发动机加速控制计划嵌套优化方法，其特征在于，所述贝塞尔曲线的控制点由转速和参与开环控制的几何机构位置构成。4.如权利要求1所述航空发动机加速控制计划嵌套优化方法，其特征在于，在内回路，基于神经网络状态空间模型在线构建预测模型，并使用交替方向乘子法对闭环控制变量进行局部滚动优化；所述神经网络状态空间模型包括航空发动机状态空间模型和神经网络模型，所述航空发动机状态空间模型的参数由所述神经网络模型参数进行描述，并随所述神经网络模型参数的在线更新而更新。5.如权利要求4所述航空发动机加速控制计划嵌套优化方法，其特征在于，所述神经网络包括隐含层、输出层以及设置在隐含层和输出层之间的一层乘法层；乘法层以航空发动机状态空间模型的状态量和控制量作为激励函数；根据状态量和控制量的维数将隐含层分为n+p组，n代表状态变量的维数，p代表输入变量的维数，每组含同样数量的j个隐含层节点，每组隐含层输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权值根据递推最小二乘法计算。6.一种航空发动机加速控制计划嵌套优化装置，其特征在于，包括相互嵌套的内回路和外回路，用于对参与航空发动机控制的几何机构进行嵌套优化；外回路用于对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；内回路用于对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。7.如权利要求6所述航空发动机加速控制计划嵌套优化装置，其特征在于，外回路使用群智能优化方法进行所述全局优化，根据参与开环控制的几何机构个数及贝塞尔曲线控制点确定个体维数，根据所述几何机构的调节范围确定初始种群的生成范围。8.如权利要求6所述航空发动机加速控制计划嵌套优化装置，其特征在于，所述贝塞尔曲线的控制点由转速和参与开环控制的几何机构位置构成。9.如权利要求6所述航空发动机加速控制计划嵌套优化装置，其特征在于，在内回路，基于神经网络状态空间模型在线构建预测模型，并使用交替方向乘子法对闭环控制变量进行局部滚动优化；所述神经网络状态空间模型包括航空发动机状态空间模型和神经网络模型，所述航空发动机状态空间模型的参数由所述神经网络模型参数进行描述，并随所述神经网络模型参数的在线更新而更新。10.如权利要求9所述航空发动机加速控制计划嵌套优化装置，其特征在于，所述神经网络包括隐含层、输出层以及设置在隐含层和输出层之间的一层乘法层；乘法层以航空发动机状态空间模型的状态量和控制量作为激励函数；根据状态量和控制量的维数将隐含层
分为n+p组，n代表状态变量的维数，p代表输入变量的维数，每组含同样数量的j个隐含层节点，每组隐含层输出在乘法层分别与状态变量x和输入变量u相乘，乘法层到输出层之间的连接权值根据递推最小二乘法计算。

技术总结
本发明公开了一种航空发动机加速控制计划嵌套优化方法，属于航空发动机控制技术领域。本发明方法使用内、外回路嵌套的方式对参与航空发动机控制的几何机构进行嵌套优化：在外回路，对参与开环控制的几何机构通过构建贝塞尔曲线来进行全局优化；在内回路，对参与闭环控制的几何机构进行局部滚动优化；内回路的优化以外回路为基础，外回路的优化以内回路的加速响应时间为评价指标。本发明还公开了一种航空发动机加速控制计划嵌套优化装置。相比现有技术，本发明控制计划优化过程和实际控制过程更一致，能够充分发挥多变量控制的优势，且加速评价过程更直接。加速评价过程更直接。加速评价过程更直接。


技术研发人员：李秋红 赵兴宇 刘鑫洋 顾子渝 庞淑伟
受保护的技术使用者：南京航空航天大学
技术研发日：2023.07.03
技术公布日：2023/10/6