【技术实现步骤摘要】
本专利技术涉及航空发动机智能控制领域，尤其涉及一种基于航空发动机燃油计量阀容错控制方法。
技术介绍
1、航空发动机燃油计量阀发生卡涩故障时，将导致燃油流量响应时滞时间增大，使控制系统的动态性能恶化出现超调甚至振荡等现象，且这一类时滞故障难以通过控制器自身鲁棒性消除影响。经典控制理论下的容错控制方法需要依赖于精确的控制系统数学模型并针对具体的故障模式进行相应的调整，而航空发动机具有强非线性的特点，建立精确的数学模型相当困难，并且由于时滞故障的影响，使控制系统的复杂程度大大增加，时延环节对系统动态性能的复杂影响难以通过数学模型准确地进行描述。
技术实现思路
1、有鉴于此，本专利技术的目的在于提出一种基于ddpg的航空发动机燃油计量阀容错控制方法，能够实现燃油计量阀故障时的航空发动机被动容错控制。
2、根据本专利技术的一个方面，提供一种基于ddpg的航空发动机燃油计量阀容错控制方法，包括：燃油计量阀卡涩故障模式下，将涡扇发动机输入输出数据输入一训练完成的ddpg神经网络模型，基于ddpg神经网络模型输出发动机控制策略；
3、所述ddpg神经网络模型训练方法包括如下步骤：
4、择一仿真涡扇发动机模型作为被控对象；
5、模拟燃油计量阀卡涩故障模式，且当在该模式下时向涡扇发动机模型随机注入故障；
6、随机初始化燃油指令，利用燃油指令控制仿真涡扇发动机模型运行，运行时实时采集发动机输入输出数据，运行过程中随机注入故障；
7、
8、在上述技术方案中，以t-mats仿真平台中的某型涡扇航空发动机作为被控对象，针对燃油计量阀卡涩故障模式下的航空发动机容错控制问题，提出了基于ddpg算法的航空发动机智能被动容错控制方法。首先基于t-mats平台的高逼真度发动机模型设计故障注入模块模拟发动机发生燃油计量阀卡涩故障时的工作状态，并作为强化学习模型的训练平台和环境。然后构建航空发动机强化学习控制模型，将燃油计量阀故障时的容错控制问题转换成强化学习模型中的求解最优控制策略问题。
9、并基于ddpg算法设计智能被动容错控制器，设计控制器的动作网络和评价网络，使其与随机发生故障的发动机模型进行数据交互，完成网络参数的自整定，通过非线性拟合得到包含有故障和无故障情况下航空发动机的最优控制策略。通过设置仿真实验验证了智能被动容错控制器的有效性，控制器可以在故障发生时根据发动机状态数据自适应调节控制输出；通过设置对比实验证明智能被动容错控制器在有故障和无故障的情况下各项性能指标都优于传统pi控制器。
10、在一些实施例中，所述输入输出数据包括：低压转子转速、高压转子转速、燃油流量、压气机可调定子叶片角度、发动机排气总温、发动机气路总压、发动机喘振裕度。
11、在上述技术方案中，根据t-mats依据发动机的工作原理以及常用的经验公式，通过编程实现部件的热力学计算流程，搭建起某型涡扇发动机的高逼真度仿真模型。基于该模型搭建了强化学习智能体训练环境，该模型提供了丰富的输入输出参数以及中间状态变量，智能体可以很方便地通过观测这些变量来获取环境的状态信息。在一些实施例中，在卡涩故障模式下向涡扇发动机模型随机注入故障，具体地：
12、随机数发生器产生随机的时滞时间；
13、基于时滞时间延迟燃油指令到达发动机模型的时间。
14、在上述技术方案中，由于燃油计量阀卡涩故障将导致燃油计量阀的时滞时间增大，设计使用simulink中的时延模块“transport delay”对时滞现象进行模拟，实现故障的注入。考虑到卡滞故障的时滞时间具有随机性的特性，再结合目标中对被动容错的要求，因此应用随机数发生器产生随机的时滞时间，实现对燃油计量阀流量响应时滞时间随机增大的模拟，更好的验证故障注入实验效果。
15、在一些实施例中，所述dpgg神经网络的损失函数如下：
16、
17、公式中，n为每次从经验池中批量采样的训练样本数量，使用随机梯度下降法更新动作估计网络的参数θπ，通过最小化损失函数使q值最大化，确定性策略的q值函数关于参数θπ的损失梯度可以表示为下式：
18、
19、公式中，n为每次从经验池中批量采样的训练样本数量，s为对应时刻状态，动作估计网络的参数θπ，评价估计网络参数θq。
20、在上述技术方案中，损失函数用来度量模型的预测结果与真实标签之间的差异。一个好的模型应该能够将损失降至最小，即预测结果与实际标签尽可能接近，从而更准确地完成任务。
21、在一些实施例中，所述dpgg神经网络的梯度信息如下：
22、
23、其中，目标价值yt由评价目标网络给出，其中和分别表示动作目标网络和评价目标网络的参数，γ为衰减因子，具体表达式如下：
24、
25、公式中，rt为对应时刻奖励值，s为对应时刻状态，动作估计网络的参数θπ，评价估计网络参数θq。
26、在上述技术方案中，梯度信息为了更好的进行智能体训练，稳定学习过程。
27、在一些实施例中，所述dpgg神经网络的更新模式为以软更新形式从估计网络中进行复制，其中，ρ为更新率，ρ∈(0,1)：
28、
29、公式中，动作估计网络的参数θπ，评价估计网络参数θq。
30、在上述技术方案中，ddpg算法为了改善智能控制器学习过程中q值不稳定的问题，借鉴了dqn中冻结参数和经典回放的思路，设计了估计网络和目标网络两个并行的网络采用不同的更新频率对各自的参数进行更新，以减弱网络间的耦合性，使智能体训练达到更好的效果。
31、在一些实施例中，所述训练方法包括模型端和智能体端，模型端在matlab/simulink环境下运行，智能体端在python环境下运行；两者之间通过建立tcp连接以及利用本地磁盘进行数据交互。
32、在上述技术方案中，利用matlab高精度的物理模型以及python丰富的深度强化学习资源库，使用tcp实现可靠的信号交互传输，读取本地磁盘的数据进行智能体和控制器的训练能够保证实验的高效快速。
33、根据本专利技术的另一个方面，提供一种基于ddpg的航空发动机燃油计量阀容错控制装置，基于上述的方法；包括依序连接的：
34、航空发动机模型，用于择一仿真涡扇发动机模型作为被控对象；
35、故障注入模块，用于模拟燃油计量阀卡涩故障模式，且当在该模式下时向涡扇发动机模型随机注入故障；
36、控制模块，用于利用燃油指令控制仿真涡扇发动机模型运行，运行时实时采集发动机输入输出数据，运行过程中随机注入故障；
37、智能容错控制器，用于将实时采集输入输出数据本文档来自技高网...
【技术保护点】
1.一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，燃油计量阀卡涩故障模式下，将涡扇发动机输入输出数据输入一训练完成的DDPG神经网络模型，基于DDPG神经网络模型输出发动机控制策略；
2.如权利要求1所述的一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，
3.如权利要求1所述的一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，
4.如权利要求1所述的一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，
5.如权利要求1所述的一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，
6.如权利要求1所述的一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，
7.如权利要求1所述的一种基于DDPG的航空发动机燃油计量阀容错控制方法，其特征在于，
8.一种基于DDPG的航空发动机燃油计量阀容错控制装置，其特征在于，基于权利要求1-7任一项所述的方法；包括依序连接的：
9.一种基于DDPG的航空发动机燃油计量阀容错
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于ddpg的航空发动机燃油计量阀容错控制方法，其特征在于，燃油计量阀卡涩故障模式下，将涡扇发动机输入输出数据输入一训练完成的ddpg神经网络模型，基于ddpg神经网络模型输出发动机控制策略；
2.如权利要求1所述的一种基于ddpg的航空发动机燃油计量阀容错控制方法，其特征在于，
3.如权利要求1所述的一种基于ddpg的航空发动机燃油计量阀容错控制方法，其特征在于，
4.如权利要求1所述的一种基于ddpg的航空发动机燃油计量阀容错控制方法，其特征在于，
5.如权利要求1所述的一种基于ddpg的航空发动机燃油计量阀容错控制...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。