一种航空发动机在线自适应最优pid控制器设计方法
【技术领域】：
[0001] 本发明设及一种航空发动机在线自适应最优PID控制器设计方法，采用一种新型 的融合蜂群算法，针对航空发动机PID控制器参数具有在线自适应优化能力，能够根据发动 机的当前工作状态自动优化控制参数W达到最优的控制效果。
【背景技术】：
[0002] 航空发动机是一种热力过程极其复杂的非线性被控对象，其工作环境存在未知干 扰、参数摄动等非线性因素，需要对其工作过程加 W控制，且设计的控制器需要良好的动态 性能和鲁棒性，航空发动机控制器的设计是如今国内外航空发动机界研究的重点和难点。 常用的控制方法有PID控制，LQR控制，Hoc控制，自适应控制，预测控制，滑模变结构控制等。 由于航空发动机气动热力工程复杂，非线性因素较多，控制器的可靠性和稳定性非常重要， 因此在实际工程应用中仍然大量采用经典的PID控制器。PID控制器是最为通用的控制器， 由于具有设计思想简单、鲁棒性好、可靠性高等优点，被广泛应用于航空航天、电力、工业流 程等领域。PID控制器的性能与比例系数、积分系数、微分系数的的优化整定有非常直接的 关系，目前，比较传统的PID参数整定方法有Ziegler-Nichols法、梯度法、间接寻优法等，虽 然具有不错的参数整定能力，但由于存在对工作者经验依赖较强、对初值敏感、整定繁琐、 自适应能力差等缺点，因此研究现代智能PID控制具有重要的意义。
[0003] 人工蜂群算法(Artificial Bee Colony algorithm)又称ABC算法，是一种基于群 体协作的智能算法ABC算法模仿了蜜蜂群的采蜜流程，用来优化目标问题。但是，ABC算法存 在一定的不足，比如，存在运行后期优化速度慢、容易陷入局部最优等问题，因此对ABC算法 在运用中进行改进非常重要，特别是从选择机制、邻域捜索机制、解向量多样性机制方面的 改进研究具有重要的意义。
[0004] 目前研究的航空发动机智能PID控制，多数是离线整定PID参数W优化控制效果， 在控制过程PID的Ξ个参数保持不变，通过设计合理的目标函数，虽然可W达到良好的控制 效果，但是离线整定PID参数只能针对特定的工作情况，缺乏灵活性，且不能实现控制器参 数的时变最优。而在线整定能够在每个采样时刻，根据控制系统的误差、误差变化率等动态 的优化控制参数，大大提高了优化算法的灵活性。
【发明内容】
：
[0005] 本发明所要解决的技术问题是考虑到航空发动机热力过程极其复杂，发动机控制 对象具有强非线性，建立航空发动机线性化数学模型，设计航空发动机PID控制器，并设计 合理的控制器在线优化目标性能函数，采用设计的融合蜂群算法在控制过程中对发动机 PID控制器进行在线优化，得到时最优参数，使得在整个控制过程航空发动机的性能最优。
[0006] 本发明采用如下技术方案:一种航空发动机在线自适应最优PID控制器设计方法， 包括如下步骤：
[0007] 步骤1 )，建立航空发动机的增量化线性数学模型；
[0008] 步骤2)，针对步骤1)中的线性数学模型设计航空发动机PID控制器；
[0009] 步骤3)，针对步骤2)中的PID控制器参数优化问题，设计每个采用时刻的目标性能 函数；
[0010] 步骤4)，利用步骤3)中设计的目标性能函数，在航空发动机PID控制系统中，在每 个采样时刻用融合蜂群算法对PID控制器参数进行在线优化。
[0011] 进一步地，所述步骤1)中建立航空发动机增量化线性数学模型的步骤如下：
[0012] 步骤1.1)，根据航空发动机气动热力学特性和典型的部件特性数据建立发动机部 件级非线性数学模型；
[0013] 步骤1.2)，针对步骤1.1)中非线性数学模型，采用小信号扰动法和拟合法建立航 空发动机增量化线性数学模型。
[0014] 进一步地，所述步骤3)中对每个采样时刻的目标性能函数设计方法如下：
[0015] 采用误差绝对值和误差变化率的加权和作为每个采样时刻算法中蜂群个体参数 选择的目标函数，即
[0016] J = ai I e I +〇21 de
[0017] 其中，e = Δ化R- Δ化表示转速跟踪误差，de为转速误差变化率，当I e I较大时，为了 保证闭环系统能够有足够快的动态性能，尽快地降低误差，通常02取值为0,即不考虑转速 误差变化率的影响，当I e I较小，为防止误差变化太快而产生超调，02取一定大小的数值，但 相对于αι仍然较小，
[0018] 为了避免转速超调量过大，在目标函数中加入误差惩罚机制，即将发动机转速超 调量作为最有指标的一项，因此最优指标可W表示为
[0019] if(e<0)J = J+a3|e
[0020] 其中，为了使误差惩罚功能实际有效，03远大于αι。
[0021] 进一步地，所述步骤4)中在每个采样时刻用融合蜂群算法对PID控制器参数进行 在线优化的方法如下：
[0022] 步骤4.1)，在当前采样时刻设定对应于航空发动机PID控制器3个参数的3维解向 量，并初始化所有的解向量；
[0023] 步骤4.2)，计算所有解向量的目标函数值，并求得全局最小目标函数值和全局最 优解向量；
[0024] 步骤4.3)，开始融合蜂群算法循环，将雇佣蜂的解向量未更新次数值置零；
[0025] 步骤4.4)，雇佣蜂进行邻域捜索产生新解，基于贪婪准则选择更优的解向量；
[0026] 步骤4.5)，若某只雇佣蜂未能提高解向量质量，则未更新计数加1;
[0027] 步骤4.6)，计算每只雇佣蜂被选择的概率，观察蜂按概率随机选择雇佣蜂，概率值 越大的雇佣蜂越可能被观察蜂选择；
[0028] 步骤4.7)，最后一只观察蜂选择步骤4.4)中产生的最优解向量；
[0029] 步骤4.8)，观察蜂进行邻域捜索，基于贪婪准则选择更优解，按照步骤4.5)中的方 法计算未更新计数值；
[0030] 步骤4.9)，观察蜂用进行交叉运算产生新解，若新解质量优于原来的解向量，则用 新解向量代替原来的解，并按照步骤4.5)中的方法计算未更新计数值；
[0031 ]步骤4.10)，确定本次循环的最优目标函数值，若优于上次循环得到的全局最优目 标函数值，则将它赋给全局最优目标函数值，并把对应的解向量赋值给全局最优解向量；
[0032] 步骤4.11)，若某只雇佣蜂的未更新计数值达到设定的最大未更新次数，则该雇佣 蜂又变成侦察蜂，并重新初始化解向量；
[0033] 步骤4.12)，若未达到设定的循环迭代次数，则转到步骤4.4)，否则，融合蜂群算法 结束，得到航空发动机PID控制器在当前采样时刻全局最优解向量，即PID控制器参数。
[0034] 进一步地，所述步骤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个雇佣蜂对应的解向量的第i维值，lower(i)和upper(i)分别是Xmi的 最小值和最大值，1含m含Colonysize/2，Colonysize是种群大小，rand是0至Ijl之间的随机 数。
[0037] 进一步地，所述步骤4.4)中邻域捜索产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为随机数，且k辛m，l<j<Dim，Dim为解向量的维数，rand(0，l)X(Pg广 Xmj)为全局最优位置引导项，Pgj为全局最优解向量的第j维分量，若X'mj超过取值范围，则取 临近的极限值来代替，引入全局最优位置引导项后，蜂群在进行邻域捜索时将趋向全局最 优位置。
[0040] 进一步地，所述步骤4.6)中观察蜂随机选择雇佣蜂的概率公式为：
[0041]
[0042] 即对于第m个雇佣蜂，其被观察蜂选择的概率为Pm，曰t(疋：)表示向量的适应度函 数值。
[0043] 进一步地，所述步骤4.9)中观察蜂进行交叉运算产生新解采用的方法如W下公式 所示：
[0044]
[0045] 其中，α为0至Ijl之间的随机数，1含m含Colonysize/2，m为奇数，上述公式是在观察 蜂阶段融入交叉算子，在观察蜂进行邻域捜索并进行贪婪选择后，两两相邻的解向量按照 设计的交叉概率进行交叉运算。
[0046] 本发明具有如下有益效果：
[0047] (1)本发明提出了一种新型的融合蜂群算法，相对于传统的人工蜂群算法，从多个 方面改进了算法机制，具有收敛速度快、寻优能力强、鲁棒性好的优点；
[004引（2)本发明是一种基于融合蜂群算法的航空发动机在线自适应最优PID控制器设 计方法，相