一种基于深度学习和数据驱动的串联混动发动机转速在线协同控制系统的制作方法

本发明属于混动发动机转速在线协同控制，特别涉及一种基于深度学习和数据驱动的串联混动发动机转速在线协同控制系统。

背景技术：

1、受当前电池能量密度与电动机性能的技术瓶颈限制，现有的电池技术发展水平，还不能支持实现大推力飞机全电飞行的任务需求。目前商用锂电池的能量密度可以达到200wh/kg，部分实验室水平可以达到500wh/kg，而燃料的能量密度为13kwh/kg，是电池能量密度的几十倍，因此全电推进系统还不能够完全替代传统的燃油推进系统，仅应用于部分小型通航电动飞机，并未实现推进系统的跨越式革新。因此纯电动飞机在长距离、大航程飞行等实际场景中难以突破技术障碍，无法满足飞机对于航程、载重及可靠性的多样化需求。在此背景下，混合动力推进系统（heps）作为兼具创新性与实用性的航空动力解决方案应运而生。

2、heps通常由供能系统、推进系统及储能系统构成，这种“传统航空发动机+电动系统”的耦合设计，不可避免地增加了原有动力系统的复杂性，因此对控制方法的合理性与精准性提出了严苛要求。

3、混动发动机转速控制精度直接关系到稳定与安全，总体来看，现有方法利用自适应神经网络实现康复机器人轨迹跟踪，具备一定的非线性适应能力；或者基于神经网络预测双有源电桥变压器电流，提高了测量精度，但实时性不足；再有学者提出分数阶比例-积分-微分与神经网络结合的控制方法，增强了健壮性，但实现过程较为复杂。heps的“燃油+电动”耦合设计增加了控制复杂性，转速控制精度直接影响安全与稳定。当前主流控制方案为“分数阶pid+单一神经网络补偿”，虽在部分场景具备一定性能，但存在建模依赖强、协同性不足、反馈单一、实时性与精度失衡等问题，无法适配混动模式切换、负载突变等复杂工况因此无法精准响应转速动态变化和修正转速偏差，影响控制精度和稳定性。

4、现有航空混动发动机转速控制需同时满足‘非线性耦合适应、多工况响应、双执行单元协同’三大核心需求，但当前主流控制方案未能充分适配该需求，导致在实际飞行中出现控制精度不足、稳定性欠佳等问题。

5、因此，亟需一种基于深度学习的串联混动发动机转速控制在线协同调整系统，动态修正燃油供应量与电机输出功率，实现转速的动态调整，既保证转速控制的高精度，又提升混动模式切换、负载突变等复杂工况下的稳定性，最终实现混动发动机智能转速控制的精确性和稳定性。

6、目前针对混动发动机转速控制的主流方案为“分数阶pid+单一神经网络补偿”控制方案，具体实现如下：

7、1.采用“燃油调节单元+电机功率调节单元”分离控制，无协同决策模块；

8、2.仅通过简单均值滤波处理转速、燃油流量等参数，未进行异常检测与耦合干扰抑制；

9、3.基于混动发动机的机理建模（需预设燃烧效率、电机响应特性等固定参数），通过分数阶pid调节燃油供应量，辅以单一神经元网络（例如单神经元网络）补偿稳态误差；

10、4.采用半闭环反馈，仅采集发动机转速作为反馈参数，未结合电池soc、负载功率等动态参数进行实时修正。

11、现有技术的缺点：

12、1.需依赖混动发动机精确动力学模型，对参数未知、工况波动的适应性差；

13、2.燃油调节与电动调节分离控制，无协同约束机制，易出现动作冲突，复杂工况下转速波动大，影响稳定性；

14、3.仅基于转速反馈修正，未融合电池soc、负载功率等多维度参数，无法补偿耦合不确定性，干扰抑制能力弱；

15、4.复杂算法（如分数阶pid+神经网络）实现流程繁琐，控制周期长，实时性不足且复杂运算增加机载设备算力负担。

技术实现思路

1、为了克服以上技术问题，本发明的目的在于提供一种基于深度学习和数据驱动的串联混动发动机转速在线协同控制系统，该系统提升系统对非线性耦合特性与工况波动的适应性；构建燃油-电动双执行单元协同控制机制，避免动作冲突，增强复杂工况下的稳定性；建立多维度参数协同感知与闭环反馈系统，精准补偿不确定性干扰，提升转速控制精度。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于深度学习和数据驱动的串联混动发动机转速在线协同控制系统，包括参数采集与预处理系统、控制决策系统、执行系统、反馈系统以及混动发动机模型；

4、各模块按数据采集→决策计算→执行控制→闭环反馈的逻辑形成完整闭环协同工作体系。

5、混动发动机模型负责状态生成，参数采集与预处理系统负责获取并处理数据；

6、混动发动机模型作为系统的虚拟物理环境与数据源，动态生成包含转速、电池soc、负载功率等多维度的仿真运行数据；参数采集与预处理系统实时抓取这些原始数据，通过内部的滤波与异常检测机制进行数据清洗，并根据计算得到的综合感知精度判定数据质量，拦截异常信号，得到高质量数据向量；确保向后级传递的信息具备高精度与可靠性；

7、参数采集与预处理系统负责把数据传输给控制决策系统，控制决策系统负责决策支持，提供下达命令；控制决策系统负责传达命令给执行系统，执行系统负责物理动作转化。

8、所述参数采集与预处理系统经过预处理后的高质量数据向量被输入至控制决策系统；控制决策系统基于上述高质量数据向量，利用深度学习模型预测转速变化趋势，并结合滑模自适应控制律进行在线运算，生成最优的燃油与电动协同控制指令。

9、高质量数据向量具体代指的是涡轴发动机燃气涡轮转速、动力涡轮转速、油电动力分配比例、负载需求功率、电池soc、排气温度组成的高质量数据序列。

10、所述控制决策系统将解算出的协同控制指令下达至执行系统；执行系统接收指令后，分别驱动其内部的燃油调节与电动调节双执行单元，将数字指令转化为对应的仿真燃油供应量和电机输出功率；

11、执行系统负责控制施加，给出的油和电，推动发动机的数学模型转动起来，算出了一个全新的当前转速；

12、执行系统输出的实际燃油量与电机功率直接作用于混动发动机模型；模型在接收到双动力源的协同作用后，其内部动力学状态发生改变，从而输出更新后的实际转速；

13、每隔10毫秒检查一次实际转速和目标转速差多少（误差闭环工作），然后立刻微调喷油量和电机功率（进行动态修正），使得尽量接近目标转速；

14、反馈系统会实时监控并采集发动机改变后的实际转速，将其与目标转速（bp神经网络的预测值）进行比对，计算出实时的转速偏差信号。该系统的工作周期与控制周期严格保持一致，即每10毫秒（10ms）执行一次，以确保实时动态修正。

15、反馈系统查出偏差后，会将这个信号回传给控制决策系统。控制决策系统利用这一偏差数据，动态更新下一周期（10ms）滑模自适应控制律中的补偿参数，从而解算出最优的修正指令。

16、反馈系统实时监控混动发动机模型输出的实际转速，并将其与目标转速进行比对，计算出实时转速偏差； 随后，反馈系统将该偏差信号回传给控制决策系统；控制决策系统据此计算修正补偿量，并指令系统返回至参数采集环节开启下一采样周期，实现对干扰和误差的闭环自适应补偿。

17、一种基于深度学习和数据驱动的串联混动发动机转速在线协同控制方法，包括以下步骤；

18、步骤一：采集多维度运行数据，经过三级预处理后，根据综合感知精度判定数据质量，输出高质量的数据向量；

19、数据向量即为当前及前99个周期的高质量数据序列（即数据向量，包含转速、功率分配、电池soc、排气温度等6个维度）输入到bp神经网络中 。神经网络基于这些数据，预测未来时刻的目标转速。

20、步骤二：bp神经网络预测未来转速变化趋势，通过数据向量驱动建模判断当前动态模型，并结合转速偏差，生成协调指令；

21、步骤三：接收协调指令后，调整燃油喷射量与电机输出功率，共同作用以改变发动机实际转速；

22、步骤四：通过计算实际转速和目标转速之差，作为反馈信号，再次送入控制决策系统，修正下一周期控制指令；随后系统进入下一控制周期，返回步骤一重新采集实时数据，实现闭环控制。

23、所述步骤一由参数采集与预处理系统配合混动发动机模型执行，发动机模型生成初始物理状态，参数采集与预处理系统负责抓取这些数据并进行三级滤波净化与质量判定，最终输出高质量数据。

24、所述步骤二由控制决策系统独立执行；该系统接收步骤一的数据，运行bp神经网络和滑模自适应算法，解算出最优的燃油与电动协同指令。

25、所述步骤三由执行系统作用于混动发动机模型来完成；执行系统接收数字指令，将其转化为实际的物理控制变量（如喷油量、电机功率），驱动发动机模型改变当前的运行转速。

26、所述步骤四由反馈系统执行，反馈系统实时对比模型改变后的实际转速与目标转速，将误差数据传回给控制决策系统用于参数修正，并指令系统返回执行步骤一以开启下一个完整周期的迭代循环，使发动机实际转速平稳逼近目标转速。

27、所述步骤一采集多维度运行数据，经过三级预处理后，根据数据质量判定结果输出高质量的数据向量；

28、所述预处理具体过程依次经过算术平均滤波、自适应卡尔曼滤波、孤立森林异常检测三级预处理（在参数采集与预处理系统），并通过计算综合感知精度量化数据质量；当综合感知精度≥95%时，判定数据有效并输出高质量数据向量；否则拦截异常信号，保证输入控制决策系统的数据稳定可靠；

29、选取特定高度、马赫数下的巡航工况点，将采集到的实时参数代入控制系统中进行滤波与异常检测；选取燃油喷射量与电机输出功率增量作为控制自变量，在发动机运行过程中持续采集数据。

30、以飞行高度，，初始稳态转速作为基础工况点，并在时设置突增20%的负载需求功率用来模拟机动爬升或遭遇阵风；为验证系统鲁棒性，在采集通道中人为引入幅值为5%的高频脉冲噪声。

31、对于串联混动发动机而言，随着飞行任务的复杂化，需要更加精确地协同调节燃油与电机功率，避免双执行单元的动作冲突；

32、串联混动发动机转速在线协同控制本质为在保证电池与电机安全条件下，以快速消除转速偏差为目标的控制过程；为保证飞机在负载突变等需要动力快速响应的任务段安全运行，控制自变量为燃油流量变化量和电机功率，为电机的额定功率约束条件如下；

33、约束条件：

34、

35、为电池当前荷电状态，、分别为电池允许的最低和最高荷电状态；

36、为单控制周期内的燃油喷射量调整值，、分别为其调节下限和上限；

37、为电机当前输出功率，为电机额定输出功率。

38、所述步骤二中，bp神经网络预测未来转速变化趋势，通过数据驱动建模判断当前动态模型；每一次控制周期，控制决策系统基于前100个周期的高质量数据序列，预测下一时刻目标转速，同时在线更新伪偏导参数，克服了传统固定参数机理模型的失配误差；

39、随后建立含协同约束项的滑模面，结合预测结果生成协调指令；当且仅当解算出的控制增量满足式约束条件时求解输出当前迭代过程中的最优无冲突指令；

40、。

41、式中，为求解得到的最优控制指令向量，由燃油喷射量调整量与电机功率调整量组成，表示向量转置。

42、所述步骤三中，接收指令后，调整燃油喷射量与电机输出功率，共同作用以改变发动机转速；

43、执行系统（包括燃油调节单元与电动模块控制单元）接收步骤二下发的协同控制指令，分别精确调整仿真发动机燃烧室的燃油喷射供应量与三相永磁同步电机的输出功率，双动力源无冲突地共同作用于混动发动机模型，强迫其改变当前运行转速。

44、所述步骤四通过计算实际转速和目标转速之差作为反馈信号，实现闭环修正；

45、在执行系统响应后，反馈系统实时采集发动机的实际转速，并将其与目标转速进行比对以获取偏差信号；该信号回传至控制决策系统，用于动态更新下一周期（10ms）滑模自适应控制律中的补偿参数。随后，系统返回步骤一开启新一轮采样，确保控制指令持续演化。

46、步骤一起到数据感知的作用是整个控制的基础，为步骤二提供高质量的输入；步骤二旨在基于预测和建模生成指令；步骤三是动作的落实，将指令转化为发动机的动力变化。步骤四是对前三步执行结果的效能检验，更是为下一个控制周期提供参数修正依据的关键。通过步骤四将偏差反馈至步骤二，并触发系统返回步骤一开启新的迭代，从而实现自我优化的动态闭环，确保了转速在复杂工况下的高精度控制。

47、步骤一由参数采集与预处理系统配合混动发动机模型执行。发动机模型生成初始物理状态，参数采集与预处理系统负责抓取这些数据并进行三级滤波净化与质量判定，最终输出高质量数据。

48、步骤二由控制决策系统独立执行。该系统接收步骤一的数据，运行bp神经网络和滑模自适应算法，解算出最优的燃油与电动协同指令。

49、步骤三由执行系统作用于混动发动机模型来完成。执行系统接收数字指令，将其转化为实际的物理控制变量（如喷油量、电机功率），驱动发动机模型改变当前的运行转速。

50、步骤四由反馈系统执行。反馈系统实时对比模型改变后的实际转速与目标转速，将误差数据传回给控制决策系统用于参数修正，并指令系统返回执行步骤一以开启下一个完整周期的迭代循环，使发动机实际转速平稳逼近目标转速。

51、本发明的有益效果。

52、本发明采用数据驱动建模（无需机理模型），通过参数投影估计算法在线更新伪偏导参数，相比现有依赖机理模型的方案，在工况波动场景下，转速偏差控制精度提升；

53、设计含协同约束项的滑模面与二次规划约束优化，避免燃油-电动双单元动作冲突，在混动模式切换、负载突变工况下，转速波动幅度降低；

54、融合bp神经网络前馈预测与滑模自适应反馈补偿，结合多维度参数闭环反馈，转速偏差小，控制精度高；

55、简化控制算法流程（数据驱动建模+滑模自适应控制），避免复杂机理运算，兼顾实时性与健壮性；数据预处理机制（滤波+异常检测）量化综合感知精度，相比现有单一滤波方案，数据异常率降低，确保控制指令的可靠性。

56、本发明采用数据驱动建模，无需依赖精确机理模型，通过参数投影估计算法在线实时更新伪偏导参数，使得系统的等价动态模型能够随着外界环境变化和运行状态进行自我修正，从而克服了传统固定参数机理模型在遭遇未知工况波动时产生的误差。相比现有方案，转速偏差控制精度得到显著提升。

57、本发明设计了含协同约束项的滑模面与二次规划约束优化机制，将燃油-电动耦合系数与电池soc、电机额定功率等物理边界条件作为硬性约束输入优化求解器，从底层算法上切断了双动力源分配相互挤占或超调的可能性。这有效避免了燃油-电动双执行单元的动作冲突，使得系统在混动模式切换、负载突变等复杂工况下，转速波动幅度大幅降低。

58、本发明融合了bp神经网络前馈预测与滑模自适应反馈补偿，并结合了多维度状态参数的闭环反馈。该架构使得控制系统既具备对未来转速趋势的超前预测能力，又具备对当前非线性耦合干扰的快速自适应抑制能力，有效缩小了转速偏差，保障了极高的整体控制精度。

59、本发明的控制系统通过（数据驱动建模+滑模自适应控制）简化了控制算法流程，规避了传统航空发动机对海量非线性偏微分物理方程的复杂且耗时的求解计算，极大降低了机载设备的算力负荷与运算延时。因此，系统在避免复杂机理运算的同时，实现了卓越的控制实时性与健壮性。

60、本发明构建了包含算术平均、卡尔曼滤波与孤立森林异常检测的三级数据预处理机制，并通过量化综合感知精度设定了数据采信的硬性门槛（≥95%），有效拦截了传感器高频噪声与突发失真信号流入控制决策系统。相比现有的单一滤波方案，数据异常率大幅降低，从数据源头保障了控制指令输出的绝对可靠。