一种基于在线序列极限学习机的李亚普洛夫稳定航空发动机机载模型自适应系统
本发明属于航空发动机建模与控制,涉及一种基于在线序列极限学习机(os-elm)的李亚普洛夫(lyapunov)稳定航空发动机机载模型自适应系统。
背景技术:
1、航空发动机机载模型是实现模型基控制、性能监测、故障诊断以及健康管理的重要基础。机载模型需要在发动机运行过程中实时估计难以直接测量的性能参数和安全参数,例如涡轮前温度、推力、喘振裕度及各截面热力参数等。
2、然而,在实际服役过程中,航空发动机会受到工作环境、运行条件、性能退化、制造公差和个体差异等因素影响。基于标称性能或平均性能建立的机载模型在应用于具体发动机个体时,往往会产生模型失配。该失配最终表现为模型可测输出与传感器测量值之间的残差,降低机载模型的预测精度和可信度。
3、现有机载模型自适应方法通常通过在线估计自适应因子或修正因子来补偿模型偏差。然而,受机载传感器数量有限的限制,修正因子的在线估计通常是欠定问题。现有方法多采用带约束优化、多工况联合求解或外部约束补充等方式提高可观测性,但该类方法计算量较大、收敛性依赖初值和约束设置,难以满足航空发动机机载实时应用需求。此外,对于非线性、欠定系统,现有方法通常难以提供模型残差渐近收敛的理论保证,给发动机的运行带来潜在的风险。
4、因此,亟需一种能够在有限传感器条件下实现修正因子在线更新、具备残差收敛理论基础,并且满足机载实时计算要求的航空发动机机载模型自适应系统。
技术实现思路
1、针对上述问题,本发明的目的在于提供一种基于os-elm的lyapunov稳定航空发动机机载模型自适应系统。通过引入lyapunov稳定性理论设计自适应律,为模型残差的收敛性提供理论保障;同时结合os-elm的高效学习能力,实时捕获并补偿自适应律所需的对象信息,在不显著增加计算量的前提下,实现航空发动机机载模型的自适应修正。
2、一种基于在线序列极限学习机(os-elm)的李亚普洛夫(lyapunov)稳定航空发动机机载模型自适应系统,其特征在于,至少含有一个物理信息实时模型、一个os-elm雅可比矩阵在线辨识器以及一个lyapunov残差收敛自适应调节器;其中:
3、所述物理信息实时模型,用于接收航空发动机当前及预设时间窗口内的输入向量、测量向量以及由所述lyapunov残差收敛自适应调节器反馈的修正因子向量,并依据物理机理计算,预测并输出航空发动机的可测输出向量、不可测输出向量以及共同工作方程残差向量;
4、所述os-elm雅可比矩阵在线辨识器,用于接收所述航空发动机的测量向量与所述可测输出向量,计算得到可测参数的模型残差向量;并利用带遗忘因子的os-elm算法在线处理包含系统局部动态的增广状态数据,根据所述模型残差向量辨识并提取所述可测输出向量对所述修正因子向量的雅可比矩阵;
5、所述lyapunov残差收敛自适应调节器,用于接收所述模型残差向量以及所述雅可比矩阵,采用lyapunov稳定性理论计算出满足所述模型残差向量渐近收敛的自适应更新律,求解得出修正因子更新向量,并将更新后的所述修正因子向量实时反馈至所述物理信息实时模型,以实现航空发动机机载模型的在线自适应。
6、可选的,所述物理信息实时模型至少含有一个输入层、一个隐含层、一个航空发动机模型层和一个输出层;其中:
7、所述输入层,用于接收所述的航空发动机当前及预设时间窗口内的输入向量与测量向量;其中,所述输入向量至少包括高度、马赫数和燃油流量;所述测量向量至少包含航空发动机的可测气路与转子参数;对上述当前及历史序列向量进行归一化处理,得到归一化输入向量,计算表达式为:
8、
9、其中,为历史时间步数,为归一化函数;
10、所述隐含层,用于建立从归一化输入向量到决策向量的非线性映射;所述决策向量至少包括所述修正因子向量以及部件匹配向量;所述修正因子向量至少包括转子加速度修正向量、部件特性图修正向量;其中,所述转子加速度修正向量依据航空发动机的类型配置,若所述航空发动机为双转子涡扇发动机时,所述转子加速度修正向量包括高压转子加速度修正因子和低压转子加速度修正因子;所述部件特性图修正向量至少包括航空发动机所有旋转部件的换算流量修正因子、等熵效率修正因子以及压比修正因子;所述隐含层的计算表达式为:
11、
12、其中,为缩放向量;为隐含层最后一层输出向量;表示hadamard逐元素乘积。
13、所述航空发动机模型层,作为物理解码层内嵌有基于机理的部件级计算模型,用于接收所述航空发动机输入向量、所述部件匹配向量以及所述模型修正因子向量(在在线自适应阶段,所述采用所述lyapunov残差收敛自适应调节器反馈更新后的值),并计算得出航空发动机模型输出向量,计算表达式为:
14、
15、所述输出层,用于在离线训练阶段计算损失函数以训练更新所述物理信息实时模型,并在在线自适应阶段输出所述可测输出向量、所述不可测输出向量以及所述共同工作方程残差向量,并将所述可测输出向量发送至所述os-elm雅可比矩阵在线辨识器;其中,所述损失函数由航空发动机的测量向量与所述可测输出向量的偏差项,以及所述共同工作方程残差向量项共同构成,其表达式为:
16、
17、其中,为可测参数的缩放向量,用于消除不同物理量量纲的影响;为表征系统偏离部件特性匹配程度的残差缩放向量,作为可调参数用于平衡物理机理损失在网络梯度中的贡献比重。
18、可选的,所述os-elm雅可比矩阵在线辨识器,其辨识所述雅可比矩阵的具体过程为:
19、步骤1:基准工作点选取。为计算局部偏差量,预先在飞行包线内设置多个稳态工作点,形成基准工作点库。每个采样时刻,根据当前发动机运行状态选择最近的稳态工作点作为基准工作点。当前工作点的运行状态向量定义为:
20、
21、其中,为航空发动机的状态向量,常选为换算转速;下标为航空发动机的设计参考值;第个稳态工作点与当前工作点之间的距离为:
22、
23、选取距离最小的稳态工作点作为基准点,其序号由下式确定:
24、
25、步骤2:建立增广线性模型。在确定的所述基准工作点附近建立如下增广线性模型以表征系统局部动态:
26、
27、其中,增广灵敏度矩阵与增广状态向量分别为:
28、
29、
30、式中,为所述可测输出向量对模型状态向量的灵敏度矩阵,为所述可测输出向量对所述输入向量的灵敏度矩阵,为所述可测输出向量对所述修正因子向量的灵敏度矩阵;
31、步骤3:os-elm初始化。利用初始样本集基于最小二乘法计算初始增广灵敏度矩阵:
32、
33、其中,
34、
35、式中,和分别为初始模型输出偏差矩阵和初始增广状态偏差矩阵。
36、步骤4:os-elm在线递推更新与雅可比矩阵提取。在在线运行阶段,引入遗忘因子,以提升模型对新数据和过渡态变化的响应能力。利用woodbury恒等式避免协方差类矩阵的求逆运算,递推更新公式为:
37、
38、
39、其中,为协方差类矩阵的逆矩阵,为单位矩阵。
40、更新完成后,利用选择矩阵从增广灵敏度矩阵中提取对应所述雅可比矩阵:
41、
42、可选的,所述lyapunov残差收敛自适应调节器,其计算所述修正因子更新向量的具体过程为:
43、根据所述测量向量与所述可测输出向量,计算所述模型残差向量:
44、
45、根据模型残差向量构造lyapunov函数:
46、
47、其中,为对称正定的权重矩阵,用于测量变量的归一化处理,以防止数值较大的变量在梯度计算中占据主导地位。
48、基于lyapunov直接法推导使所述lyapunov函数时间导数负定的自适应方向,结合所述雅可比矩阵,计算得到所述修正因子向量的自适应更新律为:
49、
50、式中,为所述修正因子向量的时间更新率;为常数对角增益矩阵,用于补偿不同可测变量间的量级差异;为随模型残差变化的随动对角矩阵,用于在残差剧烈变化时自适应调整更新步长避免超调。
51、对所述修正因子自适应更新律进行离散化积分求解,得出所述修正因子更新向量,最终得到反馈至所述物理信息实时模型的所述修正因子向量。
52、本发明采用以上技术即可实现航空发动机机载模型的在线自适应。该系统运用lyapunov直接法推导出修正因子向量的自适应更新律,同时引入带遗忘因子的os-elm,用于实时辨识并动态更新上述更新律中所涉及的雅可比矩阵,在不过度增加计算量的前提下,扩展可用的求解信息。最后,将该自适应更新机制集成于物理信息实时模型中,动态调节模型的修正因子向量,实现航空发动机机载模型的闭环实时在线更新。本发明的优点在于:1、引入lyapunov稳定性理论设计自适应律,为模型残差的收敛性提供理论保障;2、结合os-elm的高效学习能力,实时捕获并补偿自适应律所需的对象信息,扩展可用信息的同时,不显著增加计算量。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com