一种基于遗传算法的发动机控制规律计算方法转让专利
申请号 : CN201511015956.X
文献号 : CN105545493B
文献日 : 2017-03-29
发明人 : 刘永泉 , 韩文俊 , 刘亚君 , 赵明阳 , 李焦宇
申请人 : 中国航空工业集团公司沈阳发动 , 机设计研究所
摘要 :
本发明公开了一种基于遗传算法的发动机控制规律计算方法，用于获取发动机各控制参数与发动机进口空气总温之间的关系，属于发动机设计领域。本方法将高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8设为优化参数，目标函数为发动机共同工作方程，在采用遗传算法优化计算过程中给出优化参数的变化范围，由发动机共同工作方程求得发动机性能参数，通过对这些参数进行遗传学计算，最终得到既满足所有约束条件，推力又最大的解，从而获得发动机工作包线内最优的N1、N2、T4等参数与发动机进口空气总温T1的关系。在进行发动机调节规律设计时，在综合考虑各种限制边界条件下，快速高效的获得发动机最优解，大大简化工作量，提高了工作效率。
权利要求 :
1.一种基于遗传算法的发动机控制规律计算方法，用于获取发动机各控制参数与发动机进口空气总温之间的关系，其特征在于，包括：S1、根据发动机性能设定发动机各控制参数的约束；
S2、在所述发动机各控制参数的约束内给定高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8的取值范围；
S3、在确定的飞行高度下，对任一马赫数值，在步骤S2中的取值范围内，取多组高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8，并与计算得到的多个对应的发动机推力F共同形成初代种群；
S4、对经步骤S3中获取的初代种群中的任一个体，计算所述个体下的发动机各控制参数，并与步骤S1中的发动机各控制参数的约束进行比较，若存在不满足步骤S1中的发动机各控制参数约束的个体，用满足步骤S1中的发动机各控制参数约束的个体进行替换，形成二代种群，同时修改步骤S2中的喷口面积A8的取值范围；
S5、对所述二代种群内的个体两两随机配对，并对配对后的若干组个体进行交叉运算，所述交叉运算的交叉公式为：x′1＝a×x1+(1-a)×x2；
x′2＝a×x2+(1-a)×x1，
其中，x1和x2为父代，x′1和x′2为子代，a为交叉算子；
S6、对所述交叉运算后的种群进行变异运算，变异的公式为：
当random(0,1)＝0，x′k＝xk+(Ukmax-xk)×(1-r(1-k/T)b)，或者，当random(0,1)＝1，x′k＝xk+(xk-Ukmin)×(1-r(1-k/T)b)，其中，xk为第k代中的优化参数值，Ukmax和Ukmin为第k代的所述优化参数值的最大值与最小值，r是0～1的随机数，b为常数，T为进行遗传算法时迭代的最大代数，x′k为变异后的优化参数值；
S7、重复步骤S4至S6，直至进行遗传算法时迭代的次数满足设定的最大代数，获取最大推力时对应的最优个体以及由所述最优个体内计算得其它发动机各控制参数；
S8、重复步骤S3至S7，获取同一飞行高度下不同马赫数值的最优个体及由所述最优个体内计算得其它发动机各控制参数；
S9、将马赫数转换为发动机进口空气总温T1，获取发动机各控制参数与发动机进口空气总温T1之间的关系。
2.如权利要求1所述的基于遗传算法的发动机控制规律计算方法，其特征在于：在步骤S3中，所述初代种群的种群规模为50～500个个体。
3.如权利要求1所述的基于遗传算法的发动机控制规律计算方法，其特征在于：在步骤S4中，所述修改后的喷口面积A8的取值范围大于修改前的喷口面积A8的取值范围。
4.如权利要求1所述的基于遗传算法的发动机控制规律计算方法，其特征在于：在步骤S5中，所述交叉运算的交叉算子为0.4～0.99。
5.如权利要求1所述的基于遗传算法的发动机控制规律计算方法，其特征在于：在步骤S6中，所述进行遗传算法时迭代的最大代数T为30～50，常数b的范围为1～100。
说明书 :
一种基于遗传算法的发动机控制规律计算方法
技术领域
[0001] 本发明属于发动机设计领域，具体涉及一种基于遗传算法的发动机控制规律计算方法。
背景技术
[0002] 发动机控制规律是指根据发动机进口空气总温T1的变化规律，来获取发动机工作包线内其它参数的变化规律，从而对发动机进行控制，所述的发动机工作包线内其它参数包括低压相对转速N1、高压相对转速N2、高压涡轮前温度T4等参数，因此，需要获取发动机进口空气总温T1与发动机参数的曲线表征发动机控制规律，即T1～N1、T1～N2、T1～T4等。
[0003] 航空发动机调节规律设计时，应综合考虑多个限制条件，因此发动机调节规律的设计是一个反复迭代的过程。现有技术中，发动机控制规律设计普遍采用试凑的方法，计算工作量大，且大量的工作需要人工进行判断，工作效率低。为了提高工作效率，减少人工的工作量，需要开发高效的设计方法。
发明内容
[0004] 为了解决上述问题，本发明提出了一种基于遗传算法的发动机控制规律计算方法，用于获取发动机各控制参数与发动机进口空气总温之间的关系，包括以下步骤：
[0005] S1、根据发动机性能设定发动机各控制参数的约束；
[0006] S2、在所述发动机各控制参数的约束内给定高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8的取值范围；
[0007] S3、在确定的飞行高度下，对任一马赫数值，在步骤S2中的取值范围内，取多组高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8，并与计算得到的多个对应的发动机推力F共同形成初代种群；
[0008] S4、对经步骤S3中获取的初代种群中的任一个体，计算所述个体下的发动机各控制参数，并与步骤S1中的发动机各控制参数的约束进行比较，若存在不满足步骤S1中的发动机各控制参数约束的个体，用满足步骤S1中的发动机各控制参数约束的个体进行替换，形成二代种群，同时修改步骤S2中的喷口面积A8的取值范围；
[0009] S5、对所述二代种群内的个体两两随机配对，并对配对后的若干组个体进行交叉运算，所述交叉运算的交叉公式为：
[0010] x′1＝a×x1+(1-a)×x2；
[0011] x′2＝a×x2+(1-a)×x1，
[0012] 其中，x1和x2为父代，x′1和x′2为子代，a为交叉算子；
[0013] S6、对所述交叉运算后的种群进行变异运算，变异的公式为：
[0014] 当random(0,1)＝0，x′k＝xk+(Ukmax-xk)×(1-r(1-k/T)b)，或者，
[0015] 当random(0,1)＝1，x′k＝xk+(xk-Ukmin)×(1-r(1-k/T)b)，
[0016] 其中，xk为第k代中的优化参数值，Ukmax和Ukmin为第k代的所述优化参数值的最大值与最小值，r是0～1的随机数，b为常数，T为进行遗传算法时迭代的最大代数，x′k为变异后的优化参数值；
[0017] S7、重复步骤S4至S6，直至进行遗传算法时迭代的次数满足设定的最大代数，获取最大推力时对应的最优个体以及由所述最优个体内计算得其它发动机各控制参数；
[0018] S8、重复步骤S3至S7，获取同一飞行高度下不同马赫数值的最优个体及由所述最优个体内计算得其它发动机各控制参数；
[0019] S9、将马赫数转换为发动机进口空气总温T1，获取发动机各控制参数与发动机进口空气总温T1之间的关系。
[0020] 优选的是，在步骤S3中，所述初代种群的种群规模为50～500个个体。
[0021] 在上述任一方案中优选的是，在步骤S4中，所述修改后的喷口面积A8的取值范围大于修改前的喷口面积A8的取值范围。
[0022] 在上述任一方案中优选的是，在步骤S5中，所述交叉运算的交叉算子为0.4～0.99。
[0023] 在上述任一方案中优选的是，在步骤S6中，所述进行遗传算法时迭代的最大代数T为30～50，常数b的范围为1～100。
[0024] 本方法将高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8设为优化参数，目标函数为发动机共同工作方程，在采用遗传算法优化计算过程中需给出优化参数的变化范围，即搜索空间，由发动机共同工作方程求得发动机性能参数，通过对这些参数进行遗传学计算，最终得到既满足所有约束条件，推力又最大的解，即获得发动机工作包线内最优的N1、N2、T4等参数与发动机进口空气总温T1的关系，这就是需求的发动机调节规律。
[0025] 通过本发明所提及的基于遗传算法的发动机控制规律计算方法，在进行发动机调节规律设计时，在综合考虑各种限制边界条件下，快速高效的获得发动机最优解，大大简化工作量，提高了工作效率。
附图说明
[0026] 图1为按照本发明基于遗传算法的发动机控制规律计算方法的一优选实施例的流程图。
具体实施方式
[0027] 为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
[0028] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
[0029] 本发明提出了一种基于遗传算法的发动机控制规律计算方法，用于获取发动机各控制参数与发动机进口空气总温之间的关系，如图1所示，主要包括以下步骤：
[0030] S1、根据发动机性能设定发动机各控制参数的约束；
[0031] S2、在所述发动机各控制参数的约束内给定高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8的取值范围；
[0032] S3、在确定的飞行高度下，对任一马赫数值，在步骤S2中的取值范围内，取多组高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8，并与计算得到的多个对应的发动机推力F共同形成初代种群；
[0033] S4、对经步骤S3中获取的初代种群中的任一个体，计算所述个体下的发动机各控制参数，并与步骤S1中的发动机各控制参数的约束进行比较，若存在不满足步骤S1中的发动机各控制参数约束的个体，用满足步骤S1中的发动机各控制参数约束的个体进行替换，形成二代种群，同时修改步骤S2中的喷口面积A8的取值范围；
[0034] S5、对所述二代种群内的个体两两随机配对，并对配对后的若干组个体进行交叉运算，所述交叉运算的交叉公式为：
[0035] x′1＝a×x1+(1-a)×x2；
[0036] x′2＝a×x2+(1-a)×x1，
[0037] 其中，x1和x2为父代，x′1和x′2为子代，a为交叉算子；
[0038] S6、对所述交叉运算后的种群进行变异运算，变异的公式为：
[0039] 当random(0,1)＝0，x′k＝xk+(Ukmax-xk)×(1-r(1-k/T)b)，或者，
[0040] 当random(0,1)＝1，x′k＝xk+(xk-Ukmin)×(1-r(1-k/T)b)，
[0041] 其中，xk为第k代中的优化参数值，Ukmax和Ukmin为第k代的所述优化参数值的最大值与最小值，r是0～1的随机数，b为常数，T为进行遗传算法时迭代的最大代数，x′k为变异后的优化参数值；
[0042] S7、重复步骤S4至S6，直至进行遗传算法时迭代的次数满足设定的最大代数，获取最大推力时对应的最优个体以及由所述最优个体内计算得其它发动机各控制参数；
[0043] S8、重复步骤S3至S7，获取同一飞行高度下不同马赫数值的最优个体及由所述最优个体内计算得其它发动机各控制参数；
[0044] S9、将马赫数转换为发动机进口空气总温T1，获取发动机各控制参数与发动机进口空气总温T1之间的关系。
[0045] 本实施例以计算高度11km，马赫数2.0工作点为例进行详细说明。
[0046] 首先，本实施例给定优化目标，这里以获取最大推力为目标。
[0047] 其次，在步骤S1中，设定约束条件，比如：
[0048] 进口换算流量不大于110kg/s，
[0049] 低压相对转速不大于100％，
[0050] 高压相对转速不大于100％，
[0051] 高压涡轮前温度不大于1700K，
[0052] 加力燃烧室出口温度不大于1950K，
[0053] 风扇裕度不小于25％，
[0054] 压气机裕度不小于30％，
[0055] 加力余气系数不小于1.12，
[0056] 最大耗油率不大于0.2kg/(N.h)，
[0057] 喷口面积0.3m2～0.7m2，
[0058] 本实施例，以下述几个参数为例进行详细说明，其中，N1为低压相对转速，N2为高压相对转速，T4为高压涡轮前温度，T7a为加力燃烧室出口温度，A8为喷口面积。
[0059] 之后，在步骤S2中，给定能够形成计算输入值的参数范围，即能够通过这些值来求取发动机推力及其它参数，本实施例中，给定下述三个值：
[0060] 高压转速N2＝90％～100％；加力燃烧室出口温度T7a＝1000K～1900K；喷口面积A8＝0.3m2～0.303m2。
[0061] 在步骤S3中，生成初代种群，种群规模为100个个体，并对各个体进行评价，即计算推力，具体见表1。表中推力为0的表明不符合步骤S1所给的约束条件。
[0062] 表1、初代种群
[0063]序号 N2 A8 T7a F
1 0.998 0.3014 1877 71.9
2 1.000 0.3017 1843 71.0
3 0.993 0.3023 1915 0.0
4 1.002 0.3004 1744 0.0
5 0.998 0.3006 1630 61.4
6 0.989 0.2013 1778 64.9
7 0.989 0.3026 1688 61.1
8 0.997 0.3023 1822 50.6
9 0.985 0.3024 1456 63.2
10 1.000 0.3004 1660 57.6
…… …… …… …… ……
1 0.998 0.3014 1877 71.9
2 1.000 0.3017 1843 71.0
3 0.993 0.3023 1915 0.0
4 1.002 0.3004 1744 0.0
5 0.998 0.3006 1630 61.4
6 0.989 0.2013 1778 64.9
7 0.989 0.3026 1688 61.1
8 0.997 0.3023 1822 50.6
9 0.985 0.3024 1456 63.2
10 1.000 0.3004 1660 57.6
…… …… …… …… ……
[0064] 需要说明的是，所述初代种群的种群规模为50～500个个体，对个体的数目进行优化，一方面要便于更快捷地进行计算，另一方面，要保证足够多的个体参与运算，使结果更准确。
[0065] 从表1中可以看出，此时，最优个体的推力为71.9。
[0066] 因为表1中存在不满足步骤1给定的约束条件的个体，因此，需要进行选择运算，即步骤S4中对每个个体进行选择运算，依据推力大小进行选择。根据表1所示结果，推力为0的个体无法被选择，假设由于第1，2个个体推力较高，被选择了2次，其它推力不为0的个体被选择了1次，则选择后的个体见表2。
[0067] 需要说明的是，此时，还需要对A8的范围进行重新给定，比如，其设定为0.3m2～0.305m2。
[0068] 表2二代种群
[0069]序号 N2 A8 T7a F
1 0.998 0.3014 1877 71.9
2 1.000 0.3017 1843 71.0
3 0.998 0.3014 1877 71.9
4 1.000 0.3017 1843 71.0
5 0.998 0.3006 1630 61.4
6 0.989 0.2013 1778 64.9
7 0.989 0.3026 1688 61.1
8 0.997 0.3023 1822 50.6
9 0.985 0.3024 1456 63.2
10 1.000 0.3004 1660 57.6
…… …… …… …… ……
1 0.998 0.3014 1877 71.9
2 1.000 0.3017 1843 71.0
3 0.998 0.3014 1877 71.9
4 1.000 0.3017 1843 71.0
5 0.998 0.3006 1630 61.4
6 0.989 0.2013 1778 64.9
7 0.989 0.3026 1688 61.1
8 0.997 0.3023 1822 50.6
9 0.985 0.3024 1456 63.2
10 1.000 0.3004 1660 57.6
…… …… …… …… ……
[0070] 之后，在步骤S5中，进行遗传算法的交叉运算。
[0071] 对表2得到的新种群两两随机配对，配对结果见表3。表中所示，第1，10为一对，第2，3为一对，以此类推。一般交叉算子范围为0.4～0.99，本实施例中以0.6为交叉算子a进行交叉运算，表中的随机数决定了每一对是否能够交叉，随机数如果小于交叉概率，就可以交叉。
[0072] 表3配对运算结果
[0073]
[0074]
[0075] 需要说明的是，本实施例中，所述交叉运算的交叉公式为：
[0076] x′1＝a×x1+(1-a)×x2；
[0077] x′2＝a×x2+(1-a)×x1，
[0078] 其中，x1和x2为父代，x′1和x′2为子代，a为交叉算子。
[0079] 需要说明的是，表3中的随机数为0～1，以第2对为例，假设随机数a为0.6，则交叉后子代为：
[0080] N2:
[0081] 0.9992＝0.6×1.0+(1-0.6)×0.998
[0082] 0.9988＝0.6×0.998+(1-0.6)×1.0
[0083] A8:
[0084] 0.30158＝0.6×0.3017+(1-0.6)×0.3014
[0085] 0.30152＝0.6×0.3014+(1-0.6)×0.3017
[0086] T7a:
[0087] 1871.8＝0.6×1843+(1-0.6)×1915
[0088] 1886.2＝0.6×1915+(1-0.6)×1843
[0089] 新的2号个体为[0.9992，0.30158，1871.8]，新的3号个体为[0.9988，0.30152，1886.2]；未进行交叉的个体不发生变化。
[0090] 之后，在步骤S6中，进行变异运算，变异的公式为：
[0091] 当random(0,1)＝0，x′k＝xk+(Ukmax-xk)×(1-r(1-k/T)b)，或者，
[0092] 当random(0,1)＝1，x′k＝xk+(xk-Ukmin)×(1-r(1-k/T)b)，
[0093] 其中，xk为第k代中的优化参数值，Ukmax和Ukmin为第k代的所述优化参数值的最大值与最小值，r是0～1的随机数，b为常数，T为进行遗传算法时迭代的最大代数，x′k为变异后的优化参数值。
[0094] 式中random(0,1)为0或1的随机数，xk为第k代的某一个体中的优化参数值，也就k k是N2、T7a、A8其中一个值，比如是A8，则Umax和Umin就是第k代的A8max和A8min(A8的范围是变化的，其它两个量的范围是不变的，若不变，则最大值与最小值为同一个值)。
[0095] 需要说明的是，在步骤S6中，所述进行遗传算法时迭代的最大代数T为30～50，常数b的范围为1～100。本实施例以以步骤S5得到的新的2号个体为例对其进行变异，假设random(0,1)＝0，最大代数为30代，当前代为1，r为0.9，b为2，则变异后的2号个体为
[0.9995，0.3028，1895.5]，其中A8max已变为0.305，该值参考步骤S4。
[0.9995，0.3028，1895.5]，其中A8max已变为0.305，该值参考步骤S4。
[0096] 本实施例中，所述步骤S7即重复步骤S4至S6，直至进行遗传算法时迭代的次数满足设定的最大代数，获取最大推力时对应的最优个体以及由所述最优个体内计算得其它发动机各控制参数，比如，最终计算得到高度11km，马赫数2.0条件下的最优个体为[0.9994，0.3028，1900]，最大推力为99.8。
[0097] 之后，在步骤S8以及步骤S9中，根据上述步骤再计算高度11km、其他马赫数条件下的最优结果，则每个马赫数下的最大推力所对应的发动机参数即是最优控制参数，把每个参数按马赫数M连成曲线，即是所需的发动机控制规律；在相同飞行高度、标准大气条件下，马赫数M与发动机进口空气总温T1是一一对应，因此有时用T1与发动机参数的曲线表征发动机控制规律，即T1～N1、T1～N2、T1～T4等。
[0098] 本实施例在综合考虑发动机进口空气流量限制W1max、转子最大转速限制N1max和N2max、热端部件最大温度限制T4max和T7amax(加力燃烧室出口温度)、压缩部件的喘振裕度限制SMf和SMc、加力燃烧室的余气系数限制αmin、最大耗油率限制sfcmax、最小喷口面积A8min、最大喷口面积A8max等条件下，快速高效的获得发动机最优的调节规律。
[0099] 本方法将高压相对转速N2、加力燃烧室出口温度T7a以及喷口面积A8设为优化参数，目标函数为发动机共同工作方程，在采用遗传算法优化计算过程中需给出优化参数的变化范围，即搜索空间，由发动机共同工作方程求得发动机性能参数，通过对这些参数进行遗传学计算，最终得到既满足所有约束条件，推力又最大的解，即获得发动机工作包线内最优的N1、N2、T4等参数与发动机进口空气总温T1的关系，这就是需求的发动机调节规律。
[0100] 在进行发动机调节规律设计时，在综合考虑各种限制边界条件下，快速高效的获得发动机最优解，大大简化工作量，提高了工作效率。
[0101] 最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。