Разработка методики синтеза нейроконтроллера частоты вращения ротора малоразмерного газотурбинного двигателя с учётом ограничений по расходу топлива


Цитировать

Полный текст

Аннотация

Вопросы создания нейросетевых систем управления газотурбинных двигателей с учётом их нелинейной динамики и ограничений по расходу топлива в зависимости от режима работы двигателя остаются малоизученными. Для учёта ограничений по расходу топлива разработан метод модификации рассогласования между фактическим и целевым значением частоты вращения в процессе обучения нейроконтроллера. Проведено обучение двух нейроконтроллеров – один по разработанному методу, второй – без учёта ограничений по расходу топлива. По результатам работы синтезированных систем управления сделаны выводы о динамике переходных процессов и работе двигателя в допустимых пределах. Разработанный метод модификации ошибки обучения нейронной сети позволяет в автоматизированном режиме синтезировать нелинейную систему управления с учётом требований к ограничениям.

Об авторах

А. В. Кузнецов

Самарский национальный исследовательский университет имени академика С.П. Королёва

Автор, ответственный за переписку.
Email: a.v.kuznetsov91@mail.ru

аспирант кафедры автоматических систем энергетических установок

Россия

Г. М. Макарьянц

Самарский национальный исследовательский университет имени академика С.П. Королёва

Email: georgy.makaryants@gmail.com

доктор технических наук, доцент
профессор кафедры автоматических систем энергетических установок

Россия

Список литературы

  1. Link C.J., Jack D.M. Aircraft engine controls: design, system analysis, and health monitoring. Reston, Virginia: American Institute of Aeronautics and Astronautics, 2009. 397 p.
  2. Евсюков В.Н. Нелинейные системы автоматического управления: учебное пособие для студентов вузов. Оренбург: ГОУ ОГУ, 2007. 172 с.
  3. Чернодуб А.Н., Дзюба Д.А. Обзор методов нейроуправления // Проблемы программирования. 2011. № 2. С. 79-94.
  4. Isermann R. Perspectives of automatic control // Control Engineering Practice. 2011. V. 19, Iss. 12. P. 1399-1407. doi: 10.1016/j.conengprac.2011.08.004
  5. Tao G. Multivariable adaptive control: A survey // Automatica. 2014. V. 50, Iss. 11. P. 2737-2764. doi: 10.1016/j.automatica.2014.10.015
  6. Wang X., Zhao J., Xi-M. S. Overshoot-free acceleration of aero-engines: An energy-based switching control method // Control Engineering Practice. 2016. V. 47. P. 28-36. doi: 10.1016/j.conengprac.2015.12.007
  7. Xiaofeng L., Jing S., Yiwen Q., Ye Y. Design for aircraft engine multi-objective controllers with switching characteristics // Chinese Journal of Aeronautics. 2014. V. 27, Iss. 5. P. 1097-1110. doi: 10.1016/j.cja.2014.08.002
  8. Agüero J.L., Beroqui M.C., Pasquo H.D. Gas turbine control. Modifications for: Availability and limitation of spinning reserve and limitation of non-desired unloading. 2002. 8 p.
  9. Филлипс Ч., Харбор Р. Системы управления с обратной связью. М.: Лаборатория знаний, 2001. 616 с.
  10. Nabney I.T., Cressy D.C. Neural network control of a gas turbine // Neural Computing and Applications. 1996. V. 4, Iss. 4. P. 198-208. doi: 10.1007/BF01413818
  11. Vasilyev V.I., Valeyev S.S., Shilonosov A.A. Design of neurocontroller for gas-turbine engine multi-mode control // Proceedings of the 8th International Conference on Neural Information Processing (ICONIP-2001) (Shanghai, Nov. 14-18, 2001). V. 2. P. 746-750.
  12. Mu J., Rees D. Approximate model predictive control for gas turbine engines // Proceedings of the 2004 American Control Conference. 2004. V. 6. P. 5704-5709. doi: 10.23919/acc.2004.1384765
  13. Васильев В.И., Идрисов И.И. Алгоритмы проектирования и анализа устойчивости интеллектуальной системы управления ГТД // Вестник Уфимского государственного авиационного технического университета. 2008. Т. 11, № 1. С. 34-42.
  14. Bazazzadeh M., Badihi H., Shahriari A. Gas turbine engine control design using fuzzy logic and neural networks // International Journal of Aerospace Engineering. 2011. V. 2011. doi: 10.1155/2011/156796
  15. Васильев В.И., Валеев С.С. Проектирование интеллектуальных систем управления ГТД на основе принципа минимальной сложности // Вестник Уфимского государственного авиационного технического университета. 2007. Т. 9, № 2. С. 32-41.
  16. Sartori M.A., Antsaklis P.J. Implementations of learning control systems using neural networks // IEEE Control Systems Magazine. 1992. V. 12, Iss. 2. P. 49-57. doi: 10.1109/37.126853
  17. Jokar A., Zomorodian R., Ghofrani M.G., Khodaparast P. Active control of surge in centrifugal compressors using a brain emotional learning-based intelligent controller // Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 2015. V. 230, Iss. 16. P. 2828-2839. doi: 10.1177/0954406215602281
  18. Gao W., Selmic R.R. Neural network control of a class of nonlinear systems with actuator saturation // Proceedings of the 2004 American Control Conference. 2004. V. 3. P. 2569-2574. doi: 10.23919/acc.2004.1383852
  19. Кузнецов А.В., Макарьянц Г.М. Имитационная модель малоразмерного газотурбинного двигателя // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2017. Т. 16, № 2. С. 65-74. doi: 10.18287/2541-7533-2017-16-2-65-74
  20. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом «Вильямс», 2006. 1104 с.
  21. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. 344 с.
  22. Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of Control, Signals, and Systems. 1989. V. 2, Iss. 4. P. 303-314. DOI:0.1007/bf02551274

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение, 2018

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах