基于改进霍普菲尔德神经网络的多燃烧室变循环发动机高鲁棒性加速度控制方法

《Aerospace Science and Technology》：High-Robustness Acceleration Control Method for Multi-Combustion-Chamber Variable-Cycle Engine Based on an Improved Hopfield Neural Network

　　摘要多燃烧室三转子变循环发动机具有出色的气流通过性能，是支撑宽速度范围可重复使用航空航天器发展的新型动力源之一。然而在加速过程中，多转子的动态特性与燃烧室能量注入相互耦合，同时还存在复杂的状态参数约束。因此，如何实现高鲁棒性的加速控制是亟需解决的关键问题。本文提出了一种基于改进的霍普菲尔德神经网络的高鲁棒性加速控制方法。将发动机加速过程中的推力性能要求映射到霍普菲尔德神经网络的能量函数中，通过求解网络的平衡状态来制定多燃烧室加速控制方案。通过引入模拟退火过程和多次重启操作，提升了离线调度生成过程的收敛鲁棒性，在测试案例中得到了考虑约束条件的优化加速调度。在此基础上，提出了一种结合转子加速度N点的闭环加速控制策略，该策略充分利用了多个转子的响应特性。通过低压转子与中间压转子N点闭环控制器之间的高选择性操作来确定级间燃烧室的燃料供应，从而提升加速后期的响应速度。仿真结果表明，对于三转子多燃烧室发动机的加速过程，低压转子的N点变化与中间压及高压转子的变化不一致，在加速后期，低压转子的N点下降速度明显快于另外两个转子。基于低压转子N点控制的传统加速控制方法在加速后期响应速度较差，而所提出的组合N点控制策略则有效提升了这一性能。与传统方法相比，最大加速时间缩短了24.4%，能够在不同进气条件及发动机性能退化的工作状态下保证加速性能的稳定性与一致性，具备更高的鲁棒性。这项研究为多转子欠驱动动力系统的加速控制方案设计提供了新的思路。

引言高速涡轮发动机技术[1]是支撑未来可重复使用航空航天动力发展的核心技术之一。美国国防高级研究计划局计划启动“高马赫数燃气涡轮发动机技术”项目，以推动其“下一代快速打击”可重复使用高超音速快速打击飞机技术的发展[2]。随着马赫数的增加，发动机进气口的温度会变得过高，从而限制压缩效率和质量流量能力。这种热限制严重影响了高马赫数条件下的涡轮发动机性能。例如，在传统的涡扇发动机配置中，当运行在1.3–1.4马赫数附近时，冲压效应会导致进气口温度超过288.15K。为防止排气温度超过允许阈值，控制系统会自动节流[3]。在这种条件下，风扇的压缩功会显著增加。但由于低压涡轮的进气温度较低，其功率输出能力不足，导致风扇无法保持高速运转，进而造成进气量不足，最终限制了发动机的空气流量。同时，级间燃烧技术[4,5]通过在低压涡轮前方提供额外能量，提升了其在高马赫数条件下的发电能力，进而提高了发动机的整体质量流量性能。因此，这项技术目前是高速燃气涡轮发动机发展的热点方向。在此背景下，我们在之前的研究中提出了一种具有级间燃烧功能的多燃烧室三转子变循环发动机的热力循环方案[6,7]。然而，级间燃烧室的引入意味着需要设计更为复杂的多燃烧室协同控制策略，以确保发动机稳定运行。在快速加速过程中，这一点尤为重要。这类多燃烧室涡轮发动机控制系统开发中的关键挑战在于，如何通过协调不同燃烧室之间的燃料供应，确保在不同工作条件下的高鲁棒性加速性能。在飞机发动机控制方案的整个设计与开发周期中，过渡状态控制方案的设计占据了大部分时间[8]。尤其是在加速过程中，如何在快速响应性能与控制鲁棒性之间取得平衡，一直是过渡状态控制研究中的重要课题。目前，基于N点控制方案的闭环控制方法[9,10]以及基于燃油气体比控制方案的开环燃料供应方法[11,12]是飞机发动机的两种常见加速控制方式。为了提高在发动机功率提取条件变化及传感器测量差异条件下的适用性，张新海等人提出了一种整合上述两种控制方案的加速控制方法，使得单燃烧室双转子涡扇发动机在全部工作范围内都能实现可靠加速[13]。方娟等人提出了一种基于深度强化学习的飞机发动机全范围加速控制器设计方法，提升了发动机在宽工作速度范围内的加速性能[14]。李玉辰等人提出了一种基于跟踪误差的主动切换控制策略，从加速过程中稳态控制器与加速控制器之间的切换入手，提升了涡扇发动机的加速性能[15]。姚泰科等人提出了一种引入积分补偿的闭环加速控制方法，提高了方案的可行性，确保了在加速过程中主控制器回路与加速控制器回路之间的平滑切换[16]。王康等人采用数据驱动方法获得了全飞行包线内发动机加速控制方案的补偿模块，提升了发动机在全飞行包线及多种工作条件下的加速性能鲁棒性[17],[18],[19]。王新义等人应用等温相似变换概念，拓展了N点闭环控制方法，使得能够在整个工作范围内快速制定加速控制方案[20]。施浩兰等人提出了一种相对旋转加速度反演方法，用于缓解最终加速阶段出现的推力超调现象，通过协调优化双转子动力学，实现了最小化末端超调的多变量控制调度[21]。刘银峰等人采用链路学习混合遗传算法对控制器参数进行微调，从而得到了能够最小化整体加速时间的最优加速控制器[22,23]。顾子宇等人设计了一种模型预测控制器，通过在线滚动优化获得加速控制律，并通过基于深度神经网络的线性变参数模型提升了在线求解速度[24]。刘晓峰等人通过为发动机状态延迟和输入饱和设计补偿结构，确保了发动机状态切换过程中的性能稳定过渡[25]。魏志远等人开发了一种采用机载模型自更新的自适应推力控制框架，使得发动机在不同工作环境下的加速过程都能实现精确的推力调节[26,27]。郝旺等人提出了一种双层优化方法用于发动机过渡状态控制律的设计，通过外层优化降低了几何参数调整带来的发动机性能波动，通过内层优化获得了加速燃料供应律，确保了发动机的安全稳定加速[28]。陈浩英等人提出了一种混合PSO-SQP优化框架，同时优化了包括自适应循环旁通喷射器、低压涡轮导叶以及燃烧-燃料调度曲线在内的变几何子系统的控制律，该方法降低了加速过程中的压缩机稳定裕度限制，显著减少了加速时间[29]。上述研究主要针对配备单个主燃烧室的双转子涡扇发动机。在这样的系统中，主燃烧室释放的能量用于驱动高压涡轮，而低压涡轮的运行状态则可以通过调节喷嘴喉部截面直接控制。双转子加速过程的控制可视为全驱动系统控制（控制变量数量与被控参数数量相等）。但与传统的单燃烧室涡轮发动机不同，三转子多燃烧室发动机将主燃烧室的能量用于驱动高压涡轮，将级间燃烧室的能量用于驱动低压涡轮，而中间压涡轮的运行状态则受这两个燃烧室能量分配的共同影响。三转子加速过程的控制可视为欠驱动系统控制（被控参数数量多于控制变量数量）。因此，多个燃烧室之间协调的燃料供应与加速过程中多转子动态响应之间的相互作用极为复杂。提升此类多燃烧室加速控制策略的鲁棒性仍然是一项重要的技术挑战。在初步研究中，我们探索了一种基于燃油气体比与变几何结构综合调控的多燃烧室协同开环燃料供应策略[30]。然而，这种方法过度依赖预设的复合调控控制方案，在发动机性能退化或进气条件变化等情况下，缺乏控制加速性能的鲁棒性。受到应用于双转子涡扇发动机加速的N点闭环控制的启发，我们发现转子加速度能够有效捕捉发动机瞬态过程的非线性与时变特性，这使得发动机能够根据所需的转速变化自动调整燃料流量，使涡轮和压缩机的剩余功率在不同环境条件下保持一致，展现出很强的适应性。因此，根据三转子多燃烧室变循环发动机的响应特性，本研究提出了一种基于改进的霍普菲尔德神经网络的高鲁棒性加速控制方案。该改进方案有助于制定出考虑约束条件的优化离线N点控制调度，随后再根据转子的响应特性设计基于N点闭环控制的控制策略。主要贡献如下：1）发现了具有级间燃烧功能的多燃烧室三转子发动机在加速过程中的转子动态响应规律；2）提出了一种基于转子响应差异的组合N点闭环加速控制策略，显著提升了发动机在加速后期的推力响应能力，保证了在不同工作条件及性能退化情况下加速控制的鲁棒性与有效性。

章节片段多燃烧室变循环发动机过渡状态控制结构图1展示了作为本研究对象的多燃烧室变循环发动机的结构配置。如图所示，该发动机采用三转子布置，包括高压转子、中间压转子和低压转子，并集成多个燃烧单元以实现分阶段能量供给，这些燃烧单元包括主燃烧室、级间燃烧室和加力燃烧室。在涡扇发动机工作模式下，主燃烧室产生的高温高压气体首先驱动高压涡轮和中间压涡轮，随后这些涡轮再将能量传递出去。

基于改进霍普菲尔德神经网络的组合N点加速控制策略根据以上分析，本节根据多燃烧室三转子发动机的工作特性，设计了用于其加速控制的N点控制策略。

不同优化方法的敏感性分析及比较基于上述原理和方法，首先对地面点组合N点加速控制方法进行了仿真验证。图7和图8展示了在地面点加速控制方案优化过程中霍普菲尔德神经网络能量函数的变化情况。如图7所示，只要发动机状态变量在优化过程中保持在规定范围内，能量函数会随着转速的升高而持续下降。

结论为满足多燃烧室三转子变循环发动机的高鲁棒性加速控制需求，本文提出了一种基于组合N点策略的加速控制方法。通过改进的霍普菲尔德神经网络算法获得了优化的离线N点控制调度。通过加速过程的数字仿真验证了该方法的有效性，得出以下结论：1）