一种航空活塞发动机增压自适应控制方法及系统
阅读说明：本技术 一种航空活塞发动机增压自适应控制方法及系统 (Aviation piston engine supercharging self-adaptive control method and system ) 是由 姜梁 董雪飞 王振宇 陈建国 司亮 刘培强 于 2021-06-28 设计创作，主要内容包括：本发明公开了一种二冲程航空活塞增压发动机自适应控制方法,属于二冲程航空活塞增压发动机领域。该方法包括：任务时序规划步骤：根据发动机控制需求进行任务时序规划；工作状态评估步骤：采集工作参数及接收指令并评估发动机工作状态；控制参数自学习及预设步骤：根据历史运行数据通过神经网络算法进行自学习并预设控制参数；故障识别/诊断/响应步骤：实时监测发动机部件状态,针对故障问题进行识别、诊断与响应。该方法是一种具有一定适应能力的控制方法,能够自动适时地调节发动机控制参数,以适应外界环境、运行工况变化的影响,使发动机在不同环境及工况下始终维持最优或次优状态,满足系统使用要求。(The invention discloses a self-adaptive control method for a two-stroke aviation piston supercharged engine, and belongs to the field of two-stroke aviation piston supercharged engines. The method comprises the following steps: and a task time sequence planning step: performing task time sequence planning according to the control requirement of the engine; and a working state evaluation step: collecting working parameters, receiving instructions and evaluating the working state of an engine; controlling parameters to self-learn and preset: self-learning is carried out through a neural network algorithm according to historical operation data and control parameters are preset; fault identification/diagnosis/response step: and the states of the engine components are monitored in real time, and the fault problem is identified, diagnosed and responded. The method is a control method with certain adaptability, can automatically and timely adjust the control parameters of the engine to adapt to the influence of the external environment and the change of the operating condition, so that the engine can always maintain the optimal or suboptimal state under different environments and working conditions, and the use requirement of the system is met.)
技术领域
本发明应用于二冲程航空活塞增压发动机领域，具体涉及一种航空活塞二冲程增压发动机自适应控制方法及系统，并应用于二冲程航空活塞增压发动机。
背景技术
与四冲程活塞发动机增压技术相比，二冲程活塞发动机由于其换气过程存在内部流场的强耦合，引入增压技术，需有效解决混合气燃烧的精确控制等关键技术。增压发动机需回收利用排气脉冲能量做功，增压系统与换气过程相互耦合，导致同一风门及转速下封存在缸内的新鲜空气里波动较大，喷油量无法精确控制。在全飞行包线下发动机运行工况复杂多变，采用常规控制方法，喷油量控制难以实时响应发动机随增压系统工况变化产生的进气量突变，导致燃料与空气比例不匹配，引起燃烧不稳定问题，从而极易导致发动机故障失效。
稳定燃烧是发动机控制的核心，通过将缸内的空燃比控制在合适的区间，保证稳定的功率输出。由于地面标定时，海拔高度只能在5000m以下，但发动机需要在更高海拔下工作，为保证发动机稳定燃烧，保持系统控制的鲁棒性，需要控制策略在不同的工作场景下都能够实现对发动机的精确控制，使发动机可以最大化发挥功率输出。
发明内容
本发明的目的是克服现有技术的不足，提供一种基于任务规划的二冲程航空活塞增压发动机自适应控制方法及系统，该方法包含时序控制、神经网络自学习控制、预控+闭环油路控制技术及故障监测识别响应等技术，是一种具有一定适应能力的控制方法，能够自动适时地调节发动机控制参数，以适应外界环境、运行工况变化的影响，使发动机在不同环境及工况下始终维持最优或次优状态，满足系统使用要求。
根据本发明实施例的第一方面，提供一种二冲程航空活塞增压发动机自适应控制方法，所述方法包括：
任务时序规划步骤：根据发动机控制任务进行任务时序规划；
工作状态评估步骤：采集工作参数及接收指令并评估发动机工作状态；
控制参数自学习及预设步骤：根据历史运行试验数据通过神经网络算法进行自学习并预设控制参数；
故障识别/诊断/响应步骤：实时监测发动机部件状态，针对故障问题进行识别、诊断与响应。
进一步地，所述任务时序规划步骤具体包括：
S11：发动机控制任务模块化设计，根据控制任务进行组件划分，生成模块化控制任务；
S12：将模块化控制任务进行时序及优先级的划分。
进一步地，所述S11具体为：整理发动机控制任务，采取模块化设计，针对发动机控制任务进行组件划分，生成模块化控制任务。
进一步地，所述组件划分包括但不限于发动机起动/停机控制、进气系统、喷油系统、点火系统、排气系统、故障诊断、基础功能组件。
进一步地，所述S12具体为：对模块化控制任务进行设计规划，除初始化任务外，将发动机的模块化控制任务按照实时性要求及优先级由高到低分为三类：中断处理任务、周期性处理任务、背景任务。
进一步地，所述中断处理任务优先级包括：转速采集、喷油控制及点火控制任务，中断处理任务一经触发，当前任务暂停运行，等待中断处理任务执行结束后继续。
进一步地，所述周期性处理任务包括：MCU初始化任务、软件初始化任务、硬件初始化任务、传感器信号采集任务、传感器信号处理任务、工况判断任务、执行器驱动任务以及通信任务。
进一步地，所述周期性处理任务，按需求划分为5ms、10ms、15ms周期任务。
进一步地，所述背景任务为无中断或周期性任务运行时执行的任务，用于持续计算转速。
进一步地，所述工作状态评估步骤具体包括：
S21：根据传感器采集的工作参数计算发动机对应参数物理值，包括节气门开度、转速、缸头温度、大气温度以及海拔高度；
S22：根据转速、缸头温度判断发动机工况，包括起动工况、过渡工况、暖机工况以及稳态工况；
S23：根据节气门开度及转速判断发动机工作档位，包括慢车档位、怠速档位、巡航档位及大车档位；
S24：根据海拔高度及大气温度判断发动机工作环境。
进一步地，所述控制参数自学习及预设步骤具体包括：
S31：发动机飞行及台架试验过程中实时传输并存储大气压力、风门、转速、缸头温度、大气温度与油路的修正系数数据，作为历史运行试验数据；
S32：基于历史运行试验数据，对神经网络进行初始训练，并在发动机运行过程中，实时通过当前运行数据对神经网络进行迭代计算，利用最新数据不断优化神经网络系数；
S33：发动机运行过程中，利用训练后的神经网络，读取海拔高度、节气门开度、转速、缸头温度与大气温度计算喷油修正系数作为预设控制参数；
S34：在预设控制参数的基础上，采取基于空燃比的闭环修正算法对基础喷油量进行修正。
进一步地，所述神经网络采取基于径向基函数(Radial Basis Function，RBF)神经网络拓展所得的局部线性模型树(Local Linear Model Tree，LOLIMOT)模型，并将RBF神经网络输出层的权重系数替换为线性函数。由此，该神经网络能够映射任意复杂的非线性关系，具有很强的鲁棒性、记忆能力、非线性映射能力及自学习能力，能够较为准确的拟合出喷油量与海拔高度、节气门开度、转速、温度之间的非线性关系。且径向基神经网络学习规则简单，能够实现对实时数据的有效运算。
进一步地，神经网络中根据海拔高度进行神经元划分，共6个神经元。通过大气压力确定当前系统所处的海拔高度，每个海拔高度的数据用于一个神经元的学习，通过发动机运行数据对神经网络进行训练，获取不同海拔高度下各神经元的权重。
进一步地，发动机运行过程中，根据海拔高度不同，对应的神经元权重远高于其余神经元。
进一步地，所述故障识别/诊断/响应步骤具体包括：
实时监测传感器数据，根据传感器信号诊断判断传感器数据是否出现异常，并在传感器出现故障时及时采取降维控制或冗余控制。
进一步的，所述传感器信号诊断包括：
驱动级诊断，针对传感器完全失效故障，在发动机非运行状态下，通过短电源、短地、开路方式，获取传感器线路故障情况下的信号，确定传感器正常工作时信号范围并写入软件，电子控制单元(Electronic Control Unit，ECU)接收传感器信号后，为防止故障误判，每采集10个信号为一组进行均值滤波，判断滤波后的值是否在正常工作信号范围内；
合理性诊断，针对传感器精度下降故障，同样通过临界值判断方法，临界值通过同一工况下滤波后数值的极大值和极小值确定，每接收一个数据重新计算一次极大值和极小值，计算极大值和极小值的加权平均值得到临界范围，该临界数值大小始终处于已出现的传感器实际信号的极大值和极小值之间。
进一步地，所述降维控制具体包括：
通过传感器故障诊断算法对预设控制参数进行实时监测，当所述预设控制参数出现异常，则取消预设控制，采取基于空燃比的闭环控制；当空燃比数据异常，直接取消预设控制和闭环控制，采取开环控制方式。
进一步地，所述冗余控制具体包括：
通过传感器故障诊断算法实时监测风门位置传感器与转速传感器各包含的两路传感器，传感器数据出现异常情况时立刻切换至备用传感器。
根据本发明实施例的第二方面，提供一种二冲程航空活塞增压发动机自适应控制系统，所述系统包括：
任务时序规划部件，用于根据发动机控制需求进行任务时序规划；
工作状态评估部件，用于采集工作参数及接收指令并评估发动机工作状态；
控制参数自学习及预设部件，用于根据历史运行数据通过神经网络算法进行自学习并预设控制参数；
故障识别/诊断/响应部件，用于实时监测发动机部件状态，针对故障问题进行识别、诊断与响应。
本发明的有益效果为：
1、该自适应控制方法基于发动机控制需求进行任务规划，针对不同任务的精度需求及实时性需求进行频率划分，有效提升软件运行效率及发动机关键参数控制精度；
2、该自适应控制方法采取自学习加闭环的修正方法，自学习策略通过基于径向基函数的神经网络学习发动机历史数据，并通过实时运行数据进行修正，获取发动机实时工况下的最佳喷油控制参数，在此控制参数的基础上进行闭环修正，能有效减少闭环修正时间，提高发动机控制响应速度，令发动机在各工况下保持最佳工作性能；
3、该自适应控制方法根据发动机运行状态，对发动机各部件进行实时监测并对部分故障采取冗余控制或降维控制策略，确保发生故障后发动机能保持平稳运行。
附图说明
图1示出本发明的系统组成图；
图2示出本发明的自学习算法框架图。
具体实施方式
如图1所示，本发明所述自适应控制方法适用于包括发动机控制器ECU、系统零部件及线束的发动机EMS系统。所述发动机EMS系统是保证发动机正常工作的一项关键因素，需要合理的设计零部件系统组成及发动机可靠电喷控制，保证可靠的动力输出、同时兼顾功能安全及油耗最低的目标。ECU通过采集曲轴位置、进气温度、进气压力、节气门位置等信号，合理的控制进气、喷油、点火过程，使得发动机工作在最佳状态。
自适应控制方法的基本功能，需要实现信号的采集、计算、驱动执行器的动作，将混合好的油气，在特定的角度窗口，扫入缸内，点火燃烧做功，保证发动机的稳定燃烧。除此之外，为了保证发动机控制的可靠性，同时需要进行功能安全设计、以及故障诊断和故障后处理功能，具体包括：
任务时序规划
根据紧急程度及时效性进行任务规划的时序控制技术，将任务根据重要性进行优先级及频率的划分，根据任务对实时性要求的不同分别采用不同的执行频率。所述方法包括：
S1：发动机控制任务模块化设计，根据控制任务进行组件划分；
S2：将模块化控制任务进行时序及优先级的划分。
时序控制技术的具体方法为：
1)整理发动机控制任务，采取模块化设计，针对发动机控制任务进行组件划分，包括发动机起动/停机控制、进气系统、喷油系统、点火系统、排气系统、故障诊断、基础功能等组件；
2)对控制任务进行设计规划，除初始化任务外，将发动机控制任务按照实时性要求及紧急程度分为三类：中断处理任务、周期性处理任务、背景任务。中断处理任务优先级最高，包含转速采集、喷油控制及点火控制任务，中断处理任务一经触发，当前任务暂停运行，等待中断处理任务执行结束后继续。周期性处理任务包含缸温等数据采集、部分控制参数计算等任务，按需求划分为5ms、10ms、15ms等周期任务。背景任务为无中断或周期性任务运行时执行的任务，用于持续计算转速。
工作状态评估
控制参数自学习及预设
面对闭环修正量大造成闭环计算收敛缓慢以及高海拔运行工况无法进行试验标定的问题，提出基于神经网络自学习的预控加闭环控制技术，所述方法包括：
S1：发动机飞行及台架试验过程中向存储芯片实时传输并存储海拔高度、风门、转速、温度等参数与油路的修正系数数据；
S2：基于大量试验数据，对神经网络进行初始训练。同时在发动机运行过程中，实时通过运行数据对神经网络进行迭代计算，不断利用最新数据优化神经网络系数。
S3：发动机运行过程中，利用训练后的神经网络，读取海拔高度等参数，计算喷油修正系数作为预控参数；
S4：在预控的基础上，采取基于空燃比的闭环修正算法对基础喷油量进行修正。
神经网络采取基于RBF拓展所得的LOLIMOT模型，将RBF网络输出层的权重系数替换为线性函数所得。神经网络中根据海拔高度进行神经元划分，共6个神经元。
基于神经网络自学习的预控策略在现有闭环控制的基础上，加入油路基于神经网络的自学习策略。自学习策略具体实施方式为：
S1：发动机飞行及台架试验过程中向存储芯片实时传输并存储大气压力、风门、转速、缸头温度、大气温度与油路的修正系数数据；
S2：基于大量试验数据，对神经网络进行初始训练。同时在发动机运行过程中，实时通过运行数据对神经网络进行迭代计算，不断利用最新数据优化神经网络系数。
S3：发动机运行过程中，利用训练后的神经网络，读取大气压力等参数，计算喷油修正系数作为预控参数；
S4：在预控的基础上，采取基于空燃比的闭环修正算法对基础喷油量进行修正。
神经网络采用基于RBF拓展所得的LOLIMOT模型，将RBF网络输出层的权重系数替换为线性函数所得。如图2所示，LOLIMOT模型含有多个神经元，不同于其他神经网络结构，LOLIMOT模型每一个神经元代表一个局部子模块，每个局部子模块包含一个高维高斯函数λi和一个线性函数LLMm，局部子模型的输出是高斯函数输出φi和线性函数输出的乘积，LOLIMOT模型总输出为各局部模型归一化输出之和。
设x＝[x1,x2,…,xp]为模型p维输入向量，设LOLIMOT网络中局部子模型总个数为M，则第m个(1≤m≤M)个局部子模型的高斯有效函数φm输出为：
其中，cm,i为第m个局部子模型第i(1≤i≤p)维数据的高斯函数中心，σm,i为第m个子模型第i维数据的高斯函数方差，μm(x)为第m个局部子模型的输出值，μj(x)为为第j(1≤j≤M)个局部子模型的输出值。第m个局部子模型的线性函数LLMm输出为
其中，ωm,i为第m个局部子模型第i维数据的线性方程系数，μm,i为第m个局部子模高斯函数输出的权重系数，LOLIMOT模型的输出为
以上公式中，LOLIMOT子模型中高斯函数中心的更新以一种数据轴向分割的方式进行，局部模型线性参数ωm,i采取加权最小二乘法进行估计。
本发明的神经元根据海拔高度进行划分及训练，每1000m海拔高度的数据用于一个神经元的训练及学习。发动机运行过程中，根据海拔高度不同，对应的神经元权重远高于其余神经元。发动机运行过程中，神经网络读取大气压力等参数，计算得到喷油脉宽的预控参数，然后通过基于空燃比的闭环控制算法进行修正得到最终控制参数。
发动机运行工况范围很广，不同转速下所需要的混合气空燃比不尽相同，为确保发动机在不同工况模式下能够满足动力性和可靠性的要求，采用空燃比分区控制方式，对于不同转速区域基于不同的目标空燃比进行控制，不同转速区域对于目标空燃比见下表1。
表1不同转速区间目标空燃比
转速区间/rpm
空燃比需求
3000以下
8.9-9.1
3000-3600
8.4-8.8
3600-3850
8.6-8.8
3850-4000
8.8
4000-5000
9.1
5000-5200
8.9
5200以上
8.5
采用PID闭环控制，闭环修正量＝比例项+积分项+微分项，比例修正项是检测到混合气浓度变化时施加的一个反向修正量，混合气偏稀时，以一定的步长加浓混合气，混合气偏浓时，以一定的步长减少喷气量，使混合气始终保持在目标空燃比附近。积分项补偿实际空燃比对目标空燃比的偏离，影响空燃比的波动及幅值，积分步长越长，计算周期越短，积分修正越快速，因此中小负荷用小步长，大负荷采用大步长，此外为保证积分修正项在合理范围内，需要对积分修正量进行限幅，限幅值代表对喷油脉宽的修正量，中小负荷限幅较小，大负荷限幅较大。PID控制参数经过多次试验标定，能够快速调节喷油脉宽，使空燃比稳定在目标空燃比附近。
故障识别/诊断/响应
根据发动机各传感器数据，提出包括故障检测、故障识别、故障诊断及故障响应的故障诊断及响应技术，实时监测传感器数据，依据故障类型切换冗余控制或降维控制策略，保证发动机在部分器件故障时保持稳定运行。
故障诊断与响应技术实时监测传感器数据，判断传感器数据是否出现异常，并在传感器出现故障时及时采取降维控制或冗余控制。
传感器信号诊断分为驱动级诊断以及信号合理性诊断。驱动级诊断针对传感器完全失效故障，在发动机非运行状态下，通过短电源、短地、开路的方式，获取传感器线路故障情况下的信号，确定传感器正常工作时信号范围并写入软件，ECU接收传感器信号后，为防止故障误判，每采集10个信号为一组进行均值滤波，判断滤波后的值是否在正常工作信号范围内。合理性诊断针对传感器精度下降故障，同样通过临界值判断方法，临界值通过同一工况下滤波后数值的极大值和极小值确定，每接收一个数据重新计算一次极大值和极小值，计算极大值和极小值的加权平均值得到临界范围，该临界数值大小始终处于已出现的传感器实际信号的极大值和极小值之间。
故障诊响应技术包括降维控制及冗余控制：
风门开度及转速为主要参数，采取冗余控制。风门位置传感器与转速传感器各包含两路传感器，分别为主传感器及备用传感器，通过传感器故障诊断算法进行实时监测，传感器数据出现异常情况时立刻切换至备用传感器。
ECU油路控制采取降维控制。本发明的自适应控制方法中，油路控制采取基于神经网络自学习的预控+闭环控制方式，其中，预控需海拔高度、风门、转速以及缸温等数据，通过传感器故障诊断算法对所需参数进行实时监测，当上述数据出现异常，则取消预控，采取基于空燃比的闭环控制；当空燃比数据异常，直接取消预控和闭环控制，采取开环控制方式。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。