刘斌 方学龙
长城汽车股份有限公司 天津蜂巢动力分公司 天津 300462
摘要：目前，ＰＩＤ控制方法由于其算法简单，易于实现的优点已经被广泛应用于各种控制领域。但涡喷发动机转速控制系统为非线性系统，传统ＰＩＤ控制在非线性系统中的表现并不良好。因此采用模糊控制来弥补传统ＰＩＤ控制无法在线调参的不足。为进一步提高模糊ＰＩＤ控制系统的性能，有学者将遗传算法和ＢＰ神经网络应用于模糊控制中，虽然解决了难以将控制参数调至最优的问题，但仍存在训练时间长的问题。本文采用模糊神经网络控制方法，很好地解决了模糊控制和神经网络单独使用时的弊端，提高了ＰＩＤ控制系统的性能。利用Ｓｉｍｕｌｉｎｋ仿真将３种控制系统应用于ＥＣＵ控制系统进行仿真，结果显示模糊神经网络ＰＩＤ的系统稳定时间最快，超调量最小，在遇到干扰时鲁棒性最好。
关键词：微型涡喷发动机；模糊神经网络控制；ＥＣＵ控制系统
引言
PID控制器的性能与比例、积分、微分系数的
的优化整定有直接关系，目前，比较传统的PID参数整定方法有Ziegler-Nichols法、梯度法等，虽然具有不错的参数整定能力，但由于存在对工作者经验依赖较强、对初值敏感等缺点，因此研究现代智能PID控制具有重要的意义。
1控制系统的数学模型建立
微型涡喷发动机ＥＣＵ控制器的控制系统由多个控制部分组成，其中转速控制部分尤为重要。由于转速与发动机的供油量有关，同时又能反映系统的输出推力，因此采用发动机的供油量－转速数学模型作为控制模型进行设计。涡喷发动机建模普遍采用部件法建模的方式，但该方法过程复杂，为降低系统的建模时间和建模难度，本文采用系统辨识方法建立涡喷发动机控制系统模型。系统辨识方法是一种黑箱建模问题，即利用系统的输入输出数据，在系统结构和参数无法获得的情况下，通过系统的一组实测输入输出数据，根据一类系统模型辨识出被测系统的等价数学模型。系统辨识的基本原理即基于系统对象的输出ｕ（ｔ）和建立的模型对象（ｔ）的差，调整被建立模型的参数，通过逐次逼近的方式，迭代消除误差，最终获得系统的输入输出变量之间的等价数学模型。
2模糊神经网络ＰＩＤ控制器设计
蓄电池充放电是一个复杂的电化学反应过程，充电过程受到荷电状态、电解液浓度、环境温度等因素的影响，是一个时变的非线性多变量系统。因此，蓄电池的充电方式需要根据电池的自身状况进行调整。常规ＰＩＤ控制器在非线性、系统复杂的工况下，控制效果较差。模糊ＰＩＤ控制具有很强的逻辑推理功能和鲁棒性，但隶属度函数和模糊规则的确定依赖于经验，缺乏自学习能力％ＲＢＦ神经网络具有很强的自学习、自适应和全局逼近能力，在对时变、多参数、非线性系统领域的控制方面有着广泛的应用，通过对神经网络进行训练，实现ＰＩＤ参数的在线修正，使系统具有自适应性，进而实现对充电过程中充电电流、电压的实时调整，动态跟踪最佳可接受充电电流曲线。因此，将两者结合起来能够发挥各自长处，用于蓄电池充电领域具有实际的研究意义。
控制器主要包括：（1）常规ＰＩＤ控制器，其直接作用于被控对象，并进行闭环控制；（2）模糊量化模块，其对系统的状态变量进行模糊量化和归一化处理，再把归一化后的输入数值根据输入变量模糊子集的隶属函数找出相应的隶属度，送给ＲＢＦ神经网络；（3）ＲＢＦ神经网络，根据系统的运行状态，通过神经网络的自学习和加权系数的调整，对ＰＩＤ控制器的参数进行调节，以期达到充电性能指标的最优化。
3实验结果与分析
利用Ｓｉｍｕｌｉｎｋ将上文中设计的传统ＰＩＤ、模糊ＰＩＤ和模糊神经网络ＰＩＤ控制算法应用于涡喷发动机ＥＣＵ转速控制系统模型进行仿真实验。
传统ＰＩＤ、模糊ＰＩＤ和模糊神经网络ＰＩＤ三种方法的响应时间基本相同，但模糊神经网络ＰＩＤ控制的超调量最小，稳定时间最快。其中模糊神经网络ＰＩＤ控制的超调为０，响应稳定时间为１ｓ，而传统ＰＩＤ的稳定时间约为１．６ｓ。
为了验证在受到干扰时控制系统是否能保持良好的鲁棒性，在仿真进行到１０ｓ时加入了一个５００００的方波信号作为干扰信号来观测系统的抗干扰能力。
模糊神经网络ＰＩＤ控制下的ＥＣＵ转速控制系统在遇到干扰时调整回稳定状态的时间最快，约为０．５ｓ，且在遇到干扰时系统的峰值最小，能快速地使系统稳定，可以看出利用模糊神经网络ＰＩＤ的控制效果最好。
微型涡喷发动机ＥＣＵ控制器最终要实现通过控制系统的供油量来反映系统的推力输出。涡喷发动机推力的大小主要与发动机涡轮前燃气温度、压气机增压比、涡轮效率和压气机效率有关，这些因素的变化均与发动机转速有关，在发动机转速增加时，空气流量和单位推力都会逐渐增加，发动机推力也随转速增加而增加。因此利用输出的转速大小来反映系统的推力输出大小。
通过采集的转速、推力实验数据，利用ＢＰ神经网络辨识方法对二者之间的关系进行辨识，采用输出可以取任意值的线性函数ｐｕｒｅｌｉｎｅ作为输出层的传递函数，经过ＢＰ神经网络对实验数据的迭代学习最终得到转速－推力关系模型。该模型能够直观地表示转速与推力的数学关系，将其应用于ＥＣＵ控制系统，该模型即将模糊神经网络输出的转速信号作为输入信号输入转速－推力模型，输出发动机推力。
根据转速－推力关系输出的推力基本与理论数据吻合，以转速４８０００ｒ／ｍｉｎ为输入，仿真结果输出的推力为５０．６ｋｇ与理论推力输出５０ｋｇ相差０．６ｋｇ，该误差的产生主要为辨识模型与实际输入输出数据之间存在误差，仿真模型误差不大。系统从响应到稳定的时间约为１ｓ与模糊神经网络控制器的响应时间基本相同，由此可以看出模糊神经网络ＰＩＤ控制器在微型涡喷发动机ＥＣＵ控制系统的应用是可行的，不仅实现了涡喷发动机系统转速的控制，同时还通过转速反映了输出推力的变化，间接的实现了对发动机输出推力的控制。
结语
由于涡喷发动机的具体结构数据较难获得，传统的部件法建模在未知发动机结构参数情况下难以应用的问题，本文利用某微型涡喷发动机的实验数据通过系统辨识的方法前后获得了某微型涡喷发动机的供油量－转速与转速－推力数学模型，从一定程度上减轻了系统建模的复杂度，缩短了系统建模的时间。利用对模型精确度要求不高的ＰＩＤ控制方法来设计控制系统。
本文所设计的HABC算法收敛速度更快，寻优能力得到了改善；所设计的航空发动机自适应最优PID控制器，能够根据控制系统的工作状态动态的改变PID控制器参数，在每一个采样时刻均能优化出最优的控制参数，实现了时变最优控制，使得闭环系统响应快，超调量小。
参考文献
[1]冯震震．直流锅炉主蒸汽温度控制系统研究[J]．西安：西安建筑科技大学，２０１７．
[2]石辛民．模糊控制及其Ｍａｔｌａｂ仿真[J]．北京：清华大学出版社，２００８．
[3]朱望纯，孙启林．基于模糊神经网络ＰＩＤ控制的智能充电方法研究[J]．电源技术，2020，44（3）：414417．
[4]曹志松,朴英.基于混合遗传算法的航空发动机PID控制参数寻优[J].航空动力学报,2007,22(9):1588-1592.
[5]张禹,白晓兰,武芃睿.基于ABC算法的航空发动机管路自动优化布局[J].东北大学学报(自然科学版),2013,34(10):1461-1464.
[6]苗单广,谢寿生,张波,等.航空发动机自适应全局快速非奇异Terminal滑模控制[J].航空动力学报,2013,28(11):2634-2640.