開關磁阻電機的非線性建模及在航空發(fā)動機多場耦合仿真中的應用.pdf

1、開關磁阻電機(Switched Reluctance Machine,SRM)由于具有容錯性好、穩(wěn)定性高、調速范圍寬、功率密度大和易冷卻等優(yōu)點,因而比傳統(tǒng)電機更適合航空應用場合。隨著多/全電飛機(More Electric Aircratt/AllElectric Aircraft,,MEA/AEA)成為未來航空的發(fā)展趨勢,SRM在航空應用上面臨極大的機遇。目前,美國等航空強國己把SRM作為未來的MEA/AEA電源系統(tǒng)的首選方案,國際上

2、主要的航空發(fā)動機研究機構如GE、Rolls-Roys和Pratt&Whitney等公司也都將SRM作為潛在的航空起動/發(fā)電機(Starter/Generator)系統(tǒng)進行研究。可以預見,SRM系統(tǒng)將是航空發(fā)動機動力系統(tǒng)的一個潛在的重要組成部分。
　　 航空發(fā)動機動力系統(tǒng)是一個多領域復雜物理系統(tǒng),其研發(fā)進度是整個飛機研發(fā)進度的關鍵?；贑AE技術的仿真分析可以實現(xiàn)發(fā)動機動力系統(tǒng)的預測設計,從而縮短其研發(fā)周期并減少成本。當前,我國的

3、航空工業(yè)正處于起步階段,嚴重落后于美、俄、英、法等航空強國,尤其在以發(fā)動機為主的航空動力系統(tǒng)的研發(fā)方面,差距更為明顯。鑒于我國航空工業(yè)的自主研制基礎較弱,開發(fā)虛擬樣機仿真分析的航空動力系統(tǒng)CAE技術對于發(fā)展我國航空工業(yè)具有重要意義。
　　 航空發(fā)動機動力系統(tǒng)仿真涉及到多學科的耦合研究。目前有關發(fā)動機和開關磁阻電機的特性仿真均是單獨進行的。發(fā)動機仿真往往只偏向于某一領域的諸如壓氣機特性、渦輪特性或燃燒特性等方面的仿真分析；開關磁阻

4、電機的仿真研究也都將其視為獨立的個體,集中在機電層面上。關于開關磁阻電機在航空發(fā)動機動力系統(tǒng)方面的應用,組成發(fā)動機動力系統(tǒng)的系統(tǒng)級模型,涉及機、電、液、氣、熱等多場耦合的實時特性仿真分析時,還鮮見相關成果。從這個意義上,本文分析了發(fā)動機各子系統(tǒng)的耦合作用,實現(xiàn)了多場耦合的發(fā)動機系統(tǒng)級仿真,提供了發(fā)動機各耦合子系統(tǒng)的實時特性,和全域內開關磁阻電機運行特性的分析依據(jù)。
　　 由此,本課題組致力于建立一個完整的、通用化的航空動力系統(tǒng)元

5、部件模型庫。該模型庫采用適用于多領域物理系統(tǒng)建模、被譽為新一代的統(tǒng)一建模語言--Modelica開發(fā),具有參數(shù)化、易擴展的特點,并力求標準化和通用化。相比傳統(tǒng)的面向塊、基于信號流的如Simulink等建模平臺,Modelica的面向對象性使得系統(tǒng)分解更接近實際物理系統(tǒng)結構,而其非因果性的特點則賦予模型雙向計算能力,因而能較好地解決子系統(tǒng)之間的耦合和計算流程的問題,增加了模型的可重用性。
　　 SRM系統(tǒng)是航空動力系統(tǒng)的一個潛在重

6、要子系統(tǒng),而開關磁阻驅動系統(tǒng)(Switched Reluctance Drive)本身則是個時變的強非線性系統(tǒng),其控制存在著諸多難題。SRD具有可控參數(shù)多、控制靈活但難以優(yōu)化的特點。常規(guī)的參數(shù)固定的PID控制方法難以取得理想的控制效果。神經網(wǎng)絡技術具有良好的非線性逼近能力,自學習、自適應能力和并行處理信息的能力,比較適用于具有不確定性或高度非線性系統(tǒng)的建模和控制,因此,從20世紀90年代后,神經網(wǎng)絡技術開始被引進SRM的建模和SRD的控

7、制中。神經網(wǎng)絡理論研究已形成多個流派,而多層前向神經網(wǎng)絡是其中最富有成就、應用最廣泛的研究成果之一。然而,目前網(wǎng)絡結構還沒有有效的確定方法,動態(tài)辨識與控制用的一階梯度學習算法及其相應的衍生方法收斂過于緩慢,以及難以利用先驗知識指導網(wǎng)絡訓練學習過程等問題成為制約神經網(wǎng)絡技術實際應用的障礙。
　　 鑒于SRM在航空方面的應用前景,本文圍繞SRM的Modelica非線性建模,SRM的航空應用分析的研究展開,并致力于解決SRM神經網(wǎng)絡控

8、制的一些技術難點。本文主要完成的工作如下:
　　 (1)本文基于磁路特性原理提出了SRM的一個改進的非線性解析模型。該模型原始數(shù)據(jù)基于有限元分析的靜態(tài)磁特性參數(shù),較好地實現(xiàn)了高精度和快速可計算性的平衡。模型分別通過靜態(tài)、動態(tài)方面加以驗證,精度均在誤差的理想范圍內。本文接著基于BP神經網(wǎng)絡建立SRM的神經網(wǎng)絡模型。神經網(wǎng)絡結構采用黃金分割法確定,以求在精度和結構上找到優(yōu)化計算的平衡點。相比較解析模型,神經網(wǎng)絡模型具有更高的精度,然

9、而,模型的計算復雜性也更強。
　　 (2)本文采用Modelica語言并基于Dymola平臺開發(fā)了SRM系統(tǒng)相對完整的元部件模型庫。由于復雜物理系統(tǒng)的動態(tài)仿真具有計算量極大的特點,因此,子系統(tǒng)模型在確保精度的基礎上,必須力求簡單、可快速計算的特性。鑒于此,SRM的Modelica模型庫基于非線性解析模型建立。該模型庫具有參數(shù)化、通用化和易擴展的特點,既可為SRM的獨立設計提供CAE分析依據(jù),也能組建SRM系統(tǒng)模型與負載或原動機模

10、型相耦合的系統(tǒng)級模型,提供系統(tǒng)級仿真分析依據(jù)。
　　 (3)本文基于BP神經網(wǎng)絡理論設計了SRD的自適應神經網(wǎng)絡PID控制算法。該算法探討了網(wǎng)絡初始權(閾)值的問題,旨在通過先驗知識指導權系數(shù)矩陣的生成,從而減小神經網(wǎng)絡對于初始權系數(shù)矩陣的依賴性。本文提出并比較了兩種改進方法,結果顯示兩種改進算法對于初始權系數(shù)矩陣的依賴性均有較大下降。本文進一步探討了用于控制的多層前向神經網(wǎng)絡的學習算法,嘗試把輸入向量的變化考慮進權值調整過程,

11、進而提出動態(tài)Levenberg-Marquardt法和動態(tài)梯度法。其目的在于加速網(wǎng)絡收斂速度并改善網(wǎng)絡經過訓練后的穩(wěn)態(tài)精度,解決由靜態(tài)空間建模到動態(tài)時間建模所帶來的問題。
　　 (4)最后,本文分析了SRM在航空方面的應用及其控制方法的比較。航空應用具有寬速運行的特點,傳統(tǒng)的SRM的航空應用分析,通常是選取其典型的運行點進行分析。本文則通過搭建發(fā)動機動力系統(tǒng)的系統(tǒng)級模型提供了全域內的分析依據(jù)。仿真結果顯示了SRM的航空控制方法的