开关磁阻电机的非线性建模及在航空发动机多场耦合仿真中的应用

摘要

开关磁阻电机(Switched Reluctance Machine,SRM)由于具有容错性好、稳定性高、调速范围宽、功率密度大和易冷却等优点,因而比传统电机更适合航空应用场合。随着多/全电飞机(More Electric Aircratt/AllElectric Aircraft,,MEA/AEA)成为未来航空的发展趋势,SRM在航空应用上面临极大的机遇。目前,美国等航空强国己把SRM作为未来的MEA/AEA电源系统的首选方案,国际上主要的航空发动机研究机构如GE、Rolls-Roys和Pratt&Whitney等公司也都将SRM作为潜在的航空起动/发电机(Starter/Generator)系统进行研究。可以预见,SRM系统将是航空发动机动力系统的一个潜在的重要组成部分。
　　 航空发动机动力系统是一个多领域复杂物理系统,其研发进度是整个飞机研发进度的关键。基于CAE技术的仿真分析可以实现发动机动力系统的预测设计,从而缩短其研发周期并减少成本。当前,我国的航空工业正处于起步阶段,严重落后于美、俄、英、法等航空强国,尤其在以发动机为主的航空动力系统的研发方面,差距更为明显。鉴于我国航空工业的自主研制基础较弱,开发虚拟样机仿真分析的航空动力系统CAE技术对于发展我国航空工业具有重要意义。
　　 航空发动机动力系统仿真涉及到多学科的耦合研究。目前有关发动机和开关磁阻电机的特性仿真均是单独进行的。发动机仿真往往只偏向于某一领域的诸如压气机特性、涡轮特性或燃烧特性等方面的仿真分析；开关磁阻电机的仿真研究也都将其视为独立的个体,集中在机电层面上。关于开关磁阻电机在航空发动机动力系统方面的应用,组成发动机动力系统的系统级模型,涉及机、电、液、气、热等多场耦合的实时特性仿真分析时,还鲜见相关成果。从这个意义上,本文分析了发动机各子系统的耦合作用,实现了多场耦合的发动机系统级仿真,提供了发动机各耦合子系统的实时特性,和全域内开关磁阻电机运行特性的分析依据。
　　 由此,本课题组致力于建立一个完整的、通用化的航空动力系统元部件模型库。该模型库采用适用于多领域物理系统建模、被誉为新一代的统一建模语言--Modelica开发,具有参数化、易扩展的特点,并力求标准化和通用化。相比传统的面向块、基于信号流的如Simulink等建模平台,Modelica的面向对象性使得系统分解更接近实际物理系统结构,而其非因果性的特点则赋予模型双向计算能力,因而能较好地解决子系统之间的耦合和计算流程的问题,增加了模型的可重用性。
　　 SRM系统是航空动力系统的一个潜在重要子系统,而开关磁阻驱动系统(Switched Reluctance Drive)本身则是个时变的强非线性系统,其控制存在着诸多难题。SRD具有可控参数多、控制灵活但难以优化的特点。常规的参数固定的PID控制方法难以取得理想的控制效果。神经网络技术具有良好的非线性逼近能力,自学习、自适应能力和并行处理信息的能力,比较适用于具有不确定性或高度非线性系统的建模和控制,因此,从20世纪90年代后,神经网络技术开始被引进SRM的建模和SRD的控制中。神经网络理论研究已形成多个流派,而多层前向神经网络是其中最富有成就、应用最广泛的研究成果之一。然而,目前网络结构还没有有效的确定方法,动态辨识与控制用的一阶梯度学习算法及其相应的衍生方法收敛过于缓慢,以及难以利用先验知识指导网络训练学习过程等问题成为制约神经网络技术实际应用的障碍。
　　 鉴于SRM在航空方面的应用前景,本文围绕SRM的Modelica非线性建模,SRM的航空应用分析的研究展开,并致力于解决SRM神经网络控制的一些技术难点。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的一个改进的非线性解析模型。该模型原始数据基于有限元分析的静态磁特性参数,较好地实现了高精度和快速可计算性的平衡。模型分别通过静态、动态方面加以验证,精度均在误差的理想范围内。本文接着基于BP神经网络建立SRM的神经网络模型。神经网络结构采用黄金分割法确定,以求在精度和结构上找到优化计算的平衡点。相比较解析模型,神经网络模型具有更高的精度,然而,模型的计算复杂性也更强。
　　 (2)本文采用Modelica语言并基于Dymola平台开发了SRM系统相对完整的元部件模型库。由于复杂物理系统的动态仿真具有计算量极大的特点,因此,子系统模型在确保精度的基础上,必须力求简单、可快速计算的特性。鉴于此,SRM的Modelica模型库基于非线性解析模型建立。该模型库具有参数化、通用化和易扩展的特点,既可为SRM的独立设计提供CAE分析依据,也能组建SRM系统模型与负载或原动机模型相耦合的系统级模型,提供系统级仿真分析依据。
　　 (3)本文基于BP神经网络理论设计了SRD的自适应神经网络PID控制算法。该算法探讨了网络初始权(阈)值的问题,旨在通过先验知识指导权系数矩阵的生成,从而减小神经网络对于初始权系数矩阵的依赖性。本文提出并比较了两种改进方法,结果显示两种改进算法对于初始权系数矩阵的依赖性均有较大下降。本文进一步探讨了用于控制的多层前向神经网络的学习算法,尝试把输入向量的变化考虑进权值调整过程,进而提出动态Levenberg-Marquardt法和动态梯度法。其目的在于加速网络收敛速度并改善网络经过训练后的稳态精度,解决由静态空间建模到动态时间建模所带来的问题。
　　 (4)最后,本文分析了SRM在航空方面的应用及其控制方法的比较。航空应用具有宽速运行的特点,传统的SRM的航空应用分析,通常是选取其典型的运行点进行分析。本文则通过搭建发动机动力系统的系统级模型提供了全域内的分析依据。仿真结果显示了SRM的航空控制方法的可行性,同时也验证了解决多场耦合的系统级模型仿真的可行性,为发动机动力系统的预测设计提供分析依据。

目录

文摘

英文文摘

第一章 绪论

1.1 课题的背景和意义

1.1.1 Modelica--解决多场耦合问题的统一建模语言

1.1.2 航空发动机系统仿真的意义

1.1.3 航空发动机动力系统组成及分类

1.1.4 开关磁阻电机在航空领域的机遇

1.1.5 本文的研究工作思路

1.2 开关磁阻电机介绍

1.2.1 开关磁阻电机系统的优缺点

1.2.2 开关磁阻电机的发展历史

1.2.3 SRM存在的问题和研究热点

1.3 本文的主要研究工作

第二章 开关磁阻电机的控制与能量转换

2.1 SRM结构

2.2 SRD的构成

2.3 SRM控制原理分析

2.4 能量转换原理

2.5 本章小结

第三章 开关磁阻电机的Modelica非线性建模

3.1 SRM基本数学模型

3.2 SRM的静态特性参数

3.2.1 SRM的结构参数

3.2.2 SRM有限元分析

3.3 SRM的非线性解析模型

3.3.1 Ψ～θ磁化曲线的模化

3.3.2 Ψ～i磁化曲线的模化

3.4 SRM的BP神经网络模型

3.4.1 网络结构

3.4.2 隐层节点数算法

3.4.3 网络训练

3.4.4 网络泛化能力的检验

3.5 SRM系统的Modelica/Dymola非线性建模

3.5.1 SRM的Modelica封装模型

3.5.2 功率变换器模型

3.5.3 电流控制器模型

3.5.4 换相器模型

3.6 本章小结

第四章 开关磁阻电机Modelica模型的动态验证

4.1 动态精度验证

4.2 SRM的动态仿真分析

4.2.1 开环SRD系统模型

4.2.2 闭环SRD系统模型

4.2.3 开环SRG系统模型

4.3 本章小结

第五章 开关磁阻电机的神经网络自适应控制探讨

5.1 引言

5.1.1 神经网络在控制领域的应用

5.1.2 神经网络在SRM控制中的应用

5.2 神经网络自适应PID控制

5.2.1 BP-NNC/PID控制器

5.2.2 BP-NNI辨识器

5.2.3 算法流程

5.3 SRM神经网络自适应PID转速控制仿真试验

5.4 神经网络控制的进一步讨论

5.4.1 神经网络PID控制

5.4.2 仿真实例验证

5.5 本章小结

第六章 航空动力系统和开关磁阻电机的耦合特性仿真分析

6.1 前言

6.2 SRM的航空应用控制

6.2.1 起动/电动控制

6.2.2 发电控制

6.3 基于Modelica的航空动力系统模型库

6.3.1 航空发动机系统的分解

6.3.1.2涡轮的建模

6.4 SRM航空应用系统级仿真分析

6.4.1 三相6/4SRG系统与三轴涡轮喷气发动机仿真实例

6.4.2 开环四相8/6SRG系统与两轴涡扇发动机耦合系统

6.4.3 IH控制模式的闭环四相8/6SRG系统与两轴涡扇发动机耦合系统

6.4.4 APC控制模式的闭环四相8/6SRG系统与两轴涡扇发动机耦合系统

6.5 本章小结

第七章 全文总结

参考文献

致谢

附录1 攻读博士学位期间论文发表情况

附录2 SRM的Modelica非线性建模的部分程序