基于改进粒子群优化算法的飞机作动系统功率调度-石山.pdf

《基于改进粒子群优化算法的飞机作动系统功率调度-石山.pdf》由会员分享，可在线阅读，更多相关《基于改进粒子群优化算法的飞机作动系统功率调度-石山.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2016年 10月 北京航空航天大学学报 October 2016第42卷第10期 Journal of Beijing University of Aeronautics and Astronautics V0142 No10http：bhxbbuaaeducn jbuaabuaaeduenDOI：1013700jbh1001-596520150708基于改进粒子群优化算法的飞机作动系统功率调度石山+，刘德鹏，李成茂(空军工程大学航空航天工程学院，西安710038)摘 要：针对驱动飞机舵面的机电作动系统在轻载工况下电能浪费量大的问题，提出了多机电作动系统的驱动方案，为保证系统在最优的效率点附

2、近工作，根据电动机效率和负载率之间的非线性关系，建立其功率调度的数学模型。改进了二进制和基本粒子群优化算法，并将2种算法互相嵌套，分别对机电作动系统组合方式和负荷分配进行交替迭代来求模型最优解，全局寻优能力强、收敛速度快；把投入工作的机电作动系统最小序号值引入适应度函数，解决了功率平衡约束，简化了运算；针对备用约束，建立系统启停优先顺序，提高了优化能力。仿真实验表明，改进的粒子群优化算法对飞机机电作动系统的功率调度有效，有助于飞机的能量优化。关 键 词：改进粒子群优化算法；功率调度；多机电作动系统；组合优化；能量优化中图分类号：V221+3；TB553文献标识码：A 文章编号：10015965

3、(2016)10-2024-07随着多全电飞机技术的发展，提高电气设备利用率，减少电能损耗显得格外重要。为此，美国推出了综合飞行器能量技术(Integrated Vehicle&Energy Technology，INVENT)项目，并提出了能量优化飞机(Energy Optimized Aircraft，EOA)的概念。，计划对能量进行有效管理M1，探索一种按需、按实际工作阶段灵活运行的自适应子系统H。，从而大大提高系统的效率，降低总的热载荷。由于飞机舵面处于经常动作状态，因而其功率的合理调度显得十分重要。目前，多全电飞机的主飞控舵面以单体式结构为主，舵面由一台到两台作动器驱动1，且这些作动

4、器都是按照峰值功率进行设计的，导致舵面在功率需求低时效率极其低下，因而会产生大量的损耗并转化为热量1。因此，采用多个机电作动系统旧，根据舵面的实时功率需求，对多机电作动系统进行合理的优化调度，使系统紧密地保持在最优效率点附近工作，不仅会为系统增加余度，提高其可靠性，还将会为消除飞机热约束、减小能量损耗、增大航程和提升红外隐身性能创造条件0|。驱动飞机舵面的多机电作动系统的优化调度是高维、不可微、非凸和非线性的复杂混合整数规划问题，很难找出理论上的最优解1|。粒子群优化(Particle Swarm Optimization，PSO)算法是一种基于群智能的演化计算方法，能在较短计算时间内产生高质

5、量的解，但其缺点是易陷于局部极小点，搜索精度不高2|。考虑到作动系统优化调度问题运算复杂、对精度要求高的具体特点，需要对基本粒子群优化算法和二进制粒子群优化(Binary ParticleSwarm Optimization，BPSO)算法进行改进。1 多机电作动系统功率调度的数学模型11系统结构本文以4个机电作动器驱动的舵面为例进行说明，系统结构如图1所示。舵面的驱动由两级控制器进行控制实现：第一级的功率调度控制器负责获取当前的功率需求，并在多机电作动系统收稿日期：201511-02；录用日期：2016-01-27；网络出版时间：2016-03-15 14：31网络出版地址：WWWcnkin

6、etkcmsdetail112625V201603151431005html通讯作者：Tel：13109521141 Email：shishankgy163corn；f用格式：石山，刘德鹏，李成茂基于改进粒子群优化算法的飞机作动系统功率调度J北京航空航天大学学报，2016，42(io)：2024-2030SHI S，LIU D P，LI C MPower dispatch of actuator of aircraft based oil impwved particle swarm optimization algo-rlthm fJ JJournal of Beijing Universi

7、ty of Aeronautics and Astronautics，2016，42(JO)：20242030(in Chinese J万方数据第10期 石山，等：基于改进粒子群优化算法的飞机作动系统功率调度 2025功率调度粤匮幢控制器控制器控制器控制器皇垫垫H垫塑堡垫面菊卜n丽皇塑塑H塾塑堡塑面丽卜4面丽再图1 多机电作动系统结构Fig1 Structure of multielectromechanical actuator中进行实时最优的调度，体现的是全局的控制策略；第二级控制器根据上一级控制器分配的功率任务进行跟踪和精确调整，体现的是局部的控制策略。具体来说，多机电作动系统的功率调度

8、控制器又由协调控制层和任务分配层构成，其各自的功能如下：1)协调控制层：该层主要对每个时刻的作动器进行启、停协调，使其驱动电动机满足输出功率限制和系统备用约束，主要由改进的离散二进制粒子群优化算法计算实现。2)任务分配层：该层主要对确定的多机电作动系统组合进行最优的负荷分配，使其驱动电动机满足功率平衡约束，主要由改进的基本粒子群优化算法计算实现。12数学模型高效率电动机在负载率0510范围内具有平坦的效率特性。当负载率低于05时，电动机的效率会急剧下降3|，如图2所示。图中：口为电动机的负载率；叼为电动机的工作效率。卢的计算公式为卢=PPo (1)式中：P为电动机的实际工作功率；P。为电动机的

9、额定功率。为提升电能利用率，减小系统损耗，根据负载变化而进行实时调度以保证系统具有较高的工作效率显得格外重要。本文将每个作动器的负载率(设定未工作的作动器负载率为1)乘积并开方得到的系统综合负载率作为目标函数，计划通过对图2 电动机工作效率与负载率的关系Fig2 Relationship between work efficiency andload rate of motor多机电作动系统的功率进行最优调度，使每个作动器的负载率保持在50以上，从而达到提升系统工作效率的目的。根据上述目标要求，建立的多机电作动系统功率调度的数学模型为=l释(2)式中：i为多机电作动系统中作动器的序号；N为多机

10、电作动系统中作动器的数目；3,。为作动器运行状态变量，仅取0、1两个值，ui=1表示系统启动，u。=0表示停机；Pm为多机电作动系统中作动器i的额定功率；Pj为多机电作动系统中作动器i的实际工作功率。13约束条件功率平衡约束：NP。2,iP。=o (3)式中：P。为多机电作动系统的需求功率。输出功率限制：PyP。尸：Il“ (4)式中：p；m和P?”分别为作动器实际工作功率最小和最大值。另外，考虑到气流阻力扰动或其他阻力对多机电作动系统驱动功率的影响，对系统增加功率备用约束：P?“。uiP。+P。 (5)式中：P。为多机电作动系统的备用功率，一般为实际工作功率的10。由于飞机舵面操纵具有很强的

11、实时性，因此本文暂不考虑作动器的最小启、停时间约束。2 改进的粒子群优化算法粒子群优化算法中的粒子速度略1和位置X。k。*1的更新公式41如下：略1=吃+clr-(P：一x：)+c2rz(匕一x：)(6)IXk。+1X。kd+眩1 一式中：甜为惯性权重；d=1，2，D；i=1，2，儿；k为当前迭代次数；Vi。为粒子的速度；c和C：为万方数据2026 北京航空航天大学学报非负的常数，称为加速度因子；r。和r：为分布于0，1区间的随机数；pk。为粒子局部极值；P笔为粒子全局极值。为防止粒子的盲目搜索，一般将其位置和速度限制在一定的区间一x，x和一y，y内。从式(6)可以看出，粒子的寻优速度主要由3

12、个部分决定：第1项是吃，体现的是更新后的速度和原来速度之间的关系，惯性权重越大，全局搜索能力越强，惯性权重越小，有利于算法寻优精度的提升；第2项是c。r。(P乞一x：)，决定粒子的搜索能力；第3项是c：r：(P2一Xk。)，体现粒子之间的信息共享能力。合理调整各项之间的关系，可以较好地平衡算法求精和求泛的能力引。本文对速度更新公式中的惯性权重变化策略和粒子信息共享能力两方面进行了研究改进。21对惯性权重的改进惯性权重是影响算法性能的一个重要因素。惯性权重线性递减粒子群优化算法中的权值变化式为k(一。i。)训一F (7)式中：蠡为最大迭代次数。通常。为09，晌为046|。但式(7)中09只和迭代

13、次数之间具有线性相关性，而实际上其应该满足算法运行中的复杂、非线性变化的特征：当粒子的迭代次数增加时，应该减小，使粒子在小范围内搜索，以便更快找到精确解；同时随着粒子聚集度的不断增加，要适当增大，以扩大粒子的搜索空间，避免陷入局部最优值7|。所以应在的变化式(7)中增加聚集度的评价系数来调节10的变化。这里用全体粒子个体极值的平均值与全局极值的逼近程度来表示聚集度h的变化：h=P幺P： (8)1 N式中：pk。=亩pk 21因此，在种群寻找极大值的过程中，改进的惯性权重可表示为k(o一。i。)蛾刊。一1：_ (9)式中：。为初始值，设定为08；。的大小对算法有比较大的影响，较小的。无法有效扩大

14、算法的搜索空间，而较大的。又会使算法陷入振荡状态。实验表明，当。的取值在005015时，算法能快速准确地寻找最优解，为兼顾算法的求精和求泛能力，。取该区间的中间值010。22对全局极值项的改进如图3所示，在粒子的折线运动中，全局极值图3粒子运动图Fig3 Diagram of particle motion是一个关键性的位置，其决定着所有粒子最终的前进方向，影响着算法整体的解算速度和精度。实验表明，伴随着搜索的进行，全局极值和全体粒子个体极值的中心越来越接近于最优解。与全局极值相比，全体粒子的个体极值中心有时甚至会更加接近最优解，因而更加有利于提升算法的收敛速度和优化解的质量8|。因此，在算法

15、中用P笔对全局极值项进行改进，其需要满足以下条件：if(以P：d)八pk。)then P：=pk。d (10)else P：=P刍式中：P：为算法改进后的全局极值。综合上述对速度更新公式的改进，改进的粒子群优化(Improved Particle Swarm Optimization，IPSO)算法的速度更新公式可表示为眩1=。吃+c。r。(pk埘一x乞)+c：r：(P：一x乞) (11)23 改进的二进制粒子群优化算法在二进制粒子群优化算法中，在概率上搜索轨迹以同等的二进制值(0或1)替代位置的改变：if(rand()S(Vk；。+1)then x：1=1 (12)else xi?1=o式中

16、：rand()为一个0，1之间的随机数；S(y)为sigmoid函数。由于使用sigmoid函数使得状态变量在0和1之间切换较慢，因此粒子群优化算法寻优时问较长。为加快最优解的解算过程，本文tanh函数取代式(12)中的sigmoid函数，所以改进的二进制粒子群优化(Improved Binary Particle SwarmOptimization，IBPSO)算法的概率计算式为tanh(V)=exp(2 yl一1)exp(2 y+1) (13)3 算法验证31 功率备用约束的处理经过二进制粒子群优化算法计算得到的粒子，有可能在某个时段所有机电作动系统最大工作功率之和仍小于或者最小工作功率之

17、和大于当万方数据第10期 石山，等：基于改进粒子群优化算法的飞机作动系统功率调度 2027前时段的系统需求功率与系统备用功率之和，采用一种基于作动器启、停优先顺序表的动态调整方法以解决上述难题。根据各作动器的额定功率按升序排列建立多机电作动系统启、停优先顺序表。如果PruiP。一P。0，则按优先顺 再序表由前向后依次将作动器投入运行；如果P?u。一P。一P。0，则按优先顺序表由后置往前依次将工作的作动器停运。重复上述操作直至满足系统功率备用约束。32适应度函数在改进的粒子群优化算法中，根据适应度函数值评价每个个体的优劣。因此，需要根据目标函数确定一个适应度函数，同时为有效处理系统的功率平衡约束

18、，减少函数中的变量，从而简化运算，将投入运行最小序号的作动器负载设置为NP。一Pi“i。则根据式(2)得到的适应度函 l而I数表示如下：max工(i，P)=(14)式中：M为投入运行的作动器最小序号。33 算法流程将本文提出的改进的粒子群优化算法应用于多机电作动系统的功率调度，具体的求解运行流程如图4所示。改进的二进制粒子群优化算法针改进的二进制粒子群优化算法参数初始化将多机电作动系统组合解递给改进的粒子群优化算改进的二进制粒子群优化算法进行更新算法终止改进的粒子群优化算法初始化各电动机的功率输出更新粒子的极值位置以及全局极值位置更新粒子速度和位置Y7趸否达至矿N迭代次数!卜图4 多机电作动系

19、统功率调度流程图Fig4 Flowchart of power dispatch ofmultielectromechanical actuator对系统的功率备用约束对作动器进行组合，改进的粒子群优化算法则对系统组合进行功率分配，在满足输出功率限制、系统功率备用约束和功率平衡约束的条件下，求得使系统综合负载率最高的功率分配方案，2种算法交替迭代，实现系统最优的功率调度。34仿真验证以某型飞机的升降舵作动系统为例，单体式舵面由2个功率相等的作动系统驱动，驱动舵面的峰值功率为2 400 W，因此需要2个额定功率为1 200 W的电动机驱动。当实际工作功率需求为700 W时，系统的综合负载率为29

20、2，由图I可知该状态下系统的效率较低。为实现作动系统的最优调度以提升负载率，从而进一步提升系统的工作效率，现将作动器个数设定为4个，且各作动器的额定功率分别为P叭=250W，P02=300W，P03=350W，P04=1 500W。利用优化算法进行调度，改进的二进制粒子群优化算法计算得到的机组组合为：u，=1，Z，=1，“，=1，u。=0，满足负载备用约束；利用改进的粒子群优化算法对式(14)求解，结果如图5所示。由于适应度函数引入最小序号的作动器，实现了函数降维，所以坐标只显示出作动器2和作动器3的分配功率。最大值(b)粒子群最终的聚集位置网5 对适应度函数的寻优结果Fig5 Optimiz

21、ation results of fitness Itin(万方数据2028 北京航空航天大学学报 2016焦图5(a)为初始条件下各粒子的位置，图5(b)为改进的粒子群优化算法最终的寻优位置。说明改进的粒子群优化算法能够对负载进行最优分配，使得3个作动系统的综合负载率达到70左右，可以有效提高系统的工作效率，从而减少电能损耗。采用不同的传统算法和改进后的粒子群优化算法对模型进行解算，求解结果如图6所示。从图6(a)中可以看出，传统算法迭代大约70次，综合负载率最终稳定于725，而改进的粒子群优化算法达到同样的效果只需要25次，如图6(b)所示，说明了改进的粒子群优化算法具有更强的寻优能力。表

22、1给出了系统满足功率备用约束，在不同的作动系统组合情况下，使多机电作动系统综合负载率最低的功率需求。可以看出，当需求功率在125W以上时，系统的综合负载率都会大于50，同时参与调度作动器中的最低负载率也都在50以上；而对原系统，其负载率是随功率需求线性增大的，只有当需求功率达到1 200W时，综合负载率才能达到50。事实上，飞机升降舵的需求功率大部分时间都在1 kW以下，所以对系统进行优化调度可以有效提升多机电作动系统的电能利用率。迭代次数(a)传统算法的寻优曲线迭代次数(b)改进的粒子群优化算法的寻优曲线图6综合负载率的变化趋势Fig6 Change tendency of comprehe

23、nsive load rate表1 多机电作动系统功率调度Table 1 Power dispatch of multielectromechanical actuator4 结 论为提高舵面机电作动系统的效率，减少电能损耗，实现飞机的能量优化，本文设计了多机电作动系统驱动飞机舵面的方案，经实验表明：1)以多机电作动系统的综合负载率为评价指标建立了优化调度的数学模型，改善系统的性能，实现了飞机电能的优化利用。2)为提高模型的求解速度和精度，对基本粒子群优化算法的惯性权重和全局极值项进行改进，并对二进制粒子群优化算法中的概率计算函数进行改进，利用改进后的算法对模型求解最优值，结果显示该算法比传统

24、算法具有更快的解算速度，能在较短时间内有效完成多机电作动系统的优化调度。由上可知，多机电作动系统能够有效利用电能，减小飞机的热约束，可以在一定程度上弥补多机电作动系统重量大、控制难度高的不足。万方数据第10期 石山，等：基于改进粒子群优化算法的飞机作动系统功率调度 2029Soft Computing，2013，13(6)：3066-3091参考文献(References)1葛玉雪，宋笔锋，裴扬基于可用能的多电飞机能量利用率分析方法J，航空学报，2014，35(5)；1276-1283GE Y X，SONG B F，PEI YAnalysis method of moreelectricair

25、craft energy efficiency based on exergyJActa Aeronauticaet Astronautica Sinica，2014，35(5)：1276-1283(in Chinese)2OCONNELL T，RUSSELL G，MCCARTHY K，et a1Energymanagement of an aircraft electrical system：AIAA-20107092RReston：AIAA，20103WALTERS E A，IDEN S，MCCARTHY K，et a1INVENT，roodcling，simulation，analysi

26、s and optimizationMReston：AIAA，2010：287-2884FRENCH M，KUHN F，BERGMAN SSystem architecture studies for the energy optimized aircraft：AIAA-2013-0882RReston：AIAA，20135GRIGGS S C，1DEN S M，LAMM P TEnergy optimized air-craft：What is it and how do we make oneJSAE Intemation-al Journal of Aerospace，2012，5(2)

27、：415-4246郭宏，邢伟机电作动系统发展J航空学报，2007，28(3)：620-627GUO HXING WDevelopment of eletromechanical actuatorsJActa Aeronautica et Astronautica Sinica，2007，28(3)：620-627(in Chinese)7王子熙美国能量优化飞机设计方法与关键技术J航空科学技术，2014，2(5)：7一12WANG Z XDesign method and key technologies of US energyoptimized aircraftJAeronautical S

28、cienceTechnology，2014，2(5)：7，12(in Chinese)，8ROSERO J A，ORTEGA J A，ALDABAS E，et a1Moving towards a more electric aircraftJIEEE Aerospace and Electronie Systems Magazine，2007，22(3)：3-99刘志东基于智能体技术的飞机电力作动系统控制策略研究D西安：空军工程大学，2012：1-6LIU Z DThe control strategy of aircraft actuation based onmultiagentDXia

29、n：Air Force Engineering University，2012：1-6(in Chinese)10严仰光，秦海鸿，龚春英，等多电飞机与电力电子J南京航空航天大学学报，2014，46(1)：1118YAN Y G，QIN H H，GONG C Y，et a1More electric aircraftand power electronicsJJournal of Nanjing University ofAeronautics and Astronautics，2014，46(1)：11-18(in Chi-nese)1 1AKAY BA study on particle s

30、warm optimization and artificialbee colony algorithms for muhilevel thresholding【JApplied刘逸粒子群优化算法的改进及应用研究D，西安：西安电子科技大学，2012：5-13LIU YImprovements and applications of particle swan optimization algorithmDXian：Xidian University，2012：5-13(inChinese)周胜，赵凯电机系统节能实用指南M北京：机械工业出版社，2009：24-25ZHOU S，ZHAO KPra

31、ctical guide of motor system energy say-ingMBeijing：Mechanical Industry Press，2009：24-25(inChinese)KENNEDY J，EBERHART RParticle swarm optimizationCIEEE International Conference on Neural NetworksPiscaraway，NJ：IEEE Press，1995：1942-1948居凤霞粒子群优化算法的改进及应用D广州：华南理工大学，2014：1011JU F XModification and applica

32、tion of particle swarm optimization algorithmDGuangzhou：South China University ofTechnology，2014：1011(in Chinese)陈贵敏，贾建援，韩琪粒子群优化算法的惯性权值递减策略研究J西安交通大学学报，2006，40(1)：53-56CHEN G M，JIA J Y，HAN QStudy on the strategy of decreasing inertia weight in particle swarm optimization algorithmJJournal of Xian Jia

33、otong University，2006，40(1)：53-56(inChinese)SHI Y，EBERHART REmpirical study of particle swarm optimizerCInternational Conferences on Evolutionary Compu-tationPiscataway，NJ：IEEE Press，1999：19451950汤可宗遗传算法与粒子群优化算法的改进及应用研究D南京：南京理工大学，201 1：67-68TANG K ZModifications and application research on genetical

34、gorithm and particle swarm optimization algorithmDNan-jing：Nanjing University of ScienceTechnology，2011：67-68(in Chinese)作者简介：石山 男，博士，教授，硕士生导师。主要研究方向：飞机机电控制技术、飞机故障诊断与状态监控技术。Tel：13109521141E-mail：shishankgy163corn刘德鹏男，硕士研究生。主要研究方向：飞机机电控制技术。李成茂男，硕士研究生。主要研究方向：飞机故障诊断与状态监控技术。】1J1J川吲川吲蚓川蚓万方数据Power dispatc

35、h of actuator of aircraft based on im provedparticle swarm optim ization algorithmSHI Shan+，LIU Depeng，LI Chengmao(A。r0“8“ics and Astronautics Engineering C011ege，Air Foree Engineering University，Xian 710038，China)Abstract：In view of the large amount of electric energy waste caused by the small svst

36、em load of airerafteJectromechanical actuator， an electromechanical actuator system is designed In order to make the svstemwork in the near optimal efficiency，according to the nonlinearrelationship between motor efficiencv and loadfactor，a mathematical power dispatch model is also established An imp

37、roved basic particle swarm oDtimizatlon algorithm and an improved binary particle swarm optimization algorithm are proposed，which has betterglobal optimization ability and faster convergence speedThe proposed method takes the improved binary particle swa瑚optimization for outer unit combination and i

38、mproved basicparticle swarm optimization aIgorithm forinner economic load dispatchThe minimum number of running system was used to deal withpower balanceconstraints，which simplifies the operation；in order to solve the spare constraint，a priority table of the svstemwas established，which effectively i

39、mproves the capability of optimizationThe resuIts of simulation exDerimentshow that the improved particle swarm optimization algorithm is effective for powerdispatch of electromechanical actuator and it is conducive to the energy optimization of aircraftKey words：improved particle swarm optimization algorithm；power dispatching；muhielectromechanicalactuator；combination optimization：energy optimizaticnReceived：2015-11-02；Accepted：2016-0127；Published onHne：2016-0315 14：31URL：WWWcnkinetkemsdetail112625V20160315143I005html8 Corresponding authorTel：13109521 141E-mail：shishankgy163coin万方数据