طراحي و بهينه‌سازي تكاملي چند هدفه الگوريتم كنترل سوخت مين - ماكس موتور توربوفن

Multiobjective Evolutionary Optimization of Turbofan Engine Min-Max Fuel Control Algorithm

در اين مقاله طراحي و بهينه‌سازي تكاملي چند هدفه الگوريتم كنترل سوخت مينماكس موتور توربوفن ارائه شده است. بدين منظورابتدا، موتور توربوفن در نرم‌افزار جي اس پي مدل شده، سپس براساس داده‌هاي حاصل از شبيه‌سازي موتور در اين نرم‌افزار، مدلي از پارامترهاي مختلف موتور با استفاده از ساختار نارايكس شبكه عصبي براي انجام شبيه‌سازي‌هاي بعدي حاصل شده است. جهت اعتبارسنجيمدل‌هاي حاصل شده، يك سيگنال سوخت آزمون توليد و صحت عملكرد مدل‌ها با استفاده از آن مورد ارزيابي قرار گرفته است. در اقدام بعدي نيازمندي‌هاي كنترلي موتور توربوفن بيان و مطابق با آن كنترلر سوخت موتور به روش مينماكس طراحي و حلقه‌هاي كنترلي مختلف موجود در آن شرح داده شد. هر يك از اين حلقه‌ها داراي يك كنترلر تناسبي است كه به عنوان ضرايب كنترلي كنترلر شناخته مي‌شوند. در مرحله نهايي براي تخمين ضرايب كنترلي كنترلر از الگوريتم بهينه‌سازي ژنتيك چند هدفه استفاده شده است. در اين مسئله بهينه‌سازي، زمان‌هاي نشست در شتابگيري مثبت و منفي، مقدار سوخت مصرفي و ميزان آلاينده‌هاي توليد شده موتور بعنوان توابع هدف درنظر گرفته شده است. نتايج حاصل از شبيه‌سازي كنترلر بهينه‌سازي شده و مدل موتور نشان داده است، كنترلر نهايي نه تنها توابع هدف را بهينه مي‌كند بلكه تمام مودهاي كنترلي موتور را در طول شتابگيري مثبت و منفي برآورده ميسازد.

In this paper, modeling of MinMax controller and evolutionary multiobjective optimization for gain tuning controller of turbofan engine are presented. To achieve this purpose, first a turbofan engine is modeledin GSP software. Then engine parameters model, by using extracted GSP simulation data and based onNARX structure of neural network is developed. For model validation a test fuel signal is produced and model performance is assessed by means of it. Next, turbofan engines control requirements and constraints are described and in accordance with it a fuel controller based on MinMax strategy is designed and diverse control loops in controller is described. Each of theseloopshas aproportionalcontroller that are knownascontrol gains of the minmax controller. Then, for determining the gains of the controller, gain tuning process is formulated as a Genetic Algorithm Optimization problem in order to GA algorithm finds the best solution by its evolutionary generations. In this optimization problem, the settling time during acceleration and deceleration, engine fuel consumption and the amount of engine emission are considered as objective functions to be minimized. The obtained results from simulation of optimized controller and engine show, the final controller not only optimizes objective functions but also satisfies all control modes of engine during acceleration and deceleration modes.