طراحی و بهینه‌سازی تکاملی چند هدفه الگوریتم کنترل سوخت مین - ماکس موتور توربوفن

در این مقاله طراحی و بهینه‌سازی تکاملی چند هدفه الگوریتم کنترل سوخت مینماکس موتور توربوفن ارائه شده است. بدین منظورابتدا، موتور توربوفن در نرم‌افزار جی اس پی مدل شده، سپس براساس داده‌های حاصل از شبیه‌سازی موتور در این نرم‌افزار، مدلی از پارامترهای مختلف موتور با استفاده از ساختار نارایکس شبکه عصبی برای انجام شبیه‌سازی‌های بعدی حاصل شده است. جهت اعتبارسنجیمدل‌های حاصل شده، یک سیگنال سوخت آزمون تولید و صحت عملکرد مدل‌ها با استفاده از آن مورد ارزیابی قرار گرفته است. در اقدام بعدی نیازمندی‌های کنترلی موتور توربوفن بیان و مطابق با آن کنترلر سوخت موتور به روش مینماکس طراحی و حلقه‌های کنترلی مختلف موجود در آن شرح داده شد. هر یک از این حلقه‌ها دارای یک کنترلر تناسبی است که به عنوان ضرایب کنترلی کنترلر شناخته می‌شوند. در مرحله نهایی برای تخمین ضرایب کنترلی کنترلر از الگوریتم بهینه‌سازی ژنتیک چند هدفه استفاده شده است. در این مسئله بهینه‌سازی، زمان‌های نشست در شتابگیری مثبت و منفی، مقدار سوخت مصرفی و میزان آلاینده‌های تولید شده موتور بعنوان توابع هدف درنظر گرفته شده است. نتایج حاصل از شبیه‌سازی کنترلر بهینه‌سازی شده و مدل موتور نشان داده است، کنترلر نهایی نه تنها توابع هدف را بهینه می‌کند بلکه تمام مودهای کنترلی موتور را در طول شتابگیری مثبت و منفی برآورده میسازد.

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

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.