模型预测控制(Model Predictive Control, MPC)具有显式处理航空发动机工作中约束的能力，可以简化航空发动机控制系统的结构，在发动机控制领域获得了广泛的关注[1-4]。MPC通过在线优化的手段获得最优控制量，因此高效的在线优化算法可以提升MPC的实时性，有助于其在航空发动机上的应用。常用于MPC的优化算法有二次规划(Quadratic Programming，QP)[5]和序列二次规划(Sequential Quadratic Programming，SQP)[6]。SQP方法在每次迭代中需要计算一个QP子问题，计算量大，实时性较差；求解QP问题的方法包括内点法(Interior Point Method, IPM)和有效集方法(Active Set Method)。有效集方法每次迭代需要判定有效集操作，且无法利用MPC问题稀疏性求解，适合控制变量和约束数量较少的情况[7]；IPM在每次迭代中需要求解Karush-Kuhn-Tucker (KKT)系统，可以利用MPC的稀疏性加速求解，但是在迭代过程中KKT系统会改变，每次迭代需要进行矩阵分解或者求逆操作[8]，在约束多或预测时域较长的情况下计算耗时较多。
交替方向乘子法(Alternating Direction Method of Multipliers，ADMM)于1975年提出，在20世纪80年代获得广泛讨论[9]，其将一个大的、具有可分结构的凸优化问题分解为几个小的优化问题，降低了求解的难度和算法的复杂性。近10年来，原本用来求解变分不等式的ADMM在优化计算中被广泛采用[10-12]。
本文通过引入辅助变量将航空发动机MPC中的QP问题转化为可分结构的优化问题，并基于ADMM算法对其进行求解，与IPM算法进行比较，验证了ADMM算法的优越性。
1 航空发动机MPC问题航空发动机控制系统具有稳态控制、加减速控制[13]、超限保护控制[14-18]、抗执行机构积分饱和等功能。传统的发动机控制系统各功能模块通过min/max选择、切换等逻辑综合为一个整体，控制结构复杂。在MPC中，控制量通过求解一个约束最优化问题来获得，只需要一个优化控制器，就可以实现上述所有控制功能，且避免了设计过程中的保守性，因而得到了广泛的关注。
在单输入MPC中，取二次型性能指标，在采样时刻d之后的预测时域内，航空发动机MPC的目标是求解在预测时域内使性能指标J最小的燃油流量Wfb输入序列，同时满足发动机低压转子转速Nl、压气机出口静压P3s和低压涡轮出口总温T6不超过其最大值。可表示为
|
(1) |
式中：ref为高压转子转速指令; Nh为高压转子转速; λ为权重系数；np为预测时域的长度。
求解式(1)需要获得各个输出量和Wfb之间的解析表达关系。在采样时刻d将发动机表示为一个线性系统为
|
(2) |
式中：N=[Nl, Nh]T为状态量；ye=Nh为被控制量; yc=[Nl，P3s，T6]T为需要限制的量; A、B、C和D为系统的系数矩阵; Cc、Dc为限制量对应的输出矩阵。
利用离散系统状态方程的响应：
|
(3) |
|
(4) |
|
(5) |
可以获得输出量在预测时域np内的预测值，其预测方程为
|
(6) |
式中：
式(1)可以改写为一个带有线性不等式约束的二次规划问题：
|
(7) |
式中：Ymax为由Nlmax、P3smax和T6max组成的适当维数的与
通过求解QP问题式(7)，可以获得满足约束条件下，使性能指标最小的最优控制输入序列
为了实现闭环非线性控制，将序列的第一个值Wfb(d+1)作为发动机所需燃油输入量，然后在d+1采样时刻，根据发动机的状态变化重复进行线性化，构造QP问题，求解输入序列。这样在每个采样周期求解的是一个线性MPC问题，但在整个时域内是一个非线性MPC问题。
MPC通过迭代进行优化搜索来获得最优的控制序列，如果迭代过程耗时较多将限制算法的应用。ADMM算法具有对偶上升法的可分解性以及乘子法的全局收敛性，近年来得到了大量关注，由于其所需计算量小、算法结构简单，本文将其用于求解航空发动机MPC中的优化问题。
2 交替方向乘子法ADMM算法可用于求解形如
|
(8) |
的约束规划问题。式中：x∈Rn，z∈Rm为待优化变量；f(x)+g(z)为待优化的目标函数；L∈Rp×n，M∈Rp×m，c∈Rp，Lx+Mz=c为问题需满足的线性等式约束。
通过乘子法，引入对偶变量y，构造增广拉格朗日函数:
|
(9) |
式中：ρ>0为惩罚参数。
ADMM迭代过程与对偶上升法和乘子法相似，包含3部分：原始变量x的迭代更新、原始变量z的迭代更新和对偶变量y的更新过程，更新策略为[19]
|
(10) |
可以看出，在ADMM算法中，原始变量x和原始变量z的迭代更新是一个交替进行的过程，每个求解过程只需求解部分变量，降低了求解规模。
3 航空发动机MPC的ADMM算法实现将式(7)所描述航空发动机MPC中的QP问题简写为
|
(11) |
式中:P=HTH+λI为正定对称矩阵；
为应用ADMM算法，首先添加辅助变量，将式(11)改写为等式约束的形式：
|
(12) |
由于式(12)所描述的QP问题不具有可分形式，不能直接采用ADMM算法进行求解。为此将x和z视作为一个整体变量(x, z)，引入辅助变量约束
|
(13) |
式中：f2(x, z)为集合
引入对偶变量(w, y)，根据式(10)，可以得到求解式(13)的ADMM迭代过程为[20]
|
(14) |
|
(15) |
|
(16) |
式中：σ为惩罚系数。
式(14)表示辅助变量的更新过程，是一个等式约束的QP问题，其一阶最优性条件(KKT条件)为
|
(17) |
式中：v(k+1)为拉格朗日乘子。消去
|
(18) |
|
(19) |
式(18)的系数矩阵称作KKT矩阵，该矩阵是一个列满秩的对称矩阵，因此方程具有唯一解。观察式(18)，KKT矩阵的结构只和式(11)与参数ρ相关，在迭代过程中是不变的。
|
(20) |
式(15)表示原变量的更新过程，是一个二次函数集合在
|
(21) |
集合
|
(22) |
为了加速算法收敛，根据文献[12]，加入松弛因子α∈[1, 2]，迭代过程式(22)和式(16)变成
|
(23) |
|
(24) |
根据QP问题的一阶最优性条件，定义QP问题式(12)的原始残差rprim和对偶残差rdual：
|
(25) |
根据2个残差给出收敛判定准则:
|
(26) |
|
(27) |
|
(28) |
一般取εrel=10-3，εabs根据需要精度选择。
使用ADMM算法还需要一个初始值，由于MPC问题的特殊性，可以将d-1时刻的最优解(x*(d-1), y*(d-1))作为d时刻的算法初始值，即
|
(29) |
因此可以获得航空发动机MPC求解控制输入Wfb的流程:
1) 获得发动机采样时刻d的状态和状态方程。
2) 以二次型性能指标和约束，根据状态方程建立问题式(7)。
3) 将问题式(7)改写为适合用ADMM算法的形式(13)。
4) 根据式(29)，将d-1时刻得到最优解作为d时刻问题求解的初始值。
5) 根据迭代过程式(19)、式(20)、式(23)和式(24)计算并更新各个变量。
6) 根据原始残差rprim和对偶残差rdual判断迭代过程是否满足精度要求。若满足，则终止迭代，将获得的最优解的第一项作为所需Wfb送入发动机，进入步骤7)；若没有，进入步骤4)，直至达到最大迭代次数。
7) 进入采样时刻d+1，重复步骤1)。
4 仿真 4.1 控制结构图 1为航空发动机MPC系统结构，主要包括模型预测控制器和发动机模型。MPC根据输入的参考指令ref，使用第3节所述流程求解控制量Wfb；实时非线性模型用于获得预测模型，并且通过模型的输出与真实测量值之差作为反馈校正。实时非线性模型为平衡流形展开模型[21]，离线得到，其输入为Wfb，状态量为Nl和Nh，输出为Nl、Nh、P3s和T6，调度参数为发动机进口温度T2和Nh；基于发动机进口条件和当前工作转速，以此平衡流形展开模型获得预测模型。使用部件级模型作为真实发动机，以ADMM算法对控制量进行迭代寻优。
|
| 图 1 航空发动机MPC系统结构 Fig. 1 Aircraft engine MPC system structure |
平衡流形展开模型通过实验数据离线计算所得，其输出与发动机传感器输出存在一定的误差，使得预测模型也存在误差，为了满足控制精度的要求，需要对预测方程的输出进行修正。
在d时刻，预测模型的输出Nl、Nh、P3s和T6为ym(d)，真实发动机传感器输出为ys(d)，二者的误差为e(d)=ys(d)-ym(d)，则未来时刻模型的输出可以校正为
|
(30) |
式中：
使用MATLAB进行仿真，MPC算法由MATLAB实现，模拟真实发动机的部件级模型使用VC++开发，并且通过MEX方法在MATLAB中调用。
指令跟踪的目的是让发动机Nh跟随参考指令ref的变化，MPC的性能指标J的第一部分即是指令跟踪的误差(见式(1))。通过在高度H=0 km，Ma=0，在发动机慢车以上给定发动机Nh指令，使用图 1所示的控制结构，进行Nh闭环控制。
ADMM算法最大迭代次数为500次，收敛准则为εabs=1×10-5；控制器预测时域长度np=2，权重系数λ=700。Nh响应过程、相对跟踪误差、Wfb、T6和P3s的响应过程如图 2所示，数据均经过归一化处理。
|
| 图 2 基于ADMM算法的航空发动机MPC响应 Fig. 2 Response of aircraft engine MPC based on ADMM |
图 2(a)为Nh在给定指令下的响应过程，从图中可以看出，在仿真时间里，使用ADMM算法的航空发动机MPC均能使Nh跟随指令变化。图 2(b)为Nh与ref的相对误差，从图中可以看出，相对误差在Nh稳定时接近0，满足控制所需精度，表明ADMM算法作为在线优化算法可以满足控制器所需精度。
图 2(c)为控制器计算所得的Wfb输入曲线，图 2(d)和图 2(e)为T6和P3s的响应曲线。在仿真中，T6的响应速度最快，跟随Wfb的输入变化；P3s的响应速度较Nh快，比T6略慢一些；Nh的响应速度最慢，这是由于转子动力学特性是所建立的部件级模型的主要动态特性，其惯性较大；由于建模中忽略了热惯性，T6紧跟Wfb变化；P3s受转子转速和燃气流量的共同作用，因此响应速度介于二者之间。观察到在仿真过程中，其在温度和压力较低区域有明显的超调。因为发动机是一个非线性系统，其动态特性随转速变化而变化，因此在仿真权重系数不变的情况下，低转速区有超调，而高转速没有。
为了验证基于ADMM算法的MPC对于发动机约束的处理能力，将T6限制适当调小，使发动机在仿真中能触及T6限制。图 3(a)为T6将限制调小到0.87时Nh阶跃的响应，图 3(b)为T6响应。可以看出，由于限制的存在，Nh不能跟踪给定的指令，而T6达到限制值，并且没有明显的超调。仿真表明了基于ADMM算法的MPC良好的约束处理能力，采用MPC可以取消超限保护控制回路。
|
| 图 3 T6触及限制下MPC仿真 Fig. 3 MPC simulation with T6 hitting limit |
为了验证ADMM算法在实时性方面的优势，使用文献[22]中所述IPM算法作为对比算法，在H=0 km，Ma=0，慢车以上转速，给定不同的阶跃幅值ΔNh和预测时域np，进行6 s的阶跃响应仿真，记录使用2种算法平均单步仿真耗时并进行对比。
表 1中给出了10个仿真过程中转速阶跃幅值ΔNh及预测时域设置。表 2是在这些设置情况下使用IPM完成一次控制序列优化计算所需平均时间和使用ADMM所需时间。
| 编号 | ΔNh | np |
| 1 | 0.03 | 2 |
| 2 | 0.08 | 2 |
| 3 | 0.15 | 2 |
| 4 | 0.18 | 2 |
| 5 | 0.18 | 4 |
| 6 | 0.18 | 6 |
| 7 | 0.18 | 8 |
| 8 | 0.18 | 10 |
| 9 | 0.18 | 12 |
| 10 | 0.18 | 14 |
| 编号 | 所需时间/ms | |
| IPM | ADMM | |
| 1 | 10.67 | 3.67 |
| 2 | 10.57 | 3.80 |
| 3 | 10.10 | 3.60 |
| 4 | 11.97 | 3.50 |
| 5 | 25.87 | 5.00 |
| 6 | 41.33 | 6.80 |
| 7 | 76.50 | 8.20 |
| 8 | 108.83 | 10.53 |
| 9 | 167.00 | 14.13 |
| 10 | 224.60 | 15.53 |
从表 2中可以看出，无论ΔNh是较大还是较小的动态响应，使用ADMM的仿真耗时均低于使用IPM的仿真。这是由于ADMM算法在迭代过程中，在给定罚参数不变的情况下，KKT系数矩阵不变，因此在每次迭代过程中不必重复计算KKT矩阵的逆矩阵或分解，减少了计算量；而IPM算法在每次迭代过程中需要调整KKT矩阵，在每次迭代求解中都需要进行KKT矩阵求逆或者矩阵分解操作。假设求解需要M次迭代，矩阵分解耗时为tf，KKT系统求解回代耗时tb，ADMM算法求解需要时间为tf+Mtb，而IPM算法耗时为M(tf+tb), M为求解迭代次数。
预测时域np可以表示MPC滚动优化问题的规模大小。np越大，则待求解的燃油序列维数越大，需求解的QP问题中的不等式约束矩阵和系数矩阵的维数也越大，增加了求解的计算量。
预测时域的增大可以改善航空发动机MPC的性能。图 4为在H=0 km，Ma=0，慢车以上转速，给定阶跃幅值ΔNh=0.18，改变MPC的预测时域np，得到的完成一次控制序列优化所需平均时间t与预测时域np的关系。随着np的增加，QP的规模增加，构成的KKT系数矩阵的维数也增加，求解KKT方程的耗时增加。仿真结果表明，使用IPM算法的仿真耗时增加随np增加更为剧烈，而使用ADMM算法的仿真耗时增加幅度较小，证实了本文分析的合理性，表明了ADMM算法在航空发动机MPC中有比IPM更好的实时性。
|
| 图 4 控制序列优化所需平均时间与预测时域的关系 Fig. 4 Average time consumption for control sequence optimization vs predictive horizon |
ADMM算法在航空发动机MPC的滚动优化中具有良好的应用前景。
1) 在指令跟踪控制中，Nh与指令的相对跟踪误差均为0；表明ADMM可以满足发动机指令跟踪和约束管理的精度要求。
2) ADMM算法每次迭代过程只需计算一次矩阵分解，与IPM相比，计算量大大降低，实时性得到了很大的提高。
3) ADMM算法相对IPM有更好的计算耗时稳定性。在10组仿真测试中，预测时域从2增加到14，使用IPM算法的单次仿真耗时从10.67 ms增加到224.1 ms，扩大了20多倍；而ADMM算法从3.67 ms增加到15.53 ms，扩大不足5倍。
| [1] |
BRUNELL B J, BITMEAD R R, CONNOLLY A J.Nonlinear model predictive control of an aircraft gas turbine engine[C]//41st IEEE Conference on Decision and Control.Piscataway, NJ: IEEE Press, 2003, 4: 4649-4651. https://www.researchgate.net/publication/224740087_Nonlinear_model_predictive_control_of_an_aircraft_gas_turbine_engine
|
| [2] |
BRUNELL B J, VIASSOLO D E, PRASANTH R.Model adaptation and nonlinear model predictive control of an aircraft engine[C]//ASME Turbo Expo 2004: Power for Land, Sea, and Air, 2004: 673-682.
|
| [3] |
BRUNELL B J, MATHEWS H K, KUMAR A.Adaptive model-based control systems and methods for controlling a gas turbine: US6823675[P].2004-11-30.
|
| [4] |
RICHTER H, SINGARAJU A V, LITT J S. Multiplexed predictive control of a large commercial turbofan engine[J]. Journal of Guidance, Control, and Dynamics, 2008, 31(2): 273-281. DOI:10.2514/1.30591 |
| [5] |
VROEMEN B G, VAN ESSEN H A, VAN STEENHOVEN A A, et al. Nonlinear model predictive control of a laboratory gas turbine installation[J]. Journal of Engineering for Gas Turbines and Power, 1999, 121(4): 629-634. DOI:10.1115/1.2818518 |
| [6] |
杜宪.滑模与预测控制在航空发动机限制管理中应用研究[D].西安: 西北工业大学, 2016. DU X.Application of sliding mode control and model predictive control to limit management for aero-engines[D].Xi'an: Northwestern Polytechnical University, 2016(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10699-1018811321.htm |
| [7] |
LAU M S K, YUE S P, LING K V, et al.A comparison of interior point and active set methods for FPGA implementation of model predictive control[C]//European Control Conference.Piscataway, NJ: IEEE Press, 2009: 156-161. https://www.researchgate.net/publication/265399430_A_Comparison_of_Interior_Point_and_Active_Set_Methods_for_FPGA_Implementation_of_Model_Predictive_Control
|
| [8] |
SHAHZAD A, KERRIGAN E C, CONSTANTINIDES G A.A warm-start interior-point method for predictive control[C]//UKACC International Conference on Control.London: IET, 2010: 949-954. https://www.researchgate.net/publication/261390258_A_warm-start_interior-point_method_for_predictive_control
|
| [9] |
ECKSTEIN J.Splitting methods for monotone operators with applications to parallel optimization[D].Cambridge: Massachusetts Institute of Technology, 1989.
|
| [10] |
BOYD S, PARIKH N, CHU E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Foundations and Trends in Machine Learning, 2011, 3(1): 1-122. |
| [11] |
ECKSTEIN J, WANG Y. Understanding the convergence of the alternating direction method of multipliers:Theoretical and computational perspectives[J]. Pacific Journal of Optimization, 2015, 11(4): 619-644. |
| [12] |
GHADIMI E, TEIXEIRA A, SHAMES I, et al. Optimal parameter selection for the alternating direction method of multipliers(ADMM):Quadratic problems[J]. IEEE Transactions on Automatic Control, 2015, 60(3): 644-658. DOI:10.1109/TAC.2014.2354892 |
| [13] |
王曦, 党伟, 李志鹏, 等. 1种N-dot过渡态PI控制律的设计方法[J]. 航空发动机, 2015, 41(6): 1-5. WANG X, DANG W, LI Z P, et al. A design method of N-dot transient state PI control laws[J]. Aeroengine, 2015, 41(6): 1-5. (in Chinese) |
| [14] |
JAW L C, MATTINGLY J D. Aircraft engine controls:Design, system analysis, and health monitoring[M]. Reston: AIAA, 2009: 119-141.
|
| [15] |
RICHTER H. A multi-regulator sliding mode control strategy for output-constrained systems[J]. Automatica, 2011, 47(10): 2251-2259. DOI:10.1016/j.automatica.2011.08.003 |
| [16] |
RICHTER H, LITT J.A novel controller for gas turbine engines with aggressive limit management[C]//47th AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit.Reston: AIAA, 2011: 1-17. https://www.researchgate.net/publication/268479381_A_Novel_Controller_for_Gas_Turbine_Engines_with_Aggressive_Limit_Management
|
| [17] |
杜宪, 郭迎清, 孙浩, 等. 基于滑模控制的航空发动机多变量约束管理[J]. 航空学报, 2016, 37(12): 3657-3667. DU X, GUO Y Q, SUN H, et al. Sliding mode control based multivariable limit management for aircraft engine[J]. Acta Aeronautic et Astronautica Sinica, 2016, 37(12): 3657-3667. (in Chinese) |
| [18] |
RICHTER H. Multiple sliding modes with override logic:Limit management in aircraft engine controls[J]. Journal of Guidance, Control, and Dynamics, 2015, 35(4): 1132-1142. |
| [19] |
BERTSEKAS D P. Convex optimization algorithms[M]. Nushua: Athena Scientific, 2016: 280-285.
|
| [20] |
BOLEY D. Local linear convergence of the alternating direction method of multipliers on quadratic or linear programs[J]. SIAM Journal on Optimization, 2013, 23(4): 2183-2207. DOI:10.1137/120878951 |
| [21] |
赵辉.基于平衡流形展开模型的航空发动机非线性控制方法研究[D].哈尔滨: 哈尔滨工业大学, 2011. ZHAO H.Research on nonlinear control for aeroengines based on equlibrium manifold expansion model[D].Harbin: Harbin Institute of Technology, 2011(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10213-1012000357.htm |
| [22] |
NOCEDAL J, WRIGHT J. Numerical optimization[M]. Berlin: Springer, 2006: 481-485.
|