CN111221364A - 一种高精度大流量气体加热装置及方法 - Google Patents

一种高精度大流量气体加热装置及方法 Download PDF

Info

Publication number
CN111221364A
CN111221364A CN201911156362.9A CN201911156362A CN111221364A CN 111221364 A CN111221364 A CN 111221364A CN 201911156362 A CN201911156362 A CN 201911156362A CN 111221364 A CN111221364 A CN 111221364A
Authority
CN
China
Prior art keywords
input
neuron
output
layer
temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911156362.9A
Other languages
English (en)
Other versions
CN111221364B (zh
Inventor
赵华
孙新新
张建斌
杜云飞
赵米峰
雷晓娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Measuring And Testing Institute Under Xi'an Aerospace Corp
Original Assignee
Measuring And Testing Institute Under Xi'an Aerospace Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Measuring And Testing Institute Under Xi'an Aerospace Corp filed Critical Measuring And Testing Institute Under Xi'an Aerospace Corp
Priority to CN201911156362.9A priority Critical patent/CN111221364B/zh
Publication of CN111221364A publication Critical patent/CN111221364A/zh
Application granted granted Critical
Publication of CN111221364B publication Critical patent/CN111221364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
    • G05D23/32—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature with provision for adjustment of the effect of the auxiliary heating device, e.g. a function of time

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于气体加热技术领域，涉及一种高精度大流量气体加热装置及方法。解决了目前液体火箭发动机地面试验无法提供5000L/min大流量、150℃高温空气的技术问题。本发明利用可控硅电流、压力、流量三个温度输出影响参量建立基于神经网络的自决策模型，通过自学习、自调整实现了在多参量耦合情况下温度的精确控制，控温精度由±10℃提高到±0.5℃，控温稳定时间小于5min。

Description

一种高精度大流量气体加热装置及方法
技术领域
本发明属于气体加热技术领域，涉及一种高精度的针对大流量气体的加热装置及方法。
背景技术
在液体火箭发动机试车前，需要对燃气管线进行提前测试，在地面试验时，先对管线在发动机工作真实工况下的热、压力、力学环境进行模拟，从而对发动机试验管线的强度、刚度、密封性、可靠性进行全面考核，一般采用高温燃气充满管线进行压力、温度等测量值的采集，保证燃气管线使用可靠。同时，目前在冲压发动机进行研制过程中，为了在地面开展发动机超声速燃烧室的试验研究，也需要研建可以模拟发动机飞行状态的地面设备，为发动机试验提供高速、大流量高温空气，目前地面试验根据型号需求需要提供150℃，5000L/min流量的气体。
但是目前针对管线内的空气加热主要有被动保温和主动加热两种方式，被动保温主要利用保温层将管线包裹，减少管线内温度和外界的热交换，但是只能将温度保持在室温，无法继续加热。主动加热方式主要采用电阻加热器加热，通过控制电阻加热器电流大小控制温度变化，但是在大流量气体加热时，空气加热的结果具有多输入、多输出、大滞后、强耦合等因素影响，流量、电流、压力共同影响着最终的输出结果，传统的线性输出电流来改变温度大小无法满足火箭发动机地面试验时大流量、高温下的控温精度，目前只能实现在低流量、100℃下的加热，加热精度在±10°，加热时间大于1小时，远远不能满足试验需求。
发明内容
本发明的目的是提供一种高精度大流量气体加热装置及方法，解决了目前液体火箭发动机地面试验无法提供5000L/min大流量、150℃高温空气的技术问题。
本发明所采用的技术方案是提供一种高精度大流量气体加热装置，其特殊之处在于：包括管线、设置在管线上的元器件、用于控制元器件的电气装置、主控机及上位机；
上述元器件包括依次设置的调节阀、风机、电加热器组件、压力流量温度采集装置及旋拧阀；
上述电气装置包括执行机构、变频器、电加热控制箱、模拟量采集板卡及数字量采集板卡；
上述执行机构与调节阀通讯，用于控制调节阀的开度；上述变频器与风机连接，用于控制风机叶片转速；上述电加热控制箱与电加热器组件相连，用于控制电加热器组件的温度变化；上述模拟量采集板卡与压力流量温度采集装置的输出端相连，用于采集当前气体的压力流量温度值；上述数字量采集板卡与旋拧阀相连，用于采集旋拧阀的输出信号；
上述主控机与变频器、电加热控制箱、模拟量采集板卡、数字量采集板卡的输出端相连；
上述上位机包括存储器及处理器，上述存储器中存储计算机程序，上述计算机程序被处理器执行时，实现以下过程：
步骤一、设定神经网络初始值及初始化神经网络；
上述神经网络包括输入层、隐含层及输出层；上述输入层包括四个神经元，分别为气体流量温度神经元、输入电流神经元、管线压力神经元、空气流量神经元；上述隐含层包括五个神经元；上述输出层包括一个神经元，为气体流量温度神经元；
确定输入层节点数M为4；
隐含层节点数Q为5；
设定输入层计算公式为x(1∶4)＝r(k)，r(k)为4神经元列向量；输入层四个变量中，定义气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)的输入变量依次为：r1(k)＝e(k-1)-e(k-2)、r2(k)＝e(k)-e(k-1)，r3(k)＝e(k)，r4(k)＝e(k)-2*e(k-1)+e(k-2)，e(k)为控制系统的误差，即为大流量空气的目标温度值与实际输出值之间的差值；
输入层到隐含层的输入为w1(k)r(k)，其中，w1(k)为5行4列矩阵，w1(k)r(k)为5个神经元的列向量；
隐含层输出为
Figure BDA0002284913690000031
输出层的神经元权值初值设定为
Figure BDA0002284913690000032
步骤二、确定学习率η和动量因子α；
动量因子大于等于0小于1；不同神经元具有不同的学习率；
步骤三、训练神经网络；
步骤3.1、定义代价函数
Figure BDA0002284913690000033
并计算局部梯度，神经元的局部梯度为δ(k)＝e(k)f(x)r(k)；
其中，输出层的神经元权值可调整为
Figure BDA0002284913690000034
步骤3.2、将当前采集到的气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)输入神经网络模型；计算输出输入误差e(k)＝f(x)-yk，其中yk为测量的输出空气流量的温度值；
根据e(k)计算各层的输入输出值，完成神经网络的训练；
步骤四、完成温度控制；
利用训练好的神经网络，调整输入电流r2(k)的输入，令k＝k+1，重复步骤3.1至步骤3.2，直至输出输入误差e(k)＝0；完成温度的精确控制。
进一步地，为了实现大功率的温度加热，上述电加热器组件包括多台电加热器，多台电加热器沿管线周向环形并联在管线外壁。
进一步地，为了实现均匀加热，多台电加热器沿管线周向环形均布在管线外壁。
进一步地，初始r1(k)学习率为0.3，r2(k)学习率为0.5，r3(k)学习率为0.6，r2(k)学习率为0.85。
本发明还提供一种利用上述的高精度大流量气体加热装置实现高精度大流量气体的加热方法，包括以下步骤：
步骤一、建立神经网络；
上述神经网络包括输入层、隐含层及输出层；上述输入层包括四个神经元，分别为气体流量温度神经元、输入电流神经元、管线压力神经元、空气流量神经元；所述隐含层包括五个神经元；所述输出层包括一个神经元，为气体流量温度神经元；
步骤二、设定神经网络初始值及初始化神经网络；
确定输入层节点数M为4；
隐含层节点数Q为5；
设定输入层计算公式为x(1∶4)＝r(k)，r(k)为4神经元列向量；
输入层到隐含层的输入为w1(k)r(k)，其中，w1(k)为5行4列矩阵，w1(k)r(k)为5个神经元的列向量；
隐含层和输出层的变换函数：
Figure BDA0002284913690000051
其中A＝1
隐含层输出为
Figure BDA0002284913690000052
输入层四个变量中，定义气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)的输入变量依次为：r1(k)＝e(k-1)-e(k-2)、r2(k)＝e(k)-e(k-1)，r3(k)＝e(k)，r4(k)＝e(k)-2*e(k-1)+e(k-2)，e(k)为控制系统的误差，即为大流量空气的目标温度值与实际输出值之间的差值；
权值初值设定为
Figure BDA0002284913690000053
步骤三、确定学习率η和动量因子α；
动量因子大于等于0小于1；每个神经元的学习率不同；
步骤四、训练神经网络；
步骤4.1、定义代价函数
Figure BDA0002284913690000054
并计算局部梯度，神经元的局部梯度为δ(k)＝e(k)f(x)r(k)，其中，输出层的神经元权值可调整为
Figure BDA0002284913690000055
Figure BDA0002284913690000056
步骤4.2、将当前采集到的气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)输入神经网络模型；
计算输出输入误差e(k)＝f(x)-yk，其中yk为测量的输出空气流量的温度值；
并计算各层的输入输出值，完成神经网络的训练；
步骤五、完成温度控制；
调整输入电流r2(k)的输入，令k＝k+1，重复步骤4.1至步骤4.2，直至输出输入误差e(k)＝0；完成温度的精确控制。
进一步地，上述初始r1(k)学习率为0.3，r2(k)学习率为0.5，r3(k)学习率为0.6，r2(k)学习率为0.85。
本发明的有益效果是：
1.本发明利用可控硅电流、压力、流量三个温度输出影响参量建立基于神经网络的自决策模型，通过自学习、自调整实现了在多参量耦合情况下温度的精确控制，控温精度由±10℃提高到±0.5℃，控温稳定时间小于5min。
2.本发明采用6台大功率特制电阻式加热器，采用环形并联在管线周围，在有限的空间周围实现了大功率的温度加热。
附图说明
图1是本发明装置结构图；
图2是本发明控制方法神经网络连接图；
图3是本发明控制方法流程图。
其中附图标记为：1-调节阀，2-风机，3-电加热器，4-压力变送器，5-温度变送器，6-旋拧阀，7-气体流量计，8-执行机构，9-变频器，10-电加热控制箱，11-模拟量采集板卡，12-数字量采集板卡，13-主控机。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，整个管线的进气由调节阀1控制，调节阀1一端连接在风机2上，风机2与电加热器3一端相连，电加热器3通过压力变送器4和流量计7连接，流量计7另一端和温度变送器5相连，温度变送器与管线的旋拧阀6连接。同时，调节阀1与执行机构8通过485通讯线相连，风机2与变频器9通过电缆连接，同时，电加热器3与电加热控制箱10连接，模拟量采集板卡11与压力变送器4、温度变送器5、流量计7的模拟输出端连接，数字量采集12与旋拧阀6相连，采集旋拧阀的输出信号。
结合图1，调节阀1装在整个大流量空气加热装置的起始位置，用于控制进入管线的常温空气流量，阀门的开度决定了进入管线的常温流量的大小。风机2装在调压阀1的下游位置，风机2在工作情况下，叶片高速旋转，带动常温空气进入到电加热器3处，根据实际流量大小及控温大小，此处选择元器件EH125式电阻加热器。此加热器采用特制不锈钢管加热元件，单台加热功率设计为150kW，由于管线安装位置受限，采用了6台同等规格的电阻加热器利用特制工装将6个电阻加热器环形围绕安装到管线周围，每台之间距离管线位置相同，保证整个管线处于稳定的加热温度场内，这样可使加热的空气温度场均匀，并且加热效率高、加热时间短。
在电加热器下游，安装有压力变送器4、温度变送器5、流量计7三个参数测量元件，压力变送器4实时测量当前管线内的压力值、防止压力过高，温度变送器5采集当前管线加热后空气的温度，查看温度是否达到设定值，流量计7用于测量当前加热的空气流量值，旋拧阀6安装在整个管线的末尾端，用于在流量停止后关闭整个管线。
结合图1，整套装置的电气部分中，执行机构8用于控制调节阀1的开度值，调节阀1的开度大小通过执行机构8输出脉冲数确定。同时，变频器9通过改变电机的交流频率实现对风机2叶片转速的控制，变频器9的频率大小与风机2的运行速度呈线性关系。电加热控制箱10直接用来控制电加热器3的温度变化情况，电加热控制箱10采用可控硅负载进行控制，通过调节电加热控制箱10输出电流大小实现对电加热器输出温度的控制，但是在大流量、管道压力、控制电流三大非线性、大迟滞、多耦合影响因素下，仅靠电加热控制柜输出电流很难精确控制温度，因此，利用电流、流量及压力数据共同分析，其中，空气流量信息通过模拟量采集板卡11通过实时将流量计7的输出信号采集，得到当前气体流量值，数字量采集板卡12采集旋拧阀6的开闭信息。
变频器9、电加热控制箱10、模拟量采集板卡11、数字量采集板卡12通过485通讯线缆和主控机13相连，主控机13将采集到的参量值进行显示，并利用上位机软件程序对产生的气体流量进行精确控制。
如图2所示，在利用上位机软件程序对产生的气体流量进行精确控制前，首先需要进行神经网络的建立，根据分析，在装置运行时，如果需要产生一定温度的气体流量，需要考虑电加热控制箱10输入电流、管线压力、空气流量三个输入参量对输出空气流量温度的影响，对建立测量模型而言，需要将当前的输出状态也作为输入到系统作为预测分析凭据，所以，本系统网络为四输入单输出系统。输入层神经元为四个，为气体流量温度神经元、输入电流神经元、管线压力神经元、空气流量神经元，神经网络的隐含层经过模拟仿真设计为五个，输出层为单神经元：气体流量温度神经元。
如图3所示，本发明利用上位机软件程序对产生的气体流量进行精确控制时，包括以下过程：
首先进行参数的初始化，确定输入层节点数M为4，隐含层节点数Q为5，设定输入层计算公式为x(1∶4)＝r(k)，r(k)为4元素列向量，(4元素分别对应输入层的4个神经元)，输入层到隐含层的输入则为w1(k)r(k)，其中，w1(k)为5行4列矩阵，w1(k)r(k)为5个元素的列向量，隐含层和输出层的变换函数根据模拟计算选取sigmoid函数，隐含层输出为
Figure BDA0002284913690000091
上述函数中的响应曲线元器件＝1。
输入层四个变量中，气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)，输入变量依次为：r1(k)＝e(k-1)-e(k-2)、r2(k)＝e(k)-e(k-1)，r3(k)＝e(k)，r4(k)＝e(k)-2*e(k-1)+e(k-2)，e(k)为控制系统的误差，即为大流量空气的目标温度值与实际输出值之间的差值。
输出层的权值初值设定为
Figure BDA0002284913690000092
接下来，在确定了神经网络初始值的设定和初始化后，为了加快学习速率和收敛速度，需要进行网络学习速率η和动量因子α的设计和引入。在神经网络自学习过程中，每个神经元采用独立的学习率η，每次迭代中，每个学习速率都会变化，如果连续多次代价函数对某个权值的倒数符号相同，则学习率η需要增大，反之则要减少。传统神经网络进行修正权值ω(k)，按照k时刻的负梯度方向进行调整，若不考虑历史时刻梯度方向，会造成系统震荡，动量因子α可以减少系统在梯度搜索时响应和震荡引起的收敛缓慢的现象，则让动量因子大于等于0但是小于1。
参数设置完成后，进行神经网络在线训练，首先定义代价函数
Figure BDA0002284913690000093
Figure BDA0002284913690000094
并计算局部梯度，神经元的局部梯度为δ(k)＝e(k)f(x)r(k)，其中，输出层的神经元权值可调整为
Figure BDA0002284913690000095
将当前采集到的气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)输入，并测量输出空气流量的温度值yk，计算输出输入误差e(k)＝f(x)-yk，并计算各层的输入输出值。
根据输出量y(k)可再次调整输入电流值，获取新的输出层的神经元权值，输出层的权值大小公式仍为Δω(k)，最后将计数值加一，令k＝k+1，返回计算输入量输出量误差计算步骤，直到满足控制需求即e(k)接近零为止。

Claims (6)

1.一种高精度大流量气体加热装置，其特征在于：包括管线、设置在管线上的元器件、用于控制元器件的电气装置、主控机及上位机；
所述元器件包括依次设置的调节阀、风机、电加热器组件、压力流量温度采集装置及旋拧阀；
所述电气装置包括执行机构、变频器、电加热控制箱、模拟量采集板卡及数字量采集板卡；
所述执行机构与调节阀通讯，用于控制调节阀的开度；所述变频器与风机连接，用于控制风机叶片转速；所述电加热控制箱与电加热器组件相连，用于控制电加热器组件的温度变化；所述模拟量采集板卡与压力流量温度采集装置的输出端相连，用于采集当前气体的压力流量温度值；所述数字量采集板卡与旋拧阀相连，用于采集旋拧阀的输出信号；
所述主控机与变频器、电加热控制箱、模拟量采集板卡、数字量采集板卡的输出端相连；
所述上位机包括存储器及处理器，所述存储器中存储计算机程序，所述计算机程序被处理器执行时，实现以下过程：
步骤一、设定神经网络初始值及初始化神经网络；
所述神经网络包括输入层、隐含层及输出层；所述输入层包括四个神经元，分别为气体流量温度神经元、输入电流神经元、管线压力神经元、空气流量神经元；所述隐含层包括五个神经元；所述输出层包括一个神经元，为气体流量温度神经元；
确定输入层节点数M为4；
隐含层节点数Q为5；
设定输入层计算公式为x(1∶4)＝r(k)，r(k)为4神经元列向量；输入层四个变量中，定义气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)的输入变量依次为：r1(k)＝e(k-1)-e(k-2)、r2(k)＝e(k)-e(k-1)，r3(k)＝e(k)，r4(k)＝e(k)-2*e(k-1)+e(k-2)，e(k)为控制系统的误差，即为大流量空气的目标温度值与实际输出值之间的差值；
输入层到隐含层的输入为w1(k)r(k)，其中，w1(k)为5行4列矩阵，w1(k)r(k)为5个神经元的列向量；
隐含层输出为
Figure FDA0002284913680000021
输出层的神经元权值初值设定为
Figure FDA0002284913680000022
步骤二、确定学习率η和动量因子α；
动量因子大于等于0小于1；不同神经元具有不同的学习率；
步骤三、训练神经网络；
步骤3.1、定义代价函数
Figure FDA0002284913680000023
并计算局部梯度，神经元的局部梯度为δ(k)＝e(k)f(x)r(k)；
其中，输出层的神经元权值可调整为
Figure FDA0002284913680000024
步骤3.2、将当前采集到的气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)输入神经网络模型；计算输出输入误差e(k)＝f(x)-yk，其中yk为测量的输出空气流量的温度值；
根据e(k)计算各层的输入输出值，完成神经网络的训练；
步骤四、完成温度控制；
利用训练好的神经网络，调整输入电流r2(k)的输入，令k＝k+1，重复步骤3.1至步骤3.2，直至输出输入误差e(k)＝0；完成温度的精确控制。
2.根据权利要求1所述的高精度大流量气体加热装置，其特征在于：所述电加热器组件包括多台电加热器，多台电加热器沿管线周向环形并联在管线外壁。
3.根据权利要求2所述的高精度大流量气体加热装置，其特征在于：多台电加热器沿管线周向环形均布在管线外壁。
4.根据权利要求2所述的高精度大流量气体加热装置，其特征在于：初始r1(k)学习率为0.3，r2(k)学习率为0.5，r3(k)学习率为0.6，r2(k)学习率为0.85。
5.一种利用权利要求1-4任一所述的高精度大流量气体加热装置实现高精度大流量气体的加热方法，其特征在于，包括以下步骤：
步骤一、建立神经网络；
所述神经网络包括输入层、隐含层及输出层；所述输入层包括四个神经元，分别为气体流量温度神经元、输入电流神经元、管线压力神经元、空气流量神经元；所述隐含层包括五个神经元；所述输出层包括一个神经元，为气体流量温度神经元；
步骤二、设定神经网络初始值及初始化神经网络；
确定输入层节点数M为4；
隐含层节点数Q为5；
设定输入层计算公式为x(1∶4)＝r(k)，r(k)为4神经元列向量；
输入层到隐含层的输入为w1(k)r(k)，其中，w1(k)为5行4列矩阵，w1(k)r(k)为5个神经元的列向量；
隐含层和输出层的变换函数：
Figure FDA0002284913680000031
其中A＝1
隐含层输出为
Figure FDA0002284913680000041
输入层四个变量中，定义气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)的输入变量依次为：r1(k)＝e(k-1)-e(k-2)、r2(k)＝e(k)-e(k-1)，r3(k)＝e(k)，r4(k)＝e(k)-2*e(k-1)+e(k-2)，e(k)为控制系统的误差，即为大流量空气的目标温度值与实际输出值之间的差值；
权值初值设定为
Figure FDA0002284913680000042
步骤三、确定学习率η和动量因子α；
动量因子大于等于0小于1；每个神经元的学习率不同；
步骤四、训练神经网络；
步骤4.1、定义代价函数
Figure FDA0002284913680000043
并计算局部梯度，神经元的局部梯度为δ(k)＝e(k)f(x)r(k)，其中，输出层的神经元权值可调整为
Figure FDA0002284913680000044
Figure FDA0002284913680000045
步骤4.2、将当前采集到的气体流量温度r1(k)、输入电流r2(k)、管线压力r3(k)、空气流量r4(k)输入神经网络模型；
计算输出输入误差e(k)＝f(x)-yk，其中yk为测量的输出空气流量的温度值；
并计算各层的输入输出值，完成神经网络的训练；
步骤五、完成温度控制；
调整输入电流r2(k)的输入，令k＝k+1，重复步骤4.1至步骤4.2，直至输出输入误差e(k)＝0；完成温度的精确控制。
6.根据权利要求5所述的高精度大流量气体加热装置实现高精度大流量气体的加热方法，其特征在于：初始r1(k)学习率为0.3，r2(k)学习率为0.5，r3(k)学习率为0.6，r2(k)学习率为0.85。
CN201911156362.9A 2019-11-22 2019-11-22 一种高精度大流量气体加热装置及方法 Active CN111221364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911156362.9A CN111221364B (zh) 2019-11-22 2019-11-22 一种高精度大流量气体加热装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911156362.9A CN111221364B (zh) 2019-11-22 2019-11-22 一种高精度大流量气体加热装置及方法

Publications (2)

Publication Number Publication Date
CN111221364A true CN111221364A (zh) 2020-06-02
CN111221364B CN111221364B (zh) 2021-05-11

Family

ID=70825874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911156362.9A Active CN111221364B (zh) 2019-11-22 2019-11-22 一种高精度大流量气体加热装置及方法

Country Status (1)

Country Link
CN (1) CN111221364B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117906684A (zh) * 2024-03-20 2024-04-19 上海博迅医疗生物仪器股份有限公司 干燥室的测量装置及真空干燥箱的智能干燥系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129259A (zh) * 2010-01-20 2011-07-20 北京航空航天大学 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
WO2011162592A1 (en) * 2010-06-25 2011-12-29 Petroliam Nasional Berhad (Petronas) A method and system for validating energy measurement in a high pressure gas distribution network
CN103135624A (zh) * 2012-12-19 2013-06-05 中国空气动力研究与发展中心高速空气动力研究所 一种带引射功能的暂冲式超声速风洞控制方法
CN104360702A (zh) * 2014-10-30 2015-02-18 北京航空航天大学 动态航空热动力试验系统和动态温度、压力环境控制方法
CN205121377U (zh) * 2015-11-20 2016-03-30 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机进气加温控制系统
CN108593303A (zh) * 2018-03-08 2018-09-28 西北工业大学 一种基于蓄热式加热器的预热系统设计方案

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129259A (zh) * 2010-01-20 2011-07-20 北京航空航天大学 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
WO2011162592A1 (en) * 2010-06-25 2011-12-29 Petroliam Nasional Berhad (Petronas) A method and system for validating energy measurement in a high pressure gas distribution network
CN103135624A (zh) * 2012-12-19 2013-06-05 中国空气动力研究与发展中心高速空气动力研究所 一种带引射功能的暂冲式超声速风洞控制方法
CN104360702A (zh) * 2014-10-30 2015-02-18 北京航空航天大学 动态航空热动力试验系统和动态温度、压力环境控制方法
CN205121377U (zh) * 2015-11-20 2016-03-30 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机进气加温控制系统
CN108593303A (zh) * 2018-03-08 2018-09-28 西北工业大学 一种基于蓄热式加热器的预热系统设计方案

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117906684A (zh) * 2024-03-20 2024-04-19 上海博迅医疗生物仪器股份有限公司 干燥室的测量装置及真空干燥箱的智能干燥系统
CN117906684B (zh) * 2024-03-20 2024-05-24 上海博迅医疗生物仪器股份有限公司 干燥室的测量装置及真空干燥箱的智能干燥系统

Also Published As

Publication number Publication date
CN111221364B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
US8195311B2 (en) Control of engineering systems utilizing component-level dynamic mathematical model with single-input single-output estimator
US8131384B2 (en) Design and control of engineering systems utilizing component-level dynamic mathematical model with multiple-input multiple-output estimator
CN106682369A (zh) 供热管网水力仿真模型辨识修正方法及系统、操作方法
CN110502840B (zh) 航空发动机气路参数在线预测方法
CN106682376A (zh) 参数随工况变化实际特性的全过程汽轮机建模及辨识方法
Montazeri-Gh et al. Real-time multi-rate HIL simulation platform for evaluation of a jet engine fuel controller
CN106647253A (zh) 航空发动机分布式控制系统多性能鲁棒跟踪控制方法
CN108121856B (zh) 一种全飞行域飞行器动稳定性分析方法
CN101813920B (zh) 电站汽轮机组温度传感器虚拟冗余方法
CN110821683B (zh) 一种航空发动机在最优加速跟踪控制中的自适应动态规划方法
CN107989708A (zh) 基于扰动观测的自学习发动机扭矩控制系统及其方法
CN109854389A (zh) 涡轴发动机双发扭矩匹配控制方法及装置
CN109800449B (zh) 一种基于神经网络的航空发动机压缩部件特性修正方法
CN112286047A (zh) 基于神经网络的narma-l2多变量控制方法
CN110579962A (zh) 基于神经网络的涡扇发动机推力预测方法及控制器
CN111221364B (zh) 一种高精度大流量气体加热装置及方法
CN114462336B (zh) 一种核反应堆主管道冷却剂平均温度计算方法
Shuang et al. An adaptive compressor characteristic map method based on the Bezier curve
CN112668162A (zh) 一种基于惯性滑模的航空发动机建模方法
Qian et al. LPV/PI control for nonlinear aeroengine system based on guardian maps theory
Raach et al. ℋ∞ controller design for closed-loop wake redirection
Zhang et al. A digital twin approach for gas turbine performance based on deep multi-model fusion
CN117705456A (zh) 一种基于多模型深度学习的航空发动机数字化试车方法
Aly et al. Neural modeling and predictive control of a small turbojet engine (SR-30)
Shaochen et al. A new component maps correction method using variable geometric parameters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant