CN114462319A - 航空发动机燃烧性能主动调控方法及智能预测模型 - Google Patents
航空发动机燃烧性能主动调控方法及智能预测模型 Download PDFInfo
- Publication number
- CN114462319A CN114462319A CN202210181567.8A CN202210181567A CN114462319A CN 114462319 A CN114462319 A CN 114462319A CN 202210181567 A CN202210181567 A CN 202210181567A CN 114462319 A CN114462319 A CN 114462319A
- Authority
- CN
- China
- Prior art keywords
- model
- combustion chamber
- combustion
- performance
- dimensional
- 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
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 317
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000004364 calculation method Methods 0.000 claims abstract description 76
- 230000000739 chaotic effect Effects 0.000 claims abstract description 59
- 230000002787 reinforcement Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008520 organization Effects 0.000 claims abstract description 13
- 238000005192 partition Methods 0.000 claims abstract description 8
- 238000005314 correlation function Methods 0.000 claims description 34
- 238000013461 design Methods 0.000 claims description 21
- 239000003795 chemical substances by application Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 18
- 238000002156 mixing Methods 0.000 claims description 17
- 238000007476 Maximum Likelihood Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000000889 atomisation Methods 0.000 claims description 10
- 238000001704 evaporation Methods 0.000 claims description 10
- 230000008020 evaporation Effects 0.000 claims description 10
- 239000003921 oil Substances 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 239000000295 fuel oil Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000047 product Substances 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000006227 byproduct Substances 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000005309 stochastic process Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 2
- 239000000446 fuel Substances 0.000 abstract description 13
- 239000000306 component Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Fluid Mechanics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
Abstract
本发明提供一种航空发动机燃烧性能主动调控方法及预测模型,包括步骤:S1、针对航空发动机燃烧室结合燃烧组织方法,选择燃油分级、燃烧空气分区的分区分级燃烧方式;S2、结合试验数据的一维预测模型、三维两相数值仿真方法,进行燃烧室试验和计算数据的生成与修正,得到数据集;S3、依据得到的数据集,建立基于多项式混沌克里金模型的燃烧室性能参数预测模型;S4、基于所建立的燃烧室性能参数预测模型,针对航空发动机分级比参数,结合以深度确定性策略梯度DDPG算法为核心的强化学习,训练强化学习智能体,得到最优调控规律;本发明可实时预测燃烧性能,并主动调控油气分布和燃烧流场,保证燃烧室处于综合性能最优状态。
Description
技术领域
本发明涉及航空发动机技术领域,具体为一种航空发动机燃烧性能预测模型及主动调控方法。
背景技术
随着航空发动机技术的进步与革新,缩短发动机的设计周期和计算时长已成为研究的重大趋势。燃烧室作为航空发动机的三大核心部件之一,其对设计研制周期和设计效果的要求则更高。在目前的燃烧室设计中,基本都是依靠CFD数值模拟或者风洞试验测试中的空气动力数据库,依据已有的数理模型公式进行计算,进而评估设计的可靠性。航空发动机燃烧室涉及复杂的湍流燃烧及两相等问题,数理模型的高复杂度导致了计算周期过长,进而大大增加了设计周期。而基于大量试验开展研究一方面成本较高,另一方面受到目前测量水平等因素的限制很多燃烧室性能指标无法直接准确测量。
此外,燃烧室作为发动机的核心部件,如何确保其性能、稳定性、鲁棒性、可靠性、寿命等在全包线、全域、全寿命周期综合性能最优是新一代智能航空发动机研制过程中关注的重点。而航空发动机高温升燃烧室工况变化大、非线性特征显著、工作环境恶劣,在全生命周期内不可避免地会遇到干扰和未建模动态等不确定性,因此设计的航空发动机控制系统需要拥有很强的鲁棒性,但传统的控制方法如PID控制等,无法根据外部环境的变化进行实时自适应控制。
发明内容
针对于现有技术中存在的上述技术问题,本发明的目的是提供一种航空发动机燃烧室性能智能预测模型及主动调控方法,以实现航空发动机燃烧室性能快速准确预测并进行实时调控油气分布及燃烧流场,保证燃烧室在外部环境动态变化情况下仍能处于最优状态。
为实现上述发明目的,本发明技术方案如下:
一种航空发动机燃烧性能主动调控方法,包括如下步骤:
S1、针对航空发动机燃烧室结合燃烧组织方法,采用燃油分级、燃烧空气分区的分区分级燃烧方式;
S2、结合试验数据的一维预测模型、三维两相数值仿真方法,进行燃烧室试验和计算数据的生成与修正,得到数据集;
S3、依据上述步骤得到的数据集,建立基于多项式混沌克里金模型Kriging-PCE模型的燃烧室性能参数预测模型;
S4、基于所建立的燃烧室性能参数预测模型,针对航空发动机分级比参数,结合以深度确定性策略梯度DDPG算法为核心的强化学习,训练强化学习智能体,得到最优调控规律,最优的标准为满足约束条件出口温度分布系数OTDF参数小于等于0.25,出口径向温度分布系数RTDF参数小于等于0.12且使燃烧效率不小于99.9%和总压损失不大于4%的分级比输入的调控规律。
作为优选方式,一维预测模型即燃烧室一维计算方法,主要包括扩压器计算、空气流量分配与燃烧室流动参数计算、换热计算、燃烧室性能参数计算,其中所需主要模型为射流混合模型和传热模型;
所述三维两相数值仿真方法即三维计算方法,用于对燃烧室内部流场流动情况进行模拟,并对流动特性进行详细计算分析,能够得到燃烧室流场特性与性能参数,流场特性与性能参数均为通过三维计算方法所要获得的量,主要包括:燃烧室内流场速度分布、出口总压、出口总温、出口速度分布以及燃烧室内的CO、CO2、CH4、H2、NO、H2O组分浓度。用到的模型包括基于三维两相数值仿真程序上的湍流模型、燃烧模型、雾化模型、蒸发模型和污染排放模型。这些模型在整个三维两相数值仿真过程中都要使用到。其中雾化模型、蒸发模型、湍流模型和燃烧模型,用于更加准确地模拟燃烧室内燃油破碎和雾化过程、燃油液滴蒸发和燃油空气掺混燃烧过程,进而获得燃烧室燃油液滴直径、速度的空间分布、燃烧室内流场结构、燃烧室内温度和主要组分的分布特征以及燃烧室出口温度分布、性能参数等关键参数。污染排放模型主要进行NOx排放的预测。
作为优选方式,步骤S1具体为:
针对航空发动机燃烧室,结合燃烧组织方法,进行燃烧室方案设计,选择分区分级燃烧组织方式,并得到满足性能指标的初步设计方案,使燃烧室能够保证稳定性和性能达标;
在此基础上,从油气分布可控的角度出发,得到燃烧室主要几何参数和主预燃级供油方式对燃烧室性能的影响,几何参数主要包括燃烧室主预燃级流量分配、多级旋流器旋向组合、旋流器叶片角、旋流器出口扩张角、主燃孔相对轴向位置与孔径,进而进行燃油调控方法对燃烧室性能影响的计算与实验,为建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能预测模型提供数据样本。
作为优选方式,步骤S2具体包括以下步骤:
S21、基于燃烧室模型,在航空发动机燃烧室的降压模化状态和慢车状态两个典型工况下开展试验,通过试验多传感器及多种测量方式获取数据,数据包括燃烧室内流场的速度分布、出口总压、出口总温、出口速度分布以及燃烧室内的CO、CO2、CH4、H2、NO、H2O的组分浓度,为一维预测模型、三维两相数值仿真方法提供试验数据验证及修正;
S22、结合已有试验数据,将一维预测模型计算结果与试验数据进行对比验证,完成对一维预测模型精度的评估,进而指导射流混合模型、传热模型参数的调整,结合试验数据验证不同的射流混合模型和传热模型,通过调整模型参数,而完成对射流混合模型、传热模型的修正及优化,保证一维预测模型数值计算结果的精度;
S23、针对燃烧室几何构型带来的数值建模及网格划分难度,对模型包括气膜冷却小孔在内的精细结构进行最大程度的完全仿真;在建立完全仿真数值计算网格的基础上,根据数值模拟过程中各个模型间的相互作用及影响机理,结合S21步骤试验获得的试验数据,对三维数值方法精度进行评估,建立三维两相数值仿真方法;
S24、最终通过上述步骤得到的一维数值模型、三维数值方法,进行数据样本的扩充;并对所获得的样本数据进行数据预处理,进而建立样本数据集。
作为优选方式,步骤S23中,对模型包括气膜冷却小孔在内的精细结构进行最大程度的完全仿真,即:完全还原真实构型中的精细结构,以提高计算结果的准确性,方法包括:近壁区域采用壁面法向外推多层六面体结构网格以更好地捕捉壁面边界层以及相应的流动分离、转捩过程,空间流场采用各向同性四面体非结构混合网格进行过渡。
作为优选方式,步骤S3具体为:
采用数据驱动方式,使用多项式混沌模型PCE和克里金模型Kriging相融合的模型构建方法,建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能参数预测模型;基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据作为模型的驱动数据库,利用多项式混沌克里金模型对所拥有的样本数据集进行特征参数的学习;最终得到燃烧室性能参数与燃烧室输入参数间多维非线性的复杂映射关系,使用该预测模型进行对指定工况、确定输入参数条件下燃烧室性能参数的预测输出;
多项式混沌克里金模型结合了多项式混沌展开的全局特性和克里金的局部插值特性,利用广义最小二乘原理、拉格朗日乘子法、最大似然估计法求解拟合多项式混沌克里金模型系数,模型总体表示为:
y=MPCK(x)=F(β,x)+Z(x) (1)
其中F(β,x)指多项式混沌克里金模型的标准正交多项式的加权和,即回归模型部分;Z(x)代表零均值和标准方差的平稳高斯过程;
则回归模型部分F(β,x)提供全局近似,通过一系列服从输入随机变量分布的标准正交多变量多项式来近似数值模型,就可以表示为以下多项式混沌展开PCE;
F(β,x)=∑α∈Aβαfα(x) (2)
其中{βα,α∈A},为多变量标准正交多项式fα(x)的系数,A为截断集合,fα(x)与输入变量x的概率分布一致;多变量多项式通过张量乘积得到,通过每个输入变量对应的不同多项式的乘积得到,其中n为输入参数的维度:
其中为第i个变量的第αi阶多项式,截断集合A的确定有一种简单常用的方法就是通过限定多变量多项式张量乘积的总阶数的上限值不超过最大值p来实现,多项式的总阶数通过定义;多项式混沌展开(PCE)的集合为An,p={α∈Nn:|α|≤p},其中p为多项式阶数的最大值;集合A的项数为:P=|An,p|=(n+p)!/n!p!;本发明使用Legendre多项式作为标准正交基多项式,并取p为2;
则多项式混沌展开(PCE)作为克里金模型回归部分表示为:
F(β,x)=∑α∈Aβαfα(x)=β1f1(x)+β2f2(x)+…+βpfp(x)
=[f1(x),f2(x),...,fP(x)][β1,β2,...,βP]T=f(x)Tβ (4)
上式中{βα,α∈A}为多变量标准正交多项式fα(x)的系数,A为截断集合,F(β,x)为多项式混沌克里金模型的回归部分,以提供全局近似;P为多变量标准正交多项式的项数;
Z(x)称为随机模型,是一个平稳随机过程,代表回归模型近似目标函数的系统偏差,其需要满足下面两个条件:
σ2代表方差,R(θ,xi,xj)是假定的关于超参数的相关函数,表示任意两点的空间相关程度,本发明选用相关函数形式为高斯相关函数;
相关函数R的空间距离函数表示为:
后基于上述建立模型进行模型求解,采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法、最大似然估计法完成未知参数β,σ,θ的估值求解,即完成基于Kriging-PCE模型的燃烧室性能参数预测模型的建立。
作为优选方式,步骤S4具体为:
采用深度确定性策略梯度DDPG算法,进行调控规律寻优;DDPG算法使用批量次的数据对仿真智能体进行训练,最终训练出强化学习智能体,可由其得到满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12且使优化目标燃烧效率不小于99.9%和总压损失不大于4%的分级比输入,智能体还可根据环境改变而更新策略,来更新评判;
搭建航空发动机燃烧室调控规律优化系统,主要包括发动机燃烧室模型、强化学习智能体模块、智能体与环境间的数据交互模块、智能体与燃烧室交互的计算观测值模块、初始化参数输入模块和控制目标输入模块;
发动机燃烧室模型运用使用航空发动机燃烧室数据所创建的基于Kriging-PCE的航空发动机燃烧室性能参数预测模型,模型的输出主要是燃烧效率以及总压恢复系数;
对强化学习智能体模块进行训练方式、学习算法、策略函数设置,转化为航空发动机燃烧室调控规律优化器;
强化学习智能体模块用于最优调控规律的寻找,即得到优化目标燃烧效率不小于99.9%和总压损失不大于4%,且满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12的分级比输入;强化学习智能体模块根据执行动作的策略,输出动作指令即发动机燃烧室预测模型的输入——分级比,强化学习智能体模块与发动机燃烧室模型在交互中获得最优的燃烧室系统分级比输入;
智能体与环境间的数据交互模块则主要包括计算奖励值模块、计算观测值模块、训练回合结束条件模块,计算奖励值模块主要用于强化学习算法中奖励值的计算;对于计算奖励值模块则采用优化目标燃烧效率不小于99.9%和总压损失不大于4%与OTDF参数小于等于0.25,RTDF参数小于等于0.12的指标约束对其进行设置;计算观测模块主要进行对输出的燃烧效率和总压恢复系数值的观测;训练回合结束条件模块主要进行训练回合结束条件的设置,训练回合结束条件模块设置燃烧室出口温度分布系数OTDF与燃烧室出口径向温度分布系数RTDF的约束条件作为训练回合结束条件,当燃烧室出口温度分布系数OTDF与燃烧室出口径向温度分布系数RTDF不满足条件时,训练回合结束,满足条件则训练继续;
智能体与燃烧室交互的计算观测值模块主要以预测模型的输出燃烧效率以及总压恢复系数为主;
初始化参数输入模块将发动机燃烧室的初始状态以及运行条件参数传输给发动机燃烧室模型;
控制目标输入模块将优化系统要满足的约束条件输入给强化学习智能体模块以完成奖励函数以及训练回合结束条件的设置。
本发明还提供一种航空发动机燃烧性能智能预测模型,其为:
采用数据驱动方式,使用多项式混沌模型PCE替代基本克里金模型Kriging回归部分的模型融合构建方法,建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能参数预测模型,具体为基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据组成的驱动数据库,利用多项式混沌克里金模型对所拥有的样本数据集进行特征参数的学习;通过广义最小二乘原理、拉格朗日乘子法、最大似然估计法进行模型求解,最终得到输入为燃烧室主要几何设计参数和供油方式,输出为燃烧室性能参数的燃烧室性能智能预测模型。
作为优选方式:
所述多项式混沌克里金模型的表达式为:
y=MPCK(x)=F(β,x)+Z(x) (7)
其中F(β,x)指多项式混沌克里金模型的标准正交多项式的加权和,即回归模型部分;Z(x)代表零均值和标准方差的平稳高斯过程;
多项式混沌展开PCE作为克里金模型回归部分表示为:
F(β,x)=∑α∈Aβαfα(x)=β1f1(x)+β2f2(x)+…+βpfp(x)
=[f1(x),f2(x),...,fP(x)][β1,β2,...,βP]T=f(x)Tβ (8)
Z(x)称为随机模型,代表回归模型近似目标函数的系统偏差,其需要满足下面两个条件:
σ2代表方差,R(θ,xi,xj)是假定的关于超参数的相关函数,表示任意两点的空间相关程度,本发明选用相关函数形式为高斯相关函数;
相关函数R的空间距离函数可表示为:
后基于上述建立模型进行模型求解,采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法、最大似然估计法完成未知参数β,σ,θ的估值求解,即完成基于Kriging-PCE模型的燃烧室性能参数预测模型的建立。
本发明的有益效果为:本发明旨在使用基于数据驱动的代理模型设计建模方法及智能调控技术,解决航空发动机高温升燃烧室多参数多目标优化难、动态调节差等问题。可实时预测燃烧性能,并在发动机燃烧室全寿命周期内,主动调控油气分布和燃烧流场,保证燃烧室处于综合性能最优状态,从而解决现有燃烧室设计方法的计算复杂耗时、设计周期长,以及传统控制方法难以实现闭环控制且鲁棒性较差的问题。大大提高航空发动机燃烧室性能、缩短研制周期、降低研制成本。
附图说明
图1所示为本发明实施例1提供的一种航空发动机燃烧室性能预测模型及最优调控方法的整体流程图。
图2所示为本发明实施例1提供的一种基于Kriging-PCE的燃烧室性能预测模型的框图。
图3所示为本发明实施例1提供的一种基于强化学习的航空发动机最优调控方法的框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
实施例1
本实施例提供一种航空发动机燃烧性能主动调控方法,包括如下步骤:
S1、针对航空发动机燃烧室结合燃烧组织方法,采用燃油分级、燃烧空气分区的分区分级燃烧方式;以解决高温升燃烧室所面临的温升高,冷却空气量低,掺混空气量低,燃烧室工作环境恶劣,湍流燃烧机理复杂,燃烧供油调控机理复杂等一系列问题。
具体为:针对航空发动机燃烧室,结合燃烧组织方法,进行燃烧室方案设计,选择分区分级燃烧组织方式,并得到满足性能指标的初步设计方案,使燃烧室能够保证稳定性和性能达标;
在此基础上,从油气分布可控的角度出发,得到燃烧室主要几何参数和主预燃级供油方式对燃烧室性能的影响,几何参数主要包括燃烧室主预燃级流量分配、多级旋流器旋向组合、旋流器叶片角、旋流器出口扩张角、主燃孔相对轴向位置与孔径,进而进行燃油调控方法对燃烧室性能影响的计算与实验,为建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能预测模型提供数据样本。
S2、结合试验数据的一维预测模型、三维两相数值仿真方法,进行燃烧室试验和计算数据的生成与修正,得到数据集;
一维预测模型即燃烧室一维计算方法,主要包括扩压器计算、空气流量分配与燃烧室流动参数计算、换热计算、燃烧室性能参数计算,其中所需主要模型为射流混合模型和传热模型;
所述三维两相数值仿真方法即三维计算方法,用于对燃烧室内部流场流动情况进行模拟,并对流动特性进行详细计算分析,能够得到燃烧室流场特性与性能参数,流场特性与性能参数均为通过三维计算方法所要获得的量,主要包括:燃烧室内流场速度分布、出口总压、出口总温、出口速度分布以及燃烧室内的CO、CO2、CH4、H2、NO、H2O组分浓度。用到的模型包括基于三维两相数值仿真程序上的湍流模型、燃烧模型、雾化模型、蒸发模型和污染排放模型。这些模型在整个三维两相数值仿真过程中都要使用到。其中雾化模型、蒸发模型、湍流模型和燃烧模型,用于更加准确地模拟燃烧室内燃油破碎和雾化过程、燃油液滴蒸发和燃油空气掺混燃烧过程,进而获得燃烧室燃油液滴直径、速度的空间分布、燃烧室内流场结构、燃烧室内温度和主要组分的分布特征以及燃烧室出口温度分布、性能参数等关键参数。污染排放模型主要进行NOx排放的预测。
S3、依据上述步骤得到的数据集,建立基于多项式混沌克里金模型Kriging-PCE模型的燃烧室性能参数预测模型;
基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据组成的驱动数据库,使用多项式混沌模型(PCE)替代基本克里金模型(Kriging)回归部分的方法,构建基于多项式混沌克里金模型的燃烧室性能参数预测模型。利用该模型对所拥有的样本数据集进行特征参数的学习;通过广义最小二乘原理、拉格朗日乘子法、最大似然估计法进行模型求解,最终得到输入为燃烧室主要几何设计参数和供油方式,输出为燃烧室性能参数的燃烧室性能智能预测模型。
S4、基于所建立的燃烧室性能参数预测模型,针对航空发动机分级比参数,结合以深度确定性策略梯度DDPG算法为核心的强化学习,训练强化学习智能体,得到最优调控规律,最优的标准为满足约束条件出口温度分布系数OTDF参数小于等于0.25,出口径向温度分布系数RTDF参数小于等于0.12且使燃烧效率不小于99.9%和总压损失不大于4%的分级比输入的调控规律。
基于Kriging-PCE方法建立的燃烧室性能预测模型,针对于分级比参数,采用深度确定性策略梯度(DDPG)算法进行调控规律寻优。DDPG算法使用航空发动机燃烧室性能的预测模型,根据输入输出数据直接进行最优调控规律的寻找,使用批量次的数据对仿真智能体进行训练。利用强化学习完成航空发动机燃烧室优化智能体的训练后,即得到燃烧室调控规律优化器并得到满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12且使优化目标燃烧效率不小于99.9%和总压损失不大于4%的分级比输入。
实施例2
本实施例提供一种航空发动机燃烧性能主动调控方法,包括如下步骤:
(1)S1、针对航空发动机燃烧室结合燃烧组织方法,采用燃油分级、燃烧空气分区的分区分级燃烧方式;
步骤S1具体为:
针对航空发动机燃烧室,燃烧室为满足宽工作范围、高效率、高热容、低损失、低排放、长寿命、出口温度高且分布合理的燃烧室;结合燃烧组织方法,进行燃烧室方案设计,选择分区分级燃烧组织方式,并得到满足性能指标的初步设计方案,使燃烧室能够保证稳定性和性能达标;
在此基础上,从油气分布可控的角度出发,得到燃烧室主要几何参数和主预燃级供油方式对燃烧室性能的影响,几何参数主要包括燃烧室主预燃级流量分配、多级旋流器旋向组合、旋流器叶片角、旋流器出口扩张角、主燃孔相对轴向位置与孔径,进而进行燃油调控方法对燃烧室性能影响的计算与实验,为建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能预测模型提供数据样本。
(2)S2、结合试验数据的一维预测模型、三维两相数值仿真方法,进行燃烧室试验和计算数据的生成与修正,得到数据集;
一维预测模型即燃烧室一维计算方法,主要包括扩压器计算、空气流量分配与燃烧室流动参数计算、换热计算、燃烧室性能参数计算,其中所需主要模型为射流混合模型和传热模型;
所述三维两相数值仿真方法即三维计算方法,用于对燃烧室内部流场流动情况进行模拟,并对流动特性进行详细计算分析,能够得到燃烧室流场特性与性能参数,流场特性与性能参数均为通过三维计算方法所要获得的量,主要包括:燃烧室内流场速度分布、出口总压、出口总温、出口速度分布以及燃烧室内的CO、CO2、CH4、H2、NO、H2O组分浓度。用到的模型包括基于三维两相数值仿真程序上的湍流模型、燃烧模型、雾化模型、蒸发模型和污染排放模型。这些模型在整个三维两相数值仿真过程中都要使用到。其中雾化模型、蒸发模型、湍流模型和燃烧模型,用于更加准确地模拟燃烧室内燃油破碎和雾化过程、燃油液滴蒸发和燃油空气掺混燃烧过程,进而获得燃烧室燃油液滴直径、速度的空间分布、燃烧室内流场结构、燃烧室内温度和主要组分的分布特征以及燃烧室出口温度分布、性能参数等关键参数。污染排放模型主要进行NOx排放的预测。
步骤S2具体包括以下步骤:
S21、基于燃烧室模型,在航空发动机燃烧室的降压模化状态和慢车状态两个典型工况下开展试验,通过试验多传感器及多种测量方式获取数据,数据包括燃烧室内流场的速度分布、出口总压、出口总温、出口速度分布以及燃烧室内的CO、CO2、CH4、H2、NO、H2O的组分浓度,为一维预测模型、三维两相数值仿真方法提供试验数据验证及修正;
S22、结合已有试验数据,将一维预测模型计算结果与试验数据进行对比验证,完成对一维预测模型精度进行的评估,进而指导射流混合模型、传热模型参数的调整,结合试验数据验证不同的射流混合模型和传热模型,通过调整模型参数,而完成对射流混合模型、传热模型的修正及优化,保证一维预测模型数值计算结果的精度;
S23、针对燃烧室几何构型带来的数值建模及网格划分难度,对模型包括气膜冷却小孔在内的精细结构进行最大程度的完全仿真;在建立完全仿真数值计算网格的基础上,根据数值模拟过程中各个模型间的相互作用及影响机理,结合S21步骤试验获得的试验数据,对三维数值方法精度进行评估,建立三维两相数值仿真方法;
步骤S23中,对模型包括气膜冷却小孔在内的精细结构进行最大程度的完全仿真,即:完全还原真实构型中的精细结构,以提高计算结果的准确性,方法包括:近壁区域采用壁面法向外推多层六面体结构网格以更好地捕捉壁面边界层以及相应的流动分离、转捩过程,空间流场采用各向同性四面体非结构混合网格进行过渡。
S24、最终通过上述步骤得到的一维数值模型、三维数值方法,进行数据样本的扩充;并对所获得的样本数据进行数据预处理,进而建立样本数据集。
S3、依据上述步骤得到的数据集,建立基于多项式混沌克里金模型Kriging-PCE模型的燃烧室性能参数预测模型;
步骤S3具体为:
采用数据驱动方式,使用多项式混沌模型PCE和克里金模型Kriging相融合的模型构建方法,建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能参数预测模型;基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据作为模型的驱动数据库,利用多项式混沌克里金模型对所拥有的样本数据集进行特征参数的学习;最终得到燃烧室性能参数与燃烧室输入参数间多维非线性的复杂映射关系,使用该预测模型进行对指定工况、确定输入参数条件下燃烧室性能参数的预测输出;
多项式混沌克里金模型结合了多项式混沌展开的全局特性和克里金的局部插值特性,利用广义最小二乘原理、拉格朗日乘子法、最大似然估计法求解拟合多项式混沌克里金模型系数,模型总体表示为:
y=MPCK(x)=F(β,x)+Z(x) (1)
其中F(β,x)指多项式混沌克里金模型的标准正交多项式的加权和,即回归模型部分;Z(x)代表零均值和标准方差的平稳高斯过程;
则回归模型部分F(β,x)提供全局近似,通过一系列服从输入随机变量分布的标准正交多变量多项式来近似数值模型,就可以表示为以下多项式混沌展开PCE;
F(β,x)=∑α∈Aβαfα(x) (2)
其中{βα,α∈A},为多变量标准正交多项式fα(x)的系数,A为截断集合,fα(x)与输入变量x的概率分布一致;多变量多项式通过张量乘积得到,通过每个输入变量对应的不同多项式的乘积得到,其中n为输入参数的维度:
其中为第i个变量的第αi阶多项式,截断集合A的确定有一种简单常用的方法就是通过限定多变量多项式张量乘积的总阶数的上限值不超过最大值p来实现,多项式的总阶数通过定义;多项式混沌展开(PCE)的集合为An,p={a∈Nn:|α|≤p},其中p为多项式阶数的最大值;集合A的项数为:P=|An,p|=(n+p)!/n!p!;本发明使用Legendre多项式作为标准正交基多项式,并取p为2;
则多项式混沌展开(PCE)作为克里金模型回归部分表示为:
F(β,x)=∑α∈Aβαfα(x)=β1f1(x)+β2f2(x)+…+βPfP(x)
=[f1(x),f2(x),...,fP(x)][β1,β2,...,βP]T=f(x)Tβ (4)
上式中{βα,α∈A}为多变量标准正交多项式fα(x)的系数,A为截断集合,F(β,x)为多项式混沌克里金模型的回归部分,以提供全局近似;P为多变量标准正交多项式的项数;
Z(x)称为随机模型,是一个平稳随机过程,代表回归模型近似目标函数的系统偏差,其需要满足下面两个条件:
σ2代表方差,R(θ,xi,xj)是假定的关于超参数的相关函数,表示任意两点的空间相关程度,本发明选用相关函数形式为高斯相关函数;
相关函数R的空间距离函数表示为:
后基于上述建立模型进行模型求解,采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法、最大似然估计法完成未知参数β,σ,θ的估值求解,即完成基于Kriging-PCE模型的燃烧室性能参数预测模型的建立。
S4、基于所建立的燃烧室性能参数预测模型,针对航空发动机分级比参数,结合以深度确定性策略梯度DDPG算法为核心的强化学习,训练强化学习智能体,得到最优调控规律,最优的标准为满足约束条件出口温度分布系数OTDF参数小于等于0.25,出口径向温度分布系数RTDF参数小于等于0.12且使燃烧效率不小于99.9%和总压损失不大于4%的分级比输入的调控规律。
步骤S4具体为:
采用深度确定性策略梯度DDPG算法,进行调控规律寻优;DDPG算法使用批量次的数据对仿真智能体进行训练,最终训练出强化学习智能体,可由其得到满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12且使优化目标燃烧效率不小于99.9%和总压损失不大于4%的分级比输入,智能体还可根据环境改变而更新策略,来更新评判;
搭建航空发动机燃烧室调控规律优化系统,主要包括发动机燃烧室模型、强化学习智能体模块、智能体与环境间的数据交互模块、智能体与燃烧室交互的计算观测值模块、初始化参数输入模块和控制目标输入模块;
发动机燃烧室模型运用使用航空发动机燃烧室数据所创建的基于Kriging-PCE的航空发动机燃烧室性能参数预测模型,模型的输出主要是燃烧效率以及总压恢复系数;
对强化学习智能体模块进行训练方式、学习算法、策略函数设置,转化为航空发动机燃烧室调控规律优化器;
强化学习智能体模块用于最优调控规律的寻找,即得到优化目标燃烧效率不小于99.9%和总压损失不大于4%,且满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12的分级比输入;强化学习智能体模块根据执行动作的策略,输出动作指令即发动机燃烧室预测模型的输入——分级比,强化学习智能体模块与发动机燃烧室模型在交互中获得最优的燃烧室系统分级比输入;
智能体与环境间的数据交互模块则主要包括计算奖励值模块、计算观测值模块、训练回合结束条件模块,计算奖励值模块主要用于强化学习算法中奖励值的计算;对于计算奖励值模块则采用优化目标燃烧效率不小于99.9%和总压损失不大于4%与OTDF参数小于等于0.25,RTDF参数小于等于0.12的指标约束对其进行设置;计算观测模块主要进行对输出的燃烧效率和总压恢复系数值的观测;训练回合结束条件模块主要进行训练回合结束条件的设置,训练回合结束条件模块设置燃烧室出口温度分布系数OTDF与燃烧室出口径向温度分布系数RTDF的约束条件作为训练回合结束条件,当燃烧室出口温度分布系数OTDF与燃烧室出口径向温度分布系数RTDF不满足条件时,训练回合结束,满足条件则训练继续;
智能体与燃烧室交互的计算观测值模块主要以预测模型的输出燃烧效率以及总压恢复系数为主;
初始化参数输入模块将发动机燃烧室的初始状态以及运行条件参数传输给发动机燃烧室模型;
控制目标输入模块将优化系统要满足的约束条件输入给强化学习智能体模块以完成奖励函数以及训练回合结束条件的设置。
实施例3
本实施例提供一种航空发动机燃烧性能智能预测模型,采用数据驱动方式,使用多项式混沌模型PCE替代基本克里金模型Kriging回归部分的模型融合构建方法,建立基于多项式混沌克里金模型(Kriging-PCE,也称为PCK)的燃烧室性能参数预测模型,具体为基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据组成的驱动数据库,利用多项式混沌克里金模型对所拥有的样本数据集进行特征参数的学习;通过广义最小二乘原理、拉格朗日乘子法、最大似然估计法进行模型求解,最终得到输入为燃烧室主要几何设计参数和供油方式,输出为燃烧室性能参数的燃烧室性能智能预测模型。
所述多项式混沌克里金模型的表达式为:
y=MPCK(x)=F(β,x)+Z(x) (7)
其中F(β,x)指多项式混沌克里金模型的标准正交多项式的加权和,即回归模型部分;Z(x)代表零均值和标准方差的平稳高斯过程;
多项式混沌展开PCE作为克里金模型回归部分表示为:
F(β,x)=∑α∈Aβαfα(x)=β1f1(x)+β2f2(x)+…+βPfP(x)
=[f1(x),f2(x),...,fP(x)][β1,β2,...,βP]T=f(x)Tβ (8)
Z(x)称为随机模型,代表回归模型近似目标函数的系统偏差,其需要满足下面两个条件:
σ2代表方差,R(θ,xi,xj)是假定的关于超参数的相关函数,表示任意两点的空间相关程度,本发明选用相关函数形式为高斯相关函数;
相关函数R的空间距离函数可表示为:
后基于上述建立模型进行模型求解,采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法、最大似然估计法完成未知参数β,σ,θ的估值求解,即完成基于Kriging-PCE模型的燃烧室性能参数预测模型的建立。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种航空发动机燃烧性能主动调控方法,其特征在于包括如下步骤:
S1、针对航空发动机燃烧室结合燃烧组织方法,采用燃油分级、燃烧空气分区的分区分级燃烧方式;
S2、结合试验数据的一维预测模型、三维两相数值仿真方法,进行燃烧室试验和计算数据的生成与修正,得到数据集;
S3、依据上述步骤得到的数据集,建立基于多项式混沌克里金模型Kriging-PCE模型的燃烧室性能参数预测模型;
S4、基于所建立的燃烧室性能参数预测模型,针对航空发动机分级比参数,结合以深度确定性策略梯度DDPG算法为核心的强化学习,训练强化学习智能体,得到最优调控规律,最优的标准为满足约束条件出口温度分布系数OTDF参数小于等于0.25,出口径向温度分布系数RTDF参数小于等于0.12且使燃烧效率不小于99.9%和总压损失不大于4%的分级比输入的调控规律。
2.根据权利要求1所述的一种航空发动机燃烧性能主动调控方法,其特征在于:一维预测模型即燃烧室一维计算方法,主要包括扩压器计算、空气流量分配与燃烧室流动参数计算、换热计算、燃烧室性能参数计算,其中所需主要模型为射流混合模型和传热模型;
所述三维两相数值仿真方法即三维计算方法,用于对燃烧室内部流场流动情况进行模拟,并对流动特性进行详细计算分析,能够得到燃烧室流场特性与性能参数,用到的模型包括基于三维两相数值仿真程序上的湍流模型、燃烧模型、雾化模型、蒸发模型和污染排放模型。
3.根据权利要求1所述的一种航空发动机燃烧性能主动调控方法,其特征在于:步骤S1具体为:
针对航空发动机燃烧室,结合燃烧组织方法,进行燃烧室方案设计,选择分区分级燃烧组织方式,并得到满足性能指标的初步设计方案,使燃烧室能够保证稳定性和性能达标;
在此基础上,从油气分布可控的角度出发,得到燃烧室主要几何参数和主预燃级供油方式对燃烧室性能的影响,几何参数主要包括燃烧室主预燃级流量分配、多级旋流器旋向组合、旋流器叶片角、旋流器出口扩张角、主燃孔相对轴向位置与孔径,进而进行燃油调控方法对燃烧室性能影响的计算与实验,为建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能预测模型提供数据样本。
4.根据权利要求1所述的一种航空发动机燃烧性能主动调控方法,其特征在于:步骤S2具体包括以下步骤:
S21、基于燃烧室模型,在航空发动机燃烧室的降压模化状态和慢车状态两个典型工况下开展试验,通过试验多传感器及多种测量方式获取数据,数据包括燃烧室内流场的速度分布、出口总压、出口总温、出口速度分布以及燃烧室内的CO、CO2、CH4、H2、NO、H2O的组分浓度,为一维预测模型、三维两相数值仿真方法提供试验数据验证及修正;
S22、结合已有试验数据,将一维预测模型计算结果与试验数据进行对比验证,完成对一维预测模型精度的评估,进而指导射流混合模型、传热模型参数的调整,结合试验数据验证不同的射流混合模型和传热模型,通过调整模型参数,而完成对射流混合模型、传热模型的修正及优化,保证一维预测模型数值计算结果的精度;
S23、针对燃烧室几何构型带来的数值建模及网格划分难度,对模型包括气膜冷却小孔在内的精细结构进行最大程度的完全仿真;在建立完全仿真数值计算网格的基础上,根据数值模拟过程中各个模型间的相互作用及影响机理,结合S21步骤试验获得的试验数据,对三维数值方法精度进行评估,建立三维两相数值仿真方法;
S24、最终通过上述步骤得到的一维数值模型、三维数值方法,进行数据样本的扩充;并对所获得的样本数据进行数据预处理,进而建立样本数据集。
5.根据权利要求4所述的一种航空发动机燃烧性能主动调控方法,其特征在于:步骤S23中,对模型包括气膜冷却小孔在内的精细结构进行最大程度的完全仿真,即:完全还原真实构型中的精细结构,以提高计算结果的准确性,方法包括:近壁区域采用壁面法向外推多层六面体结构网格以更好地捕捉壁面边界层以及相应的流动分离、转捩过程,空间流场采用各向同性四面体非结构混合网格进行过渡。
6.根据权利要求1所述的一种航空发动机燃烧性能主动调控方法,其特征在于:步骤S3具体为:
采用数据驱动方式,使用多项式混沌模型PCE和克里金模型Kriging相融合的模型构建方法,建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能参数预测模型;基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据作为模型的驱动数据库,利用多项式混沌克里金模型对所拥有的样本数据集进行特征参数的学习;最终得到燃烧室性能参数与燃烧室输入参数间多维非线性的复杂映射关系,使用该预测模型进行对指定工况、确定输入参数条件下燃烧室性能参数的预测输出;
多项式混沌克里金模型结合了多项式混沌展开的全局特性和克里金的局部插值特性,利用广义最小二乘原理、拉格朗日乘子法、最大似然估计法求解拟合多项式混沌克里金模型系数,模型总体表示为:
y=MPCK(x)=F(β,x)+Z(x) (1)
其中F(β,x)指多项式混沌克里金模型的标准正交多项式的加权和,即回归模型部分;Z(x)代表零均值和标准方差的平稳高斯过程;
则回归模型部分F(β,x)提供全局近似,通过一系列服从输入随机变量分布的标准正交多变量多项式来近似数值模型,就可以表示为以下多项式混沌展开PCE;
F(β,x)=∑α∈Aβαfα(x) (2)
其中{βα,α∈A},为多变量标准正交多项式fα(x)的系数,A为截断集合,fα(x)与输入变量x的概率分布一致;多变量多项式通过张量乘积得到,通过每个输入变量对应的不同多项式的乘积得到,其中n为输入参数的维度:
其中为第i个变量的第αi阶多项式,截断集合A的确定有一种简单常用的方法就是通过限定多变量多项式张量乘积的总阶数的上限值不超过最大值p来实现,多项式的总阶数通过定义;多项式混沌展开(PCE)的集合为An,p={α∈Nn:|α|≤p},其中p为多项式阶数的最大值;集合A的项数为:本发明使用Legendre多项式作为标准正交基多项式,并取p为2;
则多项式混沌展开(PCE)作为克里金模型回归部分表示为:
上式中{βα,α∈A}为多变量标准正交多项式fα(x)的系数,A为截断集合,F(β,x)为多项式混沌克里金模型的回归部分,以提供全局近似;P为多变量标准正交多项式的项数;
Z(x)称为随机模型,是一个平稳随机过程,代表回归模型近似目标函数的系统偏差,其需要满足下面两个条件:
σ2代表方差,R(θ,xi,xj)是假定的关于超参数的相关函数,表示任意两点的空间相关程度,本发明选用相关函数形式为高斯相关函数;
相关函数R的空间距离函数表示为:
后基于上述建立模型进行模型求解,采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法、最大似然估计法完成未知参数β,σ,θ的估值求解,即完成基于Kriging-PCE模型的燃烧室性能参数预测模型的建立。
7.根据权利要求1所述的一种航空发动机燃烧性能主动调控方法,其特征在于:步骤S4具体为:
采用深度确定性策略梯度DDPG算法,进行调控规律寻优;DDPG算法使用批量次的数据对仿真智能体进行训练,最终训练出强化学习智能体,可由其得到满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12且使优化目标燃烧效率不小于99.9%和总压损失不大于4%的分级比输入,智能体还可根据环境改变而更新策略,来更新评判;
搭建航空发动机燃烧室调控规律优化系统,主要包括发动机燃烧室模型、强化学习智能体模块、智能体与环境间的数据交互模块、智能体与燃烧室交互的计算观测值模块、初始化参数输入模块和控制目标输入模块;
发动机燃烧室模型运用使用航空发动机燃烧室数据所创建的基于Kriging-PCE的航空发动机燃烧室性能参数预测模型,模型的输出主要是燃烧效率以及总压恢复系数;
对强化学习智能体模块进行训练方式、学习算法、策略函数设置,转化为航空发动机燃烧室调控规律优化器;
强化学习智能体模块用于最优调控规律的寻找,即得到优化目标燃烧效率不小于99.9%和总压损失不大于4%,且满足约束条件OTDF参数小于等于0.25,RTDF参数小于等于0.12的分级比输入;强化学习智能体模块根据执行动作的策略,输出动作指令即发动机燃烧室预测模型的输入——分级比,强化学习智能体模块与发动机燃烧室模型在交互中获得最优的燃烧室系统分级比输入;
智能体与环境间的数据交互模块则主要包括计算奖励值模块、计算观测值模块、训练回合结束条件模块,计算奖励值模块主要用于强化学习算法中奖励值的计算;对于计算奖励值模块则采用优化目标燃烧效率不小于99.9%和总压损失不大于4%与OTDF参数小于等于0.25,RTDF参数小于等于0.12的指标约束对其进行设置;计算观测模块主要进行对输出的燃烧效率和总压恢复系数值的观测;训练回合结束条件模块主要进行训练回合结束条件的设置,训练回合结束条件模块设置燃烧室出口温度分布系数OTDF与燃烧室出口径向温度分布系数RTDF的约束条件作为训练回合结束条件,当燃烧室出口温度分布系数OTDF与燃烧室出口径向温度分布系数RTDF不满足条件时,训练回合结束,满足条件则训练继续;
智能体与燃烧室交互的计算观测值模块主要以预测模型的输出燃烧效率以及总压恢复系数为主;
初始化参数输入模块将发动机燃烧室的初始状态以及运行条件参数传输给发动机燃烧室模型;
控制目标输入模块将优化系统要满足的约束条件输入给强化学习智能体模块以完成奖励函数以及训练回合结束条件的设置。
8.一种航空发动机燃烧性能智能预测模型,其特征在于:
采用数据驱动方式,使用多项式混沌模型PCE替代基本克里金模型Kriging回归部分的模型融合构建方法,建立基于多项式混沌克里金模型Kriging-PCE的燃烧室性能参数预测模型,具体为基于燃烧室一维模型、三维两相数值计算数据及燃烧室实验得到的原始数据组成的驱动数据库,利用多项式混沌克里金模型对所拥有的样本数据集进行特征参数的学习;通过广义最小二乘原理、拉格朗日乘子法、最大似然估计法进行模型求解,最终得到输入为燃烧室主要几何设计参数和供油方式,输出为燃烧室性能参数的燃烧室性能智能预测模型。
9.根据权利要求8所述的一种航空发动机燃烧性能智能预测模型,其特征在于:
所述多项式混沌克里金模型的表达式为:
y=MPCK(x)=F(β,x)+Z(x) (7)
其中F(β,x)指多项式混沌克里金模型的标准正交多项式的加权和,即回归模型部分;Z(x)代表零均值和标准方差的平稳高斯过程;
多项式混沌展开PCE作为克里金模型回归部分表示为:
F(β,x)=∑α∈Aβαfα(x)=β1f1(x)+β2f2(x)+…+βPfP(x)
=[f1(x),f2(x),...,fP(x)][β1,β2,...,βP]T=f(x)Tβ (8)
Z(x)称为随机模型,代表回归模型近似目标函数的系统偏差,其需要满足下面两个条件:
σ2代表方差,R(θ,xi,xj)是假定的关于超参数的相关函数,表示任意两点的空间相关程度,本发明选用相关函数形式为高斯相关函数;
相关函数R的空间距离函数可表示为:
后基于上述建立模型进行模型求解,采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法、最大似然估计法完成未知参数β,σ,θ的估值求解,即完成基于Kriging-PCE模型的燃烧室性能参数预测模型的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181567.8A CN114462319B (zh) | 2022-02-25 | 2022-02-25 | 航空发动机燃烧性能主动调控方法及智能预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181567.8A CN114462319B (zh) | 2022-02-25 | 2022-02-25 | 航空发动机燃烧性能主动调控方法及智能预测模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462319A true CN114462319A (zh) | 2022-05-10 |
CN114462319B CN114462319B (zh) | 2023-05-26 |
Family
ID=81415979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181567.8A Active CN114462319B (zh) | 2022-02-25 | 2022-02-25 | 航空发动机燃烧性能主动调控方法及智能预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462319B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966297A (zh) * | 2022-08-01 | 2022-08-30 | 成都国营锦江机器厂 | 一种电子调节器综合试验台的应用方法 |
CN115203983A (zh) * | 2022-09-15 | 2022-10-18 | 中国航发四川燃气涡轮研究院 | 一种基于上下游限制的主燃烧室仿真方法 |
CN115434802A (zh) * | 2022-09-15 | 2022-12-06 | 西安交通大学 | 氨-氢双燃料航空转子发动机多目标优化控制策略及系统 |
CN116049977A (zh) * | 2022-12-26 | 2023-05-02 | 西南科技大学 | 一种航空发动机燃烧室的参数多目标优化方法 |
CN117933104A (zh) * | 2024-03-25 | 2024-04-26 | 中国人民解放军国防科技大学 | 固体姿轨控发动机燃气调节阀压强修正方法 |
CN116451570B (zh) * | 2023-03-31 | 2024-05-17 | 中山大学 | 一种天线罩电磁性能不确定性传播方法和装置 |
CN117933104B (zh) * | 2024-03-25 | 2024-06-07 | 中国人民解放军国防科技大学 | 固体姿轨控发动机燃气调节阀压强修正方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729855A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 一种实验气体污染对超燃冲压发动机性能影响的评估方法 |
CN108826354A (zh) * | 2018-05-11 | 2018-11-16 | 上海交通大学 | 一种基于强化学习的火电燃烧优化方法 |
CN110657032A (zh) * | 2019-10-08 | 2020-01-07 | 中国航发沈阳发动机研究所 | 一种加力总燃油流量控制规律确定方法 |
CN111965981A (zh) * | 2020-09-07 | 2020-11-20 | 厦门大学 | 一种航空发动机强化学习控制方法及系统 |
CN112417596A (zh) * | 2020-11-20 | 2021-02-26 | 北京航空航天大学 | 一种航空发动机燃烧室通流模型并行网格仿真方法 |
CN113485117A (zh) * | 2021-07-28 | 2021-10-08 | 沈阳航空航天大学 | 基于输入输出信息的航空发动机多变量强化学习控制方法 |
CN113656892A (zh) * | 2021-08-17 | 2021-11-16 | 大连海事大学 | 一种船用双燃料发动机的性能与排放实时仿真模型构建方法 |
CN113673089A (zh) * | 2021-07-23 | 2021-11-19 | 东风汽车集团股份有限公司 | 一种发动机性能确定方法、装置以及电子设备 |
CN113779899A (zh) * | 2021-08-30 | 2021-12-10 | 南京航空航天大学 | 一种基于化学反应器网络方法的燃烧室贫油点火极限预测方法 |
-
2022
- 2022-02-25 CN CN202210181567.8A patent/CN114462319B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729855A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 一种实验气体污染对超燃冲压发动机性能影响的评估方法 |
CN108826354A (zh) * | 2018-05-11 | 2018-11-16 | 上海交通大学 | 一种基于强化学习的火电燃烧优化方法 |
CN110657032A (zh) * | 2019-10-08 | 2020-01-07 | 中国航发沈阳发动机研究所 | 一种加力总燃油流量控制规律确定方法 |
CN111965981A (zh) * | 2020-09-07 | 2020-11-20 | 厦门大学 | 一种航空发动机强化学习控制方法及系统 |
CN112417596A (zh) * | 2020-11-20 | 2021-02-26 | 北京航空航天大学 | 一种航空发动机燃烧室通流模型并行网格仿真方法 |
CN113673089A (zh) * | 2021-07-23 | 2021-11-19 | 东风汽车集团股份有限公司 | 一种发动机性能确定方法、装置以及电子设备 |
CN113485117A (zh) * | 2021-07-28 | 2021-10-08 | 沈阳航空航天大学 | 基于输入输出信息的航空发动机多变量强化学习控制方法 |
CN113656892A (zh) * | 2021-08-17 | 2021-11-16 | 大连海事大学 | 一种船用双燃料发动机的性能与排放实时仿真模型构建方法 |
CN113779899A (zh) * | 2021-08-30 | 2021-12-10 | 南京航空航天大学 | 一种基于化学反应器网络方法的燃烧室贫油点火极限预测方法 |
Non-Patent Citations (6)
Title |
---|
CHENGWENSUN AND ET AL.: "Performance evaluation and outlet load improvement of a rotating detonation combustor with different outlet nozzles", 《INTERNATIONAL JOURNAL OF HYDROGEN ENERGY》 * |
KANGHONGYAO AND ET AL.: "Investigations of the effect of dome spacing on ignition performance of a model combustor with RP-3 liquid aviation fuel", 《FUEL PROCESSING TECHNOLOGY》 * |
M. A. BORAEY AND ET AL.: "The Effect of Different Design and Operational Parameters on the Performance of Can-Type Combustors", 《2021 3RD NOVEL INTELLIGENT AND LEADING EMERGING SCIENCES CONFERENCE (NILES)》 * |
严传俊: "航空发动机燃烧室性能分析的新方法", 《中国航空学会第十一届燃烧与传热传质学术会议》 * |
彭新款: "基于PC-Kriging替代模型的移动模架结构可靠度分析", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
王志凯等: "受限空间内三级旋流流场和燃烧性能研究", 《航空学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966297A (zh) * | 2022-08-01 | 2022-08-30 | 成都国营锦江机器厂 | 一种电子调节器综合试验台的应用方法 |
CN115203983A (zh) * | 2022-09-15 | 2022-10-18 | 中国航发四川燃气涡轮研究院 | 一种基于上下游限制的主燃烧室仿真方法 |
CN115434802A (zh) * | 2022-09-15 | 2022-12-06 | 西安交通大学 | 氨-氢双燃料航空转子发动机多目标优化控制策略及系统 |
CN115434802B (zh) * | 2022-09-15 | 2024-05-07 | 西安交通大学 | 氨-氢双燃料航空转子发动机多目标优化控制策略及系统 |
CN116049977A (zh) * | 2022-12-26 | 2023-05-02 | 西南科技大学 | 一种航空发动机燃烧室的参数多目标优化方法 |
CN116049977B (zh) * | 2022-12-26 | 2024-04-12 | 西南科技大学 | 一种航空发动机燃烧室的参数多目标优化方法 |
CN116451570B (zh) * | 2023-03-31 | 2024-05-17 | 中山大学 | 一种天线罩电磁性能不确定性传播方法和装置 |
CN117933104A (zh) * | 2024-03-25 | 2024-04-26 | 中国人民解放军国防科技大学 | 固体姿轨控发动机燃气调节阀压强修正方法 |
CN117933104B (zh) * | 2024-03-25 | 2024-06-07 | 中国人民解放军国防科技大学 | 固体姿轨控发动机燃气调节阀压强修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114462319B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114462319A (zh) | 航空发动机燃烧性能主动调控方法及智能预测模型 | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
CN108804850B (zh) | 基于空间重构的航空发动机过渡态加速过程参数预测方法 | |
CN114675535B (zh) | 一种基于强化学习的航空发动机过渡态寻优控制方法 | |
CN109872012A (zh) | 基于工况划分的火电厂运行多目标优化的确定方法 | |
CN109492807A (zh) | 基于改进量子粒子群算法的锅炉nox预测模型优化方法 | |
CN116049977B (zh) | 一种航空发动机燃烧室的参数多目标优化方法 | |
CN102419827B (zh) | 基于rbf神经网络的沸腾换热预测方法 | |
CN110334449A (zh) | 一种基于在线代理模型算法的翼型快速设计方法 | |
Shuang et al. | An adaptive compressor characteristic map method based on the Bezier curve | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
Zhou et al. | Dynamic simulation of gas turbines via feature similarity-based transfer learning | |
CN116542164A (zh) | 一种基于物理驱动参数化代理模型的燃烧系统优化设计方法 | |
Yang et al. | Optimized design of aero-engine high temperature rise combustion chamber based on" kriging-NSGA-II" | |
CN112800663A (zh) | 基于神经网络的航空发动机压气机转子叶片的反设计方法 | |
CN111079920B (zh) | 一种涡轮集气腔出口流量不均匀系数的预测方法 | |
Tsotskas et al. | Biobjective optimisation of preliminary aircraft trajectories | |
Ma et al. | High-dimensional multiobjective optimization of an aeroengine combustor based on cubic polynomial | |
CN114519299A (zh) | 一种一体化支板火焰稳定器双层壁结构的多目标优化方法 | |
Guo et al. | Mach number prediction and analysis of multi-mode wind tunnel system | |
Clarich et al. | A Competitive Game Approach for Multi Objective Robust Design Optimization | |
Tong et al. | Optimization of aero-engine combustion chambers with the assistance of Hierarchical-Kriging surrogate model based on POD downscaling method | |
CN113807024B (zh) | 一种基于代理模型的燃气轮机最优动态工作点选择方法 | |
CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
Chen et al. | Input-delay-based LSTM-GRU dynamic modeling method for steam flow in steel industry |
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 |