CN114462319B - 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 PDF

Info

Publication number
CN114462319B
CN114462319B CN202210181567.8A CN202210181567A CN114462319B CN 114462319 B CN114462319 B CN 114462319B CN 202210181567 A CN202210181567 A CN 202210181567A CN 114462319 B CN114462319 B CN 114462319B
Authority
CN
China
Prior art keywords
combustion chamber
model
combustion
polynomial
module
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.)
Active
Application number
CN202210181567.8A
Other languages
English (en)
Other versions
CN114462319A (zh
Inventor
田野
马跃
任虎
郭明明
熊师航
杨茂桃
陈皓
梁爽
宋昊宇
乐嘉陵
李世豪
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.)
Institute of Aerospace Technology of China Aerodynamics Research and Development Center
Original Assignee
Institute of Aerospace Technology of China Aerodynamics Research and Development Center
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 Institute of Aerospace Technology of China Aerodynamics Research and Development Center filed Critical Institute of Aerospace Technology of China Aerodynamics Research and Development Center
Priority to CN202210181567.8A priority Critical patent/CN114462319B/zh
Publication of CN114462319A publication Critical patent/CN114462319A/zh
Application granted granted Critical
Publication of CN114462319B publication Critical patent/CN114462319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Nonlinear Science (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

航空发动机燃烧性能主动调控方法及智能预测模型
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：
Figure BDA0003521321520000041
其中
Figure BDA0003521321520000042
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/>
Figure BDA0003521321520000043
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：
Figure BDA0003521321520000044
/>
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：
Figure BDA0003521321520000045
其中，
Figure BDA0003521321520000046
θk表示模型的超参数；R(dk，θk)是一维相关函数，则任意两点间的相关关系可表示为R矩阵，m为数据库样本数量；
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：
Figure BDA0003521321520000061
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：
Figure BDA0003521321520000062
其中，
Figure BDA0003521321520000063
θk表示模型的超参数，R(dk，θk)是一维相关函数，则任意两点间的相关关系可表示为R矩阵，m为数据库样本数量；
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：
Figure BDA0003521321520000111
其中
Figure BDA0003521321520000112
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/>
Figure BDA0003521321520000113
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：
Figure BDA0003521321520000114
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：
Figure BDA0003521321520000115
其中，
Figure BDA0003521321520000121
θk表示模型的超参数；R(dk，θk)是一维相关函数，则任意两点间的相关关系可表示为R矩阵，m为数据库样本数量；
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：
Figure BDA0003521321520000141
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：
Figure BDA0003521321520000142
其中，
Figure BDA0003521321520000143
θk表示模型的超参数，R(dk，θk)是一维相关函数，则任意两点间的相关关系可表示为R矩阵，m为数据库样本数量；
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 (2)

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；步骤S1具体为：
从油气分布可控的角度出发，得到燃烧室几何参数和主预燃级供油方式对燃烧室性能的影响，所述燃烧室几何参数为多级旋流器旋向组合、旋流器叶片角、旋流器出口扩张角和主燃孔相对轴向位置与孔径，主预燃级供油方式为燃烧室主预燃级流量分配，进而进行燃油调控方法对燃烧室性能影响的计算与试验，为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提供数据样本；
S2、结合步骤S1得到的试验样本数据以及一维预测模型、三维两相数值仿真方法，进行仿真数据的生成及修正，得到数据集；一维预测模型即燃烧室一维计算方法，一维预测模型由射流混合模型和传热模型构成，燃烧室一维计算方法包括扩压器计算、空气流量分配计算、燃烧室流动参数计算、换热计算以及燃烧室性能参数计算；
所述三维两相数值仿真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，三维两相数值仿真方法中包含的模型为湍流模型、燃烧模型、雾化模型、蒸发模型和污染排放模型；
步骤S2具体包括以下步骤：
S21、在燃油调控方法对燃烧室性能影响试验中，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，通过测试多传感器及多种测量方式获取数据，所述获取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样本数据，进行仿真数据的生成及修正；
S22、结合已有试验样本数据，将一维预测模型计算结果与试验样本数据进行对比验证，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，进而完成对射流混合模型、传热模型的修正，保证一维预测模型数值计算结果的精度；
S23、基于燃烧室几何参数，对包括气膜冷却小孔在内的精细结构进行完全仿真；完全仿真包括：近壁区域采用壁面法向外推多层六面体结构网格以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；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，结合S21步骤试验获得的试验样本数据，对三维两相数值仿真方法精度进行评估，修正三维两相数值仿真方法；
S24、最终通过步骤S22和S23得到的一维预测模型、三维两相数值仿真方法，进行数据样本的扩充；并对包括试验样本数据和扩充样本数据的数据集进行数据预处理，进而建立样本数据集；
S3、依据上述步骤S24得到的样本数据集，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；所述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输入为燃烧室几何参数和分级比，输出为燃烧室性能参数，所述燃烧室性能参数是燃烧效率以及总压损失；
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，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，最优的标准为满足两个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，且使两个优化目标燃烧效率不小于99.9%和总压损失不大于4%的分级比的最优调控规律；
步骤S4具体为：
采用深度确定性策略梯度DDPG算法，根据输入输出数据进行最优调控规律的寻找；DDPG算法对智能体进行训练，最终训练出强化学习智能体，由其得到满足两个约束条件OTDF参数小于等于0.25，RTDF参数小于等于0.12，且使两个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，智能体还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，包括发动机燃烧室模块、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；
发动机燃烧室模块运用所述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；
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；强化学习智能体模块根据执行动作的策略，输出动作指令即分级比，同时分级比作为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的输入；
智能体与环境间的数据交互模块则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，计算奖励值模块用于学习算法中奖励值的计算；对于计算奖励值模块则采用两个优化目标燃烧效率不小于99.9%和总压损失不大于4%，两个约束条件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；计算观测值模块进行对输出的燃烧效率和总压损失值的观测；训练回合结束条件模块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大于0.25、燃烧室出口径向温度分布系数RTDF大于0.12时，训练回合结束，反之训练继续；
智能体与燃烧室交互的计算观测值模块观测燃烧效率以及总压损失；
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块；
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计算奖励值、以及训练回合结束条件的设置。
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：步骤S3具体为：
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和拉格朗日乘子法和最大似然估计法求解拟合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系数，所述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表示为：
Figure QLYQS_1
（1）/>
其中
Figure QLYQS_2
指多项式混沌克里金模型的多变量标准正交多项式的加权和，即回归模型部分；/>
Figure QLYQS_3
代表零均值和标准方差的平稳高斯过程；/>
Figure QLYQS_4
为输入变量；
则回归模型部分
Figure QLYQS_5
提供全局近似，通过一系列服从输入随机变量分布的多变量标准正交多项式来近似数值模型，表示为以下多项式混沌展开PCE；
Figure QLYQS_6
（2）
其中β α 为多变量标准正交多项式
Figure QLYQS_7
的系数，A为截断集合，/>
Figure QLYQS_8
与输入变量的概率分布一致；多变量标准正交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为输入变量的维度：
Figure QLYQS_9
（3）
其中
Figure QLYQS_10
为第i个变量的第阶多项式，截断集合A的确定是通过限定多变量标准正交多项式张量乘积的总阶数的上限值不超过最大值p来实现的，多项式的总阶数通过/>
Figure QLYQS_11
定义；多项式混沌展开的集合为/>
Figure QLYQS_12
，其中p为多项式阶数的最大值；集合A的项数为：/>
Figure QLYQS_13
；使用Legendre多项式作为标准正交基多项式，并取p为2；
则多项式混沌展开作为克里金模型回归模型部分表示为：
Figure QLYQS_14
Figure QLYQS_15
（4）
Figure QLYQS_16
需要满足下面两个条件：
Figure QLYQS_17
（5）
Figure QLYQS_18
代表方差，/>
Figure QLYQS_19
是假定的关于超参数的相关函数，表示任意两点x i 和x j 的空间相关程度，选用相关函数形式为高斯相关函数，E(z(x))是z(x)的数学期望，E(z(x i )z(x j ))是z(x i )z(x j )的数学期望；
相关函数R的空间距离函数表示为：
Figure QLYQS_20
（6）
其中，
Figure QLYQS_21
，/>
Figure QLYQS_22
指代任意两点的空间距离，k为样本数据集中输入参数包含的变量总数，h为样本数据集中输入参数包含的变量数，取值为1~k；/>
Figure QLYQS_23
是一维相关函数，则任意两点间的相关关系表示为R矩阵，/>
Figure QLYQS_24
为R矩阵中的一个元素，m为样本数据集的样本数量；i、j表示样本数据集中任意的两个样本标号；
采用广义最小二乘原理、最优无偏估计、拉格朗日乘子法和最大似然估计法以完成未知参数
Figure QLYQS_25
的求解，即完成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的建立。/>
CN202210181567.8A 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 Active CN114462319B (zh)

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 CN114462319A (zh) 2022-05-10
CN114462319B true 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)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966297B (zh) * 2022-08-01 2022-11-11 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
CN115203983B (zh) * 2022-09-15 2023-01-17 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
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
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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
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
CN108826354B (zh) * 2018-05-11 2019-07-12 上海交通大学 一种基于强化学习的火电燃烧优化方法
CN110657032B (zh) * 2019-10-08 2021-10-01 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
CN111965981B (zh) * 2020-09-07 2022-02-22 厦门大学 一种航空发动机强化学习控制方法及系统
CN112417596B (zh) * 2020-11-20 2022-07-15 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
CN113673089B (zh) * 2021-07-23 2024-04-19 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
CN113485117B (zh) * 2021-07-28 2024-03-15 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
CN113656892B (zh) * 2021-08-17 2022-09-13 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
CN113779899B (zh) * 2021-08-30 2024-03-19 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

Also Published As

Publication number Publication date
CN114462319A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114462319B (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
US20200175435A1 (en) System and method for optimizing combustion of boiler
CN105020705A (zh) 循环流化床锅炉燃烧性能实时优化控制方法及系统
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
US20220108185A1 (en) Inverse and forward modeling machine learning-based generative design
CN108804850A (zh) 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
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
Pal et al. Constrained surrogate-based engine calibration using lower confidence bound
CN103729569A (zh) 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN117031950A (zh) 深度调峰火电机组控制系统建模的方法及装置
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN112131670A (zh) 一种基于混合自适应差分进化的航空发动机模型迭代算法
CN116467817A (zh) 一种基于上进风燃烧器的风道设计方法
Li et al. Combining flamelet-generated manifold and machine learning models in simulation of a non-premixed diffusion flame
CN102184450A (zh) 一种多孔介质燃烧器燃烧优化的建模方法
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
Cao et al. DNN-based surrogate modeling-based feasible performance reliability design methodology for aircraft engine
US20220034753A1 (en) Calibration of offline real-world systems using simulations
JP4192804B2 (ja) エンジン性能の予測解析方法、予測解析システム及びその制御プログラム
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
Tong et al. Optimization of aero-engine combustion chambers with the assistance of Hierarchical-Kriging surrogate model based on POD downscaling method
JP4232654B2 (ja) エンジン性能の予測解析方法、予測解析システム及びその制御プログラム
Wang et al. The Aero‐Engine Component‐Level Modelling Research Based on NSDE Hybrid Damping Newton Method

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