CN114492187A - 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统 - Google Patents

基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统 Download PDF

Info

Publication number
CN114492187A
CN114492187A CN202210085953.7A CN202210085953A CN114492187A CN 114492187 A CN114492187 A CN 114492187A CN 202210085953 A CN202210085953 A CN 202210085953A CN 114492187 A CN114492187 A CN 114492187A
Authority
CN
China
Prior art keywords
injection
control
fuel pulse
humanoid
combustion chamber
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
CN202210085953.7A
Other languages
English (en)
Other versions
CN114492187B (zh
Inventor
田野
梁爽
任虎
郭明明
杨茂桃
宋昊宇
陈皓
马跃
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 CN202210085953.7A priority Critical patent/CN114492187B/zh
Publication of CN114492187A publication Critical patent/CN114492187A/zh
Application granted granted Critical
Publication of CN114492187B publication Critical patent/CN114492187B/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]
    • G06F30/20—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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)

Abstract

本发明提供一种基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统，通过构建超燃冲压发动机燃烧室多目标性能指标的智能预测模型，高效高精度预测燃烧室的推力及总压损失，并通过多目标优化方法，在全包线、全域、全寿命周期内，实时更新满足当前条件下最优性能指标的脉冲喷注的主要调控参数，并通过仿人自抗扰控制算法，对脉冲喷注的参数进行自抗扰控制，在复杂非线性系统及外部环境不确定等因素下，使油气分布可控，进而提升燃烧组织的智能化水平。

Description

基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统
技术领域
本发明属于超燃冲压发动机智能燃烧组织技术领域，具体涉及一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注控制方法及系统。
背景技术
液体燃料超燃冲压发动机的燃烧过程极为复杂，一般包含了燃料的喷注、雾化、蒸发、掺混、点火和稳定燃烧等阶段。燃料掺混的优劣是发动机能否实现可靠燃烧的前提条件之一，同时燃料掺混优劣对燃烧性能影响尤为显著。可以说燃料掺混的优劣直接影响着冲压发动机的点火和燃烧的成败，也影响着发动机循环性能的实现程度。
当前，常用的燃料喷注方案有横向喷注、背风台阶喷注、支板喷注、斜坡喷注等，大多是连续式喷注方式。实践证明，燃料脉冲喷注可以用于增强超燃冲压发动机的掺混效果和提高燃烧性能。与连续式喷射相比，脉冲式喷射的优点是可以缩短由喷流引起的激波作用时间，从而降低总压损失，并且在无喷状态时可以使空气流动到喷口附近，下次喷射时增大燃料和空气的接触面积，来增强掺混效果。但如何获得合适的喷射频率、喷射的角度、喷射的位置、喷射的个数及喷射持续时间或者合适的类正弦喷注信号压力，最大限度地发挥脉冲喷注的优点并降低不利影响成为了要解决的重点工程问题。
现有的脉冲喷注控制主要应用调节电机或者应用PID控制理论给定控制参数的设定值实现燃料的喷射，系统调频等快速性好，系统动态特性较差调节精度不高，随着飞行马赫数的不断提升，更不具备抗扰能力，不能自适应的调控燃烧组织，进而满足未来智能超燃冲压发动机燃烧室在全包线、全域、全寿命周期内性能综合最优的目标。
发明内容
针对现有技术中存在的缺点，本发明的目的在于提供一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注控制方法及系统，以实现超燃冲压发动机的智能燃烧组织及主动识别调控。
为实现上述发明目的，本发明技术方案如下：
一种基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，包括如下步骤：
S1、分析超燃冲压发动机在一定工况下和脉冲喷注主要可控参数对燃烧室推力、总压损失燃烧性能指标的影响规律；
S2、在超燃冲压发动机不同工况下，应用拉丁超立方抽样获取设计空间的样本点，进行实验获取数据集；
S3、对数据集进行预处理；
S4、搭建神经网络，形成燃烧室性能预测智能代理模型；
S5、利用多目标寻优的粒子群算法，结合神经网络代理模型，寻找燃烧室推力、总压损失最优的燃料脉冲喷注设计变量的Pareto非支配解集；
S6、确定燃料脉冲喷注器的全局最优变量，利用仿人自抗扰控制器进行实时调控。
作为优选方式，步骤S1具体为：
应用初步设计的燃料脉冲喷注器，分析超燃冲压发动机在典型工况情况下，燃料脉冲喷注主要可控参数变化对燃烧室推力、总压损失燃烧性能指标的影响规律，可控参数主要包括燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数，获得燃料脉冲喷注主要可控参数与燃烧性能指标的数学关系。
作为优选方式，步骤S2具体为：
对燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数5个设计变量进行参数化处理，确定每个变量的取值范围，在不同马赫数、不同来流条件多个工况参数下，应用拉丁超立方抽样获取设计空间的样本点。
作为优选方式，步骤S2中应用拉丁超立方抽样获取设计空间的样本点具体为：
(1)首先确定样本数N，既要抽取的样本数目；
(2)将燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数5个设计变量区间均分为N段；
(3)分别在这N段中的每一段内随机的抽取一个值；
(4)将不同设计变量抽取的值进行随机组合；
通过地面脉冲燃烧风洞试验获取推力、总压损失燃烧性能指标并对计算流体动力学CFD数值模拟结果进行验证及修正，然后通过计算流体动力学CFD数值模拟扩充数据样本量，构建设计变量与燃烧性能指标一一对应的数据集。
作为优选方式，步骤S3具体为：
对数据集进行筛选及清洗，剔除完全无价值数据，确保基础数据集的质量，并对数据集进行预处理；完全无价值数据包括异常数据、冗余数据、设计变量范围之外的数据。
作为优选方式，步骤S4具体为：
搭建多层神经网络架构，具体搭建了一种基于人工神经网络ANN的代理模型，结合预处理后的数据集，构建在不同工况下，以燃料脉冲喷注器的喷射角度、喷射位置、喷射频率、喷射压力、供油路数设计变量与燃烧室推力及总压损失性能指标为输出的数学模型，形成燃烧室性能预测智能代理模型；
人工神经网络ANN网络层数设计为K层，每层神经元个数依次为m0，m1，m2，...，mK，其中m0为输入层神经元个数，即输入参数的个数；mK为输出层神经元个数，即输出参数的个数，其余为隐藏层神经元个数；对于ANN网络的第k层(k∈{1，2，...，K})：
Figure BDA0003487928870000031
net(k)＝W(k)Y(k-1)+b(k)
Figure BDA0003487928870000032
Figure BDA0003487928870000033
其中，
Figure BDA0003487928870000034
为k层的权重矩阵，
Figure BDA0003487928870000035
为其中第i行j列元素；b(K)
Figure BDA0003487928870000036
为偏置向量，
Figure BDA0003487928870000037
为第i行元素；
Figure BDA0003487928870000038
为第k-1层的输出向量和第k层的输入向量，
Figure BDA0003487928870000039
为其中第j行元素；
Figure BDA00034879288700000310
为第k层的输出向量，
Figure BDA00034879288700000311
为第i行元素；
Figure BDA00034879288700000312
为第k层神经元的输出向量，表示第k层输入向量与权重矩阵相乘后与偏置向量的加权和，
Figure BDA00034879288700000313
为第i行元素；f(k)(·)为第k层的激活函数；网络输入为超燃冲压发动机重要工况参数，燃料脉冲喷注器的喷射角度、喷射位置、喷射频率、喷射压力、供油路数设计变量，输出为推力和总压损失。
作为优选方式，步骤S5具体为：
在超燃冲压发动机不同工况下，以神经网络代理模型为适应度函数，利用多目标寻优的粒子群算法寻找使推力和总压损失最优的燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数，即寻找燃料脉冲喷注控制变量的Pareto非支配解集。
作为优选方式，步骤S5中，多目标寻优粒子群算法寻找燃料脉冲喷注设计变量的Pareto非支配解集的过程包括：
(1)初始化群体P1和外部存档空间，外部存档空间为Archive集，大小为M；
(2)计算当前群体中各粒子的适应度函数值；
(3)寻找个体最优值Pbestt，若是第一代则直接将每个粒子初始位置设为Pbestt，若不是则根据Pareto支配关系选择是否替换更新；
(4)根据支配关系形成非支配解集；
(5)计算外部存档空间Archive集At中粒子的密度信息并删除规模以外的非支配解；
(6)在At中选择其全局最优粒子gbest，t；
(7)更新群体中粒子的位置和速度，群体中的粒子在gbest，t和Pbest，t的引导下搜索最优解；
(8)检查是否达到最大迭代次数，如果达到，则结束粒子群算法；如果未达到，则继续从(2)开始循环。
作为优选方式，步骤S6具体为：
根据Parteto非支配解集，确定一组可控变量的全局最优解，即推力和总压损失最优情况下对应的燃料脉冲喷注器喷射角度、喷射位置、喷射频率、喷射压力、供油路数；搭建仿人自抗扰控制器，对燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数按照全局最优解进行实时自适应调控，实现宽域燃烧室的燃料自适应喷注。
本发明还提供一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注控制系统，包括：
仿人智能控制子系统HSIC，用于在一定工况下，确定使超燃冲压发动机燃烧室性能最优的燃料脉冲喷注器变量参数，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数；同时对较为稳定、不易受干扰的燃料脉冲喷注变量进行控制，即完成燃料脉冲喷注器喷射角度、喷射压力的控制；
自抗扰控制子系统ADRC，用于对飞行过程中易受干扰、不稳定的燃料脉冲喷注器变量进行控制，即完成喷射频率的控制。电机在飞行过程中，容易受到干扰，因此被电机直接控制的变量为易受干扰、不稳定的变量。
作为优选方式，仿人智能控制子系统HSIC子系统由运动控制级，参数校正级以及任务自适应级三部分组成；运动控制级用于对被控对象进行控制，完成燃料脉冲喷注器喷射角度、喷射压力的实时控制；参数校正级位于运动控制级之上，用于在不同特征状态下，对运动控制级参数调节，使运动控制级的控制效果更加精准，平稳；任务自适应级位于参数校正级与运动控制级之上，超燃冲压发动机在不同工况参数下工作时，用于确定使燃烧室性能最优的燃料脉冲喷注器变量参数，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数；
并且/或者自抗扰控制子系统ADRC子系统由跟踪微分器、扩张状态观测器与非线性误差反馈控制三部分组成；跟踪微分器用于对该系统的输入信号进行跟踪及微分处理，获得稳定的系统输入信号；扩张状态观测器用于估计脉冲喷注的实时状态和系统总扰动；非线性误差反馈控制用于根据系统稳定的系统输入信号、估计的实时状态和总扰动进行控制率的补偿，并生成脉冲喷注器的最终控制量。
本发明的有益效果为：本发明通过构建超燃冲压发动机燃烧室多目标性能指标的智能预测模型，高效高精度预测燃烧室的推力及总压损失，并通过多目标优化方法，在全包线、全域、全寿命周期内，实时更新满足当前条件下最优性能指标的脉冲喷注的主要调控参数，并通过仿人自抗扰控制算法，对脉冲喷注的参数进行自抗扰控制，在复杂非线性系统及外部环境不确定等因素下，使油气分布可控，进而提升燃烧组织的智能化水平。
附图说明
图1为本发明基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注的控制方法流程示意图；
图2为本发明基于仿人自抗扰控制的超声速燃烧室脉冲喷注控制系统结构示意图。
图3为本发明ANN代理模型网络结构示意图；
图4为本发明多目标寻优粒子群算法流程图示意图；
图5为本发明仿人智能控制特征模型结构示意图。
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
本实施例提供一种基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，包括如下步骤：
S1、分析超燃冲压发动机在一定工况下和脉冲喷注主要可控参数对燃烧室推力、总压损失燃烧性能指标的影响规律；
S2、在超燃冲压发动机不同工况下，应用拉丁超立方抽样获取设计空间的样本点，进行实验获取数据集；
S3、对数据集进行预处理；
S4、搭建神经网络，形成燃烧室性能预测智能代理模型；
S5、利用多目标寻优的粒子群算法，结合神经网络代理模型，寻找燃烧室推力、总压损失最优的燃料脉冲喷注设计变量的Pareto非支配解集；
S6、确定燃料脉冲喷注器的全局最优变量，利用仿人自抗扰控制器进行实时调控。
实施例2：
实施例提供了一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注的控制方法，如图1所示，该实施例具体包括以下步骤S1-S6：
S1、分析超燃冲压发动机在一定工况下和脉冲喷注主要可控参数对燃烧室推力、总压损失燃烧性能指标的影响规律；
步骤S1的具体实施方式为：
应用初步设计的燃料脉冲喷注器，分析超燃冲压发动机在典型工况情况下，燃料脉冲喷注主要可控参数变化对燃烧室推力、总压损失燃烧性能指标的影响规律，可控参数主要包括燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数，获得燃料脉冲喷注主要可控参数与燃烧性能指标的数学关系。
S2、在超燃冲压发动机不同工况下，应用拉丁超立方抽样获取设计空间的样本点，进行实验获取数据集；
步骤S2的具体实施方式为：
对燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数5个设计变量进行参数化处理，确定每个变量的取值范围，在不同马赫数、不同来流条件多个工况参数下，应用拉丁超立方抽样获取设计空间的样本点
其中应用拉丁超立方抽样获取设计空间的样本点具体为：
(1)首先确定样本数N，既要抽取的样本数目；
(2)将燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数5个设计变量区间均分为N段；
(3)分别在这N段中的每一段内随机的抽取一个值；
(4)将不同设计变量抽取的值进行随机组合；
通过地面脉冲燃烧风洞试验获取推力、总压损失燃烧性能指标并对计算流体动力学CFD数值模拟结果进行验证及修正，然后通过计算流体动力学CFD数值模拟扩充数据样本量，构建设计变量与燃烧性能指标一一对应的数据集。
S3、对数据集进行预处理。
步骤S3的具体实施方式为：
对数据集进行筛选及清洗，剔除完全无价值数据，确保基础数据集的质量，并对数据集进行预处理，如进行滤波及归一化等；完全无价值数据包括异常数据、冗余数据、设计变量范围之外的数据。
S4、搭建神经网络，形成高精度、高效的燃烧室性能预测智能代理模型。
步骤S4的具体实施方式如图4所示：
搭建多层神经网络架构，具体搭建了一种基于人工神经网络ANN的代理模型，结合预处理后的数据集，构建在不同工况下，以燃料脉冲喷注器的喷射角度、喷射位置、喷射频率、喷射压力、供油路数设计变量与燃烧室推力及总压损失性能指标为输出的数学模型，形成燃烧室性能预测智能代理模型；
人工神经网络ANN网络层数设计为K层，每层神经元个数依次为m0，m1，m2，...，mK，其中m0为输入层神经元个数，即输入参数的个数；mK为输出层神经元个数，即输出参数的个数，其余为隐藏层神经元个数；对于ANN网络的第k层(k∈{1，2，...，K})：
Figure BDA0003487928870000071
net(k)＝W(k)Y(k-1)+b(k)
Figure BDA0003487928870000072
Figure BDA0003487928870000073
其中，
Figure BDA0003487928870000074
为k层的权重矩阵，
Figure BDA0003487928870000075
为其中第i行j列元素；b(K)
Figure BDA0003487928870000076
为偏置向量，
Figure BDA0003487928870000077
为第i行元素；
Figure BDA0003487928870000078
为第k-1层的输出向量和第k层的输入向量，
Figure BDA0003487928870000079
为其中第j行元素；
Figure BDA00034879288700000710
为第k层的输出向量，
Figure BDA00034879288700000711
为第i行元素；
Figure BDA00034879288700000712
为第k层神经元的输出向量，表示第k层输入向量与权重矩阵相乘后与偏置向量的加权和，
Figure BDA00034879288700000713
为第i行元素；f(k)(·)为第k层的激活函数；网络输入为超燃冲压发动机重要工况参数，燃料脉冲喷注器的喷射角度、喷射位置、喷射频率、喷射压力、供油路数设计变量，输出为推力和总压损失。
S5、利用多目标寻优的粒子群算法，结合神经网络代理模型，寻找燃烧室推力、总压损失最优的燃料脉冲喷注设计变量的Pareto非支配解集；
步骤S5的具体实施方式为：
在超燃冲压发动机不同工况下，以神经网络代理模型为适应度函数，利用多目标寻优的粒子群算法寻找使推力和总压损失最优的燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数，即寻找燃料脉冲喷注控制变量的Pareto非支配解集。
本实施例中，多目标寻优粒子群算法寻找燃料脉冲喷注设计变量的Pareto非支配解集的过程如图4所示，包括：
(1)初始化群体P1和外部存档空间，外部存档空间为Archive集，大小为M；
(2)计算当前群体中各粒子的适应度函数值；
(3)寻找个体最优值Pbestt，若是第一代则直接将每个粒子初始位置设为Pbestt，若不是则根据Pareto支配关系选择是否替换更新；
(4)根据支配关系形成非支配解集；
(5)计算外部存档空间Archive集At中粒子的密度信息并删除规模以外的非支配解；
(6)在At中选择其全局最优粒子gbest，t；
(7)更新群体中粒子的位置和速度，群体中的粒子在gbest，t和Pbest，t的引导下搜索最优解；
(8)检查是否达到最大迭代次数，如果达到，则结束粒子群算法；如果未达到，则继续从(2)开始循环。
S6、确定燃料脉冲喷注器的全局最优变量，利用仿人自抗扰控制器进行实时调控。
本实施例中，步骤S6的具体实施方式如下所示：
根据Parteto非支配解集，确定一组可控变量的全局最优解，即推力和总压损失最优情况下对应的燃料脉冲喷注器喷射角度、喷射位置、喷射频率、喷射压力、供油路数；搭建仿人自抗扰控制器，对燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数按照全局最优解进行实时自适应调控，实现宽域燃烧室的燃料自适应喷注。
实施例3：
本实施例提供了一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注控制系统，如图2所示，实施例中，该系统的输入为超燃冲压发动机工作过程中的工况参数，输出为燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数等控制量。
控制系统包括：
仿人智能控制子系统HSIC，用于在一定工况下，确定使超燃冲压发动机燃烧室性能最优的燃料脉冲喷注器变量参数，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数；同时对较为稳定、不易受干扰的燃料脉冲喷注变量进行控制，即完成燃料脉冲喷注器喷射角度、喷射压力的控制；
自抗扰控制子系统ADRC，用于对飞行过程中易受干扰、不稳定的燃料脉冲喷注器变量进行控制，即完成喷射频率的控制。电机在飞行过程中，容易受到干扰，因此被电机直接控制的变量理解为易受干扰、不稳定的变量；
仿人智能控制子系统HSIC子系统由运动控制级，参数校正级以及任务自适应级三部分组成；运动控制级用于对被控对象进行控制，完成燃料脉冲喷注器喷射角度、喷射压力的实时控制；参数校正级位于运动控制级之上，用于在不同特征状态下，对运动控制级参数调节，使运动控制级的控制效果更加精准，平稳；任务自适应级位于参数校正级与运动控制级之上，超燃冲压发动机在不同工况参数下工作时，用于确定使燃烧室性能最优的燃料脉冲喷注器变量参数，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数；
控制级输入参数为任务适应级的部分目标控制量(期望喷射角度，喷射压力)和被控对象实际的状态(实际喷射角度，喷射压力)。在图5中，e，
Figure BDA0003487928870000091
分别为目标值与实际值之间的误差及误差变化率，根据不同状态，分别了采用bang-bang模态控制，保持模态控制，以及比例、微分控制模态。当处于不同状态时，比例、微分的系数也各自不相同。
控制级的特征基元集为：
Q1＝{q11，q12，q13，q14，q15，q16，q17，q18}
其中，
q11＝{|e|≥e1}，q12＝{|e|≥e4}，q13＝{|e|≥e2}，q14＝{|e|≥e3}
Figure BDA0003487928870000092
特征模型为：
Figure BDA0003487928870000093
其中，
Figure BDA0003487928870000094
Figure BDA0003487928870000095
Figure BDA0003487928870000096
Figure BDA0003487928870000097
控制模态集为：
φ1＝{φ11，φ12，φ13，φ14}
其中，
φ11：{un＝sign(e)·Umax}
φ12：{un＝un-1}
Figure BDA0003487928870000105
Figure BDA0003487928870000102
进一步，推理规则集为：
Ω1＝{ω11，ω12，ω13，ω14}
其中，
Figure BDA0003487928870000103
参数校正层较为简单，在该控制系统处于不同状态时(e，
Figure BDA0003487928870000104
的不同)，为了提高控制精度，可对运动控制层涉及到几个参数：qp，k，wd等进行修正，它与运动控制层类似，这里便不再赘述。
任务自适应级整合了超燃冲压发动机在不同工况下经粒子群算法寻优后的Parteto非支配解集，结合一些智能决策算法，根据超燃冲压发动机的工况参数，确定在该工况下的燃料喷注器最优控制变量，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数。
本发明实施例中，ADRC子系统，用于对飞行过程中易受干扰、不稳定的燃料脉冲喷注器变量进行控制，即完成燃料脉冲喷注喷射频率的控制。自抗扰控制子系统ADRC子系统由踪微分器、扩张状态观测器与非线性误差反馈控制三部分组成，跟踪微分器输出端与非线性误差反馈的输入端连接，扩张状态观测器的实时状态输出端均与非线性误差反馈的输入端连接，扩张状态观测器的总扰动输出端与非线性误差反馈的输出端连接。
跟踪微分器用于对该系统的输入信号进行跟踪及微分处理，获得稳定的系统输入信号；扩张状态观测器用于估计脉冲喷注的实时状态和系统总扰动；非线性误差反馈控制用于根据系统稳定的系统输入信号、估计的实时状态和总扰动进行控制率的补偿，并生成脉冲喷注器的最终控制量。因而ADRC子系统能在超燃冲压发动机内、外部工作条件复杂多变，干扰量众多的情况下，通过扩张状态观测器观测系统的总扰动并予以补偿从而实现对燃料脉冲喷注器喷注频率的精确控制。
所述ADRC子系统的输入为仿人智能控制系统输出的期望喷注频率v0，输出为成脉冲喷注器喷射频率的最终控制量U。
所述微分控制器的输入为期望喷注频率v0，输出为输入信号v0的一阶跟踪微分信号v1和二阶跟踪微分信号v2。微分控制器为：
Figure BDA0003487928870000111
Figure BDA0003487928870000112
v1(k+1)＝v1(k)+h·v2(k)
v2(k+1)＝v2(k)+h·fhan(v1-v0，v2，r，h0)
式中，r，h0为待调整参数；h为运算步长；k为采样时刻数；v1(k)为k时刻下输入信号v0的跟踪输入信号，v2(k)为v1(k)的一阶微分信号；sign(·)为符号函数；fhan(·)为最速控制综合函数。
扩张状态观测器的输入分别为：燃料脉冲喷注器系统实际的喷注频率y，控制量U和系数b0的乘积。输出分别是观测喷注频率z1，观测喷注频率变化率z2和观测总扰动z3。其中，观测喷注频率可视为实际喷注频率；观测喷注频率变化率可视为实际喷注频率变化率；观测总扰动是系统内部和外部的总扰动，它除以b0后，用状态误差反馈控制律输出u0减去，即得到给系统的燃料喷射频率最终控制量U：
U(k)＝u0(k)-z3(k)/b0
式中，k为采样时刻数；U(k)为k时刻下ADRC子系统的最终控制输出量；z3(k)为k时刻下观测的总扰动；b0为决定补偿强弱的补偿因子。
扩张状态观测器为：
Figure BDA0003487928870000121
Figure BDA0003487928870000122
式中，k为采样时刻数；z1(k)为k时刻下的测喷注频率；z2(k)为k时刻下的观测喷注频率变化率；z3(k)为k时刻下的喷注器内外扰动的总扰动估计值；a1，a2，a3，β01，β02和β03均为调整参数；δ为线性段的区域长度。
非线性误差反馈输入为喷注频率误差e1(跟踪喷注频率v1-观测喷注频率z1)、变化率误差e2(跟踪喷注频率变化率v2-观测喷注频率变化率z2)，输出控制量U0。非线性误差反馈做如下处理：
Figure BDA0003487928870000123
式中，u0为误差反馈控制量；β1和β2均为可调参数；e1为系统喷注频率误差，e2为系统喷注频率变化率误差。
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 (11)

1.一种基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于包括如下步骤：
S1、分析超燃冲压发动机在一定工况下和脉冲喷注主要可控参数对燃烧室推力、总压损失燃烧性能指标的影响规律；
S2、在超燃冲压发动机不同工况下，应用拉丁超立方抽样获取设计空间的样本点，进行实验获取数据集；
S3、对数据集进行预处理；
S4、搭建神经网络，形成燃烧室性能预测智能代理模型；
S5、利用多目标寻优的粒子群算法，结合神经网络代理模型，寻找燃烧室推力、总压损失最优的燃料脉冲喷注设计变量的Pareto非支配解集；
S6、确定燃料脉冲喷注器的全局最优变量，利用仿人自抗扰控制器进行实时调控。
2.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：步骤S1具体为：
应用初步设计的燃料脉冲喷注器，分析超燃冲压发动机在典型工况情况下，燃料脉冲喷注主要可控参数变化对燃烧室推力、总压损失燃烧性能指标的影响规律，可控参数主要包括燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数，获得燃料脉冲喷注主要可控参数与燃烧性能指标的数学关系。
3.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：步骤S2具体为：
对燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数5个设计变量进行参数化处理，确定每个变量的取值范围，在不同马赫数、不同来流条件多个工况参数下，应用拉丁超立方抽样获取设计空间的样本点。
4.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：步骤S2中应用拉丁超立方抽样获取设计空间的样本点具体为：
(1)首先确定样本数N，既要抽取的样本数目；
(2)将燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数5个设计变量区间均分为N段；
(3)分别在这N段中的每一段内随机的抽取一个值；
(4)将不同设计变量抽取的值进行随机组合；
通过地面脉冲燃烧风洞试验获取推力、总压损失燃烧性能指标并对计算流体动力学CFD数值模拟结果进行验证及修正，然后通过计算流体动力学CFD数值模拟扩充数据样本量，构建设计变量与燃烧性能指标一一对应的数据集。
5.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：步骤S3具体为：
对数据集进行筛选及清洗，剔除完全无价值数据，确保基础数据集的质量，并对数据集进行预处理；完全无价值数据包括异常数据、冗余数据、设计变量范围之外的数据。
6.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：步骤S4具体为：
搭建多层神经网络架构，具体搭建了一种基于人工神经网络ANN的代理模型，结合预处理后的数据集，构建在不同工况下，以燃料脉冲喷注器的喷射角度、喷射位置、喷射频率、喷射压力、供油路数设计变量与燃烧室推力及总压损失性能指标为输出的数学模型，形成燃烧室性能预测智能代理模型；
人工神经网络ANN网络层数设计为K层，每层神经元个数依次为m0，m1，m2，...，mK，其中m0为输入层神经元个数，即输入参数的个数；mK为输出层神经元个数，即输出参数的个数，其余为隐藏层神经元个数；对于ANN网络的第k层(k∈{1，2，...，K})：
Figure FDA0003487928860000021
net(k)＝W(k)Y(k-1)+b(k)
Figure FDA0003487928860000022
Figure FDA0003487928860000023
其中，W(K)
Figure FDA0003487928860000024
为k层的权重矩阵，
Figure FDA0003487928860000025
为其中第i行j列元素；b(K)
Figure FDA0003487928860000026
为偏置向量，
Figure FDA0003487928860000027
为第i行元素；Y(k-1)
Figure FDA0003487928860000028
为第k-1层的输出向量和第k层的输入向量，Yj (k-1)为其中第j行元素；Y(k)
Figure FDA0003487928860000029
为第k层的输出向量，Yi (k)为第i行元素；net(k)
Figure FDA00034879288600000210
为第k层神经元的输出向量，表示第k层输入向量与权重矩阵相乘后与偏置向量的加权和，
Figure FDA00034879288600000211
为第i行元素；f(k)(·)为第k层的激活函数；网络输入为超燃冲压发动机重要工况参数，燃料脉冲喷注器的喷射角度、喷射位置、喷射频率、喷射压力、供油路数设计变量，输出为推力和总压损失。
7.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：
步骤S5具体为：
在超燃冲压发动机不同工况下，以神经网络代理模型为适应度函数，利用多目标寻优的粒子群算法寻找使推力和总压损失最优的燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数，即寻找燃料脉冲喷注控制变量的Pareto非支配解集。
8.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：
步骤S5中，多目标寻优粒子群算法寻找燃料脉冲喷注设计变量的Pareto非支配解集的过程包括：
(1)初始化群体P1和外部存档空间，外部存档空间为Archive集，大小为M；
(2)计算当前群体中各粒子的适应度函数值；
(3)寻找个体最优值Pbestt，若是第一代则直接将每个粒子初始位置设为Pbestt，若不是则根据Pareto支配关系选择是否替换更新；
(4)根据支配关系形成非支配解集；
(5)计算外部存档空间Archive集At中粒子的密度信息并删除规模以外的非支配解；
(6)在At中选择其全局最优粒子gbest，t；
(7)更新群体中粒子的位置和速度，群体中的粒子在gbest，t和Pbest，t的引导下搜索最优解；
(8)检查是否达到最大迭代次数，如果达到，则结束粒子群算法；如果未达到，则继续从(2)开始循环。
9.根据权利要求1所述的基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法，其特征在于：
步骤S6具体为：
根据Parteto非支配解集，确定一组可控变量的全局最优解，即推力和总压损失最优情况下对应的燃料脉冲喷注器喷射角度、喷射位置、喷射频率、喷射压力、供油路数；搭建仿人自抗扰控制器，对燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数按照全局最优解进行实时自适应调控，实现宽域燃烧室的燃料自适应喷注。
10.一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注控制系统，其特征在于包括：
仿人智能控制子系统HSIC，用于在一定工况下，确定使超燃冲压发动机燃烧室性能最优的燃料脉冲喷注器变量参数，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数；同时对较为稳定、不易受干扰的燃料脉冲喷注变量进行控制，即完成燃料脉冲喷注器喷射角度、喷射压力的控制；
自抗扰控制子系统ADRC，用于对飞行过程中易受干扰、不稳定的燃料脉冲喷注器变量进行控制，即完成喷射频率的控制。
11.根据权利要求10所述的一种基于仿人自抗扰控制的超声速燃烧室燃料脉冲喷注控制系统，其特征在于：
仿人智能控制子系统HSIC子系统由运动控制级，参数校正级以及任务自适应级三部分组成；运动控制级用于对被控对象进行控制，完成燃料脉冲喷注器喷射角度、喷射压力的实时控制；参数校正级位于运动控制级之上，用于在不同特征状态下，对运动控制级参数调节，使运动控制级的控制效果更加精准，平稳；任务自适应级位于参数校正级与运动控制级之上，超燃冲压发动机在不同工况参数下工作时，用于确定使燃烧室性能最优的燃料脉冲喷注器变量参数，即燃料脉冲喷注的喷射角度、喷射位置、喷射频率、喷射压力、供油路数；
并且/或者自抗扰控制子系统ADRC子系统由跟踪微分器、扩张状态观测器与非线性误差反馈控制三部分组成；跟踪微分器用于对该系统的输入信号进行跟踪及微分处理，获得稳定的系统输入信号；扩张状态观测器用于估计脉冲喷注的实时状态和系统总扰动；非线性误差反馈控制用于根据系统稳定的系统输入信号、估计的实时状态和总扰动进行控制率的补偿，并生成脉冲喷注器的最终控制量。
CN202210085953.7A 2022-01-25 2022-01-25 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统 Active CN114492187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210085953.7A CN114492187B (zh) 2022-01-25 2022-01-25 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210085953.7A CN114492187B (zh) 2022-01-25 2022-01-25 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统

Publications (2)

Publication Number Publication Date
CN114492187A true CN114492187A (zh) 2022-05-13
CN114492187B CN114492187B (zh) 2022-12-02

Family

ID=81475495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210085953.7A Active CN114492187B (zh) 2022-01-25 2022-01-25 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统

Country Status (1)

Country Link
CN (1) CN114492187B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060225710A1 (en) * 2005-03-04 2006-10-12 Stmicroelectronics S.R.L. Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine
CN102741526A (zh) * 2010-02-11 2012-10-17 威斯康星旧生研究基金会 通过燃料反应性分层的发动机燃烧控制
CN110378431A (zh) * 2019-07-24 2019-10-25 中国人民解放军国防科技大学 基于卷积神经网络的超声速燃烧室燃烧模式检测方法
CN110529275A (zh) * 2018-05-23 2019-12-03 中国人民解放军陆军军事交通学院 柴油机双vgt二级可调增压系统与燃油共轨系统变海拔协同控制方法
CN110837223A (zh) * 2018-08-15 2020-02-25 大唐南京发电厂 一种燃气轮机燃烧优化控制方法及系统
CN110953074A (zh) * 2018-09-27 2020-04-03 通用电气公司 气体涡轮燃烧的控制和调谐
CN111177864A (zh) * 2019-12-20 2020-05-19 苏州国方汽车电子有限公司 基于粒子群算法的内燃机燃烧模型参数优化方法及装置
CN111520241A (zh) * 2019-02-01 2020-08-11 丰田自动车株式会社 内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置
CN112431681A (zh) * 2019-08-26 2021-03-02 卡特彼勒公司 使用神经网络的燃料喷射控制

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060225710A1 (en) * 2005-03-04 2006-10-12 Stmicroelectronics S.R.L. Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine
CN102741526A (zh) * 2010-02-11 2012-10-17 威斯康星旧生研究基金会 通过燃料反应性分层的发动机燃烧控制
CN110529275A (zh) * 2018-05-23 2019-12-03 中国人民解放军陆军军事交通学院 柴油机双vgt二级可调增压系统与燃油共轨系统变海拔协同控制方法
CN110837223A (zh) * 2018-08-15 2020-02-25 大唐南京发电厂 一种燃气轮机燃烧优化控制方法及系统
CN110953074A (zh) * 2018-09-27 2020-04-03 通用电气公司 气体涡轮燃烧的控制和调谐
CN111520241A (zh) * 2019-02-01 2020-08-11 丰田自动车株式会社 内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置
CN110378431A (zh) * 2019-07-24 2019-10-25 中国人民解放军国防科技大学 基于卷积神经网络的超声速燃烧室燃烧模式检测方法
CN112431681A (zh) * 2019-08-26 2021-03-02 卡特彼勒公司 使用神经网络的燃料喷射控制
CN111177864A (zh) * 2019-12-20 2020-05-19 苏州国方汽车电子有限公司 基于粒子群算法的内燃机燃烧模型参数优化方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XINZHENG XU 等: ""Particle Swarm Optimization for Automatic Parameters Determination of Pulse Coupled Neural Network"", 《JOURNAL OF COMPUTERS》 *
徐宏明 等: "" 人工智能在发动机控制开发中的应用及前景"", 《汽车安全与节能学报》 *
纪雷: ""基于遗传算法的柴油机工作过程模拟及性能优化"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN114492187B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
Mohajerin et al. Multistep prediction of dynamic systems with recurrent neural networks
CN110806759B (zh) 一种基于深度强化学习的飞行器航线跟踪方法
Harris et al. Advances in neurofuzzy algorithms for real-time modelling and control
CN114492187B (zh) 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统
CN109062040A (zh) 基于系统嵌套优化的预测pid方法
Cao et al. System identification method based on interpretable machine learning for unknown aircraft dynamics
Naimi et al. Dynamic neural network-based system identification of a pressurized water reactor
Wang et al. Multivariable offset-free MPC with steady-state target calculation and its application to a wind tunnel system
Isanta Navarro Study of a neural network-based system for stability augmentation of an airplane
Zhou et al. Multihorizons transfer strategy for continuous online prediction of time‐series data in complex systems
Inanc et al. Neural network adaptive control with long short-term memory
CN110985216B (zh) 一种含在线修正的航空发动机智能多变量控制方法
CN114815616A (zh) 涡轮冲压组合式发动机模态转换智能调控方法及系统
Inanc et al. Long short-term memory for improved transients in neural network adaptive control
Zhu et al. Self-evolution direct thrust control for turbofan engine individuals based on reinforcement learning methods
Liu et al. A nonlinear predictive control algorithm based on fuzzy online modeling and discrete optimization
Qin et al. A reinforcement learning-based near-optimal hierarchical approach for motion control: Design and experiment
CN110045761A (zh) 一种基于自适应动态规划的智能转台控制系统设计方法
Waldock et al. Fuzzy Q-learning with an adaptive representation
Zuccolo et al. Low order models for transonic afterbody aerodynamic characteristics
Kim et al. Reinforcement learning-assisted composite adaptive control for time-varying parameters
Yao et al. State space representation and phase analysis of gradient descent optimizers
Wang et al. Computational guidance law based on data-driven online adaptive critic designs
Sheng et al. 6-DOF Reinforcement Learning Control for Multi-rotor and Fixed-Wing Aircrafts
Lozada-Castillo et al. Control of multiplicative noise stochastic gene regulation systems by the attractive ellipsoid technique

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