CN114967474A - 一种基于神经网络的通用风洞流场控制方法 - Google Patents

一种基于神经网络的通用风洞流场控制方法 Download PDF

Info

Publication number
CN114967474A
CN114967474A CN202210883373.2A CN202210883373A CN114967474A CN 114967474 A CN114967474 A CN 114967474A CN 202210883373 A CN202210883373 A CN 202210883373A CN 114967474 A CN114967474 A CN 114967474A
Authority
CN
China
Prior art keywords
control
regulating valve
pressure regulating
wind tunnel
opening
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
CN202210883373.2A
Other languages
English (en)
Other versions
CN114967474B (zh
Inventor
田嘉懿
凌忠伟
刘为杰
吴琦
黄昊宇
高川
熊能
王亮
余强
夏语
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.)
High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
Original Assignee
High Speed Aerodynamics Research Institute 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 High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center filed Critical High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
Priority to CN202210883373.2A priority Critical patent/CN114967474B/zh
Publication of CN114967474A publication Critical patent/CN114967474A/zh
Application granted granted Critical
Publication of CN114967474B publication Critical patent/CN114967474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
    • F16K37/0075—For recording or indicating the functioning of a valve in combination with test equipment
    • F16K37/0083—For recording or indicating the functioning of a valve in combination with test equipment by measuring valve parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/02—Wind tunnels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
    • G01M9/065—Measuring arrangements specially adapted for aerodynamic testing dealing with flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Fluid Mechanics (AREA)
  • Mechanical Engineering (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种基于神经网络的通用风洞流场控制方法，涉及风洞运行与流场控制领域，包括：基于神经网络构造阀门特性函数；基于预测气源压力变化值和阀门特性函数，以确定下一控制周期的调压阀开度控制目标的前馈补偿增量；基于增量式PID控制器确定调压阀开度控制目标的反馈控制增量；基于前两者确定调压阀开度复合控制目标增量，以应用于风洞的流场控制。相对于现有风洞流场控制技术，本发明所提供的基于神经网络的通用风洞流场控制方法，通过基于神经网络构造阀门特性函数设计，可实现调压阀开度控制目标的前馈补偿增量的精确计算，能有效补偿抑制气源快速压降、稳定段总压目标变化等对于风洞控制造成干扰作用。

Description

一种基于神经网络的通用风洞流场控制方法
技术领域
本发明涉及风洞运行与流场控制领域，更进一步的，本发明涉及一种基于神经网络的通用风洞流场控制方法。
背景技术
通过风洞试验获取各型航空、航天飞行器设计研制所必需的气动数据，是目前获取这一关键数据最主要、获取数据真实置信度最高的方式。为确保所获取全飞行包线内气动试验数据的精准度，要求风洞流场控制系统在亚跨声速速域马赫数稳定控制、阶梯变马赫数跟踪控制，和超声速速域总压稳定控制、连续变马赫数跟踪控制等多个工况条件下均能实现对风洞流场的高精度控制。为满足这一要求，往往需要针对不同工况条件设计开发不同的风洞流场控制系统，这显著增加了风洞流场控制系统设计的难度与工作量，也使得风洞流场控制系统软件维护复杂度大大增加。
另一方面，传统风洞流场控制系统多基于误差反馈的PID控制设计得到，能较好满足原有小口径风洞的流场控制需求。但随着近年来新建风洞口径越来越大，风洞结构形式也不仅仅局限于原有暂冲式或闭口式，大型暂冲式风洞对于气源的快速消耗、开口式风洞大试验舱的空腔特性，均对具有大迟滞特性的风洞流场稳定控制带来了显著干扰影响，难以仅通过PID控制对其进行快速补偿抑制，甚至可能由于PID控制参数增益设置过大诱发风洞流场振荡导致发散。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现本发明的这些目的和其它优点，提供了一种基于神经网络的通用风洞流场控制方法，包括：
步骤一，基于神经网络构造阀门特性函数；
步骤二，基于步骤一得到的阀门特性函数和预测的气源压力变化值，以确定调压阀开度控制目标的前馈补偿增量
Figure 96023DEST_PATH_IMAGE001
；
步骤三，基于增量式PID控制器确定调压阀开度控制目标的反馈控制增量
Figure 730529DEST_PATH_IMAGE002
，采用如下公式得到：
Figure 642990DEST_PATH_IMAGE003
；
其中，
Figure 951611DEST_PATH_IMAGE004
表示在第
Figure 229009DEST_PATH_IMAGE005
步控制周期，被控量
Figure 583767DEST_PATH_IMAGE006
对期望控制目标
Figure 801384DEST_PATH_IMAGE007
的跟踪偏差，可由公式
Figure DEST_PATH_IMAGE008
计算得到，式中
Figure 26829DEST_PATH_IMAGE009
表示被控量
Figure 740707DEST_PATH_IMAGE006
在第
Figure 582761DEST_PATH_IMAGE005
步控制周期的实时采集反馈值；
Figure 72911DEST_PATH_IMAGE010
、
Figure 356124DEST_PATH_IMAGE011
、
Figure 240904DEST_PATH_IMAGE012
分别表示增量式PID控制器的比例、积分、微分系数；
在进行亚跨声速速域马赫数控制时，期望控制目标
Figure 366992DEST_PATH_IMAGE007
为马赫数目标
Figure 97050DEST_PATH_IMAGE013
，实时采集反馈值
Figure 234770DEST_PATH_IMAGE009
为实时试验马赫数
Figure 865952DEST_PATH_IMAGE014
；
在进行超声速速域总压控制时，期望控制目标
Figure 151439DEST_PATH_IMAGE007
为稳定段总压目标
Figure 888451DEST_PATH_IMAGE015
，实时采集反馈值
Figure 5312DEST_PATH_IMAGE009
为实时稳定段总压
Figure 966315DEST_PATH_IMAGE016
；
步骤四，基于步骤二、步骤三中分别得到的调压阀开度控制目标的前馈补偿增量
Figure 942361DEST_PATH_IMAGE017
和反馈控制增量
Figure 781266DEST_PATH_IMAGE018
，确定调压阀开度复合控制目标增量
Figure 18212DEST_PATH_IMAGE019
，以应用于风洞流场控制中；
在步骤四中，所述调压阀开度复合控制目标增量
Figure 415696DEST_PATH_IMAGE020
被配置为采用如下公式得到：
Figure 613459DEST_PATH_IMAGE021
。
优选的是，在步骤四中，将调压阀开度复合控制目标增量
Figure 551328DEST_PATH_IMAGE022
应用于风洞流场控制的方法被配置为包括：
步骤五，基于步骤四得到的调压阀开度复合控制目标增量
Figure 347508DEST_PATH_IMAGE023
，以确定第
Figure 587996DEST_PATH_IMAGE024
步控制周期调压阀开度复合控制目标
Figure 600952DEST_PATH_IMAGE025
；
步骤六，基于步骤五得到的调压阀开度复合控制目标
Figure 342512DEST_PATH_IMAGE026
和实时采集得到的调压阀开度
Figure 491733DEST_PATH_IMAGE027
，采用增量式开度控制PID控制器确定调压阀开度控制指令反馈控制增量
Figure 903123DEST_PATH_IMAGE028
；
步骤七，根据步骤六得到的调压阀开度控制指令反馈控制增量
Figure 435998DEST_PATH_IMAGE029
，确定第
Figure 918932DEST_PATH_IMAGE030
步控制周期调压阀开度控制指令
Figure 860343DEST_PATH_IMAGE031
，实现对风洞流场的控制。
优选的是，在步骤一中，所述阀门特性函数的构造方法被配置为包括：
S10，根据风洞马赫数试验能力包线，开展风洞调试试验，获取包含试验能力包线边界的给定调试马赫数Ma，流场稳定条件下的风洞稳定段总压
Figure 770530DEST_PATH_IMAGE032
与气源压力
Figure 289236DEST_PATH_IMAGE033
之比和相应调压阀开度
Figure 247965DEST_PATH_IMAGE034
试验结果；
S11，构建由输入层、多层隐层和输出层构成的阀门特性函数神经网络，以获取的马赫数
Figure 138823DEST_PATH_IMAGE035
和风洞稳定段总压
Figure 16649DEST_PATH_IMAGE032
与气源压力
Figure 960334DEST_PATH_IMAGE036
之比试验结果为网络输入，以相应调压阀开度
Figure 722754DEST_PATH_IMAGE034
试验结果为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行训练，直至神经网络预测输出与实际调压阀开度试验结果偏差小于期望给定值，认为训练完成，得到基于神经网络的阀门特性函数
Figure 701074DEST_PATH_IMAGE037
。
优选的是，在步骤二中，所述预测的气源压力变化值是指基于第
Figure 251266DEST_PATH_IMAGE038
步控制周期实时采集的气源压力值
Figure 885510DEST_PATH_IMAGE039
和气源压力变化趋势，预测第
Figure 248358DEST_PATH_IMAGE040
步控制周期气源压力值
Figure 143502DEST_PATH_IMAGE041
。
优选的是，在步骤二中，所述调压阀开度控制目标的前馈补偿增量
Figure 566393DEST_PATH_IMAGE042
被配置为采用如下公式获取：
Figure 251715DEST_PATH_IMAGE043
；
其中，
Figure 355937DEST_PATH_IMAGE044
为期望稳定段总压目标，
Figure 308849DEST_PATH_IMAGE045
为试验马赫数目标，
Figure 964959DEST_PATH_IMAGE046
为基于神经网络的阀门特性函数。
优选的是，在步骤五中，所述调压阀开度复合控制目标
Figure 370532DEST_PATH_IMAGE047
被配置为采用如下公式获取：
Figure 12866DEST_PATH_IMAGE048
；
其中，
Figure 118488DEST_PATH_IMAGE049
为第
Figure 883181DEST_PATH_IMAGE050
步控制周期的调压阀开度复合控制目标。
优选的是，在步骤六中，所述调压阀开度控制指令反馈控制增量
Figure 713734DEST_PATH_IMAGE051
被配置为采用如下公式获取：
Figure 222076DEST_PATH_IMAGE052
；
其中，
Figure 211897DEST_PATH_IMAGE053
、
Figure 637238DEST_PATH_IMAGE054
、
Figure 689508DEST_PATH_IMAGE055
为增量式开度控制PID控制器的比例、积分、微分系数，
Figure 1541DEST_PATH_IMAGE056
表示在第
Figure 845869DEST_PATH_IMAGE057
步控制周期，调压阀开度的实际开度
Figure 217944DEST_PATH_IMAGE058
对调压阀开度复合控制目标
Figure 491931DEST_PATH_IMAGE059
的跟踪偏差，可由公式
Figure 843540DEST_PATH_IMAGE060
计算得到。
优选的是，在步骤七中，第
Figure 745637DEST_PATH_IMAGE030
步控制周期的调压阀开度控制指令
Figure 819772DEST_PATH_IMAGE061
被配置为采用如下公式获取：
Figure 440109DEST_PATH_IMAGE062
；
其中，
Figure 766048DEST_PATH_IMAGE063
为第
Figure 24117DEST_PATH_IMAGE064
步控制周期的调压阀开度控制指令。
本发明至少包括以下有益效果：其一，本发明通过基于神经网络构造阀门特性函数设计，可实现调压阀开度控制目标的前馈补偿增量的精确计算，能有效补偿抑制气源快速压降、稳定段总压目标变化等对于风洞控制造成干扰作用；
其二，本发明相对于现有技术而言，通过基于开环前馈补偿和闭环反馈控制的复合流场控制架构设计，可实现亚跨声速速域和超声速速域对马赫数和/或总压的高精度强鲁棒稳定、跟踪控制，大大简化风洞流场控制系统设计难度和复杂度。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明应用阀门特性函数神经网络绘制的阀门特性曲面图；
图2为本发明基于神经网络的通用风洞流场控制方法结构框图；
图3为本发明第20210140车次稳定段总压试验曲线图；
图4为本发明第20210140车次主气路调压阀开度控制指令曲线图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明公开了一种基于神经网络的通用风洞流场控制方法，可广泛适用于亚跨声速速域和超声速速域的马赫数和总压稳定、跟踪控制，大大简化风洞流场控制系统设计难度和复杂度；且基于前馈补偿和反馈控制的复合流场控制架构能有效抑制各种外界干扰作用，实现对控制目标的高精度稳定或跟踪控制。
在实际应用中风洞流场控制的过程通常包括：
1、风洞试验准备，根据风洞试验要求，确定风洞运行试验条件和相应开车参数，包括超声速速域试验时的稳定段总压目标
Figure 269153DEST_PATH_IMAGE065
，亚跨声速速域试验时的马赫数目标
Figure 783311DEST_PATH_IMAGE013
，总压控制精度、马赫数控制精度，试验模型姿态，调压阀预置开度
Figure 975258DEST_PATH_IMAGE066
，增量式PID控制器的比例、积分、微分系数
Figure 648685DEST_PATH_IMAGE067
、
Figure 769350DEST_PATH_IMAGE011
、
Figure 770804DEST_PATH_IMAGE012
，增量式开度控制PID控制器的比例、积分、微分系数
Figure 766442DEST_PATH_IMAGE053
、
Figure 294375DEST_PATH_IMAGE054
、
Figure 84477DEST_PATH_IMAGE068
；
2、风洞充压启动：将调压阀打开至预置开度
Figure 573227DEST_PATH_IMAGE069
，待风洞稳定段总压达到稳定段总压目标
Figure 874020DEST_PATH_IMAGE065
的97%，完成风洞充压启动；
3、风洞闭环流场控制：在风洞启动完成后，将风洞流场控制系统的开环运行模式转为总压前馈-反馈复合控制模式，按照总压复合控制算法计算下一控制周期调压阀开度；
4、风洞试验数据采集：风洞试验流场稳定，达到试验要求条件，风洞测控系统采集试验数据，风洞流场控制系统重复步骤3，不断控制稳定段总压，使其保持稳定；
5、试验模型姿态调整：判定试验模型是否完成所有预期姿态调整，如没有完成，转入步骤3，风洞闭环控制，采集试验数据；如完成所有预期姿态调整，转入步骤6；
6、风洞关车：停止闭环流场控制，关闭调压阀，风洞关车。
而在本发明中主要是对流程3的进行优化改进，以提供一种基于神经网络的通用风洞流场控制方法，包括：
步骤S100：基于神经网络构造阀门特性函数
Figure 990881DEST_PATH_IMAGE037
；
根据某大型射流风洞马赫数试验能力包线，开展风洞调试试验，获取包含试验能力包线边界（马赫数0.3-3.5）内的给定调试马赫数
Figure 889567DEST_PATH_IMAGE035
，流场稳定条件下的风洞稳定段总压
Figure 927930DEST_PATH_IMAGE032
与气源压力
Figure 327687DEST_PATH_IMAGE036
之比和相应调压阀开度
Figure 174421DEST_PATH_IMAGE034
试验结果；
构建由输入层、若干隐层和输出层构成的阀门特性函数神经网络，以获取的风洞稳定段总压
Figure 73369DEST_PATH_IMAGE032
与气源压力
Figure 395766DEST_PATH_IMAGE033
之比和马赫数
Figure 209001DEST_PATH_IMAGE035
试验结果为网络输入，以相应调压阀开度
Figure 238137DEST_PATH_IMAGE034
试验结果为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行训练，直至神经网络预测输出与实际调压阀开度试验结果偏差小于期望给定值，认为训练完成，得到基于神经网络的阀门特性函数
Figure 868838DEST_PATH_IMAGE070
，图1给出了阀门特性函数神经网络绘制的阀门特性曲面图；
步骤S200: 预测气源压力变化值；
在控制周期
Figure 117679DEST_PATH_IMAGE038
，依据实时采集的气源压力值
Figure 469026DEST_PATH_IMAGE039
和气源压力变化趋势，预测下一控制周期气源压力值
Figure 680565DEST_PATH_IMAGE041
；
步骤S300：确定调压阀控制目标的前馈补偿增量；
由期望稳定段总压目标
Figure 91954DEST_PATH_IMAGE071
和试验马赫数目标
Figure 326627DEST_PATH_IMAGE013
，以及当前和下一控制周期气源压力
Figure 871877DEST_PATH_IMAGE039
、
Figure 377070DEST_PATH_IMAGE041
，依据前述得到的基于神经网络的阀门特性函数
Figure 224941DEST_PATH_IMAGE070
，确定调压阀开度控制目标的前馈补偿增量
Figure 946909DEST_PATH_IMAGE042
：
Figure 764692DEST_PATH_IMAGE043
(1)
步骤S400：确定调压阀控制目标的反馈控制增量；
进行超声速速域总压稳定控制，依据期望控制目标
Figure 826189DEST_PATH_IMAGE072
（即稳定段总压目标
Figure 641698DEST_PATH_IMAGE073
）和实时采集反馈值
Figure 426463DEST_PATH_IMAGE074
（即实时采集的稳定段总压
Figure 251200DEST_PATH_IMAGE075
），由增量式PID控制器确定调压阀开度控制目标的反馈控制增量
Figure 901624DEST_PATH_IMAGE076
：
Figure 215931DEST_PATH_IMAGE077
(2)
其中
Figure 646912DEST_PATH_IMAGE078
为控制目标跟踪偏差，
Figure 947443DEST_PATH_IMAGE067
、
Figure 344052DEST_PATH_IMAGE011
、
Figure 766943DEST_PATH_IMAGE012
为增量式PID控制的比例、积分、微分系数；
步骤S500：根据调压阀控制目标的前馈补偿增量
Figure 622904DEST_PATH_IMAGE079
和调压阀控制目标的反馈控制增量
Figure 789443DEST_PATH_IMAGE080
，确定调压阀开度复合控制目标增量
Figure 539093DEST_PATH_IMAGE081
：
Figure 70568DEST_PATH_IMAGE021
步骤S600：确定下一控制周期调压阀开度复合控制目标；
根据调压阀开度复合控制目标增量
Figure 977607DEST_PATH_IMAGE082
，确定下一控制周期调压阀开度复合控制目标
Figure 478995DEST_PATH_IMAGE026
Figure 224097DEST_PATH_IMAGE048
(3)
步骤S700：确定调压阀开度控制指令反馈控制增量；
根据调压阀开度复合控制目标
Figure 785529DEST_PATH_IMAGE047
和实施采集得到的调压阀开度
Figure 943978DEST_PATH_IMAGE058
，由增量式PID控制器确定调压阀开度控制指令反馈控制增量
Figure 953784DEST_PATH_IMAGE083
：
Figure 553393DEST_PATH_IMAGE052
(4)
其中，
Figure 488988DEST_PATH_IMAGE060
为调压阀开度跟踪偏差，
Figure 931470DEST_PATH_IMAGE053
、
Figure 915607DEST_PATH_IMAGE084
、
Figure 432039DEST_PATH_IMAGE055
为增量式PID控制的比例、积分、微分系数；
步骤S800：确定下一控制周期调压阀开度控制指令；
根据调压阀开度控制指令反馈控制增量
Figure 102317DEST_PATH_IMAGE051
，确定下一控制周期调压阀开度控制指令
Figure 641883DEST_PATH_IMAGE061
Figure 492027DEST_PATH_IMAGE062
(5)
图2给出了基于神经网络的通用风洞流场控制方法结构框图。在基于神经网络的通用风洞流场控制方法作用下，图3给出了实际应用中风洞稳定段总压试验曲线，可看出在风洞开车后20s左右已将稳定段总压稳定控制在目标总压153kPa附近，并在试验全程保持稳定在目标总压0.15%带内，保证了试验流场的稳定性。图4给出了相应的调压阀开度控制目标曲线，可看出调压阀开度控制目标由前馈补偿控制指令和PID反馈控制指令两部分组成，且前馈补偿控制指令幅值较PID反馈控制指令明显偏大。
以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种基于神经网络的通用风洞流场控制方法，其特征在于，包括：
步骤一，基于神经网络构造阀门特性函数；
步骤二，基于步骤一得到的阀门特性函数和预测的气源压力变化值，以确定调压阀开度控制目标的前馈补偿增量
Figure 625455DEST_PATH_IMAGE001
；
步骤三，基于增量式PID控制器确定调压阀开度控制目标的反馈控制增量
Figure 611866DEST_PATH_IMAGE002
，采用如下公式得到：
Figure 387055DEST_PATH_IMAGE003
；
其中，
Figure 218745DEST_PATH_IMAGE004
表示在第
Figure 51572DEST_PATH_IMAGE005
步控制周期，被控量
Figure 67938DEST_PATH_IMAGE006
对期望控制目标
Figure 720636DEST_PATH_IMAGE007
的跟踪偏差，可由公式
Figure 496962DEST_PATH_IMAGE008
计算得到，式中
Figure 918716DEST_PATH_IMAGE009
表示被控量
Figure 981350DEST_PATH_IMAGE006
在第
Figure 245978DEST_PATH_IMAGE005
步控制周期的实时采集反馈值；
Figure 419471DEST_PATH_IMAGE010
、
Figure 961311DEST_PATH_IMAGE011
、
Figure 70212DEST_PATH_IMAGE012
分别表示增量式PID控制器的比例、积分、微分系数；
在进行亚跨声速速域马赫数控制时，期望控制目标
Figure 697502DEST_PATH_IMAGE007
为马赫数目标
Figure 64899DEST_PATH_IMAGE013
，实时采集反馈值
Figure 195666DEST_PATH_IMAGE009
为实时试验马赫数
Figure 537785DEST_PATH_IMAGE014
；
在进行超声速速域总压控制时，期望控制目标
Figure 386793DEST_PATH_IMAGE007
为稳定段总压目标
Figure 557880DEST_PATH_IMAGE015
，实时采集反馈值
Figure 808733DEST_PATH_IMAGE009
为实时稳定段总压
Figure 259437DEST_PATH_IMAGE016
；
步骤四，基于步骤二、步骤三中分别得到的调压阀开度控制目标的前馈补偿增量
Figure 861319DEST_PATH_IMAGE017
和反馈控制增量
Figure 180305DEST_PATH_IMAGE018
，确定调压阀开度复合控制目标增量
Figure 675878DEST_PATH_IMAGE019
，以应用于风洞流场控制中；
在步骤四中，所述调压阀开度复合控制目标增量
Figure 422117DEST_PATH_IMAGE020
被配置为采用如下公式得到：
Figure 386662DEST_PATH_IMAGE021
。
2.如权利要求1所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤四中，将调压阀开度复合控制目标增量
Figure 243759DEST_PATH_IMAGE022
应用于风洞流场控制的方法被配置为包括：
步骤五，基于步骤四得到的调压阀开度复合控制目标增量
Figure 469204DEST_PATH_IMAGE023
，以确定第
Figure 776558DEST_PATH_IMAGE024
步控制周期调压阀开度复合控制目标
Figure 87453DEST_PATH_IMAGE025
；
步骤六，基于步骤五得到的调压阀开度复合控制目标
Figure 748242DEST_PATH_IMAGE026
和实时采集得到的调压阀开度
Figure 969139DEST_PATH_IMAGE027
，采用增量式开度控制PID控制器确定调压阀开度控制指令反馈控制增量
Figure 57180DEST_PATH_IMAGE028
；
步骤七，根据步骤六得到的调压阀开度控制指令反馈控制增量
Figure 980006DEST_PATH_IMAGE029
，确定第
Figure 444485DEST_PATH_IMAGE030
步控制周期调压阀开度控制指令
Figure 644522DEST_PATH_IMAGE031
，实现对风洞流场的控制。
3.如权利要求1所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤一中，所述阀门特性函数的构造方法被配置为包括：
S10，根据风洞马赫数试验能力包线，开展风洞调试试验，获取包含试验能力包线边界的给定调试马赫数Ma，流场稳定条件下的风洞稳定段总压
Figure 778832DEST_PATH_IMAGE032
与气源压力
Figure 798740DEST_PATH_IMAGE033
之比和相应调压阀开度
Figure 66911DEST_PATH_IMAGE034
试验结果；
S11，构建由输入层、多层隐层和输出层构成的阀门特性函数神经网络，以获取的马赫数
Figure 240229DEST_PATH_IMAGE035
和风洞稳定段总压
Figure 935652DEST_PATH_IMAGE032
与气源压力
Figure 583802DEST_PATH_IMAGE036
之比试验结果为网络输入，以相应调压阀开度
Figure 124505DEST_PATH_IMAGE034
试验结果为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行训练，直至神经网络预测输出与实际调压阀开度试验结果偏差小于期望给定值，认为训练完成，得到基于神经网络的阀门特性函数
Figure 299134DEST_PATH_IMAGE037
。
4.如权利要求1所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤二中，所述预测的气源压力变化值是指基于第
Figure 24514DEST_PATH_IMAGE038
步控制周期实时采集的气源压力值
Figure 19015DEST_PATH_IMAGE039
和气源压力变化趋势，预测第
Figure 628988DEST_PATH_IMAGE040
步控制周期气源压力值
Figure 533490DEST_PATH_IMAGE041
。
5.如权利要求4所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤二中，所述调压阀开度控制目标的前馈补偿增量
Figure 570716DEST_PATH_IMAGE042
被配置为采用如下公式获取：
Figure 177146DEST_PATH_IMAGE043
；
其中，
Figure 325231DEST_PATH_IMAGE044
为期望稳定段总压目标，
Figure 208873DEST_PATH_IMAGE045
为试验马赫数目标，
Figure 292367DEST_PATH_IMAGE046
为基于神经网络的阀门特性函数。
6.如权利要求2所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤五中，所述调压阀开度复合控制目标
Figure 261460DEST_PATH_IMAGE047
被配置为采用如下公式获取：
Figure 947656DEST_PATH_IMAGE048
；
其中，
Figure 76018DEST_PATH_IMAGE049
为第
Figure 455047DEST_PATH_IMAGE050
步控制周期的调压阀开度复合控制目标。
7.如权利要求2所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤六中，所述调压阀开度控制指令反馈控制增量
Figure 786802DEST_PATH_IMAGE051
被配置为采用如下公式获取：
Figure 276690DEST_PATH_IMAGE052
；
其中，
Figure 869345DEST_PATH_IMAGE053
、
Figure 809488DEST_PATH_IMAGE054
、
Figure 487594DEST_PATH_IMAGE055
为增量式开度控制PID控制器的比例、积分、微分系数，
Figure 781172DEST_PATH_IMAGE056
表示在第
Figure 369279DEST_PATH_IMAGE057
步控制周期，调压阀开度的实际开度
Figure 824531DEST_PATH_IMAGE058
对调压阀开度复合控制目标
Figure 380147DEST_PATH_IMAGE059
的跟踪偏差，可由公式
Figure 211836DEST_PATH_IMAGE060
计算得到。
8.如权利要求2所述基于神经网络的通用风洞流场控制方法，其特征在于，在步骤七中，第
Figure 44663DEST_PATH_IMAGE030
步控制周期的调压阀开度控制指令
Figure 811762DEST_PATH_IMAGE061
被配置为采用如下公式获取：
Figure 464460DEST_PATH_IMAGE062
；
其中，
Figure 99841DEST_PATH_IMAGE063
为第
Figure 646229DEST_PATH_IMAGE064
步控制周期的调压阀开度控制指令。
CN202210883373.2A 2022-07-26 2022-07-26 一种基于神经网络的通用风洞流场控制方法 Active CN114967474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210883373.2A CN114967474B (zh) 2022-07-26 2022-07-26 一种基于神经网络的通用风洞流场控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210883373.2A CN114967474B (zh) 2022-07-26 2022-07-26 一种基于神经网络的通用风洞流场控制方法

Publications (2)

Publication Number Publication Date
CN114967474A true CN114967474A (zh) 2022-08-30
CN114967474B CN114967474B (zh) 2022-11-04

Family

ID=82970152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210883373.2A Active CN114967474B (zh) 2022-07-26 2022-07-26 一种基于神经网络的通用风洞流场控制方法

Country Status (1)

Country Link
CN (1) CN114967474B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328243A (zh) * 2022-10-14 2022-11-11 中国空气动力研究与发展中心低速空气动力研究所 主动射流控制系统的闭环控制方法、单元、系统、介质
CN115808284A (zh) * 2023-02-09 2023-03-17 中国空气动力研究与发展中心设备设计与测试技术研究所 基于神经网络参数调度的风洞多工况建模方法
CN117555231A (zh) * 2023-05-30 2024-02-13 中国航空工业集团公司沈阳空气动力研究所 基于模糊规则的风洞流场控制方法、电子设备及存储介质
CN117590741A (zh) * 2024-01-19 2024-02-23 常州高凯电子有限公司 一种基于神经网络pid控制算法的质量流量控制系统和方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61166612A (ja) * 1985-01-18 1986-07-28 Mitsubishi Electric Corp 吹出式風洞の圧力制御装置
JPS6239742A (ja) * 1985-08-14 1987-02-20 Mitsubishi Electric Corp 吹出し式風洞の制御方法
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
JP2920374B1 (ja) * 1998-02-23 1999-07-19 川崎重工業株式会社 吹出し式風洞の制御装置
US20100256962A1 (en) * 2009-04-03 2010-10-07 Airbus Operations (S.A.S.) Aerodynamic model identification process for aircraft simulation process
CN103123504A (zh) * 2012-12-18 2013-05-29 中国空气动力研究与发展中心高速空气动力研究所 一种适用于暂冲式跨声速风洞的变速压流场控制方法
CN106527519A (zh) * 2016-12-07 2017-03-22 中国空气动力研究与发展中心高速空气动力研究所 一种大型直流暂冲式超声速风洞变速压流场控制方法
CN110702361A (zh) * 2019-11-14 2020-01-17 中国航空工业集团公司沈阳空气动力研究所 一种直流暂冲式跨声速风洞的流场精确控制系统及控制方法
CN113008507A (zh) * 2021-03-18 2021-06-22 南京航空航天大学 一种基于暂冲气源的大流量高稳定马赫数风洞快速调节系统及方法
CN114061891A (zh) * 2022-01-18 2022-02-18 中国空气动力研究与发展中心高速空气动力研究所 一种面向大型开口射流风洞下吹引射式静压匹配控制方法
CN114185266A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 一种适用于暂冲式风洞的总压复合控制方法
CN114185265A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 大型开口射流风洞超声速定总压连续变马赫数控制方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61166612A (ja) * 1985-01-18 1986-07-28 Mitsubishi Electric Corp 吹出式風洞の圧力制御装置
JPS6239742A (ja) * 1985-08-14 1987-02-20 Mitsubishi Electric Corp 吹出し式風洞の制御方法
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
JP2920374B1 (ja) * 1998-02-23 1999-07-19 川崎重工業株式会社 吹出し式風洞の制御装置
US20100256962A1 (en) * 2009-04-03 2010-10-07 Airbus Operations (S.A.S.) Aerodynamic model identification process for aircraft simulation process
CN103123504A (zh) * 2012-12-18 2013-05-29 中国空气动力研究与发展中心高速空气动力研究所 一种适用于暂冲式跨声速风洞的变速压流场控制方法
CN106527519A (zh) * 2016-12-07 2017-03-22 中国空气动力研究与发展中心高速空气动力研究所 一种大型直流暂冲式超声速风洞变速压流场控制方法
CN110702361A (zh) * 2019-11-14 2020-01-17 中国航空工业集团公司沈阳空气动力研究所 一种直流暂冲式跨声速风洞的流场精确控制系统及控制方法
CN113008507A (zh) * 2021-03-18 2021-06-22 南京航空航天大学 一种基于暂冲气源的大流量高稳定马赫数风洞快速调节系统及方法
CN114061891A (zh) * 2022-01-18 2022-02-18 中国空气动力研究与发展中心高速空气动力研究所 一种面向大型开口射流风洞下吹引射式静压匹配控制方法
CN114185266A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 一种适用于暂冲式风洞的总压复合控制方法
CN114185265A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 大型开口射流风洞超声速定总压连续变马赫数控制方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
CHUAN GAO等: "Development of the Nozzle Control System in 0.6m Trans-supersonic Wind Tunnel", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
JI L等: "Application of Blow-off Wind Tunnel Control Based on Genetic Algorithm Optimized BP-Neural Network PID Neural Network", 《ADVANCED MATERIALS RESEARCH》 *
JIAN ZHANG等: "Model Predictive Control for the Flow Field in an Intermittent Transonic Wind Tunnel", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS 》 *
俞忠原，顾信佩: "风洞发动机的神经网络控制", 《上海大学学报(自然科学版)》 *
周波等: "2m超声速风洞流场变速压控制方法研究", 《实验流体力学》 *
尼文斌等: "自适应遗传PID算法在风洞风速控制中的应用", 《实验流体力学》 *
张永双等: "一种BP网络自整定PID控制算法及其在NF-6风洞控制中的应用", 《流体力学实验与测量》 *
王晓军等: "基于随机森林的风洞马赫数预测模型", 《航空学报》 *
陈旦等: "一种连续式跨声速风洞总压控制方法设计", 《实验流体力学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328243A (zh) * 2022-10-14 2022-11-11 中国空气动力研究与发展中心低速空气动力研究所 主动射流控制系统的闭环控制方法、单元、系统、介质
CN115808284A (zh) * 2023-02-09 2023-03-17 中国空气动力研究与发展中心设备设计与测试技术研究所 基于神经网络参数调度的风洞多工况建模方法
CN117555231A (zh) * 2023-05-30 2024-02-13 中国航空工业集团公司沈阳空气动力研究所 基于模糊规则的风洞流场控制方法、电子设备及存储介质
CN117555231B (zh) * 2023-05-30 2024-04-19 中国航空工业集团公司沈阳空气动力研究所 基于模糊规则的风洞流场控制方法、电子设备及存储介质
CN117590741A (zh) * 2024-01-19 2024-02-23 常州高凯电子有限公司 一种基于神经网络pid控制算法的质量流量控制系统和方法

Also Published As

Publication number Publication date
CN114967474B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN114967474B (zh) 一种基于神经网络的通用风洞流场控制方法
CN108803336B (zh) 一种航空发动机自适应lqg/ltr控制器设计方法
CN106774468A (zh) 气体流量控制方法
CN111338209B (zh) 一种基于扩张干扰观测器的电液伺服系统自适应控制方法
CN110161841A (zh) 一种适用于暂冲式跨声速风洞的前馈-模糊pid控制方法
WO2021134887A1 (zh) 一种基于动态神经网络的变循环发动机智能控制方法
CN112286047B (zh) 基于神经网络的narma-l2多变量控制方法
CN114061890B (zh) 一种面向大型开口射流风洞下吹式静压匹配控制方法
CN113008507A (zh) 一种基于暂冲气源的大流量高稳定马赫数风洞快速调节系统及方法
CN110579962B (zh) 基于神经网络的涡扇发动机推力预测方法及控制器
CN111666648A (zh) 一种航空发动机动态特性模拟方法
CN113267314A (zh) 一种暂冲式风洞的超声速流场总压控制系统
CN111413865B (zh) 一种扰动补偿的单回路过热汽温自抗扰控制方法
CN115220467A (zh) 一种基于神经网络增量动态逆的飞翼飞行器姿态控制方法
CN114415506B (zh) 航空发动机双模跟踪预测控制系统设计方法
CN112761796B (zh) 一种功率闭环控制系统及其方法
CN111708378B (zh) 一种基于强化学习的导弹纵向姿态控制算法
CN112327604B (zh) 一种前馈补偿的预期动态pi及pid控制方法
CN113156810A (zh) 基于模糊pid控制的天然气调压系统
CN117666331B (zh) 一种高速风洞流场复合调节方法
JPH09146610A (ja) 多変数非線形プロセス・コントローラー
CN114047692B (zh) 一种涡扇发动机鲁棒容错抗干扰模型参考动态输出反馈控制方法
CN116126051B (zh) 一种高空模拟试车台进气系统温度控制方法
CN113282004B (zh) 基于神经网络的航空发动机线性变参数模型建立方法
CN112631146B (zh) 基于串级rladrc的高空台飞行高度模拟控制方法

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