CN114967474B - 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
CN114967474B
CN114967474B CN202210883373.2A CN202210883373A CN114967474B CN 114967474 B CN114967474 B CN 114967474B CN 202210883373 A CN202210883373 A CN 202210883373A CN 114967474 B CN114967474 B CN 114967474B
Authority
CN
China
Prior art keywords
control
regulating valve
pressure regulating
opening
wind tunnel
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
CN202210883373.2A
Other languages
English (en)
Other versions
CN114967474A (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 GDA0003860381530000021
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 GDA0003860381530000022
采用如下公式得到：
Figure GDA0003860381530000023
其中，
Figure GDA0003860381530000024
表示在第k步控制周期，被控量R对期望控制目标R*的跟踪偏差，可由公式
Figure GDA0003860381530000025
计算得到，式中Rk表示被控量R在第k步控制周期的实时采集反馈值；
Figure GDA0003860381530000026
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R*为马赫数目标Ma*，实时采集反馈值Rk为实时试验马赫数Ma′；
在进行超声速速域总压控制时，期望控制目标R*为稳定段总压目标
Figure GDA0003860381530000027
实时采集反馈值Rk为实时稳定段总压
Figure GDA0003860381530000028
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 GDA0003860381530000029
和反馈控制增量
Figure GDA00038603815300000210
确定调压阀开度复合控制目标增量
Figure GDA00038603815300000211
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 GDA0003860381530000031
被配置为采用如下公式得到：
Figure GDA0003860381530000032
优选的是，在步骤四中，将调压阀开度复合控制目标增量
Figure GDA0003860381530000033
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 GDA0003860381530000034
以确定第k+1步控制周期调压阀开度复合控制目标
Figure GDA0003860381530000035
步骤六，基于步骤五得到的调压阀开度复合控制目标
Figure GDA0003860381530000036
和实时采集得到的调压阀开度Sk，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 GDA0003860381530000037
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 GDA0003860381530000038
确定第k+1步控制周期调压阀开度控制指令
Figure GDA0003860381530000039
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P0与气源压力Pg之比和相应调压阀开度S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，以获取的调试马赫数Ma和风洞稳定段总压P0与气源压力Pg之比试验结果为网络输入，以相应调压阀开度S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fnet(P0/Pg，Ma)。
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k步控制周期实时采集的气源压力值
Figure GDA0003860381530000041
和气源压力变化趋势，预测第k+1步控制周期气源压力值
Figure GDA0003860381530000042
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 GDA0003860381530000043
被配置为采用如下公式获取：
Figure GDA0003860381530000044
其中，
Figure GDA0003860381530000045
为稳定段总压目标，Ma*为马赫数目标，fnet(P0/Pg，Ma)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 GDA0003860381530000046
被配置为采用如下公式获取：
Figure GDA0003860381530000047
其中，
Figure GDA0003860381530000048
为第k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 GDA0003860381530000049
被配置为采用如下公式获取：
Figure GDA00038603815300000410
其中，
Figure GDA0003860381530000051
为增量式开度控制PID控制器的比例、积分、微分系数，
Figure GDA0003860381530000052
表示在第k步控制周期，调压阀开度的实际开度Sk对调压阀开度复合控制目标
Figure GDA0003860381530000053
的跟踪偏差，可由公式
Figure GDA0003860381530000054
计算得到。
优选的是，在步骤七中，第k+1步控制周期的调压阀开度控制指令
Figure GDA0003860381530000055
被配置为采用如下公式获取：
Figure GDA0003860381530000056
其中，
Figure GDA0003860381530000057
为第k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 GDA0003860381530000061
亚跨声速速域试验时的马赫数目标Ma*，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S0，增量式PID控制器的比例、积分、微分系数
Figure GDA0003860381530000062
增量式开度控制PID控制器的比例、积分、微分系数
Figure GDA0003860381530000063
2、风洞充压启动：将调压阀打开至预置开度S0，待风洞稳定段总压达到稳定段总压目标
Figure GDA0003860381530000064
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fnet(P0/Pg，Ma)；
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Ma，流场稳定条件下的风洞稳定段总压P0与气源压力Pg之比和相应调压阀开度S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P0与气源压力Pg之比和马赫数Ma试验结果为网络输入，以相应调压阀开度S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fnet(P0/Pg，Ma)，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k，依据实时采集的气源压力值
Figure GDA0003860381530000071
和气源压力变化趋势，预测下一控制周期气源压力值
Figure GDA0003860381530000081
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 GDA0003860381530000082
和试验马赫数目标Ma*，以及当前和下一控制周期气源压力
Figure GDA0003860381530000083
依据前述得到的基于神经网络的阀门特性函数fnet(P0/Pg，Ma)，确定调压阀开度控制目标的前馈补偿增量
Figure GDA0003860381530000084
Figure GDA0003860381530000085
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R*(即稳定段总压目标
Figure GDA0003860381530000086
)和实时采集反馈值Rk(即实时采集的稳定段总压
Figure GDA0003860381530000087
)，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 GDA0003860381530000088
Figure GDA0003860381530000089
其中
Figure GDA00038603815300000810
为控制目标跟踪偏差，
Figure GDA00038603815300000811
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 GDA00038603815300000812
和调压阀控制目标的反馈控制增量
Figure GDA00038603815300000813
确定调压阀开度复合控制目标增量
Figure GDA00038603815300000814
Figure GDA00038603815300000815
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 GDA00038603815300000816
确定下一控制周期调压阀开度复合控制目标
Figure GDA0003860381530000091
Figure GDA0003860381530000092
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 GDA0003860381530000093
和实施采集得到的调压阀开度Sk，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 GDA0003860381530000094
Figure GDA0003860381530000095
其中，
Figure GDA0003860381530000096
为调压阀开度跟踪偏差，
Figure GDA0003860381530000097
为增量式开度控制PID控制器的比例、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 GDA0003860381530000098
确定下一控制周期调压阀开度控制指令
Figure GDA0003860381530000099
Figure GDA00038603815300000910
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 (5)

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 FDA0003868439110000011
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 FDA0003868439110000012
采用如下公式得到：
Figure FDA0003868439110000013
其中，
Figure FDA0003868439110000014
表示在第k步控制周期，被控量R对期望控制目标R*的跟踪偏差，可由公式
Figure FDA0003868439110000015
计算得到，式中Rk表示被控量R在第k步控制周期的实时采集反馈值；
Figure FDA0003868439110000016
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R*为马赫数目标Ma*，实时采集反馈值Rk为实时试验马赫数Ma′；
在进行超声速速域总压控制时，期望控制目标R*为稳定段总压目标
Figure FDA0003868439110000017
实时采集反馈值Rk为实时稳定段总压
Figure FDA0003868439110000018
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 FDA0003868439110000019
和反馈控制增量
Figure FDA00038684391100000110
确定调压阀开度复合控制目标增量
Figure FDA00038684391100000111
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 FDA0003868439110000021
被配置为采用如下公式得到：
Figure FDA0003868439110000022
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P0与气源压力Pg之比和相应调压阀开度S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，以获取的调试马赫数Ma和风洞稳定段总压P0与气源压力Pg之比试验结果为网络输入，以相应调压阀开度S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；
在步骤二中，所述预测的气源压力变化值是指基于第k步控制周期实时采集的气源压力值
Figure FDA0003868439110000023
和气源压力变化趋势，预测第k+1步控制周期气源压力值
Figure FDA0003868439110000024
在步骤二中，所述调压阀开度控制目标的前馈补偿增量
Figure FDA0003868439110000025
被配置为采用如下公式获取：
Figure FDA0003868439110000026
其中，
Figure FDA0003868439110000031
为稳定段总压目标，Ma*为马赫数目标，fnet(P0/Pg，Ma)为基于神经网络的阀门特性函数。
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 FDA0003868439110000032
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 FDA0003868439110000033
以确定第k+1步控制周期调压阀开度复合控制目标
Figure FDA0003868439110000034
步骤六，基于步骤五得到的调压阀开度复合控制目标
Figure FDA0003868439110000035
和实时采集得到的调压阀开度Sk，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 FDA0003868439110000036
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 FDA0003868439110000037
确定第k+1步控制周期调压阀开度控制指令
Figure FDA0003868439110000038
实现对风洞流场的控制。
3.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 FDA0003868439110000039
被配置为采用如下公式获取：
Figure FDA00038684391100000310
其中，
Figure FDA00038684391100000311
为第k步控制周期的调压阀开度复合控制目标。
4.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 FDA0003868439110000041
被配置为采用如下公式获取：
Figure FDA0003868439110000042
其中，
Figure FDA0003868439110000043
为增量式开度控制PID控制器的比例、积分、微分系数，
Figure FDA0003868439110000044
表示在第k步控制周期，调压阀开度的实际开度Sk对调压阀开度复合控制目标
Figure FDA0003868439110000045
的跟踪偏差，可由公式
Figure FDA0003868439110000046
计算得到。
5.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k+1步控制周期的调压阀开度控制指令
Figure FDA0003868439110000047
被配置为采用如下公式获取：
Figure FDA0003868439110000048
其中，
Figure FDA0003868439110000049
为第k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 CN114967474A (zh) 2022-08-30
CN114967474B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328243B (zh) * 2022-10-14 2022-12-23 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
CN115808284B (zh) * 2023-02-09 2023-04-21 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
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

Citations (8)

* 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
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
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
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
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2944125B1 (fr) * 2009-04-03 2015-10-30 Airbus France Procede d'identification de modeles aerodynamiques pour procede de simulation d'aeronef.
CN106527519B (zh) * 2016-12-07 2020-01-14 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
CN114061891B (zh) * 2022-01-18 2022-03-29 中国空气动力研究与发展中心高速空气动力研究所 一种面向大型开口射流风洞下吹引射式静压匹配控制方法

Patent Citations (8)

* 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
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
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
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
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

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
2m超声速风洞流场变速压控制方法研究;周波等;《实验流体力学》;20191215;第33卷(第06期);第72-77页 *
Application of Blow-off Wind Tunnel Control Based on Genetic Algorithm Optimized BP-Neural Network PID Neural Network;Ji L等;《Advanced Materials Research》;20130514;第694-697卷;第2181-2184页 *
Development of the Nozzle Control System in 0.6m Trans-supersonic Wind Tunnel;Chuan gao等;《2017 29th Chinese Control And Decision Conference (CCDC)》;20180406;第6522-6526页 *
Model Predictive Control for the Flow Field in an Intermittent Transonic Wind Tunnel;Jian Zhang等;《IEEE Transactions on Aerospace and Electronic Systems 》;20170925;第54卷(第1期);第324–338页 *
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;张永双等;《流体力学实验与测量》;20030930;第17卷(第03期);第79-83页 *
一种连续式跨声速风洞总压控制方法设计;陈旦等;《实验流体力学》;20191215;第33卷(第06期);第65-71页 *
基于随机森林的风洞马赫数预测模型;王晓军等;《航空学报》;20150826;第37卷(第05期);第1494-1505页 *
自适应遗传PID算法在风洞风速控制中的应用;尼文斌等;《实验流体力学》;20151015;第29卷(第05期);第84-89页 *
风洞发动机的神经网络控制;俞忠原，顾信佩;《上海大学学报(自然科学版)》;19951030;第1卷(第05期);第576-583页 *

Also Published As

Publication number Publication date
CN114967474A (zh) 2022-08-30

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
CN108717265B (zh) 一种基于控制变量参数化的无人飞行器巡航跟踪控制系统及控制方法
CN106774468A (zh) 气体流量控制方法
CN110502840B (zh) 航空发动机气路参数在线预测方法
CN109541941A (zh) 一种针对垂直起降运载器主动段飞行的自适应增广抗扰容错方法
CN104932565A (zh) 一种高精度暂冲型引射式跨声速风洞流场控制结构
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
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
CN112286047B (zh) 基于神经网络的narma-l2多变量控制方法
CN111708378B (zh) 一种基于强化学习的导弹纵向姿态控制算法
CN113267314A (zh) 一种暂冲式风洞的超声速流场总压控制系统
CN110647052A (zh) 一种变循环发动机模式切换自适应身份证模型构建方法
CN111413865B (zh) 一种扰动补偿的单回路过热汽温自抗扰控制方法
CN107037727A (zh) 一种无人直升机大包线自适应增益调度方法
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
CN116499700A (zh) 一种风洞主引射压力分段控制方法及系统
CN112327604B (zh) 一种前馈补偿的预期动态pi及pid控制方法
CN116412991B (zh) 在风洞流场试验中同步模拟飞行高度、飞行速度的方法
CN110985216A (zh) 一种含在线修正的航空发动机智能多变量控制方法
CN113738577B (zh) 一种风力发电机组独立变桨控制方法和系统
CN116360255A (zh) 一种非线性参数化高超声速飞行器的自适应调节控制方法
CN104731019A (zh) 基于Cycle to Cycle反馈控制的数控凸轮磨削轮廓误差补偿控制方法
CN115808284A (zh) 基于神经网络参数调度的风洞多工况建模方法
CN115128951A (zh) 一种基于期望轨迹受限优化的双环高性能控制方法

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