CN116517867B - 压气机的喘振诊断和抑制方法、装置 - Google Patents
压气机的喘振诊断和抑制方法、装置 Download PDFInfo
- Publication number
- CN116517867B CN116517867B CN202310772060.4A CN202310772060A CN116517867B CN 116517867 B CN116517867 B CN 116517867B CN 202310772060 A CN202310772060 A CN 202310772060A CN 116517867 B CN116517867 B CN 116517867B
- Authority
- CN
- China
- Prior art keywords
- compressor
- surge
- dimensionless
- parameters
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 230000001629 suppression Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000000737 periodic effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 6
- 208000006673 asthma Diseases 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005312 nonlinear dynamic Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/02—Surge control
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明涉及热工自动控制领域，提供了一种压气机的喘振诊断和抑制方法、装置，压气机的喘振诊断和抑制方法包括以下步骤：建立面向压气机喘振动态行为的压气机系统仿真模型；根据压气机系统仿真模型进行模拟仿真，获得压气机不同运行状态的运行数据；对混合深度学习模型进行训练，并利用训练后的混合深度学习模型进行压气机无量纲喘振参数辨识，得到压气机的无量纲喘振参数辨识结果；根据压气机的无量纲喘振参数辨识结果判断压气机是否处于喘振状态；当压气机处于喘振状态时，进行退喘控制。本发明能够精准诊断压气机的喘振状态，并能够对压气机的喘振进行有效抑制，有利于压气机的稳定运行。
Description
技术领域
本发明涉及热工自动控制领域，具体涉及一种压气机的喘振诊断和抑制方法、一种压气机的喘振诊断和抑制装置。
背景技术
目前，以天然气为燃料的燃气轮机发电成为电力供应的重要技术，而压气机是燃气轮机系统中的重要组成构建，随着燃气-蒸汽联合循环发电机组的广泛使用，对压气机的运行特性和控制研究越来越多。受现场运行条件的限制，压气机无法经常进行离线扰动实验，为获得压气机动态运行特性，开展在线辨识成为设计控制系统的重要技术手段。此外，压气机在工作时容易出现不稳定的工作状态，即压气机容易进入到旋转失速和喘振状态。当压气机进入到旋转失速和喘振状态时，燃气轮机组会出现不稳定的振动，极大的影响机组的运行安全。
目前，针对压气机的喘振模型提出的一种对旋转失速和喘振的非线性反馈控制策略，控制策略简单，无法对压气机的喘振状态进行快速诊断和控制，使压气机难以迅速回归正常工作状态，影响压气机的稳定运行。
发明内容
本发明为解决上述技术问题，提供了一种压气机的喘振诊断和抑制方法、装置，能够精准诊断压气机的喘振状态，并能够对压气机的喘振进行有效抑制，有利于压气机的稳定运行。
本发明采用的技术方案如下：
一种压气机的喘振诊断和抑制方法，包括以下步骤：建立面向压气机喘振动态行为的压气机系统仿真模型；根据所述压气机系统仿真模型进行模拟仿真，获得所述压气机不同运行状态的运行数据，其中，所述运行数据的一部分作为训练数据集、另一部分作为运行数据集；通过所述训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对所述运行数据集进行压气机无量纲喘振参数辨识，得到所述压气机的无量纲喘振参数辨识结果；根据所述压气机的无量纲喘振参数辨识结果判断所述压气机是否处于喘振状态；当所述压气机处于喘振状态时，进行退喘控制。
另外，根据本发明提出的压气机的喘振诊断和抑制方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述运行数据包括所述压气机的进气压力、进气流量、出口压力、出口流量、出口压升系数、出口流量系数和无量纲喘振参数。
根据本发明的一个实施例，所述混合深度学习模型包含两层结构，第一层结构为长短期记忆神经网络LSTM（Long Short-Term Memory），第二层结构为高斯过程回归GPR（Gaussian Process Regression）。
根据本发明的一个实施例，通过所述训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对所述运行数据集进行压气机无量纲喘振参数辨识，具体包括：将所述训练数据集中的所述出口压升系数和所述出口流量系数作为输入变量、所述训练数据集中的所述无量纲喘振参数作为输出变量，并对所述输入变量和所述输出变量进行归一化处理；利用归一化后的训练数据集对所述混合深度学习模型进行训练；将所述运行数据集中所述压气机的进出口压力和流量输入到训练后的混合深度学习模型的长短期记忆神经网络LSTM，输出所述运行数据集的无量纲喘振参数的第一次估计值，并将所述第一次估计值输入训练后的高斯过程回归GPR，输出无量纲喘振参数的第二次估计值，以及将所述第二估计值作为所述压气机的无量纲喘振参数辨识的辨识结果。
根据本发明的一个实施例，采用基于扰动实时观测的主动控制系统，使用ESO（Extended State Observer，扩张状态观测器）对所述压气机喘振的扰动实时观测的主动控制系统的总扰动进行估计，通过反馈控制来消除，以达到抗扰的目的，令所述压气机的出口流量和压力趋于稳定，以实现脱喘控制，其中，进行扰动实时观测的扰动实时观测器的具体形式为：
其中，是状态观测器的观测增益，/>是设计的输入增益，/>和/>被用于反馈控制设计，观测状态/>是误差估计的总和，/>为输入控制量，y为被控系统的输出；所述扰动实时观测的主动控制系统的表达式为：
其中，为无量纲的流量系数，/>为无量纲的时间，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为节流参数，为和压气机有关的常数。
一种压气机的喘振诊断和抑制装置，包括：建模模块，用于建立面向压气机喘振动态行为的压气机系统仿真模型；模拟仿真模块，用于根据所述压气机系统仿真模型进行模拟仿真，获得所述压气机不同运行状态的运行数据，其中，所述运行数据的一部分作为训练数据集、另一部分作为运行数据集；辨识模块，用于通过所述训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对所述运行数据集进行压气机无量纲喘振参数辨识，得到所述压气机的无量纲喘振参数辨识结果；判断模块，用于根据所述压气机的无量纲喘振参数辨识结果判断所述压气机是否处于喘振状态；控制模块，用于当所述压气机处于喘振状态时，进行退喘控制。
另外，根据本发明提出的压气机的喘振诊断和抑制装置还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述运行数据包括所述压气机的进气压力、进气流量、出口压力、出口流量、出口压升系数、出口流量系数和无量纲喘振参数。
根据本发明的一个实施例，所述混合深度学习模型包含两层结构，第一层结构为长短期记忆神经网络LSTM，第二层结构为高斯过程回归GPR。
根据本发明的一个实施例，辨识模块具体用于：将所述训练数据集中的所述出口压升系数和所述出口流量系数作为输入变量、所述训练数据集中的所述无量纲喘振参数作为输出变量，并对所述输入变量和所述输出变量进行归一化处理；利用归一化后的训练数据集对所述混合深度学习模型进行训练；将所述运行数据集中所述压气机的进出口压力和流量输入到训练后的混合深度学习模型的长短期记忆神经网络LSTM，输出所述运行数据集的无量纲喘振参数的第一次估计值，并将所述第一次估计值输入训练后的高斯过程回归GPR，输出无量纲喘振参数的第二次估计值，以及将所述第二估计值作为所述压气机的无量纲喘振参数辨识的辨识结果。
根据本发明的一个实施例，所述控制模块具体包括基于扰动实时观测的主动控制系统，使用ESO对所述压气机喘振的扰动实时观测的主动控制系统的总扰动进行估计，通过反馈控制来消除，以达到抗扰的目的，令所述压气机的出口流量和压力趋于稳定，以实现脱喘控制，其中，进行扰动实时观测的扰动实时观测器的具体形式为：
其中，是状态观测器的观测增益，/>是设计的输入增益，/>和/>被用于反馈控制设计，观测状态/>是误差估计的总和，/>为输入控制量，y为被控系统的输出；所述扰动实时观测的主动控制系统的表达式为：
其中，为无量纲的流量系数，/>为无量纲的时间，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为节流参数，为和压气机有关的常数。
本发明的有益效果：
本发明采用混合深度学习模型进行压气机的无量纲喘振参数辨识，能够精准诊断压气机的喘振状态，在压气机处于喘振状态时进行退喘控制，能够对压气机的喘振进行有效抑制，有利于压气机的稳定运行。
附图说明
图1为本发明实施例的压气机的喘振诊断和抑制方法的流程图；
图2为本发明一个实施例的训练混合深度学习模型进行压气机无量纲喘振参数辨识的流程图；
图3为本发明一个实施例的混合深度学习模型结构图；
图4为本发明一个实施例的压缩机正常运行时压力系数和流量系数随时间变化图；
图5为本发明一个实施例的压缩机正常运行时混合深度学习模型对压气机无量纲喘振参数的辨识结果；
图6为本发明一个实施例的压缩机发生喘振时压力系数和流量系数随时间变化图；
图7为本发明一个实施例的压缩机发生喘振时混合深度学习模型对压气机无量纲喘振参数的辨识结果；
图8为本发明一个实施例的压气机发生喘振时压力系数和流量系数形成的喘振环图；
图9为本发明一个实施例的扰动实时观测的主动控制系统控制器的结构框图；
图10为本发明一个实施例的压气机处于喘振时不同控制方案控制效果对比图；
图11为本发明一个实施例的压气机连续工作时不同控制方案控制效果对比图；
图12为本发明实施例的压气机的喘振诊断和抑制装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例的压气机的喘振诊断和抑制方法，包括以下步骤:
S1，建立面向压气机喘振动态行为的压气机系统仿真模型。
具体地，可根据质量和动量守恒定律，分析压气机内部各部件的过程特性和机理，推导得到数学微分方程，建立把压气机流量、压升、扰动波振幅耦合到一起的非线性动力学模型，表达式为：
其中，为无量纲的流量系数，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为时间参数，/>为节流参数，/>为流量扰动的一次谐波振幅，/>为和压气机有关的常数，/>为节流特性函数。其中，压气机节流特性的表达式为：
当压气机进气量减少时，压气机的内部气流会出现一个周向旋转的扰动波，这个扰动波的存在会在压气机叶片前段造成堵塞，增加气流攻角，从而产生气流分离，压气机进入到旋转失速状态。旋转失速进一步发展，压气机内气流会出现全流程的大振幅的轴向振动，进入到喘振状态，此时周向扰动消失，方程中会变为0。因此，非线性动力学模型的表达式通过转化可获得面向压气机喘振动态行为的压气机系统仿真模型，其表达式为：
根据实际的工况，参数取值可为：，/>，/>，/>，/>。
需要说明的是，对于没有加入控制的模型，压气机系统的动力学行为主要受到节流参数以及无量纲喘振参数B的影响。在节流参数/>一定的情况下，系统中存在一个临界的无量纲喘振参数/>，当/>时，压气机会进入到喘振状态，而/>时，压气机处于正常运行状态。压气机一旦进入到喘振状态，则会在内部出现周期性的往复振动，对应着系统出现周期振动的情形。这种振动是大振幅、低频率的振动，对压气机的安全工作危害很大，因此在压气机运行时需要避免压气机长期处于喘振状态。
S2，根据压气机系统仿真模型进行模拟仿真，获得压气机不同运行状态的运行数据，其中，运行数据的一部分作为训练数据集、另一部分作为运行数据集。
在本发明的一个实施例中，运行数据包括压气机的进气压力、进气流量、出口压力、出口流量、出口压升系数、出口流量系数和无量纲喘振参数。
具体地，在压气机工作范围内，将压气机的进气压力和流量设置成合理的随机变化的数值，用来模拟现场运行时加负荷和甩负荷情况，以获取压气机的其他运行状态下的数据。根据压气机的动态过程机理分析以及压气机现场运行情况，可确定对于压气机稳定运行最重要的也是最显著可以判断压气机是否运行正常的参数，即无量纲喘振参数。调整无量纲喘振参数/>的数值范围为涵盖实际值（根据压气机的实际情况确定）的一个较大范围，利用压气机的进气压力、进气流量和无量纲喘振参数/>模拟压气机的现场运行情况，得到模拟结果（包括压气机的出口压力、出口流量、出口压升系数、出口流量系数）作为其他运行数据。
在本发明的一个实施例中，压气机系统仿真模型模拟仿真获得的压气机临界无量纲喘振参数。
S3，通过训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对运行数据集进行压气机无量纲喘振参数辨识，得到压气机的无量纲喘振参数辨识结果。
在本发明的一个实施例中，混合深度学习模型可包含两层结构，第一层结构为长短期记忆神经网络LSTM，第二层结构为高斯过程回归GPR。
在本发明的一个实施例中，如图2所示，步骤S3具体包括：
S301，将训练数据集中的出口压升系数和出口流量系数作为输入变量、训练数据集中的无量纲喘振参数作为输出变量，并对输入变量和输出变量进行归一化处理。
S302，利用归一化后的训练数据集对混合深度学习模型进行训练。
具体如图3所示，训练数据集可分为训练用数据和测试用数据，图中，，/>，…，/>分别代表训练用数据的m个输入变量，/>，/>，…，/>分别代表训练用数据的m个输出变量，/>，/>，…，/>分别代表训练用数据输入变量输入LSTM后获取的m个第一次辨识值，/>，/>，…，/>分别代表测试用数据的n个输入变量，/>，/>，…，/>分别代表测试用数据输入变量输入LSTM后获取的n个第一次辨识值，/>，/>，…，/>分别代表测试用数据的个输出变量，/>，/>，…，/>分别代表测试用数据输入GPR后获取的n个第二次辨识值。训练用数据可用于对混合深度学习模型进行网络训练和权重系数学习，测试用数据可用于确定混合深度学习模型的最优权重系数，由此构成对压气机动态过程的无量纲喘振参数辨识的混合深度学习模型。其中，训练数据集的压升系数和流量系数作为长短期记忆神经网络LSTM的输入变量，对应的压气机的运行参数作为输出变量训练LSTM；将LSTM获取的无量纲喘振参数第一次估计值作为高斯过程回归GPR的输入变量，对应的压气机的运行参数作为GPR模型的输出变量训练GPR模型。
应当理解的是，由于LSTM在处理非线性复杂数据方面具有一定的优势，可采用LSTM进行压气机无量纲喘振参数的辨识。但LSTM只能提供点估计结果，无法提供压气机无量纲喘振参数的不确定性范围估计，因此采用GPR的二次估计获取压气机无量纲喘振参数区间范围估计。将LSTM和GPR相结合，既能保留LSTM处理时序数据的优势，又能结合GPR解决高维和非线性问题以及得到结果不确定性范围的能力，因此基于LSTM和GPR的混合深度学习模型（LSTM-GPR）可以获得精确的点估计和可靠的置信区间范围。
S303，将运行数据集中压气机的进出口压力和流量输入到训练后的混合深度学习模型的长短期记忆神经网络LSTM，输出运行数据集的无量纲喘振参数的第一次估计值，并将第一次估计值输入训练后的高斯过程回归GPR，输出无量纲喘振参数的第二次估计值，以及将第二估计值作为压气机的无量纲喘振参数辨识的辨识结果。
S4，根据压气机的无量纲喘振参数辨识结果判断压气机是否处于喘振状态。
具体地，当压气机的无量纲喘振参数超过压气机临界无量纲喘振参数/>，混合深度学习模型对压气机的无量纲喘振参数辨识结果出现周期性波动，并且压气机的流量系数和压力系数关系图出现极限环时，即可判断压气机进入了喘振区（即压气机处于喘振状态）。
下面结合图4-8图说明如何判断压气机是否处于喘振状态：当时，压气机处于正常运行状态，压气机的压力和流量变化如图4所示，此时混合深度学习模型对压气机无量纲喘振参数的辨识结果如图5所示；而/>时，压气机会进入到喘振状态，压气机的压力和流量变化图如图6所示，此时混合深度学习模型对压气机无量纲喘振参数的辨识结果如图7所示存在周期波动的现象，并且压气机的流量系数和压力系数关系图出现极限环如图8所示。由此可见，压气机临界无量纲喘振参数/>可以用于判断压气机是否处于喘振状态，当压气机处于喘振状态时，混合深度学习模型对压气机无量纲喘振参数的辨识结果以及压气机的流量系数和压力系数关系图相较压气机处于正常运行状态时具有显著特点。因此在压气机的无量纲喘振参数辨识结果大于临界参数值，出现周期性波动，并且压气机的流量系数和压力系数关系图出现极限环时，即可判断压气机处于喘振状态。
S5，当压气机处于喘振状态时，进行退喘控制。
在本发明的一个实施例中，可采用基于扰动实时观测的主动控制系统，使用ESO对压气机喘振的扰动实时观测的主动控制系统的总扰动进行估计，通过反馈控制来消除，以达到抗扰的目的，在抑制压气机的喘振状态时，令压气机的出口流量和压力趋于稳定，以实现脱喘控制，其中，进行扰动实时观测的扰动实时观测器的具体形式为：
其中，是状态观测器的观测增益，/>是设计的输入增益，/>和/>被用于反馈控制设计，观测状态/>是误差估计的总和，/>为输入控制量，y为被控系统的输出；
在本发明的一个实施例中，观测增益可以被描述为：
其中，为观测器带宽。
在本发明的一个实施例中，如图9所示，控制器的表达式可以设计为：
其中，为设定的压气机稳定工作时的压气机的压升值，/>为比例器增益。控制器根据表达式对压气机进行反馈控制，消除系统的总扰动。
扰动实时观测的主动控制系统的表达式为：
其中，为无量纲的流量系数，/>为无量纲的时间，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为节流参数，为和压气机有关的常数。
下面结合一个具体实施例体现采用扰动实时观测的主动控制系统进行退喘控制的效果。
如图10所示，当无量纲喘振参数时，压气机已经处于中度的喘振状态，压气机的压力和流量的变化满足周期的振动规律且振动幅度较大，未施加控制时压气机的压力振幅为0.5，流量振幅为0.4，而施加非线性反馈控制后，压气机的压力和流量的周期振动振幅变小，压力振幅为0.25，流量振幅为0.2。非线性反馈控制方案虽然减小了压气机喘振的振幅，但是并没有完全使得压力和流量趋向于稳定值，难以实现退喘的目的。而扰动实时观测的主动控制系统则可以通过调节控制量，来补偿压气机的节流参数，从而使得压气机出口的流量增大，抑制住压气机的喘振状态，实现退喘的目的。
在实际工作中，压气机的工作时间点在不断的变化，工作状态也在不断的变化。压气机是一种非线性的工业设备，其中包含不可预测的不确定性。因此在模拟仿真过程中，设计使压气机从正常的工作状态缓慢的进入喘振状态，然后加入控制器，观察测试扰动实时观测的主动控制系统对压气机喘振状态的控制效果。如图11所示，时间系数超过100后，压气机进入喘振状态，此时压气机的压力出现了巨大的振动。时间系数超过300后，加入控制器，并且同时使用PID控制方案、非线性反馈控制方案以及扰动实时观测的主动控制系统的控制方案，比较控制效果。其中，PID和扰动实时观测的主动控制控制器的控制效果相对精准，出口压力稳定在一个较好的数值，而非线性反馈控制器最终降低了压气机的出口压力，压气机的压升值不大，不利于压气机的正常工作。从控制速率上来说，PID和非线性反馈控制器的控制速率较慢，扰动实时观测的主动控制系统更快的抑制住了压气机的喘振状态。
综上所述，扰动实时观测的主动控制系统通过较好的控制器设计，快速地抑制住了压气机的喘振状态，使得压气机的出口流量和压力达到稳定，并且不降低压气机的压升，还加大压气机的流量，不会损失压气机的工作范围，能够使压气机迅速回归正常工作状态，有利于压气机的稳定运行。
根据本发明实施例的压气机的喘振诊断和抑制方法，采用混合深度学习模型进行压气机的无量纲喘振参数辨识，能够精准诊断压气机的喘振状态，在压气机处于喘振状态时进行退喘控制，能够对压气机的喘振进行有效抑制，有利于压气机的稳定运行。
对应上述实施例的压气机的喘振诊断和抑制方法，本发明还提出一种压气机的喘振诊断和抑制装置。
如图12所示，本发明实施例的压气机的喘振诊断和抑制装置包括建模模块100、模拟仿真模块200、辨识模块300、判断模块400和控制模块500。建模模块100用于建立面向压气机喘振动态行为的压气机系统仿真模型；模拟仿真模块200，模拟仿真模块200用于根据压气机系统仿真模型进行模拟仿真，获得压气机不同运行状态的运行数据，其中，运行数据的一部分作为训练数据集、另一部分作为运行数据集；辨识模块300用于通过训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对运行数据集进行压气机无量纲喘振参数辨识，得到压气机的无量纲喘振参数辨识结果；判断模块400用于根据压气机的无量纲喘振参数辨识结果判断压气机是否处于喘振状态；控制模块500用于当压气机处于喘振状态时，进行退喘控制。
在本发明的一个实施例中，建模模块100可根据质量和动量守恒定律，分析压气机内部各部件的过程特性和机理，推导得到数学微分方程，建立把压气机流量、压升、扰动波振幅耦合到一起的非线性动力学模型，表达式为：
其中，为无量纲的流量系数，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为时间参数，/>为节流参数，/>为流量扰动的一次谐波振幅，/>为和压气机有关的常数，/>为节流特性函数。其中，压气机节流特性的表达式为：
当压气机进气量减少时，压气机的内部气流会出现一个周向旋转的扰动波，这个扰动波的存在会在压气机叶片前段造成堵塞，增加气流攻角，从而产生气流分离，压气机进入到旋转失速状态。旋转失速进一步发展，压气机内气流会出现全流程的大振幅的轴向振动，进入到喘振状态，此时周向扰动消失，方程中会变为0。因此，非线性动力学模型的表达式通过转化可获得面向压气机喘振动态行为的压气机系统仿真模型，其表达式为：
根据实际的工况，参数取值可为：，/>，/>，/>，/>。
需要说明的是，对于没有加入控制的模型，压气机系统的动力学行为主要受到节流参数以及无量纲喘振参数B的影响。在节流参数/>一定的情况下，系统中存在一个临界的无量纲喘振参数/>，当/>时，压气机会进入到喘振状态，而/>时，压气机处于正常运行状态。压气机一旦进入到喘振状态，则会在内部出现周期性的往复振动，对应着系统出现周期振动的情形。这种振动是大振幅、低频率的振动，对压气机的安全工作危害很大，因此在压气机运行时需要避免压气机长期处于喘振状态。
在本发明的一个实施例中，模拟仿真模块200获得的运行数据可包括压气机的进气压力、进气流量、出口压力、出口流量、出口压升系数、出口流量系数和无量纲喘振参数。
具体地，模拟仿真模块200可在压气机工作范围内，将压气机的进气压力和流量设置成合理的随机变化的数值，用来模拟现场运行时加负荷和甩负荷情况，以获取压气机的其他运行状态下的数据。根据压气机的动态过程机理分析以及压气机现场运行情况，可确定对于压气机稳定运行最重要的也是最显著可以判断压气机是否运行正常的参数，即无量纲喘振参数。调整无量纲喘振参数/>的数值范围为涵盖实际值（根据压气机的实际情况确定）的一个较大范围，利用压气机的进气压力、进气流量和无量纲喘振参数/>模拟压气机的现场运行情况，得到模拟结果（包括压气机的出口压力、出口流量、出口压升系数、出口流量系数）作为其他运行数据。
在本发明的一个实施例中，压气机系统仿真模型模拟仿真获得的压气机临界无量纲喘振参数。
在本发明的一个实施例中，辨识模块300中进行训练和用于无量纲喘振参数辨识的混合深度学习模型可包含两层结构，第一层结构为长短期记忆神经网络LSTM，第二层结构为高斯过程回归GPR。
在本发明的一个实施例中，辨识模块300具体可用于：将训练数据集中的出口压升系数和出口流量系数作为输入变量、训练数据集中的无量纲喘振参数作为输出变量，并对输入变量和输出变量进行归一化处理；利用归一化后的训练数据集对混合深度学习模型进行训练；将运行数据集中压气机的进出口压力和流量输入到训练后的混合深度学习模型的长短期记忆神经网络LSTM，输出运行数据集的无量纲喘振参数的第一次估计值，并将第一次估计值输入训练后的高斯过程回归GPR，输出无量纲喘振参数的第二次估计值，以及将第二估计值作为压气机的无量纲喘振参数辨识的辨识结果。
在本发明的一个实施例中，如图3所示，训练数据集可分为训练用数据和测试用数据，训练用数据可用于对混合深度学习模型进行网络训练和权重系数学习，测试用数据可用于确定混合深度学习模型的最优权重系数，由此构成对压气机动态过程的无量纲喘振参数辨识的混合深度学习模型。其中，训练数据集的压升系数和流量系数作为长短期记忆神经网络LSTM的输入变量，对应的压气机的运行参数作为输出变量训练LSTM；将LSTM获取的无量纲喘振参数第一次估计值作为高斯过程回归GPR的输入变量，对应的压气机的运行参数作为GPR模型的输出变量训练GPR模型。
应当理解的是，由于LSTM在处理非线性复杂数据方面具有一定的优势，可采用LSTM进行压气机无量纲喘振参数的辨识。但LSTM只能提供点估计结果，无法提供压气机无量纲喘振参数的不确定性范围估计，因此采用GPR的二次估计获取压气机无量纲喘振参数区间范围估计。将LSTM和GPR相结合，既能保留LSTM处理时序数据的优势，又能结合GPR解决高维和非线性问题以及得到结果不确定性范围的能力，因此基于LSTM和GPR的混合深度学习模型（LSTM-GPR）可以获得精确的点估计和可靠的置信区间范围。
在本发明的一个实施例中，当压气机的无量纲喘振参数超过压气机临界无量纲喘振参数/>，混合深度学习模型对压气机的无量纲喘振参数辨识结果出现周期性波动，并且压气机的流量系数和压力系数关系图出现极限环时，判断模块400即可判断压气机进入了喘振区（即压气机处于喘振状态）。
下面结合图4-8图说明如何判断压气机是否处于喘振状态：当时，压气机处于正常运行状态，压气机的压力和流量变化如图4所示，此时混合深度学习模型对压气机无量纲喘振参数的辨识结果如图5所示；而/>时，压气机会进入到喘振状态，压气机的压力和流量变化如图6所示，此时混合深度学习模型对压气机无量纲喘振参数的辨识结果如图7所示存在周期波动的现象，并且压气机的流量系数和压力系数关系图出现极限环如图8所示。由此可见，压气机临界无量纲喘振参数/>可以用于判断压气机是否处于喘振状态，当压气机处于喘振状态时，混合深度学习模型对压气机无量纲喘振参数的辨识结果以及压气机的流量系数和压力系数关系图相较压气机处于正常运行状态时具有显著特点。因此在压气机的无量纲喘振参数辨识结果大于临界参数值，出现周期性波动，并且压气机的流量系数和压力系数关系图出现极限环时，即可判断压气机处于喘振状态。
在本发明的一个实施例中，控制模块500具体可包括基于扰动实时观测的主动控制系统，使用ESO对压气机喘振的扰动实时观测的主动控制系统的总扰动进行估计，通过反馈控制来消除，以达到抗扰的目的，在抑制压气机的喘振状态时，令压气机的出口流量和压力趋于稳定，以实现脱喘控制，其中，进行扰动实时观测的扰动实时观测器的具体形式为：
其中，是状态观测器的观测增益，/>是设计的输入增益，/>和/>被用于反馈控制设计，观测状态/>是误差估计的总和，/>为输入控制量，y为被控系统的输出；
在本发明的一个实施例中，观测增益可以被描述为：
其中，为观测器带宽。
在本发明的一个实施例中，如图9所示，控制器的表达式可以设计为：
其中，为设定的压气机稳定工作时的压气机的压升值，/>为比例器增益。控制器根据表达式对压气机进行反馈控制，消除系统的总扰动。
扰动实时观测的主动控制系统的表达式为：
其中，为无量纲的流量系数，/>为无量纲的时间，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为节流参数，为和压气机有关的常数。
下面结合一个具体实施例体现采用扰动实时观测的主动控制系统进行退喘控制的效果。
如图10所示，当无量纲喘振参数时，压气机已经处于中度的喘振状态，压气机的压力和流量的变化满足周期的振动规律且振动幅度较大，未施加控制时压气机的压力振幅为0.5，流量振幅为0.4，而施加非线性反馈控制后，压气机的压力和流量的周期振动振幅变小，压力振幅为0.25，流量振幅为0.2。非线性反馈控制方案虽然减小了压气机喘振的振幅，但是并没有完全使得压力和流量趋向于稳定值，难以实现退喘的目的。而扰动实时观测的主动控制系统则可以通过调节控制量，来补偿压气机的节流参数，从而使得压气机出口的流量增大，抑制住压气机的喘振状态，实现退喘的目的。
在实际工作中，压气机的工作时间点在不断的变化，工作状态也在不断的变化。压气机是一种非线性的工业设备，其中包含不可预测的不确定性。因此在模拟仿真过程中，设计使压气机从正常的工作状态缓慢的进入喘振状态，然后加入控制器，观察测试扰动实时观测的主动控制系统对压气机喘振状态的控制效果。如图11所示，时间系数超过100后，压气机进入喘振状态，此时压气机的压力出现了巨大的振动。时间系数超过300后，加入控制器，并且同时使用PID控制方案、非线性反馈控制方案以及扰动实时观测的主动控制系统的控制方案，比较控制效果。其中，PID和扰动实时观测的主动控制控制器的控制效果相对精准，出口压力稳定在一个较好的数值，而非线性反馈控制器最终降低了压气机的出口压力，压气机的压升值不大，不利于压气机的正常工作。从控制速率上来说，PID和非线性反馈控制器的控制速率较慢，扰动实时观测的主动控制系统更快的抑制住了压气机的喘振状态。
综上所述，扰动实时观测的主动控制系统通过较好的控制器设计，快速地抑制住了压气机的喘振状态，使得压气机的出口流量和压力达到稳定，并且不降低压气机的压升，还加大压气机的流量，不会损失压气机的工作范围，能够使压气机迅速回归正常工作状态，有利于压气机的稳定运行。
根据本发明实施例的压气机的喘振诊断和抑制装置，采用混合深度学习模型进行压气机的无量纲喘振参数辨识，能够精准诊断压气机的喘振状态，在压气机处于喘振状态时进行退喘控制，能够对压气机的喘振进行有效抑制，有利于压气机的稳定运行。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种压气机的喘振诊断和抑制方法，其特征在于，包括以下步骤：
建立面向压气机喘振动态行为的压气机系统仿真模型；
根据所述压气机系统仿真模型进行模拟仿真，获得所述压气机不同运行状态的运行数据，其中，所述运行数据的一部分作为训练数据集、另一部分作为运行数据集，所述运行数据包括所述压气机的进气压力、进气流量、出口压力、出口流量、出口压升系数、出口流量系数和无量纲喘振参数B；
通过所述训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对所述运行数据集进行压气机无量纲喘振参数B辨识，得到所述压气机的无量纲喘振参数B辨识结果，其中，所述混合深度学习模型包含两层结构，第一层结构为长短期记忆神经网络LSTM，第二层结构为高斯过程回归GPR；
根据所述压气机的无量纲喘振参数B辨识结果判断所述压气机是否处于喘振状态；
当所述压气机处于喘振状态时，进行退喘控制，
其中，通过所述训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对所述运行数据集进行压气机无量纲喘振参数B辨识，得到所述压气机的无量纲喘振参数B辨识结果，具体包括：将所述训练数据集中的所述出口压升系数和所述出口流量系数作为输入变量、所述训练数据集中的所述无量纲喘振参数B作为输出变量，并对所述输入变量和所述输出变量进行归一化处理；利用归一化后的训练数据集对所述混合深度学习模型进行训练；将所述运行数据集中所述压气机的进出口压力和流量输入到训练后的混合深度学习模型的长短期记忆神经网络LSTM，输出所述运行数据集的无量纲喘振参数B的第一次估计值，并将所述第一次估计值输入训练后的高斯过程回归GPR，输出无量纲喘振参数B的第二次估计值，以及将所述第二次估计值作为所述压气机的无量纲喘振参数B辨识的辨识结果。
2.根据权利要求1所述的压气机的喘振诊断和抑制方法，其特征在于，采用基于扰动实时观测的主动控制系统，使用扩张状态观测器对所述压气机喘振的扰动实时观测的主动控制系统的总扰动进行估计，通过反馈控制来消除，以达到抗扰的目的，令所述压气机的出口流量和压力趋于稳定，以实现脱喘控制，其中，进行扰动实时观测的扰动实时观测器的具体形式为：
，
其中，是状态观测器的观测增益，/>是设计的输入增益，/>和/>被用于反馈控制设计，观测状态/>是误差估计的总和，/>为输入控制量，y为被控系统的输出；
所述扰动实时观测的主动控制系统的表达式为：
，
其中，为无量纲的流量系数，/>为无量纲的时间，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为节流参数，/>为和压气机有关的常数。
3.一种压气机的喘振诊断和抑制装置，其特征在于，包括：
建模模块，所述建模模块用于建立面向压气机喘振动态行为的压气机系统仿真模型；
模拟仿真模块，所述模拟仿真模块用于根据所述压气机系统仿真模型进行模拟仿真，获得所述压气机不同运行状态的运行数据，其中，所述运行数据的一部分作为训练数据集、另一部分作为运行数据集，其中，所述运行数据包括所述压气机的进气压力、进气流量、出口压力、出口流量、出口压升系数、出口流量系数和无量纲喘振参数B；
辨识模块，所述辨识模块用于通过所述训练数据集对混合深度学习模型进行训练，并利用训练后的混合深度学习模型对所述运行数据集进行压气机无量纲喘振参数B辨识，得到所述压气机的无量纲喘振参数B辨识结果，其中，所述混合深度学习模型包含两层结构，第一层结构为长短期记忆神经网络LSTM，第二层结构为高斯过程回归GPR；
判断模块，所述判断模块用于根据所述压气机的无量纲喘振参数B辨识结果判断所述压气机是否处于喘振状态；
控制模块，所述控制模块用于当所述压气机处于喘振状态时，进行退喘控制，
其中，所述辨识模块具体用于：将所述训练数据集中的所述出口压升系数和所述出口流量系数作为输入变量、所述训练数据集中的所述无量纲喘振参数B作为输出变量，并对所述输入变量和所述输出变量进行归一化处理；利用归一化后的训练数据集对所述混合深度学习模型进行训练；将所述运行数据集中所述压气机的进出口压力和流量输入到训练后的混合深度学习模型的长短期记忆神经网络LSTM，输出所述运行数据集的无量纲喘振参数B的第一次估计值，并将所述第一次估计值输入训练后的高斯过程回归GPR，输出无量纲喘振参数B的第二次估计值，以及将所述第二次估计值作为所述压气机的无量纲喘振参数B辨识的辨识结果。
4.根据权利要求3所述的压气机的喘振诊断和抑制装置，其特征在于，所述控制模块具体包括基于扰动实时观测的主动控制系统，使用扩张状态观测器对所述压气机喘振的扰动实时观测的主动控制系统的总扰动进行估计，通过反馈控制来消除，以达到抗扰的目的，令所述压气机的出口流量和压力趋于稳定，以实现脱喘控制，其中，进行扰动实时观测的扰动实时观测器的具体形式为：
，
其中，是状态观测器的观测增益，/>是设计的输入增益，/>和/>被用于反馈控制设计，观测状态/>是误差估计的总和，/>为输入控制量，y为被控系统的输出；
所述扰动实时观测的主动控制系统的表达式为：
，
其中，为无量纲的流量系数，/>为无量纲的时间，/>为无量纲的压升系数，/>为与压气机特性方程相关的参数，/>为无量纲喘振参数，/>为管道平均长度，/>为节流参数，/>为和压气机有关的常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310772060.4A CN116517867B (zh) | 2023-06-28 | 2023-06-28 | 压气机的喘振诊断和抑制方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310772060.4A CN116517867B (zh) | 2023-06-28 | 2023-06-28 | 压气机的喘振诊断和抑制方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116517867A CN116517867A (zh) | 2023-08-01 |
| CN116517867B true CN116517867B (zh) | 2023-10-03 |
Family
ID=87398002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310772060.4A Active CN116517867B (zh) | 2023-06-28 | 2023-06-28 | 压气机的喘振诊断和抑制方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116517867B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118466210B (zh) * | 2024-05-28 | 2024-10-25 | 大连理工大学 | 一种基于扰动观测与补偿的航空压气机主动稳定控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112594062A (zh) * | 2020-11-13 | 2021-04-02 | 南京航空航天大学 | 面向喘振检测和消喘控制验证的仿真模拟方法 |
| CN115291509A (zh) * | 2022-06-24 | 2022-11-04 | 东南大学溧阳研究院 | 基于混合深度学习模型的燃气轮机动态参数在线辨识方法 |
| CN115356096A (zh) * | 2022-08-18 | 2022-11-18 | 西安交通大学 | 一种压缩机管网系统喘振特性研究系统和方法 |
| CN116123124A (zh) * | 2023-02-14 | 2023-05-16 | 南京航空航天大学 | 一种基于深度强化学习的压气机主动喘振控制方法及系统 |
-
2023
- 2023-06-28 CN CN202310772060.4A patent/CN116517867B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112594062A (zh) * | 2020-11-13 | 2021-04-02 | 南京航空航天大学 | 面向喘振检测和消喘控制验证的仿真模拟方法 |
| CN115291509A (zh) * | 2022-06-24 | 2022-11-04 | 东南大学溧阳研究院 | 基于混合深度学习模型的燃气轮机动态参数在线辨识方法 |
| CN115356096A (zh) * | 2022-08-18 | 2022-11-18 | 西安交通大学 | 一种压缩机管网系统喘振特性研究系统和方法 |
| CN116123124A (zh) * | 2023-02-14 | 2023-05-16 | 南京航空航天大学 | 一种基于深度强化学习的压气机主动喘振控制方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 一种航空发动机压气机喘振检测方法;申世才;雷杰;郝晓乐;;空军工程大学学报(自然科学版)(04);全文 * |
| 基于B参数的轴流压气机过失速稳定性分析;陈策, 李军;航空动力学报(05);全文 * |
| 基于临界B参数的航空发动机压气机喘振监测研究;欧阳运芳;李建兰;;流体机械(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116517867A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saxena et al. | Damage propagation modeling for aircraft engine run-to-failure simulation | |
| RU2608802C2 (ru) | Система и способ автонастройки системы сгорания топлива газовой турбины | |
| JP2009162230A (ja) | タービンに対して代替制御方式を用いてリアルタイム比較を実現する方法及びシステム | |
| CN107103167B (zh) | 针对甩负荷工况的deh调速功能诊断方法及系统 | |
| CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
| DE202017104931U1 (de) | Gefahrgassystem mit Schallwellensensoren | |
| CN116517867B (zh) | 压气机的喘振诊断和抑制方法、装置 | |
| Tsoutsanis et al. | An efficient component map generation method for prediction of gas turbine performance | |
| Panov | Gasturbolib: Simulink library for gas turbine engine modelling | |
| JP6636021B2 (ja) | 排出挙動を特定する方法 | |
| RU2562131C2 (ru) | Способ управления турбомашиной | |
| CN110516395A (zh) | 一种基于非线性模型预测的航空发动机控制方法 | |
| Hafaifa et al. | Fuzzy logic approach applied to the surge detection and isolation in centrifugal compressor | |
| Meskin et al. | Fault diagnosis of jet engines by using a multiple model-based approach | |
| CN111275320B (zh) | 一种发电机组的性能调整数据处理方法、系统和存储介质 | |
| US9909442B2 (en) | Method of controlling a position actuation system component for a gas turbine engine | |
| Loboda et al. | Nonlinear surrogate models for gas turbine diagnosis | |
| Hafaifa et al. | Fuzzy approach applied in fault detection and isolation to the compression system control | |
| CN117725700A (zh) | 基于数字孪生技术的分轴燃气轮机管理系统、方法及设备 | |
| CN116451484A (zh) | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 | |
| Barbosa et al. | Industrial gas turbine diagnostics using fuzzy logic | |
| CN114839869A (zh) | 基于高压天然气循环喷气量实时检测的adrc喷气量闭环控制方法 | |
| Liu et al. | Nonlinear model based diagnostic of gas turbine faults: a case study | |
| Bettocchi et al. | Assessment of the robustness of gas turbine diagnostics tools based on neural networks | |
| Cruz-Manzo et al. | Performance analysis of a twin shaft Industrial Gas Turbine at fouling conditions |
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 |