基于神经网络的流场马赫数自适应控制策略研究赵书军施宏昌.pdfVIP

基于神经网络的流场马赫数自适应控制策略研究 赵书军 施宏昌 冷崇珍 赵书军先生，中国空气动力研究与发展中心硕士研究生；施宏昌先生，研究员； 冷崇珍女士，高级工程师。 关键词：风洞流场 神经网络 伺服控制 解耦控制 PID 控制 一 风洞流场马赫数控制概述 马赫数是反映风洞流场风速的重要参数，主要通过栅指系统以节流方式实现 马赫数控制，其基本控制原理如图1 所示。马赫数控制器(NNCPID)根据马赫数给 定值和测量值之差，确定伺服控制器的输入信号，通过伺服机构(伺服阀、油缸) 控制栅指在风洞流场中的伸缩距离调节风洞流场的马赫数。 从马赫数控制系统的结构可看出，提高其性能，应从提高反馈马赫数测量和 控制器精确度，改善内环伺服控制，确保栅指系统的快速跟随性，消除流场参数 间的耦合等方面考虑。这不但需要高精确度的测量传感器，有效的控制算法也是 必不可少的条件。 对风洞流场这一具有非线性、时变、耦合和滞后的复杂系统，要解决流场建 立的快速性、运行过程流场稳定性、鲁棒性和较高的控制精确度等问题，非常困 难。神经网络具有自学习、自适应、鲁棒性强等特点，在解决非线性系统的学习 问题上，具有一定优越性。尤其Rumelhart 、Hinton 和 Wiliams 提出的误差反传 BP(Back Propagation)训练算法，将李雅普诺夫能量函数引入神经网络，系统解决 了多层网络中隐含单元连接权的学习问题，比较适合风洞自适应过程控制中的应 用。 二 基于神经网络的马赫数自适应控制策略 1. 基于神经网络的马赫数自适应解耦控制方案 针对FL26 引射式风洞马赫数控制的特点，应用BP 神经网络技术，设计了马 赫数自适应解耦控制方案，其整体控制结构如图2 所示。 马赫数自适应解耦控制系统主要由NNCPID 、马赫数补偿解耦控制器、马赫 数辨识器NNM 、单神经元伺服控制器SNSC、执行机构(液压系统、栅指机构) 、 风洞流场等组成。 2. 系统结构与功能分析 (1)马赫数辨识的神经网络模型 马赫数辨识的神经网络模型根据流场马赫数与系统主排、栅指、总压以及模 型功角等参数之间的多维函数泛函关系，利用神经网络的非线性映射能力，辨识 出流场的实际马赫数。影响马赫数的因素包括栅指信号Sfig 、主引射压力信号Pfy 、 主排信号 Sme 等，考虑信息的速度、加速度信号的历史数据及辨识参数马赫数自 身信息M (k-1)等，神经网络的学习信号可以取为： a P={Sfig(k), Sfig(k-1), Sfig(k-2), Sme(k), Sme(k-1), Sme(k-2), Pfy(k), Pfy(k-1), Pfy(k-2), M (k-1), M (k-2)} (1) a a 式中，S (i)、S (i)、P (i)、M (i)分别为i 时刻栅指的位置传感器测量信号、 fig me fy a 主排位置传感测量信号、总压传感测量信号、马赫数辨识信号。 神经网络输入信号为11 个，即网络输入层为11 个神经元。根据HechtNielsen 、 Hopfield 等人的经验总结，当隐含层神经元数目是输入层的2 倍加1 时，BP 网络 可以逼近任意函数。对实际系统，学习信号的种类有4 种：S 、P 、S 、M ， fig fy me a 所以隐含层数目为 9 。隐含层映射函数采用S(Sigmoid)函数。由于S 函数值域为 [0, 1]，为适应参数大小匹配，须增加一个比例放大环节，因此网络应添加一个放 大输出层。构造网络拓扑结构如图3 所示。 仿真实验表明，基于上述神经网络结构的马赫数辨识结构的辨识时间可以达 到t=0.1ms ，辨识精确度从原来的δ1=0.2%提高到δ2=0.01% 。 (2)外环控制器NNCPID 外环控制器主要解决马赫数给定与流场实际马赫数输出之间的控制问题，其 学习信号为马赫数预测值和马赫数计算测量值，利用神经网络与PID 算法相结合 的方法，实现了马赫数精确控制。马赫数自适应控制器，采用PID 算法和神经网 络的结合，汲取各自优点，构造出神经形态自适应控制器，根