本发明涉及低温风洞系统建模领域，公开了一种基于神经网络参数调度的风洞多工况建模方法，首先根据风洞运行的典型工况将的整个操作空间分解成不同局部工况下的简单局部线性区域，然后利用系统辨识方法建立每个局部区域的一阶线性模型，之后提取每个一阶线性模型的模型增益，时间常数和纯滞后作模型特征参数，并以神经网络模型作为模型特征参数的调度函数，建立低温风洞系统大范围工况下的一阶参变模型。本发明与现有方法相比，利用神经网络非线性映射能力强的特点作为时变参数的调度函数，建立了风洞系统多工况的时变模型，能更好地描述风洞模型非线性特征，模型精度更高。
1.一种基于神经网络参数调度的风洞多工况建模方法，其特征在于，包括如下步骤：S1、获取低温风洞不同工况下马赫数、总温和总压，以及压缩机转速、排气流量和液氮喷射流量数据，并经过数据预处理后作为低温风洞模型的输出和输入时间序列数据；
S2、分别设计马赫数回路、总温回路和总压回路的模型结构，根据系统辨识方法，对不同工况下的低温风洞模型进行辨识实验，得到各工况下的传递函数子模型；
S3、以不同工况下的马赫数、总温和总压作为网络输入序列，以提取传递函数子模型的特征参数作为训练输出，构建神经网络调度模型；
S4、利用神经网络调度模型计算不同时刻对应工况下模型特征参数，并对标称工况下的标称模型进行更新；
S31、对步骤S2中所得各工况下各回路的传递函数子模型进行特征抽取，将每个回路传递函数子模型在不同工况下的传递函数子模型的模型增益、时间常数、纯滞后参数作为表征该模型的特征，其中传递函数子模型如下：；
其中 表示第 个回路的第 个子模型在 时刻工况下的传递函数子模型，S是变量； 为 时刻工况下的传递函数子模型的模型增益， 为 时刻工况下的传递函数子模型的时间常数， 为 时刻工况下的传递函数子模型的纯滞后参数；
S32、对每个特征参数分别建立对应的神经网络模型，以模型增益为例，其神经网络模型为：；
， 为网络输入，即不同时刻工况下风洞系统的马赫数、总温 和总压 ， ；
别表示在 时刻工况下第 个回路的第 个子模型的模型增益、时间常数和纯滞后参数；
为输入层和隐含层节点之间的连接权值， 为隐含层和输出层之间的连接权值；
表示隐含层的输出， 表示输出层的输入， 表示非线性激活函数； 是隐含层神经元个数；
S33、对神经网络模型采用梯度下降算法进行训练最后得到基于工况的神经网络调度模型。
2.根据权利要求1所述的基于神经网络参数调度的风洞多工况建模方法，其特征在于，所述步骤S1的具体做法如下：从低温风洞控制系统现场的实时控制系统中读取记录每组工况下马赫数、总温和总压以及压缩机转速、排气流量和液氮喷射流量数据，对数据进行预处理进而形成模型辨识数据。
3.根据权利要求2所述的基于神经网络参数调度的风洞多工况建模方法，其特征在于，所述步骤S2的具体做法如下：S21、将低温风洞模型划分为马赫数回路、总温回路和总压回路的模型结构，马赫数、总温和总压由压缩机转速、液氮流量和排气流量共同影响；
S22、根据马赫数回路动态较快的特点，结合辨识实验结果，设计马赫数回路模型方案，用于对马赫数回路模型进行辨识求取；
根据总温回路特性变化较慢的特点，结合辨识实验结果和先验知识，设计总温回路模型方案，用于对总温回路模型进行辨识求取；
根据总温回路积分特性的特点，结合辨识实验结果和先验知识，设计总压回路模型方案，用于对总压回路模型进行辨识求取；
S23、根据确定的模型结构，在每个局部工况下利用系统辨识方法进行辨识实验，得到各回路在不同工况下的传递函数子模型。
4.根据权利要求3所述的基于神经网络参数调度的风洞多工况建模方法，其特征在于，所述步骤S4的具体做法如下：S41、针对 时刻工况下马赫数、总温和总压实时数据为，通过训练好的神经网络调度模型，计算出对应回路传递函数子模型在该工况下的模型增益、时间常数和纯滞后参数，即 ；
S42、利用如下公式计算当前时刻的特征参数增益与标称模型的特征参数的比值：，
其中： 为 时刻模型增益 与标称工况模型增益 的比值； 为 时刻模型时间常数 与标称工况模型时间常数 的比值； 为 时刻模型纯滞后参数 与标称工况模型纯滞后时间 的比值； 为标称工况模型增益； 为标称工况模型时间常数； 为标称工况模型纯滞后时间；标称模型为风洞标定工况下的模型；
5.根据权利要求4所述的基于神经网络参数调度的风洞多工况建模方法，其特征在于，所述步骤S3中训练的神经网络模型，对应马赫数、总温和总压各回路的传递函数子模型，每个神经网络的参数各不相同，每一个神经网络均基于现场不同工况的数据输出对应传递函数子模型在 时刻工况下模型的增益、时间常数和纯滞后参数。
基于神经网络参数调度的风洞多工况建模方法
技术领域
[0001] 本发明涉及低温风洞系统建模领域，具体讲是一种基于神经网络参数调度的风洞多工况建模方法。
背景技术
[0002] 风洞是验证空气动力学理论的关键设施，以氮气为介质低温下运行的风洞是模拟真实飞行雷诺数的有效方案。某小型低温风洞是一座由轴流式压缩机驱动的连续式闭口回流风洞，通过喷入液氮汽化吸热平衡压缩机输入的热量实现低温运行。该低温风洞基本运行原理为：压缩机驱动氮气在风洞回路中运行，为了达到设定的温度，并且平衡风洞运行时压缩机产生的热量和气流在风洞内运动摩擦产生的热量，在压缩机的上游向风洞内喷入液氮，液氮在风洞内气化并且与洞内的气体混合，实现风洞总温的控制。为了达到设定的风洞总压，在风洞稳定段的上游设计排气调节阀组，通过排气阀组调节风洞总压。压缩机参与风洞马赫数控制的全过程，在马赫数0.6～0.9，试验段下游的二喉道参与马赫数控制，在超声速区间，试验段上游的可调节喷管参与马赫数控制。马赫数、总压和总温需要在风洞的运行参数范围内精确调节，其中总温范围为110K至300K，控制精度为±0.25K，总压范围为115kPa至450kPa, 控制精度为0.2%，马赫数范围为0.15至1.3，控制精度为0.001。
[0003] 低温风洞属于典型的多变量耦合非线性系统，具有控制精度要求高、控制复杂度高且控制输入往往存在扰动从而造成控制的不确定性等特点。鉴于低温风洞系统运行过程复杂，提高风洞的控制性能一直是主要的研究方向。而对风洞控制系统研究的根本出发点，就是寻找一种既能描述风洞系统动态特性又能为风洞控制系统设计提供精确实用的数学模型。几十年来，为了更好地描述风洞模型以提高控制精度，研究了许多建模型的方法，一方面是建立机理模型但模型计算复杂度非常高，另一方面是基于数据驱动建立模型，但不能保证低温风洞系统快速稳定的要求。
发明内容
[0004] 因此，为了解决上述不足，本发明在此提供一种基于神经网络参数调度的风洞多工况建模方法，该方法能够准确描述风洞系统的模型的，满足低温风洞快速稳定的要求。
[0005] 具体的，一种基于神经网络参数调度的风洞多工况建模方法，包括如下步骤：
[0006] S1、获取低温风洞不同工况下马赫数、总温和总压回路中的压缩机转速、排气流量和液氮喷射流量数据，并经过数据预处理后作为低温风洞模型的输出和输入时间序列数据；
[0007] S2、将低温风洞系统划分为马赫数回路、总温回路和总压回路，根据各回路特点，结合先验知识设计各回路模型方法，根据系统辨识方法，对不同工况下的低温风洞各回路的线性模型进行辨识实验，得到对应的各工况下的传递函数模型；
[0008] S3、以不同工况下的马赫数、总温和总压作为网络输入序列，以提取传递函数子模型的特征参数作为训练输出，构建神经网络调度模型；
[0009] S4、最后根据实时工况条件结合神经网络模型，利用神经网络调度模型计算不同时刻对应工况下模型特征参数，并对标称工况下的标称模型进行更新。
[0010] 所述步骤S1的具体做法如下：
[0011] 从低温风洞控制系统现场的实时控制系统中读取记录每组工况下马赫数、总温和总压以及压缩机转速、排气流量和液氮喷射流量数据，对数据进行预处理进而形成模型辨识数据。
[0012] 所述步骤S2的具体做法如下：
[0013] S21、将低温风洞模型划分为马赫数回路、总温回路和总压回路的模型结构，马赫数、总温和总压由压缩机转速、液氮流量和排气流量共同影响；
[0014] S22、根据马赫数回路动态较快的特点，结合辨识实验结果，设计马赫数回路模型方案，用于对马赫数回路模型进行辨识求取；
[0015] 根据总温回路特性变化较慢的特点，结合辨识实验结果和先验知识，设计总温回路模型方案，用于对总温回路模型进行辨识求取；
[0016] 根据总温回路积分特性的特点，结合辨识实验结果和先验知识，设计总压回路模型方案，用于对总压回路模型进行辨识求取；
[0017] S23、根据确定的模型结构，在每个局部工况下利用系统辨识方法进行辨识实验，得到各回路在不同工况下的传递函数（一阶或二阶传递函数）子模型。
[0018] 所述步骤S3的具体做法如下：
[0019] S31：对步骤S2中所得各工况下各回路的传递函数子模型进行特征抽取，将每个回路传递函数子模型在不同工况下的传递函数子模型的模型增益，时间常数，纯滞后参数作为表征该模型的特征，其中传递函数子模型为：
[0020] 。
[0021] 其中 表示第 个回路的第 个子模型在 时刻工况下的传递函数子模型， 为 时刻工况下的传递函数子模型的模型增益， 为 时刻工况下的传递函数子模型的时间常数， 为 时刻工况下的传递函数子模型的纯滞后参数，S是变量。
[0022] S32：每个特征参数分别建立对应的神经网络模型，以模型增益为例，其神经网络模型为：
[0023] 。
[0024] 其中： ， ,。
[0025] 其中 为网络输入，即不同时刻工况下风洞系统的马赫数 、总温和总压 ， ；为网络输出： ，其中 ， ， 分
别表示在 时刻工况下第 个回路的第 个子模型的模型增益、时间常数和纯滞后参数；
为输入层和隐含层节点之间的连接权值， 为隐含层和输出层之间的连接权值；
表示隐含层的输出， 表示输出层的输入， 表示非线性激活函数， 是
隐含层神经元个数，优选的， 的取值为1或2或3。
[0026] S33：对网络采用梯度下降算法进行训练最后得到基于工况的调度模型。
[0027] 所述步骤S4的具体做法如下：
[0028] S 4 1 ：针 对 时 刻 工 况 下 马 赫 数 、总 温 和 总 压 实 时 数 据 为，通过训练好的神经网络调度模型，计算出对应回路传递函数子模型在该工况下的传递函数子模型的模型增益、时间常数和纯滞后参数，即；
[0029] S42、利用如下公式计算当前时刻的特征参数增益与标称模型的特征参数的比值：
[0030] 。
[0031] 其中： 为 时刻模型增益 与标称工况模型增益 的比值； 为时刻模型时间常数 与标称工况模型时间常数 的比值； 为 时刻模型纯
滞后参数 与标称工况模型纯滞后时间 的比值， 为标称工况模型增益； 为标称工况模型时间常数； 为标称工况模型纯滞后时间；标称模型为风洞标定工况下的模型。
[0032] 进一步，所述步骤S3中训练的神经网络模型有6个，对应马赫数、总温和总压各回路的子模型总数，其中每个神经网络的参数各不相同，每一个神经网络均基于现场不同工况的数据输出对应子模型在 时刻工况下模型的增益、时间常数和纯滞后参数，即：。
[0033] 与现有技术相比，本发明具有以下创新优势及显著效果：
[0034] （1）针对现有低温风洞非线性模型难以描述的问题，本发明分析了低温风洞系统非线性特点并结合基于渐近理论的辨识建模方法，利用神经网络建立了低温风洞系统非线性调度模型，根据低温风洞运行的工况数据，对风洞动态线性模型参数实现调度。
[0035] （2）针对现有低温风洞控制精度不高的问题，发明的基于神经网络参数调度的风洞多工况建模方法，能够为模型预测控制提供预测模型，且该方法能够适应风洞系统工况范围较大的特点，且随着工况变化建立的风洞多模型能够更好地描述低温风洞系统。
[0036] （3）针对低温风洞控制快速稳定的要求，本文发明的基于神经网络参数调度的风洞多工况建模方法，可以离线进行模型训练，然后投入实时模型预测控制，并随工况变化完成实时的参数调度更新模型，能够更好地满足风洞控制系统准确快速地控制要求。
附图说明
[0037] 图1是本发明的流程示意图；
[0038] 图2是神经网络模型图。
具体实施方式
[0039] 下面将结合附图1和图2对本发明进行详细说明，以下对本发明的实施方式作进一步描述。
[0040] 低温风洞属于典型的多变量耦合非线性系统，具有工况变化范围大、控制精度要求高、控制复杂度高且控制输入往往存在扰动从而造成控制的不确定性等特点。针对以上情况，本发明构造了一种基于神经网络参数调度的风洞多工况建模方法。低温风洞主要由压缩机驱动气体在风洞回路中流动，为了达到设定的温度值，并且平衡风洞运行时压缩机产生的热量和气流在风洞内运动摩擦产生的热量，在压缩机的上游向风洞内喷入液氮，液氮在风洞内气化并且与风洞内的气体混合，来降低或者平衡气流的温度。为了平衡喷入液氮后风洞内的压力，在风洞稳定段的上游，通过可控制的排气阀组调节风洞总压。压缩机参与风洞马赫数控制的全过程，同时，在试验段下游的二喉道和试验段上游的可调节喷管分别参与马赫数调节的部分过程。风洞控制系统应在风洞运行过程中对压缩机系统、液氮喷射系统、气氮排出系统，以及风洞的其他设备等进行实时控制，从而实现对风洞运行马赫数、总压、总温和模型姿态等参数的精确控制，并具有控制风洞运行马赫数、总压和温度独立变化的能力。
[0041] 步骤1：数据准备
[0042] 实验数据源自低温风洞控制系统实时数据采集，数据主要包括风洞控制系统控制目标量即风洞系统回路的总温、总压和马赫数以及风洞控制系统控制量：液氮喷射量，排气流量和压缩机转速等。
[0043] 步骤2：低温风洞系统局部线性模型辨识
[0044] 风洞控制系统是在风洞运行过程中对压缩机转速、液氮喷射流量、排气流量以及风洞的其他设备进行实时控制，从而实现对风洞运行马赫数、总压和总温以及模型姿态等参数的精确控制，并具有控制风洞运行马赫数、总压和总温独立变化的能力。根据已知的关于风洞的先验知识，本文将低温风洞系统划分为马赫数、总温和总压三个主要回路，并将辨识的模型定为马赫数、总温、总压与压缩机转速、液氮流量和排气流量之间的模型。
[0045] 已知模型的增益方向如表1所示：
[0046] 表1：已知模型的增益方向
[0047]
[0048] 步骤2.1：对马赫数回路，由于排气流量对马赫数的影响是间接的，且排气流量对马赫数子模型的模型增益小到可以忽略不计，因此对于马赫数回路采用两输入模型结构：仅考虑压缩机转速、液氮流量和马赫数之间的模型，这样既保证了马赫数回路模型辨识精度，又降低了模型的整体复杂度。
[0049] 步骤2.2：对总温回路，影响总温的主要因素是液氮流量，而压缩机转速对总温也有着较大的影响，排气流量对总温的影响较弱，因此本文对于总温回路考虑液氮流量、压缩机转速和总温之间的模型；同时，因为温度的特性变化较慢，且采样精度不高，所以采用慢采样的思想对原始数据进行重新采样。
[0050] 步骤2.3：对总压回路，排气流量为主要因素，此外液氮流量对于总压也有明显的影响，因此对于总压回路，考虑排气流量、液氮流量和总压之间的模型。在辨识过程中压力回路为积分对象，由于进行数据差分后再辨识会导致噪声增加，因此，通过慢采样起到滤波的作用。
[0051] 步骤3：构建神经网络调度模型
[0052] 由于低温风洞系统跨越的工况范围大，且不同工况下，各回路的子模型变化随工况呈非线性，因此单一工况的模型很难描述低温风洞系统。本文考虑各回路子模型阶次并不随工况变化而变化，对每个子模型抽取其传递函数模型的模型增益、时间常数和滞后参数作为模型的特征参数，构建神经网络模型对这3个模型特征参数根据工况变化进行调度。
[0053] 步骤3.1：通过步骤2得到风洞某个回路的子模型的 时刻工况下的一阶（或二阶）传递函数模型为：
[0054] 。
[0055] 其中 表示第 个回路的第 个子模型在 时刻工况下的模型， 为时刻工况下的传递函数子模型的模型增益， 为 时刻工况下的传递函数子模型的时间常数， 为 时刻工况下的传递函数子模型的纯滞后参数，S是变量；
[0056] 即该模型的特征参数序列为 。
[0057] 步骤3.2：构建神经网络模型，神经网络主要包括权重系数和偏置参数。通过步骤2可以得到3个主要回路的6个不同子模型，因为每个模型随着工况的变换其特征参数都是呈非线性变化的，因此需要建立6个如下的神经网络调度模型（如图2所示）：
[0058] 其中模型输出为：
[0059] 。
[0060] 其中：
[0061] ，
[0062] ， 。
[0063] 其中 为网络输入，即不同时刻工况下风洞系统的马赫数 、总温和总压 ， ； 为网络输出： ，其中 ， ， 分别表
示在 时刻工况下第 个回路的第 个子模型的模型增益，时间常数和纯滞后参数； 为输入层和隐含层节点之间的连接权值， 为隐含层和输出层之间的连接权值；
[0064] 表示隐含层的输出， 表示输出层的输入， 表示非线性激活函数， 是隐含层神经元个数。
[0065] 步骤3.3：对于神经网络模型训练样本为输入 和模型特征参数序列 ，取模型的误差函数为：
[0066] 。
[0067] 为了使网络的输出尽可能地接近期望的输出，采用梯度下降训练方法进行训练，权值 （k=1,2）的调整公式为：
[0068] 。
[0069] 其中， 是权值变化量， 为学习因子，若 取值很小，则误差函数变化很小，收敛速度较慢；若 取值较大，容易产生振荡或陷入局部极小点，本方法优选 。
[0070] 步骤4：利用神经网络调度模型实现模型特征参数实时调度，更新标称模型，其中标称模型为风洞标定工况下的模型。
[0071] 步骤4 .1 ：针 对 时刻工况 下马赫数 、总温和总 压实时数 据为，通过训练好的神经网络调度模型，计算出对应回路子模型在该工况下的一阶模型增益、时间常数和纯滞后参数： ;
[0072] 步骤4.2：计算当前时刻的稳态增益与标称模型的稳态增益的比值：
[0073] 。
[0074] 步骤4.3：通过增益比值对标称模型进行更新；
[0075] 。
[0076] 其中 为第 个回路的第 个子模型在 时刻工况下的模型，为 时刻模型增益 与标称工况模型增益 的比值； 为 时刻模型
时间常数 与标称工况模型时间常数 的比值； 为 时刻模型纯滞后参数
与标称工况模型纯滞后时间 的比值。
[0077] 步骤5：对于低温风洞系统包括马赫数、总温和总压三个主要回路，每个回路又分别包括两个子模型，一共6个子模型，根据步骤2建立每个回路的子模型在不同工况下的线性模型。接着按照步骤3对每个子模型建立3个神经网络模型并进行训练，实现对每个子模型的特征参数进行调度。
[0078] 本发明采用的方法可以针对大范围工况的低温风洞线性系统建立准确可靠的模型。由于低温风洞系统运行工况范围大且物理过程十分复杂，再加上实时运行系统存在很多不可测扰动，传统机理建模方法很难建立一个准确有效的模型，与之对比本方法原理简洁清晰，方便于计算机上实现，且灵活性很好，得到的风洞模型精度高能够很好的满足低温风洞实时控制快速性、稳定性等要求。
