一种航空发动机燃烧室性能自适应优化调控方法

本发明属于航空发动机的，具体涉及一种航空发动机燃烧室性能自适应优化调控方法。

背景技术：

1、航空发动机作为飞机的“心脏”，是飞机的重要部件之一。飞机的总体性能受到发动机工作状态及其性能的影响。随着飞机性能要求的不断提高，对航空发动机也有了更高的要求。燃烧室是航空发动机的三大部件之一，燃烧室的性能会对航空发动机的工作状态和性能产生重要影响。而燃烧室火焰燃烧的稳定性会直接影响燃烧室内的燃烧释热情况，燃烧不稳定的情况下，极易发生燃烧效率降低的情况，并伴随额外的污染物、噪声等，甚至导致严重飞行事故。目前，燃烧室性能指标获取主要依赖于cfd数值模拟或风洞试验生成的空气动力学数据，通过现有的数学模型进行计算，从而得到燃烧室性能指标。由于燃烧室性能计算中涉及到复杂的湍流燃烧和两相流等复杂数值模型，导致计算周期过长，难以实现对燃烧室性能的实时监测。另一方面，传统的燃烧稳定性判断方法，如基于火焰辐射强度、基于压力信号、基于光谱信息等判别方法有较高的成本和门槛，同时航空发动机燃烧室往往面临亚声速甚至超声速的自由流条件，对于燃烧稳定性判别的实时性稳定性提出了更高要求，传统的燃烧稳定性判别方法难以在航空发动机燃烧室中进行应用。

2、此外，在现代智能航空发动机的研发过程中，如何确保燃烧室在全包线、全域内的性能、稳定性、鲁棒性、可靠性达到最优，仍是当前研究的重点。由于燃烧室在工作中会遭遇到大范围的工况变化、显著的非线性特征以及恶劣的工作环境，这些因素都会在飞行过程中引入干扰和未建模动态。因此，所设计的航空发动机控制系统需要极强的鲁棒性。然而，传统的控制方法如pid控制，缺乏根据外界环境变化进行实时自适应控制的能力，强化学习作为机器学习的一种范式，因其强大的策略试错学习能力而越发受到关注，随着深度学习的融入，深度强化学习方法在复杂的控制任务中获得了诸多成功应用。

技术实现思路

1、本发明的目的在于针对现有技术中的上述不足，提供一种航空发动机燃烧室性能自适应优化调控方法，以解决航空发动机燃烧室燃烧不稳定、检测难、动态调节差的问题。

2、为达到上述目的，本发明采取的技术方案是：

3、一种航空发动机燃烧室性能自适应优化调控方法，其包括以下步骤：

4、s1、根据航空发动机燃烧室构型和燃烧室燃烧组织方式，确定航空发动机燃烧室的多维燃油调控参数和航空发动机的来流参数；

5、s2、根据多种来流参数工况下的多维燃油调控参数构建高维样本空间，并在设计空间内开展最优拉丁超立方抽样，均匀获取全空间内样本信息，得到样本输入参数；

6、s3、基于样本输入参数并结合地面风洞实验数据进行数据同化处理，构建多源数据融合的样本数据集；

7、s4、根据多源数据融合的样本数据集，构建基于活性子空间高斯过程回归模型as-gpr的燃烧室性能代理模型；

8、s5、根据多源数据融合的样本数据集，采用深度学习方法构建基于卷积神经网络的燃烧室燃烧不稳定性预测模型；

9、s6、基于燃烧室燃烧不稳定性预测模型，采用改进的深度强化学习方法构建燃烧室性能自适应优化调控规律系统，并嵌入燃烧室性能代理模型，进而根据强化学习智能体模块的决策动作实时预测燃烧室燃烧性能变化。

10、进一步地，s1中多维燃油调控参数包括预燃级供油流量、主燃级供油流量、主预燃级流量分配和分级比；来流参数包括飞行高度、马赫数、进口总温和进口总压。

11、进一步地，s2中最优拉丁超立方抽样方法为采用最小化最大距离准则对拉丁超立方抽样进行改进，其中，最小化最大距离准则为：

12、将样本空间内各个样本间的距离均取为在样本空间里取到的最大距离：

13、

14、式中，分别为第和个样本，为两样本的距离。

15、进一步地，s3包括以下分步骤：

16、s31、获取地面风洞实验数据，包括燃烧效率、总压损失、燃烧室内温度分布和燃烧室内压力分布；

17、s32、计算样本输入参数对应的燃烧室性能参数，并结合地面风洞实验数据，采用卡尔曼滤波法进行数据同化处理，构建多源数据融合的样本数据集。

18、进一步地，s4中利用活性子空间高斯过程回归模型as-gpr对多源数据融合的样本数据集进行特征参数学习，得到燃烧室性能参数与燃烧室输入参数间多维非线性的映射关系，即得到燃烧室性能代理模型；

19、其中，燃烧室性能代理模型为：

20、

21、式中，为燃烧室性能代理模型得到的燃烧室性能参数；为高维模型在低维子空间中的映射，即降阶模型部分；为基于高斯过程回归对非线性系统的建模过程，即回归模型部分；为均值函数；为协方差矩阵。

22、进一步地，s5包括以下分步骤：

23、s51、根据多源数据融合的样本数据集，采用数据结合机理的联合驱动方式，构建在单一来流参数工况下的嵌入物理信息神经网络模型；

24、s52、对来流参数工况进行稀释采样，并基于嵌入物理信息神经网络模型，采用迁移学习方法构建多工况燃烧室流场预测模型；

25、s53、基于燃烧室流场预测模型，采用深度学习方法构建基于卷积神经网络的燃烧室燃烧不稳定性预测模型。

26、进一步地，s51中嵌入物理信息神经网络模型包括神经网络和物理模型；

27、神经网络为卷积-长短时记忆网络，其以时间空间信息、燃烧室供油参数和来流参数为输入，输出为燃烧室对应温度场与压力场；物理模型为流体无粘流动原理的欧拉方程；

28、将流体无粘流动原理的欧拉方程嵌入到卷积-长短时记忆网络中，利用损失函数进行正则化，将隐藏在数据之间的先验知识施加到卷积-长短时记忆网络中，即得到嵌入物理信息神经网络模型；

29、其中，嵌入物理信息神经网络模型的损失函数为：

30、

31、

32、

33、式中，为神经网络的损失；为欧拉方程的自均方误差；为标签数据结果，为神经网络预测结果，n为每一轮训练迭代次数；为物理约束方程的误差；

34、在笛卡尔坐标系下，考虑质量、动量和能量守恒的物理约束方程的误差为：

35、

36、

37、

38、气体的总热力学能为：

39、

40、气体的热力学内能为：

41、

42、式中，e、f、g为无粘通量；为一个状态矢量；为控制体积内由于非对流原因产生或消失的的量；u，v，w分别表示x，y，z方向上的速度场；t为时间变量；为压力场；为气体的热力学内能；为声速；为密度场，为比热容比。

43、进一步地，s52中采用迁移学习方法构建多工况燃烧室流场预测模型包括预训练阶段和微调阶段；

44、预训练阶段：在源域中对嵌入物理信息神经网络模型进行预训练，得到并学习源域流场结构信息的底层机制，进而得到单工况燃烧室流场预测模型；

45、微调阶段：对来流参数工况进行稀释采样，并基于稀释采样后的样本数据对单工况燃烧室流场预测模型进行微调，使目标域在从源域中训练得到的知识的基础上进行目标域适应，得到多工况燃烧室流场预测模型。

46、进一步地，s6中具体采用改进深度确定性策略梯度算法构建燃烧室性能自适应优化调控规律系统；

47、其中，燃烧室性能自适应优化调控规律系统包括燃烧室燃烧不稳定性预测模型、初始化参数输入模块、强化学习智能体模块、控制目标输入模块和燃烧室不稳定性输出模块；

48、所述初始化参数输入模块将发动机燃烧室的初始状态以及运行条件参数传输给燃烧室燃烧不稳定性预测模型；所述控制目标输入模块将约束条件输入给强化学习智能体模块以完成奖励函数以及训练回合结束条件的设置；强化学习智能体模块根据执行动作的策略，输出动作指令作为燃烧室燃烧不稳定性预测模型的输入；所述燃烧室燃烧不稳定性预测模型通过燃烧室不稳定性输出模块将动作奖励回馈信号、燃烧不稳定性判别结果和训练目标条件输入至强化学习智能体模块。

49、进一步地，强化学习智能体模块基于执行者-评论家框架，并采用深度q网络和确定性策略梯度算法进行参数的更新，具体包括4个神经网络的参数更新，即actor网络、目标actor网络、critic网络和目标critic网络，参数更新对应的网络优化目标为：

50、

51、其中，

52、式中，为策略评估目标函数；为状态-动作对的值函数，即表示在状态下采取动作的预期回报；为基于参数的策略，其决定了在状态 下采取的动作；为状态-动作对的值函数，表示在状态下采取由决定的动作的预期回报；为策略优化的目标函数；为即时奖励；为价值函数的估计值；为critic网络的值函数；为critic网络参数；e为数学期望；为折扣系数；为下一个状态的最大值函数；、分别为t时刻系统的状态、动作，为系统在状态下采取动作后于t+1时刻获得的新状态。

53、本发明提供的航空发动机燃烧室性能自适应优化调控方法，具有以下有益效果：

54、本发明可实时预测燃烧室性能，实现燃烧不稳定实时监测，并在发动机燃烧室全包线内实现对油气分布及燃烧流场的自适应调控，保证燃烧室处于综合性能最优状态，从而解决现有燃烧室控制方法难以实现闭环控制且鲁棒性较差的问题，大大提高航空发动机燃烧室性能、增加燃烧室使用寿命。