基于深度强化学习的主动控制多风扇人工智能风洞制造技术

本发明专利技术公开了基于深度强化学习的主动控制多风扇人工智能风洞，主动控制多风扇人工智能风洞包括主动风扇、深度神经网络控制器，深度神经网络控制器向运动神经控制器输出各种用于控制主动风扇的指令，并将该指令对应下的主动风扇的参考转速形成历史控制命令集，运动神经控制器对各个主动风扇提供电机动力，获取主动风扇的实际转速，各个主动风扇在运动神经控制器的驱动下形成风场；主动控制多风扇人工智能风洞内部设置有传感器系统，传感器系统检测由主动风扇转动形成的检测风场，深度神经网络控制器连接有反馈单元；深度神经网络控制器接收来自反馈单元的试错数据以及历史控制命令集的数据，获取控制主动风扇的最佳权重参数。数。数。

【技术实现步骤摘要】
基于深度强化学习的主动控制多风扇人工智能风洞


[0001]本专利技术属于风洞
，具体涉及基于深度强化学习的主动控制多风扇人工智能风洞。

技术介绍

[0002]极端风(台风、龙卷风、下击暴流等)的瞬态风场呈现出时变均值和非平稳的波动分量，因此在带有各种被动装置(例如尖顶、粗糙度元件和障碍物)的传统边界层风洞中不容易再现。作为一种替代方案，主动控制多风扇风洞已经出现，可以有效地产生实验室规模的时空变化气流。多风扇风洞中选定位置处目标风速历史的跟踪精度取决于输入到单个风扇的控制信号，这是一个典型的参考跟踪问题，需要一个最优控制器来最小化目标风场和模拟风场之间的差异，目前采用的是模型预测控制策略(MPC)。然而，MPC策略非常简单，缺乏对每台风扇喷射的空气之间复杂流体相互作用的分析解决方案和实时预测模拟，其结果不是最优的。此外，每台风扇的控制参数(如风速、风向角)的确定涉及一个耗时的手动调整过程，由于风洞内复杂的流体动力学和非线性相互作用，传统的手工设计线性控制方案无法保证良好的性能。
[0003]深度神经网络(DNN)具有强大的函数逼近本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度强化学习的主动控制多风扇人工智能风洞，其特征在于：所述主动控制多风扇人工智能风洞基于深度强化学习算法、以及深度神经网络；所述主动控制多风扇人工智能风洞包括主动风扇(5)、深度神经网络控制器(1)，所述深度神经网络控制器(1)向运动神经控制器(3)输出各种用于控制主动风扇(5)的指令，并将该指令对应下的主动风扇(5)的参考转速形成历史控制命令集(2)，所述运动神经控制器(3)对各个主动风扇(5)提供电机动力(4)，获取主动风扇(5)的实际转速，各个所述主动风扇(5)在运动神经控制器(3)的驱动下，在主动控制多风扇人工智能风洞中形成风场；所述主动控制多风扇人工智能风洞内部设置有传感器系统(6)，所述传感器系统(6)检测由主动风扇(5)转动形成的检测风场(7)，所述深度神经网络控制器(1)连接有反馈单元(9)，所述反馈单元(9)接收来自检测风场(7)以及目标风场(8)的数据并进行函数计算；所述深度...

【专利技术属性】
技术研发人员：吴腾，李志鹏，周美华，郑晓萌，
申请(专利权)人：浙江安建智慧应急科技有限公司，
类型：发明
国别省市：