基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法技术

本发明专利技术公开了一种基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法，以

【技术实现步骤摘要】
基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法


[0001]本专利技术属于工程热物理
，具体涉及一种基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法
。

技术介绍

[0002]在叶尖间隙过渡态历程设计时，机匣与轮盘
、
叶片热响应速率以及所受载荷的不同将造成转静子部件变形不协调，在过渡态历程中叶尖间隙易出现极小值点，极小值点的出现容易造成叶片磨损等危险情况
。
为保证发动机寿命
、
提高飞行安全性，可采用主动间隙控制技术对叶尖间隙进行调控
。
[0003]Andreini
等人针对
ACC
供气管路沿程流量分配展开了研究，探究了不同开孔面积
、
不同射流孔形状对
ACC
系统压力损失与流量分配的影响
。
王鹏飞等人基于上述流动换热特性，对基于冲击射流的
ACC
系统叶尖间隙调控能力进行了试验研究，通过对机匣稳态与瞬态变形的测量，验证了
ACC
系统对叶尖间隙调控的有效性
。ACC
系统的有效性已得到了大量的研究的验证，但还需要为其建立相匹配的控制系统
。
[0004]针对匹配主动控制结构的控制系统建模方面，
Mattem
等人建立了离心式压气机主动叶尖间隙控制系统，电容位移传感器对瞬态叶尖间隙进行测量与反馈，比例
‑
积分控制器对电磁执行器运动进行优化，控制压气机轴向位移，减小叶尖间隙
。Lattime
等人则是对机匣变形进行测量，以机匣变形量作为间隙变化量的反馈，再控制液压机构改变机匣变形，使得叶尖间隙处于理想值
。
[0005]然而，由于目前叶尖间隙传感器无法长期稳定的在高温工况下运行，导致控制系统无法快速获得叶尖间隙并进行反馈，这使得
ACC
系统变成了一个开环控制，导致其仍然不能很好的解决发动机过渡态历程中叶尖间隙容易出现极小值点的情况
。
针对上述问题，有学者做了相关研究
。
学者们提出建立基于叶尖间隙预估模型的叶尖间隙调控模型，以叶尖间隙预估模型替代叶尖间隙传感器，通过发动机气热参数的采集对部件变形进行预测，并反馈给控制器，对叶尖间隙调控策略进行调节，以此构成闭环控制
。
[0006]DeCastro
和
Melcher
基于零维叶尖间隙预估模型进行了机械式瞬态叶尖间隙控制系统建模，研究中主要对控制器算法进行了优化，采用线性二次高斯控制器对有噪声发动机环境下的叶尖间隙进行了调控，提升了系统的可靠性和有效性
。Kulkarni
和
Price
针对主动热控制叶尖间隙控制系统进行了建模，由于主动热控制结构部件变形计算较为复杂，叶尖间隙计算模块由外部计算程序完成，并与叶尖间隙控制器
、
发动机性能计算等模块进行系统工程建模
。
侯育军等人基于零维叶尖间隙预估模型，搭建了机械式叶尖间隙控制结构双闭环调控系统，模型采用比例
‑
积分
‑
微分控制器和模糊比例
‑
积分
‑
微分控制器两种控制器对起飞
、
加速
、
巡航等多状态叶尖间隙进行了控制
。
[0007]在上述研究中，由于机械式主动间隙控制机构动力学模型较为简单，学者们也主要对针对于机械式主动间隙控制结构建立了相关模型，针对目前常用的
ACC
控制系统，即主动热控制系统，目前鲜有研究
。
主动热控制结构模型一方面动力学系统建模困难，简单的数
学模型很难表达其复杂的变形特性，另一方面主动热控制结构计算模型计算效率较低，难以嵌入控制模型中，也进一步造成了主动调控效率不高的难题
。
此外，主动热控制系统热响应规律与整个涡轮热环境相关，受众多参数的影响，其对应的控制律设计也将更为复杂
。
[0008]得益于机器学习的发展，通过机器学习建立的叶尖间隙数学模型能够代替有限元数值仿真的计算方法来进行工程问题计算
。
同时，机器学习计算速度快
、
计算成本低，能快速的对复杂控制目标进行优化，满足实现叶尖间隙闭环控制的要求，可为机匣叶尖间隙快速调控提供支撑
。
因此，发展一套涡轮过渡态叶尖间隙智能闭环控制系统，解决过渡态历程中涡轮叶尖间隙易出现极小值点的问题，是值得完成的任务
。

技术实现思路

[0009]本专利技术的目的在于针对涡轮过渡态叶尖间隙智能闭环控制系统的需求，利用深度确定性策略梯度算法，结合长短期记忆神经网络模型，搭建了基于
LSTM
‑
DDPG
模型的过渡态叶尖间隙调控模型，该模型可以调节主动间隙控制系统冷气流量和温度的供给，通过优化机匣过渡态冷却策略，使得机匣变形响应速率与转子部件变形响应速率进行匹配，进而获得超调量较小
、
响应速度较快的过渡态叶尖间隙分布，以避免出现叶尖间隙极小值的情况，实现涡轮过渡态叶尖间隙的闭环控制，提供一种基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法；
[0010]为了实现上述目的，本专利技术采用以下技术方案：一种基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法，包括：
[0011]步骤一：基于长短期记忆神经网络模型，利用线下叶尖间隙数据库与线上机器学习模型，搭建叶尖间隙预估模型，再以叶尖间隙预估模型搭建虚拟叶尖间隙传感器；
[0012]步骤二：基于深度确定性策略梯度算法，结合步骤一中的建立的虚拟叶尖间隙传感器，搭建基于
LSTM
‑
DDPG
模型的过渡态叶尖间隙闭环控制模型；
[0013]步骤三：通过基于
LSTM
‑
DDPG
模型的过渡态叶尖间隙闭环控制模型生成机匣过渡态冷却策略，根据机匣过渡态冷却策略调节主动间隙控制系统中冷气流量和温度的供给，来优化主动间隙控制系统中冷却管阀门开度与冷却气流引气位置，从而对过渡态叶尖间隙进行调控
。
[0014]进一步地，所述步骤一中，利用叶尖间隙预估模型搭建虚拟叶尖间隙传感器，其原理如下：
[0015]f
t
＝
σ
(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0016]i
t
＝
σ
(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0017][0018][0019]O
t
＝
σ
(W
o
·...

【技术保护点】

【技术特征摘要】
1.
一种基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法，其特征在于，包括：步骤一：基于长短期记忆神经网络模型，利用线下叶尖间隙数据库与线上机器学习模型，搭建叶尖间隙预估模型，再以叶尖间隙预估模型搭建虚拟叶尖间隙传感器；步骤二：基于深度确定性策略梯度算法，结合步骤一中的建立的虚拟叶尖间隙传感器，搭建基于
LSTM
‑
DDPG
模型的过渡态叶尖间隙闭环控制模型；步骤三：通过基于
LSTM
‑
DDPG
模型的过渡态叶尖间隙闭环控制模型生成机匣过渡态冷却策略，根据机匣过渡态冷却策略调节主动间隙控制系统中冷气流量和温度的供给，来优化主动间隙控制系统中冷却管阀门开度与冷却气流引气位置，从而对过渡态叶尖间隙进行调控
。2.
根据权利要求1所述基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法，其特征在于，所述步骤一中，利用叶尖间隙预估模型搭建虚拟叶尖间隙传感器，其原理如下：
f
t
＝
σ
(W
f
·
[h
t
‑1,x
t
]+b
f
)i
t
＝
σ
(W
i
·
[h
t
‑1,x
t
]+b
i
))O
t
＝
σ
(W
o
·
[h
t
‑1,x
t
]+b
o
)h
t
＝
O
t
·
tanh(C
t
)
其中，
f
t
、i
t
与
O
t
分别为遗忘门
、
输入门与输出门计算结果，为更新的单元状态，
h
t
‑1与
h
t
分别为上一时刻隐藏状态与当前时刻计算得到的隐藏状态，
C
t
‑1与
C
t
分别为上一时刻存储的记忆与当前时刻计算得到的记忆，
W、b
分别为每个门对应的权重与偏置，下角标
f、i、O
分别代表遗忘门
、
输入门
、
输出门对应的参数，
x
t
为叶尖间隙预估模型的输入
。3.
根据权利要求1所述基于深度强化学习的涡轮过渡态叶尖间隙闭环控制方法，其特征在于，所述步骤二中利用基于深度确定性策略梯度算法对

【专利技术属性】
技术研发人员：杨超，毛军逵，杨悦，王飞龙，郭纳贤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：