基于PSDNN神經網絡的穩風速控制系統的分析與應用

辛 穎，易 暉

(中國直升機設計研究所，江西 景德鎮 333001)

?

基于PSDNN神經網絡的穩風速控制系統的分析與應用

辛 穎，易 暉

(中國直升機設計研究所，江西 景德鎮 333001)

介紹采用多點靜壓落差法測量風洞試驗段的風速，并對其特點進行說明；針對低速直流式風洞穩風速控制困難，易受外部環境影響的問題，提出了一種多層前向神經元網絡PSDNN。PSDNN神經網絡的風洞穩風速控制系統不僅保留了原來的控制系統，同時還提高了穩風速控制的精度，為得到更好的試驗數據提供保障。

PSDNN神經網絡；穩風速控制系統；多點靜壓落差法

0 引言

風洞流場品質是反映風洞試驗段內氣流流動特性的關鍵因素，直接影響試驗數據的精準度。對于低速風洞，其流場品質關鍵指標包括風速、方向場、氣流溫度、湍流度、動壓穩定性等。低速風洞的穩風速控制系統是整個風洞重要的系統之一。穩風速控制系統具有大滯后、非線性、參數時變等特點，并且隨風速、開閉口模式、模型姿態角、環境等因素的變化，及運行時間的不同，風洞本身的參數都會發生變化。這是一種非常復雜的控制系統，其傳遞函數很難用精確的數學模型表達。對于直流開口式低速風洞，極易受外界環境的影響，控制艱難。在復雜系統的辨識和自適應控制中，神經網絡得到廣泛的應用，出現許多基于兩層神經網絡的PID控制方法[1]。這種方法多數是前饋神經網絡，適合靜態網絡，產生的控制信號為誤差的比例、積分和微分的線性組合。大量實踐證明，這種組合會引起快速性和超調量之間的矛盾[2]。為了克服這些缺點，本文提出了一種動態多層前向神經元網絡PSDNN，其動態特性不僅通過網絡的鏈接方式和反饋方式實現，而且還包含其內部的PSD神經元來實現反饋。

1 多點靜壓落差法測量試驗段風速的原理

在低速風洞試驗時，需要測量來流的速度或動壓，如果通過在模型前安裝風速管來測量，則會產生風速管對模型的氣動力干擾，從而影響風速測量及模型試驗數據的準確度。因此，通常采用壓強落差法來測量試驗段的風速，對于直流開口式低速風洞，可采用多點靜壓落差法[3]。

多點靜壓落差法采用兩組靜壓探頭測量反饋風速，一組放置在收縮段入口處平直部分內壁，探頭與壁面平齊，垂直于氣流方向；另外一組放置在收縮段出口處平直部分內壁，探頭的安裝和方向與前一組相同。將兩組靜壓探頭分別用管路連通做物理平均，輸入到微壓差傳感器的相應輸入端口，則微壓差傳感器的輸出端口給出靜壓差值，反饋給PLC和上位計算機，如圖1所示。多點靜壓落差法選取截面上的多點靜壓做平均，減小了由于外界環境及模型大攻角狀態引起的風速不均勻性對風速反饋值的影響。

圖1 多點靜壓落差法示意圖

在風洞收縮段入口和出口分別取B截面和A截面，在試驗段中心取C點。由于氣流在流動過程中存在能量損失，下游的氣流總壓比上游的總壓要低。利用伯努利方程及連續方程：

其中，Pi是i(A、B)截面靜壓值；vj是j(A、B、C)截面風速；ρ是空氣密度；k是壓強損失系數；Sm是m(A、B、C)截面的面積。

可得：

由式(3)可知，在風洞吹風試驗時，通過測得AB截面的靜壓落差和大氣密度，即可以得到試驗段中心的風速。

2 系統工作原理及神經網絡算法

系統運行時，由工控機發出設定信號給變頻器，驅動電機和風扇旋轉，在風洞形成氣流。在風洞入口處設置落差測壓點PA和PB，由微壓差傳感器測量截面A、B之間的壓差，不同壓差對應不同試驗段風速。壓差信號由數采板采集，經過神經網絡運算，待試驗段達到設定風速并滿足控制精度后，停止給定信號，此時采集數據。如果風速精度達不到要求，則持續給出調節信號，直到滿足風速精度。

神經網絡PSDNN是一種多層前向神經元網絡[4]，與一般多層前向神經元網絡形式相似，不同之處在于隱含層。一般多層前向神經元網絡中的神經元的輸入輸出特性是相同和靜態的，而PSDNN隱含層的神經元是由比例元、求和元和微分元組成，輸入輸出函數分別為比例、求和、微分函數，既有靜態又有動態。PSDNN的動態特性不僅是通過網絡的鏈接方式或反饋方式來實現，而且還包含PSD神經元來實現反饋，也就是說用神經網絡加快PSDNN神經元的參數來調節風速。

圖2 穩速壓控制系統原理圖

PSD神經元是2×3×1結構，包括輸入層的2個神經元(u1,u2)，隱含層的3個神經元(uP，uS，uD)和輸出層的1個神經元(uy)。輸入層接受外部信息，其中u1為對象的期望輸出，u2為對象的實際輸出。輸入層神經元經過連接權重，進入隱含層。隱含層再經過連接權值，進入一個比例神經元的輸出層，它完成整個網絡控制規律的綜合和輸出，見圖3。

輸入層(u1,u2)可表示為采樣時刻的函數(u1,u2)=[r(k),y(k)]。

隱含層(up，us,uD)表示為：

圖3 PSDNN控制結構

在神經網絡學習中，使實際輸出和理想輸出偏差絕對值最小，則權值wij正比于rij，規則為：

其中，m，d>0 ，是學習速率，z(k)是教師信號。根據隨機逼近理論，當m很小時，權值收斂于定值。

輸出層(uy)表示為：

uy(k)=w1(k)uP(k)+w2(k)us(k)+

用神經網絡作為控制系統的控制器時，權重初值的選取嚴重影響神經網絡的學習和收斂速度。因為權重初值決定了學習起點和收斂初始方向。神經網絡PSDNN按其獨特的原則選取連接權重初值，這個原則是按照單神經元自適應PSD控制算法來確定的。選取輸入層至隱含層的連接權重初值w1j=1，w2j=-1，隱含層至輸出層的連接權重分別為wj=1，r0(k)，r1(k)，則自適應PSD控制為：

(9)

(10)

其中，r0(k),r1(k)可自動調整[5]。

這為PSDNN的連接權重值指出了可行方案，單神經元自適應PSD算法已經得到廣泛使用，利用單神經元自適應PSD算法參數選取經驗，加快PSDNN的調整速率，這不一定是最優選擇，但一定是可行選擇。

穩定性是控制系統最重要的性能之一，PSDNN控制算法也必須符合穩定性要求，否則將失去使用價值。穩定性分析需要從目標函數出發，本系統的目標函數為：E(k)=0.5(r(k)-y(k))2=0.5e2(k)，權重值wi(k+1)=wi(k)-ηi?E(k)/?wi(k)。根據李雅普諾夫定理，ΔE(k)<0，系統是穩定的，于是可以得到0<η<2(PPT)-1，其中：

可見，只要學習速率滿足上式的條件，就可以保證整個系統的全局穩定性，上式不但指出了系統的收斂條件，也指明了學習步長的取值范圍，因此可以在保證系統收斂性的條件下，適當變化學習步長，以達到較好的學習效果和較快的收斂速度。

針對時變非線性系統[4]的被控對象：

取教師信號e(k)，m=0，學習速率為0.7，0.8，0.9。將基于PSDNN神經網絡算法、新型PID-NNC神經網絡控制系統[6]及新型PIDNN神經網絡控制系統[7]的仿真曲線進行對比，PSDNN的穩風速控制程序具有更穩定、精度更高、響應更快及超調小的特點(圖4，圖5)。

圖4 PID-NNC控制系統仿真曲線(上)及新型PIDNN控制系統仿真曲線(下)

3 結 論

目前已經存在LabWindows調試成功的帶死區PSDNN穩風速控制程序，獲得了令人滿意的效果，并在風洞中得到實際的應用。并且從仿真曲線和應用中看，PSDNN穩風速控制程序的自適應性更強，為在工業領域發展提供了良好的基礎。隨著神經網絡理論研究的不斷深入和控制理論的不斷發展，這種控制方法應該具有更加廣泛的工業應用前景。

圖5 PSDNN控制系統仿真曲線

[1] 朱春波，包 鋼，程樹康，等. 基于比例閥的氣動伺服系統神經網絡控制方法的研究[J].中國機械工程，2001，12(12)：1412-1414.

[2] Sun F C, Sun Z Q. Stable neural network-based adaptive control for sampled-data nonlinear systems[J]. IEEE Trans on Neural Networks, 1998，9(5)：956-968.

[3] 易 暉，熊建軍，湯永等. 多點靜壓落差法在風洞穩速壓控制系統中的分析與應用[J].直升機技術，2013(4) :60-62.

[4] 呂鵬濤，惠增宏. NF-3風洞神經網絡自適應穩風速控制系統研制[J].實驗流體力學，2009,23(4):82-86.

[5] 崔皆凡，劉 艷，李 玥，等. 基于PSD算法的神經元PID多電機同步控制[J].機床與液壓，2013, 41(19):18-21.

[6] 牛玉剛，趙建從，楊成梧. 一種新型神經網絡控制器的研究[J].系統工程與電子技術,2000，22(6):45-83.

[7] 吳志敏. 基于新型PID神經網絡的自適應控制系統研究[J].科學技術與工程，2008，1(8):76-79.

Analysis and Application of Wind Velocity Control System Based on PSDNN Neural Network

XIN Ying, YI Hui

(China Helicopter Research and Development Institute, Jingdezhen 333001, China)

This paper introduced multi-point static pressure method to measure wind velocity of wind tunnel, and described the characters. Due to the difficulties of wind speed control for low speed lineal wind tunnel low and influence of external environment, a multilayer previous neural network PSDNN was presented. The system was not only remain conventional control system, but also had higher precision, then this method ensured getting better test data.

PSDNN neural network; wind velocity control system; multi-point static pressure method

2015-09-15

辛 穎(1987-)，女，遼寧省遼陽市人，碩士，工程師，主要研究方向：風洞試驗技術。

1673-1220(2015)04-016-04

V211.74

A