基于LSTM 的試驗系統控制策略設計

吳洋，張燕華，周家林，程月華，單圣強

（1.南京航空航天大學自動化學院，江蘇南京 210000；2.中國航發四川燃氣渦輪研究院，四川綿陽 621000）

試驗系統作為發動機開發與驗證的關鍵環節，可以用于尋找發動機所需的進氣條件以及燃料條件，最終達到改善發動機設計的目的，發動機試驗時間超過其總研發周期的一半[1-3]。

國內針對試驗系統的軟件設計開展了大量相關的研究。文獻[4]針對民用航空渦扇發動機設計了壓力測試系統，有效地實現了高精度大規模壓力參數測量和采集；文獻[5]基于LabVIEW 環境，開發了衛星發動機燃燒室試驗臺測控系統，經過測試，該系統能夠有效解決燃油流量的控制問題。

現有的模型主要針對試驗系統的設計過程[6-7]，鮮有基于試驗系統的算法或策略設計。該文通過對于歷史試驗數據的分析與挖掘，開發了基于神經網絡的參數映射模型，并基于該模型設計了試驗系統智能控制策略，最終基于仿真試驗與實際試驗驗證了算法的可行性與優勢。

1 試驗系統結構與數據預處理

1.1 試驗系統結構介紹

壓強試驗系統由多組壓強傳感器、溫度傳感器反饋分段管路中的壓強、溫度值作為控制依據[8-9]，再由多級串并聯的閥門、流量孔板實現流量的控制。

壓強試驗系統的結構流程圖如圖1 所示。試驗系統通過調節各級閥門的開度使試驗平臺達到目標壓強與流量。

圖1 壓強試驗系統結構流程圖

系統建立起管道各組閥門與壓強、流量等狀態參數之間的映射模型，是后續設計智能控制策略，進而實現在管道極端環境沖擊約束條件下的系統自動化調節。該試驗系統是一個強非線性、強耦合的復雜系統，其精確解析模型難以建立，該文通過長短期記憶神經網絡（Long Short-Term Memory,LSTM）對系統進行建模。

1.2 訓練模型數據預處理

為了建立空氣系統的參數預測模型，基于對空氣系統歷史數據的分析，篩選[10]出正常運行的數據,并對數據進行中位數采樣，以提高數據的穩定性，便于模型訓練。

從采樣后的數據中識別出穩態，并提取從一個穩態到相鄰時刻下一穩態的參數變化，定義為調節過程。最后通過歸一化將數據轉變為適用于監督訓練的格式。所采用的歸一化算法為標準歸一化算法，轉換函數如下[11]：

其中，x表示未歸一化數據，x′表示歸一化后的數據。μ、σ分別為所有樣本數據的均值和標準差。歸一化后的數據服從標準正態分布，即均值為0，標準差為1。

2 預測模型神經網絡訓練

試驗臺各個工作參數穩定后，經過一次閥門開度的調節，再次穩定的各個工作參數是可預測的，據此構建預測試驗臺穩態壓力和流量的神經網絡。

2.1 LSTM神經網絡原理

該文使用LSTM 實現試驗系統參數的預測。LSTM 相較于循環神經網絡，其隱層神經元增加了三個數級控制門對單元的狀態進行更新、遺忘和輸出，完成對長時間步數據信息的提取[12-16]。

LSTM 的輸入為當前時間步的輸入數據xt、上一時間步的隱層狀態ht-1和上一時間步的單元狀態Ct-1。遺忘門的作用是確定哪些信息需要被遺棄[17]，其輸出向量ft為：

其中，Wfx和Wfh為遺忘門的連接權值。神經元的激活函數為：

輸入門通過gate 確定輸入到LSTM 單元的信息中哪些可以被添加到單元狀態中，其輸出向量it為：

在輸入門和遺忘門的共同作用下，LSTM 單元的狀態更新為：

其中，⊙表示列向量按位相乘運算。當ft中某元素為0 時，Ct-1中對應元素通過⊙運算無法傳遞到下一時刻的LSTM 單元中(這個過程稱為遺忘)；當it中的元素不為0 時，Wcx·xt+Wch·ht-1形成的新信息向量中對應元素就被添加到下一時刻的單元中(這個過程被稱為記憶)，同時，LSTM 單元狀態信息完成更新。

2.2 試驗系統神經網絡模型結構及參數

該文的LSTM 預測模型輸出具有4 個維度，包括試驗臺壓強P，試驗臺流量W，以及兩個相關壓強P1，P2，其對應的權重分別為10、10、1、1。

構建預測試驗臺穩態壓強和流量的神經網絡，神經網絡模型的參數如表1 所示。

表1 神經網絡模型參數

其輸入層和輸出層所包含的參數如圖2 所示。該模型所關注的閥門個數為9 個，分別為K1-K9。模型的輸入層包括調節前的這9 個閥門的開度、以及在當前閥門開度情況下系統穩定時的P、W、P1、P2，還包括調節前這9 個閥門最后一次調節的調節方向。

圖2 試驗系統智能控制模型圖

輸出層包括調節后穩定時的各段管道內壓強P、P1、P2以及總流量W。

3 試驗系統控制策略設計

3.1 閥門主要開度影響分析

根據壓強試驗系統結構流程圖（見圖1）可知，系統通過K1 控制進氣，通過K9 控制排氣。其他起到控制作用的K2、K3、K4、K5 位于試驗臺進氣端，K6、K7、K8 位于試驗臺放空端，此時結合實際專家經驗，可以得到閥門與壓強和流量的相關性如表2 所示。

表2 閥門與壓力和流量的相關性

3.2 試驗系統控制策略設計

該文設計了基于智能預測模型的試驗系統兩步控制策略。

第一步（粗調）：僅調節流量，暫時不調節壓強。通過調節K9、K3 和K4 三個閥門，使流量滿足一定的誤差要求。根據表2 預設閥門調節的方向，以避免反向調節。

取閥門開度調節的最小步長為1，根據目標壓強與當前壓強的關系，以預設的方向遍歷所有閥門開度的組合，以其為閥門調節后的開度，并結合當前的狀態量輸入模型進行預測，形成一張表格，表頭如表3 所示。

表3 策略查詢表頭參數

得到表格后，通過下面的規則查詢該表格，得到需要調節的閥門及調節后閥門開度的大小，即需要的策略。

①設定流量查詢容錯率為1%，即在目標流量的基礎上上下浮動1%，求得流量W的范圍（W_low，W_high），查詢表格中流量W符合該范圍的表項。

②根據流量孔板測量要求，閥門K3 所在支路的壓強與試驗臺壓強的差值P2-P不能大于250 kPa，查詢表格中符合該條件的表項。

第二步（微調）：同時調節壓強和流量，使之達到要求的精度。此時調節五個閥門：K9、K3、K4、K6、K7。

根據表2 中所述的閥門開度對試驗臺流量的正負影響，預設閥門調節的方向。

然后通過查表的方法，可以得到相應的策略，使流量和壓強同時到達允許的誤差范圍內。查表的規則除了第一步的規則，還包括如下規則：

設定壓強查詢容錯率為1%，即在目標壓強的基礎上上下浮動1%，求得壓強P的范圍（P_low，P_high），查詢表格中壓強P符合該范圍的表項。

3.3 主要技術創新點

1）針對傳統人工調節存在調節時間長、依賴經驗等難題，將人工智能算法引入管道試驗系統，實現了基于數據驅動的智能控制方案。

2）針對閥門存在死區、往復偏差等非線性問題，通過在數據樣本中提取閥門調節方向的信息，提高了控制策略的調節精度。

3）該策略可根據調節目標和當前閥門狀態，直接給出各個閥門的調節策略，實現了自動調節，相對于人工調節大大提高了效率。

4 試驗設計與算法驗證

在已開發的基于LSTM 的策略篩選算法平臺上，輸入當前壓強系統的試驗狀態以及目標狀態，該平臺可以在10 s 內給出達到目標要求的控制策略，相較于人工經驗調節所需的數分鐘時間，基于LSTM 的策略篩選算法將試驗控制效率提高了至少30%以上。

1）仿真驗證結果

設單次調節試驗中流量的目標值為Wd，策略篩選算法平臺所給策略調節后的仿真流量值為Ws，則該試驗中流量控制的誤差為：

設單次調節試驗中壓強的目標值為Pd，策略篩選算法平臺所給策略調節后的仿真壓強值為PS，則該試驗中壓強控制的誤差為：

經過仿真驗證，空氣系統模型在數據樣本充足的情況下，流量控制策略誤差結果如表4-5 所示。

表4 流量控制策略誤差表

表5 壓強控制策略誤差表

2）試驗驗證結果

在某試驗系統平臺上現場試驗，以測試該文提出的算法性能，結果如圖3-4 所示。

圖3 試驗驗證流量對比圖

圖4 試驗驗證壓強對比圖

由上述結果可知，該文所提出的控制策略在數據樣本充足的情況下，壓強和流量參數的控制誤差均在1%以內，并且相較于傳統的控制策略還有著更高的調節效率。

5 結論

該文針對發動機試驗系統進行設計，首先對于實驗系統的歷史數據進行分析[18-20]，根據參數間的耦合關系，提取數據在時序以及空間上的特征，并優化數據樣本；使用LSTM 神經網絡模型建立了空氣系統中閥門開度與狀態參數之間的映射模型，并將閥門調節方向的信息加入預測模型中，以解決閥門存在的死區、往復偏差等問題；最終依據上述理論設計了試驗系統智能控制策略，并進行了試驗測試，結果表明，所提出的算法提高了試驗空氣系統的調節效率，并保證了調節的精度。