本文關鍵詞：基于神經網(wǎng)絡預測控制的低溫風洞多變量控制策略研究　出處：《中國空氣動力研究與發(fā)展中心》2016年碩士論文　論文類型：學位論文

  更多相關文章： 低溫風洞 流場 多變量 預測控制 BP神經網(wǎng)絡

【摘要】：低溫高雷諾數(shù)連續(xù)式跨聲速風洞(以下簡稱低溫風洞)主要用于開展大型飛行器在高雷諾數(shù)條件下的氣動力試驗。低溫風洞的流場控制較復雜,是個典型的非線性、多變量強耦合、時變、大滯后的系統(tǒng),流場控制策略的設計難度大,常規(guī)的風洞控制策略難以滿足設計要求,對低溫風洞流場參數(shù)多變量控制開展關鍵技術研究具有十分重要的意義。低溫風洞要求能實現(xiàn)馬赫數(shù)、總溫和總壓的精確控制,以滿足各種試驗工況的要求。馬赫數(shù)、總壓和溫度控制系統(tǒng)之間會相互耦合。在低溫亞聲速運行工況下,以馬赫數(shù)控制為例,馬赫數(shù)是由總壓和靜壓計算得到。當控制壓縮機轉速來調節(jié)馬赫數(shù)時,壓縮機轉速變化會影響到總壓控制系統(tǒng)。同樣,氣氮排出系統(tǒng)調節(jié)總壓時,也會影響到馬赫數(shù)的控制。因而,馬赫數(shù)控制系統(tǒng)與總壓控制系統(tǒng)之間相互耦合。流場溫度是通過液氮的噴入量來控制,壓縮機轉動產生的熱量和氣氮排出系統(tǒng)排出的冷量也與溫度控制系統(tǒng)密切關聯(lián)。風洞設備及金屬洞體的熱慣性,導致溫度控制滯后也是溫度調節(jié)控制策略必須考慮的因素。流場總壓受質量來流控制,所以控制溫度的液氮噴入控制系統(tǒng)與總壓控制存在關聯(lián)影響。此外,液氮的噴入量與溫度之間的關系受液氮汽化條件的影響,存在控制上的非線性、時變問題�？偠灾�,低溫風洞的變量多,耦合性強,加之非線性和時變的特點,使低溫風洞流場參數(shù)精確控制成為難題。本文以0.3m低溫風洞流場為研究對象,采用集總參數(shù)方法,以流體力學質量守恒、動量守恒、能量守恒三大方程為理論基礎,建立流場參數(shù)動態(tài)數(shù)值模型,對模型進行了初步測試,結果顯示低溫風洞的流場各控制變量具有非線性,變量之間有明顯的耦合性;獲得了0.3m低溫風洞實際運行的部分數(shù)據(jù),對模型進行了初步驗證,結果證明模型輸出與0.3m低溫風洞實際運行結果相近,可以采用此模型模擬低溫風洞動態(tài)運行過程,用于進一步的低溫風洞流場參數(shù)控制策略研究。為解決低溫風洞的流場控制問題,提出了神經網(wǎng)絡預測控制算法用于低溫風洞流場參數(shù)控制。研究了預測控制原理和神經網(wǎng)絡在線辨識算法,并將二者結合起來設計控制算法。設計了基于BP神經網(wǎng)絡模型的預測控制算法用于低溫風洞流場控制。結合低溫風洞流場的特點,提出簡化多變量計算的控制器優(yōu)化算法并設計了適合低溫風洞的變步長預測算法,提升了程序運行效率,提高了算法的可實施性。仿真結果表明,基于神經網(wǎng)絡的預測控制能滿足低溫風洞流場參數(shù)多變量控制要求,為未來實際低溫風洞建設提供了有價值的方案。
【學位授予單位】：中國空氣動力研究與發(fā)展中心
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：V211.74

【參考文獻】

相關期刊論文 前10條

1 史曉軍;;飛機雷諾數(shù)影響研究[J];科技展望;2015年08期

2 張振;牛玲;;低溫風洞的發(fā)展現(xiàn)狀與關鍵技術（英文）[J];低溫工程;2015年02期

3 廖達雄;黃知龍;陳振華;湯更生;;大型低溫高雷諾數(shù)風洞及其關鍵技術綜述[J];實驗流體力學;2014年02期

4 張培紅;周乃春;鄧有奇;馬明生;;雷諾數(shù)對飛機氣動特性的影響研究[J];空氣動力學學報;2012年06期

5 戴文戰(zhàn);婁海川;楊愛萍;;非線性系統(tǒng)神經網(wǎng)絡預測控制研究進展[J];控制理論與應用;2009年05期

6 施洪昌;;風洞測控技術展望[J];自動化與儀器儀表;2009年01期

7 張日東,王樹青;基于神經網(wǎng)絡的非線性系統(tǒng)多步預測控制[J];控制與決策;2005年03期

8 丁淑艷,李平,李東俠;基于BP網(wǎng)絡模型的非線性預測控制策略研究[J];計算機仿真;2004年12期

9 趙書軍,施洪昌,冷崇珍,呂秋榮;神經網(wǎng)絡在風洞流場馬赫數(shù)辨識中的應用研究[J];流體力學實驗與測量;2004年03期

10 陳博,錢鋒,劉漫丹;一種基于BP網(wǎng)絡的預測控制算法及其應用[J];華東理工大學學報;2003年04期

相關博士學位論文 前2條

1 張昭昭;模塊化神經網(wǎng)絡結構自組織設計方法[D];北京工業(yè)大學;2013年

2 范劍超;微粒群優(yōu)化算法與動態(tài)神經網(wǎng)絡建模預測研究[D];大連理工大學;2012年

相關碩士學位論文 前1條

1 趙書軍;基于神經網(wǎng)絡的風洞流場馬赫數(shù)自適應控制策略研究[D];國防科學技術大學;2003年

，

本文編號：1323191