基于數(shù)據(jù)的燃?xì)廨啓C(jī)建模與控制技術(shù)概述

張兆宇，劉尚明

(清華大學(xué) 能源與動(dòng)力工程系 熱科學(xué)與動(dòng)力工程教育部重點(diǎn)實(shí)驗(yàn)室，北京 100084)

建模與控制技術(shù)在燃?xì)廨啓C(jī)運(yùn)行過(guò)程中扮演著重要角色，對(duì)于運(yùn)行優(yōu)化、節(jié)能、延長(zhǎng)設(shè)備運(yùn)行壽命有重要意義。在燃?xì)廨啓C(jī)透平進(jìn)口初溫持續(xù)提升，機(jī)組啟停和調(diào)峰要求日益提高的背景下，對(duì)模型與控制系統(tǒng)的要求也隨之提高。

傳統(tǒng)燃?xì)廨啓C(jī)建模方式基于工作機(jī)理，通過(guò)參數(shù)間的數(shù)學(xué)關(guān)系建立所需模型。但燃?xì)廨啓C(jī)非線性程度高，運(yùn)行工況范圍大，大部分時(shí)間在非設(shè)計(jì)工況點(diǎn)運(yùn)行，且在長(zhǎng)期運(yùn)行過(guò)程中部件特性會(huì)因退化發(fā)生偏移。傳統(tǒng)機(jī)理模型難以在大范圍運(yùn)行工況點(diǎn)保持較高的計(jì)算精度，且模型隨部件特性變化進(jìn)行更新的難度較大，存在一定的局限性。

在控制領(lǐng)域，傳統(tǒng)比例-積分-微分(PID)控制仍然是實(shí)際燃?xì)廨啓C(jī)機(jī)組使用的最主要的控制方式，結(jié)構(gòu)簡(jiǎn)單，容易實(shí)現(xiàn)。但燃?xì)廨啓C(jī)非線性、時(shí)變的特點(diǎn)使得PID控制的效果不盡如人意。此外，其他現(xiàn)代控制理論大部分也基于數(shù)學(xué)模型，在自適應(yīng)方面同樣存在缺陷。

在上述背景下，基于數(shù)據(jù)的燃?xì)廨啓C(jī)建模與控制方法以運(yùn)行數(shù)據(jù)作為實(shí)現(xiàn)的基礎(chǔ)，通過(guò)對(duì)機(jī)組運(yùn)行數(shù)據(jù)的學(xué)習(xí)，使模型逼近系統(tǒng)特性，對(duì)系統(tǒng)進(jìn)行描述，掌握機(jī)組的最佳控制策略。這一方式在大范圍工況的計(jì)算精度、模型復(fù)雜度、更新速度等方面優(yōu)于傳統(tǒng)的數(shù)學(xué)模型，具有廣闊的研究前景。計(jì)算機(jī)性能的提升與商業(yè)軟件的開(kāi)發(fā)也為數(shù)據(jù)方法提供了應(yīng)用基礎(chǔ)。

本文將從建模與控制兩方面對(duì)國(guó)內(nèi)外數(shù)據(jù)方法在燃?xì)廨啓C(jī)中的研究現(xiàn)狀進(jìn)行介紹，為我國(guó)燃?xì)廨啓C(jī)模型的構(gòu)建與控制系統(tǒng)的設(shè)計(jì)提供借鑒與參考。

1 基于數(shù)據(jù)的人工智能技術(shù)

隨著人工智能學(xué)科的發(fā)展，利用計(jì)算機(jī)模仿人類對(duì)系統(tǒng)進(jìn)行辨識(shí)、建模和預(yù)測(cè)的數(shù)據(jù)方法在各工業(yè)領(lǐng)域中有著廣泛的應(yīng)用。借助機(jī)器學(xué)習(xí)的方式，使人工智能從數(shù)據(jù)中學(xué)習(xí)系統(tǒng)特性，從而實(shí)現(xiàn)對(duì)建模對(duì)象的輸出預(yù)測(cè)并給出控制信號(hào)，是基于數(shù)據(jù)的對(duì)象建模與控制的基本思路。這一思想規(guī)避了傳統(tǒng)數(shù)學(xué)模型用明確數(shù)學(xué)關(guān)系式表示參數(shù)關(guān)系的局限，采用隱含關(guān)系表示系統(tǒng)輸入、輸出特性。由于模型和控制器是基于數(shù)據(jù)實(shí)現(xiàn)的，僅通過(guò)更新學(xué)習(xí)數(shù)據(jù)即可實(shí)現(xiàn)參數(shù)關(guān)系的更新，避免了傳統(tǒng)模型和控制器更新中重新計(jì)算數(shù)學(xué)關(guān)系式的問(wèn)題。在燃?xì)廨啓C(jī)領(lǐng)域，目前已有研究中使用的機(jī)器學(xué)習(xí)工具主要有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人類大腦神經(jīng)結(jié)構(gòu)與行為的技術(shù)，具有并行信息處理、模式分類、記憶等功能。它利用神經(jīng)元間的連接及權(quán)重值分配表示特定信息，并通過(guò)不斷修正連接權(quán)重值進(jìn)行自我學(xué)習(xí)訓(xùn)練，理論上能夠充分逼近任意復(fù)雜的非線性系統(tǒng)。

作為數(shù)據(jù)驅(qū)動(dòng)的模型，人工神經(jīng)網(wǎng)絡(luò)模型可以直接由實(shí)際燃?xì)廨啓C(jī)機(jī)組的運(yùn)行數(shù)據(jù)生成，對(duì)燃?xì)廨啓C(jī)或控制器進(jìn)行描述。將控制信號(hào)作為輸入?yún)?shù)，運(yùn)行參數(shù)作為輸出參數(shù)，可以生成運(yùn)行模型；反之，將運(yùn)行參數(shù)作為輸入?yún)?shù)，控制信號(hào)作為輸出參數(shù)，可以生成控制器系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型對(duì)于非線性、時(shí)變的系統(tǒng)而言，是一種行之有效的辨識(shí)工具。根據(jù)結(jié)構(gòu)與原理的不同，神經(jīng)網(wǎng)絡(luò)有多種類型，在燃?xì)廨啓C(jī)領(lǐng)域應(yīng)用的主要類型有反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、非線性有源自回歸(Nonlinear Auto Regressive eXogenous，NARX)神經(jīng)網(wǎng)絡(luò)等。

1.1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于多層感知器網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)，因采用誤差反向傳播(Back Propagation)算法得名。其結(jié)構(gòu)簡(jiǎn)單，使用方便，是應(yīng)用最為廣泛的一類人工神經(jīng)網(wǎng)絡(luò)，在非線性映射的擬合中扮演著重要的角色。

BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1所示，依次由輸入層、隱含層、輸出層組成。輸入層和輸出層為單層結(jié)構(gòu)，隱含層可為單層或多層，但理論上單隱含層即可逼近任意復(fù)雜度的非線性系統(tǒng)。每層含有多個(gè)神經(jīng)元，相鄰層間的神經(jīng)元兩兩相互連接。輸入層神經(jīng)元與輸入?yún)?shù)向量維數(shù)相同，輸出層神經(jīng)元與輸出參數(shù)向量維數(shù)相同。數(shù)據(jù)由輸入層輸入網(wǎng)絡(luò)，乘以連接至各隱含層神經(jīng)元權(quán)重之后求和，所得值經(jīng)由傳遞函數(shù)處理，輸入至輸出層各神經(jīng)元。再經(jīng)由同樣步驟由輸出層神經(jīng)元加權(quán)相加，并進(jìn)行傳遞函數(shù)處理，得到輸出參數(shù)。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

訓(xùn)練過(guò)程中，首先通過(guò)前向計(jì)算得到誤差輸出，然后將誤差值反向傳播，作為調(diào)整神經(jīng)元連接權(quán)重值的依據(jù)。通過(guò)使誤差梯度下降的方式逼近學(xué)習(xí)目標(biāo)。

1.1.2 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)均屬于前向型網(wǎng)絡(luò)，具有強(qiáng)大的非線性函數(shù)逼近能力。其結(jié)構(gòu)如圖2所示，由具有徑向基函數(shù)神經(jīng)元的隱含層和線性函數(shù)的輸出層組成。其訓(xùn)練算法與BP神經(jīng)網(wǎng)絡(luò)有較大不同， 分為無(wú)監(jiān)督自組織學(xué)習(xí)階段與有監(jiān)督學(xué)習(xí)階段。第一階段根據(jù)所有訓(xùn)練樣

圖2 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

本確定基函數(shù)中心與擴(kuò)展常數(shù)，第二階段確定隱含層與輸出層的連接權(quán)重值。

1.1.3 NARX神經(jīng)網(wǎng)絡(luò)

NARX神經(jīng)網(wǎng)絡(luò)屬于反饋型神經(jīng)網(wǎng)絡(luò)，其原理思想為非線性有源自回歸系統(tǒng)，主要應(yīng)用于時(shí)間序列模型領(lǐng)域的建模，其原理可以用以下公式表述：

y(t)=f[x(t-1),…,x(t-px),

y(t-1),…,y(t-py)]

(1)

式中：f為非線性函數(shù)，自變量為輸出y前py個(gè)時(shí)間步的值{y(t-1),…,y(t-py)}以及外源輸入x前px個(gè)時(shí)間步的值{x(t-1),…,x(t-px)}。其結(jié)構(gòu)框架可基于BP神經(jīng)網(wǎng)絡(luò)或徑向基神經(jīng)網(wǎng)絡(luò)搭建，但在引入時(shí)間步迭代后需要將輸出層結(jié)果返回至輸入層，用于下一時(shí)間步的計(jì)算。

目前NARX網(wǎng)絡(luò)主要采用基于BP網(wǎng)絡(luò)的架構(gòu)形式，其結(jié)構(gòu)分為串-并行結(jié)構(gòu)(如圖3所示)和并行結(jié)構(gòu)(如圖4所示)兩種。一般在訓(xùn)練時(shí)，串-并行結(jié)構(gòu)的輸入層參數(shù)全部用訓(xùn)練數(shù)據(jù)輸入，訓(xùn)練完成后，輸出層連接至輸入層，網(wǎng)絡(luò)改為并行結(jié)構(gòu)進(jìn)行使用。基于BP網(wǎng)絡(luò)架構(gòu)的NARX模型網(wǎng)絡(luò)的訓(xùn)練通常采用Levenberg-Marquardt梯度下降算法，使誤差反向傳播，并調(diào)整各層間的神經(jīng)元連接的權(quán)重值。

圖3 NARX網(wǎng)絡(luò)串-并行結(jié)構(gòu)示意圖

圖4 NARX網(wǎng)絡(luò)并行結(jié)構(gòu)示意圖

1.2 支持向量機(jī)

支持向量機(jī)是一種通用的機(jī)器學(xué)習(xí)方法，其基本思想是通過(guò)非線性變換，將輸入空間映射到一個(gè)高維特征空間，并在新空間中求取最優(yōu)線性分類面。支持向量機(jī)具有學(xué)習(xí)速度快、搜索全局最優(yōu)的優(yōu)點(diǎn)。在建模過(guò)程中，需要選定的是核函數(shù)參數(shù)、不敏感損失函數(shù)參數(shù)和罰函數(shù)參數(shù)。這三項(xiàng)參數(shù)通常通過(guò)數(shù)值優(yōu)化的方式求出。

2 基于數(shù)據(jù)的燃?xì)廨啓C(jī)建模技術(shù)

目前基于數(shù)據(jù)的燃?xì)廨啓C(jī)建模研究主要分為穩(wěn)態(tài)工況辨識(shí)模型與動(dòng)態(tài)工況模型。在并網(wǎng)運(yùn)行狀態(tài)下，穩(wěn)態(tài)工況辨識(shí)模型根據(jù)燃料流率、進(jìn)口導(dǎo)葉(Inlet Guiding Vane，IGV)開(kāi)度等機(jī)組運(yùn)行控制量對(duì)機(jī)組運(yùn)行參數(shù)進(jìn)行預(yù)測(cè)。動(dòng)態(tài)工況模型則對(duì)機(jī)組的動(dòng)態(tài)過(guò)程，如啟停、變負(fù)荷等運(yùn)行參數(shù)在控制變量影響下的時(shí)間序列進(jìn)行預(yù)測(cè)。穩(wěn)態(tài)工況模型實(shí)現(xiàn)的工具主要有BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等；動(dòng)態(tài)工況模型實(shí)現(xiàn)的工具主要有NARX模型、支持向量機(jī)等。

2.1 穩(wěn)態(tài)工況辨識(shí)模型

2.1.1 神經(jīng)網(wǎng)絡(luò)方法

葛榮彬等[1]分別采用BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)三種前饋型神經(jīng)網(wǎng)絡(luò)對(duì)聯(lián)合循環(huán)機(jī)組進(jìn)行了建模。與BP網(wǎng)絡(luò)不同，徑向基函數(shù)網(wǎng)絡(luò)和廣義回歸網(wǎng)絡(luò)可調(diào)整的參數(shù)為擴(kuò)展速度，且神經(jīng)元個(gè)數(shù)為訓(xùn)練樣本的個(gè)數(shù)，故網(wǎng)絡(luò)規(guī)模較大，但收斂速度較快。在綜合性能方面，廣義回歸網(wǎng)絡(luò)訓(xùn)練時(shí)長(zhǎng)最短，預(yù)測(cè)誤差最小，最有希望得到應(yīng)用，但其網(wǎng)絡(luò)規(guī)模目前受到限制。

R. Bettocchi等[2]測(cè)試了基于BP神經(jīng)網(wǎng)絡(luò)建立的燃?xì)廨啓C(jī)模型在給定測(cè)量精度較低的輸入?yún)?shù)條件下的準(zhǔn)確性與魯棒性。輸入?yún)?shù)的測(cè)量精度分為實(shí)驗(yàn)室級(jí)別、標(biāo)準(zhǔn)級(jí)別和工業(yè)級(jí)別，不確定度依次增大。測(cè)試結(jié)果表明，隨著測(cè)量參數(shù)不確定度的增大，模型輸出的均方誤差增大。增加隱含層神經(jīng)元個(gè)數(shù)，一定程度上可以降低模型的輸出誤差，但訓(xùn)練周期隨之增大，且在工業(yè)級(jí)別的輸入條件下這一措施將失效。保證一定的訓(xùn)練樣本數(shù)也可在一定程度上減小模型的誤差。

M. Fast等[3]以建立兩個(gè)BP神經(jīng)網(wǎng)絡(luò)模型的方式，添加了對(duì)燃?xì)廨啓C(jī)除冰模式的識(shí)別功能。兩個(gè)神經(jīng)網(wǎng)絡(luò)為串聯(lián)結(jié)構(gòu)，第一級(jí)網(wǎng)絡(luò)判斷除冰模式是否開(kāi)啟，第二級(jí)網(wǎng)絡(luò)給出各項(xiàng)參數(shù)的預(yù)測(cè)值。在各級(jí)網(wǎng)絡(luò)輸入?yún)?shù)的選取中采用了敏感性分析的方式，基于控制變量的思想進(jìn)行多組訓(xùn)練和測(cè)試，每組各取消一項(xiàng)不同的輸入?yún)?shù)，比較其誤差是否出現(xiàn)顯著增長(zhǎng)。此外，對(duì)環(huán)境溫度進(jìn)行了外推測(cè)試，結(jié)果表明誤差在可接受范圍內(nèi)。但為了取得最佳效果，最好的方式仍然是擴(kuò)大訓(xùn)練集范圍，避免外推。

H. Asgari等[4]采用前向多層感知器網(wǎng)絡(luò)對(duì)某型單軸燃?xì)廨啓C(jī)進(jìn)行系統(tǒng)辨識(shí)，通過(guò)輸入環(huán)境參數(shù)、燃料流率、機(jī)組負(fù)荷，對(duì)轉(zhuǎn)速、壓氣機(jī)和透平進(jìn)出口溫度、壓力等17項(xiàng)運(yùn)行參數(shù)進(jìn)行預(yù)測(cè)。試驗(yàn)結(jié)果表明，各訓(xùn)練算法中以L-M算法的表現(xiàn)最佳，這一模型可用于離線的系統(tǒng)預(yù)測(cè)。

2.1.2 支持向量機(jī)方法

朱亞迪等[7]采用支持向量機(jī)對(duì)聯(lián)合循環(huán)機(jī)組發(fā)電熱耗參數(shù)進(jìn)行了建模，模型參數(shù)通過(guò)遺傳算法進(jìn)行尋優(yōu)。隨機(jī)選擇模型參數(shù)的初始值，構(gòu)造初始種群，經(jīng)選擇、交叉、變異，產(chǎn)生新種群，輸入到支持向量機(jī)模型中進(jìn)行訓(xùn)練，評(píng)估其適應(yīng)度，迭代至參數(shù)滿足要求。

陳永剛[8]使用最小二乘支持向量機(jī)對(duì)燃?xì)廨啓C(jī)氣耗特性進(jìn)行建模，從負(fù)荷率和大氣溫度出發(fā)，進(jìn)行氣耗曲線擬合。最小二乘支持向量機(jī)將傳統(tǒng)支持向量機(jī)訓(xùn)練中的二次規(guī)劃問(wèn)題轉(zhuǎn)化為線性方程組問(wèn)題，引入核函數(shù)可求得最終解。通過(guò)試差法對(duì)核函數(shù)參數(shù)進(jìn)行調(diào)優(yōu)，直至獲得一組滿足要求的參數(shù)。但這一模型的泛化能力較差。

2.2 動(dòng)態(tài)工況辨識(shí)模型

2.2.1 神經(jīng)網(wǎng)絡(luò)方法

劉微[9]采用BP神經(jīng)網(wǎng)絡(luò)對(duì)聯(lián)合循環(huán)機(jī)組燃?xì)廨啓C(jī)進(jìn)行了動(dòng)態(tài)工況建模，以IGV開(kāi)度、轉(zhuǎn)速、燃料量作為輸入，輸出功率和透平出口溫度作為輸出，由每一時(shí)間步的輸入?yún)?shù)給出該時(shí)刻的輸出參數(shù)情況，從而完成整個(gè)動(dòng)態(tài)過(guò)程的建模。

李韻婷[10]分別使用最小二乘線性模型、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)對(duì)燃?xì)廨啓C(jī)動(dòng)態(tài)過(guò)程進(jìn)行建模。模型基本思路為給定前三時(shí)間步的輸入?yún)?shù)和輸出參數(shù)，對(duì)本時(shí)間步的輸出參數(shù)進(jìn)行預(yù)測(cè)。試驗(yàn)結(jié)果表明，最小二乘法建模不能很好地?cái)M合參數(shù)間復(fù)雜的耦合關(guān)系，模型精確度較差；BP網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)的準(zhǔn)確度較高。

張兆宇等[11]采用NARX模型方法對(duì)某9FA重型燃?xì)廨啓C(jī)啟動(dòng)及并網(wǎng)加載過(guò)程中的關(guān)鍵運(yùn)行參數(shù)進(jìn)行了建模預(yù)測(cè)，并根據(jù)測(cè)試結(jié)果提出了模型輸入、輸出方案的修改和預(yù)處理措施，改善了模型測(cè)試結(jié)果。

H. Asgari等[12-13]采用NARX模型對(duì)燃?xì)廨啓C(jī)啟動(dòng)過(guò)程進(jìn)行了建模，輸入項(xiàng)包括本時(shí)刻前若干時(shí)間步的輸入?yún)?shù)和輸出參數(shù)，輸出項(xiàng)為本時(shí)刻輸出參數(shù)的預(yù)測(cè)值。模型可以很好地再現(xiàn)啟動(dòng)過(guò)程的趨勢(shì)，在缺少IGV開(kāi)度數(shù)據(jù)的前提下，模型的預(yù)測(cè)誤差仍在可接受范圍內(nèi)。

M. Rahnama等[14]采用NARX網(wǎng)絡(luò)實(shí)現(xiàn)燃?xì)廨啓C(jī)并網(wǎng)后升負(fù)荷變工況過(guò)程的建模。M. H.Tarik等[15]采用NARX模型針對(duì)低NOX模式下的燃?xì)廨啓C(jī)變負(fù)荷過(guò)程進(jìn)行了建模。N. Vaezi等[16]、H. Vafaeenezhad等[17]采用相同方式對(duì)燃?xì)廨啓C(jī)部分參數(shù)進(jìn)行動(dòng)態(tài)過(guò)程預(yù)測(cè)。R. Khalili等[18]對(duì)比了傳統(tǒng)的GGOVI機(jī)理模型和數(shù)據(jù)方法對(duì)燃?xì)廨啓C(jī)排氣溫度和輸出功率的預(yù)測(cè)結(jié)果。數(shù)據(jù)方法采用NARX模型的思想實(shí)現(xiàn)。機(jī)理模型預(yù)測(cè)結(jié)果平均誤差比NARX模型大，但單點(diǎn)的最大預(yù)測(cè)誤差控制得較小。

2.2.2 支持向量機(jī)方法

李輝等[19]采用支持向量機(jī)對(duì)燃?xì)廨啓C(jī)啟動(dòng)過(guò)程進(jìn)行了建模，模型結(jié)構(gòu)在輸入當(dāng)前環(huán)境條件、盤車功率等參數(shù)的條件下，預(yù)測(cè)下一時(shí)間步的燃?xì)廨啓C(jī)轉(zhuǎn)速和透平排氣溫度。模型的核函數(shù)參數(shù)和罰函數(shù)參數(shù)的選取采用了交叉驗(yàn)證法。在訓(xùn)練所使用的數(shù)據(jù)帶有噪聲成分的前提下，證明了支持向量機(jī)的可靠性。

X. Wu等[20]采用最小二乘支持向量機(jī)對(duì)燃料電池-微型燃?xì)廨啓C(jī)混合動(dòng)力系統(tǒng)進(jìn)行了建模，選用徑向基核函數(shù)，采用粒子群算法進(jìn)行了優(yōu)化。其目標(biāo)為逼近NARX模型的原理公式，構(gòu)造時(shí)間序列模型。研究測(cè)試了負(fù)載電流階躍輸入下的燃料電池運(yùn)行溫度與透平入口溫度的動(dòng)態(tài)響應(yīng)。陳躍華等[21]同樣采用最小二乘支持向量機(jī)對(duì)燃料電池-燃?xì)廨啓C(jī)聯(lián)合發(fā)電系統(tǒng)進(jìn)行了動(dòng)態(tài)建模。模型輸入燃料氣和空氣流量，輸出燃料電池的工作溫度和透平進(jìn)口溫度，采用徑向基核函數(shù)。該方法適用于建立實(shí)時(shí)控制系統(tǒng)模型。

3 基于數(shù)據(jù)的燃?xì)廨啓C(jī)控制技術(shù)

由于控制對(duì)象在長(zhǎng)期工作中系統(tǒng)特性的偏移，以及非線性系統(tǒng)在工況點(diǎn)附近以外大范圍線性化假設(shè)不成立，PID控制不具有自適應(yīng)性，其魯棒性較差。神經(jīng)網(wǎng)絡(luò)控制不完全依賴于數(shù)學(xué)模型，通過(guò)學(xué)習(xí)大量的控制數(shù)據(jù)樣本，實(shí)現(xiàn)非線性控制器的逼近，可以有效解決被控系統(tǒng)非線性、時(shí)變的問(wèn)題。神經(jīng)網(wǎng)絡(luò)控制與模糊邏輯控制都是針對(duì)非線性、時(shí)變系統(tǒng)精確數(shù)學(xué)模型難以建立情況下的有效的控制方法。但對(duì)于多變量控制(Multiple-Input Multiple-Output, MIMO)系統(tǒng)，模糊邏輯控制需要編寫大量的邏輯判斷語(yǔ)句，而神經(jīng)網(wǎng)絡(luò)在處理這一類問(wèn)題上更具有優(yōu)勢(shì)。

神經(jīng)網(wǎng)絡(luò)控制的途徑有兩類：第一類通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)PID參數(shù)進(jìn)行整定，實(shí)現(xiàn)PID控制的自適應(yīng)性；第二類直接給出各控制量的值。對(duì)于第一類方法，通常采用系統(tǒng)數(shù)學(xué)模型整定的最優(yōu)PID系數(shù)作為訓(xùn)練樣本。對(duì)于第二類方法，通?？梢詫⒃O(shè)計(jì)的控制器視為系統(tǒng)動(dòng)力學(xué)模型的逆模型，即通過(guò)輸入系統(tǒng)的狀態(tài)參數(shù)，輸出系統(tǒng)的控制參數(shù)。在此基礎(chǔ)上，將各類智能技術(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)合，進(jìn)行優(yōu)化改造，以對(duì)控制效果進(jìn)一步改善。

I.T. Nabney等[22]、N. Dodd等[23]最先在燃?xì)獍l(fā)動(dòng)機(jī)中進(jìn)行了神經(jīng)網(wǎng)絡(luò)控制的嘗試，通過(guò)神經(jīng)網(wǎng)絡(luò)給出的燃料流率控制信號(hào)對(duì)發(fā)動(dòng)機(jī)推力進(jìn)行控制。S. Balamurugan等[24]對(duì)PID與人工神經(jīng)網(wǎng)絡(luò)在燃?xì)廨啓C(jī)控制中的效果進(jìn)行了比較，認(rèn)為人工神經(jīng)網(wǎng)絡(luò)的控制效果優(yōu)于PID控制。N. S.Sisworahardjo等[25]比較了微型燃?xì)廨啓C(jī)中PI控制與神經(jīng)網(wǎng)絡(luò)控制的方法，認(rèn)為神經(jīng)網(wǎng)絡(luò)控制誤差小于PI控制。

潘蕾等[26]和J. Wang等[27]采用BP神經(jīng)網(wǎng)絡(luò)對(duì)PID系數(shù)進(jìn)行在線調(diào)整，控制燃料流量實(shí)現(xiàn)燃?xì)廨啓C(jī)排氣溫度的控制，使系統(tǒng)具有良好的自適應(yīng)能力和魯棒性。鄧奇超等[28]通過(guò)基于神經(jīng)網(wǎng)絡(luò)的前饋控制實(shí)現(xiàn)了燃?xì)廨啓C(jī)的功率控制，同時(shí)一次調(diào)頻效果最佳，其效果優(yōu)于GE和西門子的調(diào)頻控制方法。

A. M. Schaefer等[29]采用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)與強(qiáng)化學(xué)習(xí)結(jié)合的方式對(duì)燃料和IGV進(jìn)行控制。先用RNN實(shí)現(xiàn)最小狀態(tài)空間的辨識(shí)，在低維問(wèn)題下進(jìn)行強(qiáng)化學(xué)習(xí)，然后將RNN與三層網(wǎng)絡(luò)結(jié)合，將RNN的輸出作為預(yù)測(cè)輸入，用這一網(wǎng)絡(luò)構(gòu)造控制器，實(shí)現(xiàn)最優(yōu)控制。V. Diwanji[30]采用非線性模型進(jìn)行預(yù)測(cè)控制。使用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)學(xué)習(xí)，對(duì)燃?xì)廨啓C(jī)模型輸出進(jìn)行預(yù)測(cè)，然后用該模型的輸出作為反饋進(jìn)行最優(yōu)控制設(shè)計(jì)，生成控制信號(hào)序列。Y. Huang[31]通過(guò)自適應(yīng)動(dòng)態(tài)規(guī)劃與神經(jīng)網(wǎng)絡(luò)結(jié)合的方式構(gòu)造一個(gè)最優(yōu)神經(jīng)控制器，含有評(píng)估網(wǎng)絡(luò)和動(dòng)作網(wǎng)絡(luò)兩部分。評(píng)估網(wǎng)絡(luò)學(xué)習(xí)近似代價(jià)函數(shù)或效用函數(shù)，其輸出將作為動(dòng)作網(wǎng)絡(luò)輸入的一部分。動(dòng)作網(wǎng)絡(luò)輸出控制動(dòng)作，將評(píng)估網(wǎng)絡(luò)的輸出最小化。H. Asgari等[32]設(shè)計(jì)PID和帶有線性反饋的非線性自回歸滑動(dòng)平均控制器兩種方式，通過(guò)燃料量控制燃?xì)廨啓C(jī)的轉(zhuǎn)速。其中后者通過(guò)非線性自回歸滑動(dòng)平均模型，逆向求出控制器的各時(shí)刻輸出值，其實(shí)現(xiàn)思想借鑒了NARX模型。W.Deng等[33]、M.M. M.Iqbal等[34]分別設(shè)計(jì)自適應(yīng)神經(jīng)模糊系統(tǒng)(ANFIS)控制器進(jìn)行微型燃?xì)廨啓C(jī)和重型燃?xì)廨啓C(jī)控制，其效果比神經(jīng)網(wǎng)絡(luò)和模糊邏輯的單一方法好，且免去了MIMO系統(tǒng)中模糊規(guī)則編輯的大量工作。

4 結(jié)論與展望

針對(duì)目前基于數(shù)據(jù)的燃?xì)廨啓C(jī)建模與控制方法已有的廣泛研究，本文總結(jié)出了一系列行之有效的機(jī)器學(xué)習(xí)工具，包括基于BP、NARX神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的建模方法，以及基于神經(jīng)網(wǎng)絡(luò)的控制器設(shè)計(jì)。

但這些方法絕大部分仍然停留在仿真測(cè)試的程度，沒(méi)有更進(jìn)一步應(yīng)用在實(shí)際機(jī)組中。為了在未來(lái)進(jìn)一步提高數(shù)據(jù)方法應(yīng)用的可行性，需要關(guān)注與研究以下問(wèn)題：

1)機(jī)器學(xué)習(xí)工具訓(xùn)練計(jì)算過(guò)程中的優(yōu)化問(wèn)題。對(duì)于大部分機(jī)器學(xué)習(xí)工具，例如神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)，其學(xué)習(xí)速度與效果極大地受到相關(guān)參數(shù)設(shè)定或算法影響。例如神經(jīng)網(wǎng)絡(luò)中的隱含層神經(jīng)元數(shù)量、激活函數(shù)、訓(xùn)練函數(shù)、基函數(shù)中心和擴(kuò)展常數(shù)，支持向量機(jī)中的核函數(shù)參數(shù)，罰函數(shù)設(shè)置，在實(shí)際應(yīng)用中往往沒(méi)有明確的指導(dǎo)方法，需要通過(guò)經(jīng)驗(yàn)或嘗試進(jìn)行選擇與優(yōu)化。為了進(jìn)一步優(yōu)化模型預(yù)測(cè)精度或控制器控制效果，在燃?xì)廨啓C(jī)這一特定領(lǐng)域仍然需要進(jìn)一步研究數(shù)據(jù)模型學(xué)習(xí)過(guò)程的優(yōu)化方法。

2)數(shù)據(jù)源質(zhì)量把控。數(shù)據(jù)模型與數(shù)據(jù)方法控制的前提是足夠有價(jià)值的運(yùn)行數(shù)據(jù)。在機(jī)組運(yùn)行過(guò)程中，雖然會(huì)持續(xù)產(chǎn)生運(yùn)行數(shù)據(jù)，但如果篩選、提取不得當(dāng)，獲得的便是“垃圾數(shù)據(jù)”，在機(jī)器學(xué)習(xí)中反而產(chǎn)生負(fù)面作用。因此需要根據(jù)自身目的，篩選需要的數(shù)據(jù)類型，截取所需特定運(yùn)行過(guò)程的數(shù)據(jù)，合理選擇采樣時(shí)間。

3)隨著人工智能學(xué)科的發(fā)展，新的數(shù)據(jù)學(xué)習(xí)方法也隨之產(chǎn)生。機(jī)器學(xué)習(xí)方法在其他領(lǐng)域獲得了成功應(yīng)用，將其引入燃?xì)廨啓C(jī)領(lǐng)域，或與現(xiàn)有方法結(jié)合，能夠產(chǎn)生新的數(shù)據(jù)學(xué)習(xí)工具。例如，在時(shí)間序列模型研究中，Elman神經(jīng)網(wǎng)絡(luò)是一種結(jié)構(gòu)與NARX神經(jīng)網(wǎng)絡(luò)類似的工具，并已有大量成功的建模實(shí)例[35-37]。但這一工具在熱力設(shè)備建模中的應(yīng)用遠(yuǎn)不及NARX神經(jīng)網(wǎng)絡(luò)廣泛。因此，將這一工具引入燃?xì)廨啓C(jī)動(dòng)態(tài)工況建模應(yīng)用，具有重要的研究意義。

隨著人工智能與機(jī)器學(xué)習(xí)學(xué)科的發(fā)展，基于數(shù)據(jù)的建模與控制方法在精確性、可靠性方面將不斷提升，在實(shí)際燃?xì)廨啓C(jī)機(jī)組中的應(yīng)用前景將更加廣闊。