基于LSTM 的試驗(yàn)系統(tǒng)控制策略設(shè)計(jì)

吳洋，張燕華，周家林，程月華，單圣強(qiáng)

（1.南京航空航天大學(xué)自動化學(xué)院，江蘇南京 210000；2.中國航發(fā)四川燃?xì)鉁u輪研究院，四川綿陽 621000）

試驗(yàn)系統(tǒng)作為發(fā)動機(jī)開發(fā)與驗(yàn)證的關(guān)鍵環(huán)節(jié)，可以用于尋找發(fā)動機(jī)所需的進(jìn)氣條件以及燃料條件，最終達(dá)到改善發(fā)動機(jī)設(shè)計(jì)的目的，發(fā)動機(jī)試驗(yàn)時(shí)間超過其總研發(fā)周期的一半[1-3]。

國內(nèi)針對試驗(yàn)系統(tǒng)的軟件設(shè)計(jì)開展了大量相關(guān)的研究。文獻(xiàn)[4]針對民用航空渦扇發(fā)動機(jī)設(shè)計(jì)了壓力測試系統(tǒng)，有效地實(shí)現(xiàn)了高精度大規(guī)模壓力參數(shù)測量和采集；文獻(xiàn)[5]基于LabVIEW 環(huán)境，開發(fā)了衛(wèi)星發(fā)動機(jī)燃燒室試驗(yàn)臺測控系統(tǒng)，經(jīng)過測試，該系統(tǒng)能夠有效解決燃油流量的控制問題。

現(xiàn)有的模型主要針對試驗(yàn)系統(tǒng)的設(shè)計(jì)過程[6-7]，鮮有基于試驗(yàn)系統(tǒng)的算法或策略設(shè)計(jì)。該文通過對于歷史試驗(yàn)數(shù)據(jù)的分析與挖掘，開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的參數(shù)映射模型，并基于該模型設(shè)計(jì)了試驗(yàn)系統(tǒng)智能控制策略，最終基于仿真試驗(yàn)與實(shí)際試驗(yàn)驗(yàn)證了算法的可行性與優(yōu)勢。

1 試驗(yàn)系統(tǒng)結(jié)構(gòu)與數(shù)據(jù)預(yù)處理

1.1 試驗(yàn)系統(tǒng)結(jié)構(gòu)介紹

壓強(qiáng)試驗(yàn)系統(tǒng)由多組壓強(qiáng)傳感器、溫度傳感器反饋分段管路中的壓強(qiáng)、溫度值作為控制依據(jù)[8-9]，再由多級串并聯(lián)的閥門、流量孔板實(shí)現(xiàn)流量的控制。

壓強(qiáng)試驗(yàn)系統(tǒng)的結(jié)構(gòu)流程圖如圖1 所示。試驗(yàn)系統(tǒng)通過調(diào)節(jié)各級閥門的開度使試驗(yàn)平臺達(dá)到目標(biāo)壓強(qiáng)與流量。

圖1 壓強(qiáng)試驗(yàn)系統(tǒng)結(jié)構(gòu)流程圖

系統(tǒng)建立起管道各組閥門與壓強(qiáng)、流量等狀態(tài)參數(shù)之間的映射模型，是后續(xù)設(shè)計(jì)智能控制策略，進(jìn)而實(shí)現(xiàn)在管道極端環(huán)境沖擊約束條件下的系統(tǒng)自動化調(diào)節(jié)。該試驗(yàn)系統(tǒng)是一個(gè)強(qiáng)非線性、強(qiáng)耦合的復(fù)雜系統(tǒng)，其精確解析模型難以建立，該文通過長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）對系統(tǒng)進(jìn)行建模。

1.2 訓(xùn)練模型數(shù)據(jù)預(yù)處理

為了建立空氣系統(tǒng)的參數(shù)預(yù)測模型，基于對空氣系統(tǒng)歷史數(shù)據(jù)的分析，篩選[10]出正常運(yùn)行的數(shù)據(jù),并對數(shù)據(jù)進(jìn)行中位數(shù)采樣，以提高數(shù)據(jù)的穩(wěn)定性，便于模型訓(xùn)練。

從采樣后的數(shù)據(jù)中識別出穩(wěn)態(tài)，并提取從一個(gè)穩(wěn)態(tài)到相鄰時(shí)刻下一穩(wěn)態(tài)的參數(shù)變化，定義為調(diào)節(jié)過程。最后通過歸一化將數(shù)據(jù)轉(zhuǎn)變?yōu)檫m用于監(jiān)督訓(xùn)練的格式。所采用的歸一化算法為標(biāo)準(zhǔn)歸一化算法，轉(zhuǎn)換函數(shù)如下[11]：

其中，x表示未歸一化數(shù)據(jù)，x′表示歸一化后的數(shù)據(jù)。μ、σ分別為所有樣本數(shù)據(jù)的均值和標(biāo)準(zhǔn)差。歸一化后的數(shù)據(jù)服從標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1。

2 預(yù)測模型神經(jīng)網(wǎng)絡(luò)訓(xùn)練

試驗(yàn)臺各個(gè)工作參數(shù)穩(wěn)定后，經(jīng)過一次閥門開度的調(diào)節(jié)，再次穩(wěn)定的各個(gè)工作參數(shù)是可預(yù)測的，據(jù)此構(gòu)建預(yù)測試驗(yàn)臺穩(wěn)態(tài)壓力和流量的神經(jīng)網(wǎng)絡(luò)。

2.1 LSTM神經(jīng)網(wǎng)絡(luò)原理

該文使用LSTM 實(shí)現(xiàn)試驗(yàn)系統(tǒng)參數(shù)的預(yù)測。LSTM 相較于循環(huán)神經(jīng)網(wǎng)絡(luò)，其隱層神經(jīng)元增加了三個(gè)數(shù)級控制門對單元的狀態(tài)進(jìn)行更新、遺忘和輸出，完成對長時(shí)間步數(shù)據(jù)信息的提取[12-16]。

LSTM 的輸入為當(dāng)前時(shí)間步的輸入數(shù)據(jù)xt、上一時(shí)間步的隱層狀態(tài)ht-1和上一時(shí)間步的單元狀態(tài)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(quán)值。神經(jīng)元的激活函數(shù)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(tài)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(tài)更新為：

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

2.2 試驗(yàn)系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及參數(shù)

該文的LSTM 預(yù)測模型輸出具有4 個(gè)維度，包括試驗(yàn)臺壓強(qiáng)P，試驗(yàn)臺流量W，以及兩個(gè)相關(guān)壓強(qiáng)P1，P2，其對應(yīng)的權(quán)重分別為10、10、1、1。

構(gòu)建預(yù)測試驗(yàn)臺穩(wěn)態(tài)壓強(qiáng)和流量的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型的參數(shù)如表1 所示。

表1 神經(jīng)網(wǎng)絡(luò)模型參數(shù)

其輸入層和輸出層所包含的參數(shù)如圖2 所示。該模型所關(guān)注的閥門個(gè)數(shù)為9 個(gè)，分別為K1-K9。模型的輸入層包括調(diào)節(jié)前的這9 個(gè)閥門的開度、以及在當(dāng)前閥門開度情況下系統(tǒng)穩(wěn)定時(shí)的P、W、P1、P2，還包括調(diào)節(jié)前這9 個(gè)閥門最后一次調(diào)節(jié)的調(diào)節(jié)方向。

圖2 試驗(yàn)系統(tǒng)智能控制模型圖

輸出層包括調(diào)節(jié)后穩(wěn)定時(shí)的各段管道內(nèi)壓強(qiáng)P、P1、P2以及總流量W。

3 試驗(yàn)系統(tǒng)控制策略設(shè)計(jì)

3.1 閥門主要開度影響分析

根據(jù)壓強(qiáng)試驗(yàn)系統(tǒng)結(jié)構(gòu)流程圖（見圖1）可知，系統(tǒng)通過K1 控制進(jìn)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(yàn)臺進(jìn)氣端，K6、K7、K8 位于試驗(yàn)臺放空端，此時(shí)結(jié)合實(shí)際專家經(jīng)驗(yàn)，可以得到閥門與壓強(qiáng)和流量的相關(guān)性如表2 所示。

表2 閥門與壓力和流量的相關(guān)性

3.2 試驗(yàn)系統(tǒng)控制策略設(shè)計(jì)

該文設(shè)計(jì)了基于智能預(yù)測模型的試驗(yàn)系統(tǒng)兩步控制策略。

第一步（粗調(diào)）：僅調(diào)節(jié)流量，暫時(shí)不調(diào)節(jié)壓強(qiáng)。通過調(diào)節(jié)K9、K3 和K4 三個(gè)閥門，使流量滿足一定的誤差要求。根據(jù)表2 預(yù)設(shè)閥門調(diào)節(jié)的方向，以避免反向調(diào)節(jié)。

取閥門開度調(diào)節(jié)的最小步長為1，根據(jù)目標(biāo)壓強(qiáng)與當(dāng)前壓強(qiáng)的關(guān)系，以預(yù)設(shè)的方向遍歷所有閥門開度的組合，以其為閥門調(diào)節(jié)后的開度，并結(jié)合當(dāng)前的狀態(tài)量輸入模型進(jìn)行預(yù)測，形成一張表格，表頭如表3 所示。

表3 策略查詢表頭參數(shù)

得到表格后，通過下面的規(guī)則查詢該表格，得到需要調(diào)節(jié)的閥門及調(diào)節(jié)后閥門開度的大小，即需要的策略。

①設(shè)定流量查詢?nèi)蒎e(cuò)率為1%，即在目標(biāo)流量的基礎(chǔ)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(xiàng)。

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

第二步（微調(diào)）：同時(shí)調(diào)節(jié)壓強(qiáng)和流量，使之達(dá)到要求的精度。此時(shí)調(diào)節(jié)五個(gè)閥門：K9、K3、K4、K6、K7。

根據(jù)表2 中所述的閥門開度對試驗(yàn)臺流量的正負(fù)影響，預(yù)設(shè)閥門調(diào)節(jié)的方向。

然后通過查表的方法，可以得到相應(yīng)的策略，使流量和壓強(qiáng)同時(shí)到達(dá)允許的誤差范圍內(nèi)。查表的規(guī)則除了第一步的規(guī)則，還包括如下規(guī)則：

設(shè)定壓強(qiáng)查詢?nèi)蒎e(cuò)率為1%，即在目標(biāo)壓強(qiáng)的基礎(chǔ)上上下浮動1%，求得壓強(qiáng)P的范圍（P_low，P_high），查詢表格中壓強(qiáng)P符合該范圍的表項(xiàng)。

3.3 主要技術(shù)創(chuàng)新點(diǎn)

1）針對傳統(tǒng)人工調(diào)節(jié)存在調(diào)節(jié)時(shí)間長、依賴經(jīng)驗(yàn)等難題，將人工智能算法引入管道試驗(yàn)系統(tǒng)，實(shí)現(xiàn)了基于數(shù)據(jù)驅(qū)動的智能控制方案。

2）針對閥門存在死區(qū)、往復(fù)偏差等非線性問題，通過在數(shù)據(jù)樣本中提取閥門調(diào)節(jié)方向的信息，提高了控制策略的調(diào)節(jié)精度。

3）該策略可根據(jù)調(diào)節(jié)目標(biāo)和當(dāng)前閥門狀態(tài)，直接給出各個(gè)閥門的調(diào)節(jié)策略，實(shí)現(xiàn)了自動調(diào)節(jié)，相對于人工調(diào)節(jié)大大提高了效率。

4 試驗(yàn)設(shè)計(jì)與算法驗(yàn)證

在已開發(fā)的基于LSTM 的策略篩選算法平臺上，輸入當(dāng)前壓強(qiáng)系統(tǒng)的試驗(yàn)狀態(tài)以及目標(biāo)狀態(tài)，該平臺可以在10 s 內(nèi)給出達(dá)到目標(biāo)要求的控制策略，相較于人工經(jīng)驗(yàn)調(diào)節(jié)所需的數(shù)分鐘時(shí)間，基于LSTM 的策略篩選算法將試驗(yàn)控制效率提高了至少30%以上。

1）仿真驗(yàn)證結(jié)果

設(shè)單次調(diào)節(jié)試驗(yàn)中流量的目標(biāo)值為Wd，策略篩選算法平臺所給策略調(diào)節(jié)后的仿真流量值為Ws，則該試驗(yàn)中流量控制的誤差為：

設(shè)單次調(diào)節(jié)試驗(yàn)中壓強(qiáng)的目標(biāo)值為Pd，策略篩選算法平臺所給策略調(diào)節(jié)后的仿真壓強(qiáng)值為PS，則該試驗(yàn)中壓強(qiáng)控制的誤差為：

經(jīng)過仿真驗(yàn)證，空氣系統(tǒng)模型在數(shù)據(jù)樣本充足的情況下，流量控制策略誤差結(jié)果如表4-5 所示。

表4 流量控制策略誤差表

表5 壓強(qiáng)控制策略誤差表

2）試驗(yàn)驗(yàn)證結(jié)果

在某試驗(yàn)系統(tǒng)平臺上現(xiàn)場試驗(yàn)，以測試該文提出的算法性能，結(jié)果如圖3-4 所示。

圖3 試驗(yàn)驗(yàn)證流量對比圖

圖4 試驗(yàn)驗(yàn)證壓強(qiáng)對比圖

由上述結(jié)果可知，該文所提出的控制策略在數(shù)據(jù)樣本充足的情況下，壓強(qiáng)和流量參數(shù)的控制誤差均在1%以內(nèi)，并且相較于傳統(tǒng)的控制策略還有著更高的調(diào)節(jié)效率。

5 結(jié)論

該文針對發(fā)動機(jī)試驗(yàn)系統(tǒng)進(jìn)行設(shè)計(jì)，首先對于實(shí)驗(yàn)系統(tǒng)的歷史數(shù)據(jù)進(jìn)行分析[18-20]，根據(jù)參數(shù)間的耦合關(guān)系，提取數(shù)據(jù)在時(shí)序以及空間上的特征，并優(yōu)化數(shù)據(jù)樣本；使用LSTM 神經(jīng)網(wǎng)絡(luò)模型建立了空氣系統(tǒng)中閥門開度與狀態(tài)參數(shù)之間的映射模型，并將閥門調(diào)節(jié)方向的信息加入預(yù)測模型中，以解決閥門存在的死區(qū)、往復(fù)偏差等問題；最終依據(jù)上述理論設(shè)計(jì)了試驗(yàn)系統(tǒng)智能控制策略，并進(jìn)行了試驗(yàn)測試，結(jié)果表明，所提出的算法提高了試驗(yàn)空氣系統(tǒng)的調(diào)節(jié)效率，并保證了調(diào)節(jié)的精度。