基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法.pdf

本文网址：http:/www.ship- J.中国舰船研究,2024,19(2):187196.SUN S T,TANG B,XUE Y L,et al.Rapid diagnosis and active disturbance rejection control of compressor surge basedon hybrid deep learningJ.Chinese Journal of Ship Research,2024,19(2):187196(in Chinese).基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法扫码阅读全文孙守泰1,2，汤冰3，薛亚丽4,5，孙立*1,21 东南大学 能源与环境学院，江苏 南京 2100182 东南大学 能源热转换与控制教育部重点实验室，江苏 南京 2100183 中国航空工业集团公司金城南京机电液压工程研究中心，江苏 南京 2111004 清华大学 能源与动力工程系，北京 1000845 清华大学 电力系统国家重点实验室，北京 100084摘 要:目的目的为了提升压气机设备安全、稳定运行的水平，提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法，以及一种用于实现压气机退喘的自抗扰控制策略。方法方法首先，采用长短期记忆神经网络（LSTM）处理压气机参数辨识输入输出数据的时序关系，并融入高斯过程回归（GPR）的区间概率估计能力，提出一种基于 LSTM 和 GPR 结合（LSTM-GPR）的混合深度学习参数辨识算法，进而实现对压气机喘振状态的快速诊断；然后，基于自抗扰控制方法对压气机的节流阀参数进行控制，通过控制量对压气机节流阀参数的补偿，实现对压气机喘振状态的准确控制。结果结果结果表明，混合深度学习参数辨识算法可以实现对压气机临界 Greitzer 参数的准确辨识，能快速、准确地判断出压气机是否处于喘振状态，并且基于自抗扰控制的控制策略，可以使压气机有效退出喘振状态，相比传统的 PID 控制和非线性反馈控制等控制方法，所提方法快速、有效，可保证压气机的工作范围。结论结论提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制，可提升压气机的安全性与稳定性。关键词：压气机；喘振诊断；混合深度学习模型；自抗扰控制中图分类号:U664.13文献标志码:ADOI：10.19693/j.issn.1673-3185.03259 Rapid diagnosis and active disturbance rejection control of compressor surgebased on hybrid deep learningSUN Shoutai1,2,TANG Bing3,XUE Yali4,5,SUN Li*1,21 School of Energy and Environment,Southeast University,Nanjing 210018,China2 Key Laboratory of Energy Thermal Conversion and Control of Ministry of Education,Southeast University,Nanjing 210018,China3 AVIC Jincheng Nanjing Engineering Institute of Aircraft System,Nanjing 211100,China4 Department of Energy and Power Engineering,Tsinghua University,Beijing 100084,China5 State Key Laboratory of Electric Power Systems,Tsinghua University,Beijing 100084,ChinaAbstract:ObjectiveIn order to improve the safe and stable operation level of compressor equipment,thispaper puts forward a rapid diagnosis method of surge states based on hybrid deep learning parameter identific-ation,and proposes an active disturbance rejection control(ADRC)strategy to realize compressor anti-surge.MethodFirst,a long-short-term memory neural network(LSTM)is used to process the time series rela-tionship of the input and output data for compressor parameter identification;the interval probability estima-tion ability of Gaussian process regression(GPR)is integrated;a combination of LSTM and GPR(LSTM-GPR)is proposed;and a hybrid deep learning parameter identification algorithm is used to realize the rapiddiagnosis of the compressor surge state.Then,based on the ADRC method,the parameters of the compressorsthrottle valve are controlled,and the accurate control of the surge state of the compressor is realized throughthe compensation of the throttle valve parameters by the control amount.ResultsThe results show that thehybrid deep learning parameter identification algorithm can accurately identify the critical Greitzer parametersof the compressor and quickly and accurately judge whether it is in a surge state,and the ADRC-based controlstrategy can effectively allow the compressor to exit the surge state,which is faster and more effective than tra-ditional PID control and nonlinear feedback control without losing the working range of the compressor.ConclusionThe proposed parameter identification and ADRC method can be applied to the surge dia-gnosis and active control of compressors to improve their safety and stability.Key words:compressor；surge diagnosis；hybrid deep learning model；active disturbance rejection control(ADRC)收稿日期:20230130 修回日期:20230401 网络首发时间:20230711 08:45基金项目:国家科技重大专项资助项目（2017-I-0002-0002）；江苏省科技厅科技资助项目（BK20211563&BZ2022009）作者简介:孙守泰，男，1997 年生，硕士生。研究方向：燃气轮机及部件的动态特性分析及自动控制。E-mail：show_孙立，男，1989 年生，博士，副教授，博士生导师。研究方向：锅炉汽轮发电机组、燃气蒸汽联合循环系统及新型动力系统的动态建模及控制研究。E-mail：*通信作者:孙立 第 19 卷 第 2 期中 国 舰 船 研 究Vol.19 No.22024 年 4 月Chinese Journal of Ship ResearchApr.2024 0 引言压气机是船舶动力系统和燃料电池系统等原动机中的重要部件，是燃气轮机机组的重要构成部分1-2，其运行状态直接关系到燃气轮机运行的安全性与可靠性3-4。压气机在高压比下运行时易出现喘振5等不稳定的工作状态，而这会导致燃气轮机机组振动，进而产生更为严重的后果6。因此，对压气机的喘振状态进行快速诊断7，并实行相应的控制策略以摆脱喘振状态8-10，对压气机以及燃气轮机的稳定运行来说具有重要意义。目前，关于压气机的研究主要是围绕压气机的故障状态对燃气轮机机组性能的影响，而针对压气机本身的故障状态诊断以及喘振的控制策略的研究较少。孙涛等11提出了一种经验模式分解（EMD）法结合相关积分法的喘振先兆辨识方法，其利用 EMD 对信号的自适应分解特性，将测量信号分解为了有限的几个本征模态函数（IMF），通过与喘振对应的 IMF 分量的相空间重构，来实现系统喘振工况动力学特性的再现，结果表明，采用该方法可以迅速反映喘振的先兆信息，有利于喘振的早期诊断。Guzelbaev 等12提出了一种利用对传感器信号各参数的统计处理，也即对信号函数的计算和信号离散度的计算，来进行压气机的旋转失速和喘振早期诊断的方法。上述文献仅对压气机的喘振诊断方法进行了分析，并未提出压气机的防喘振控制策略和喘振状态退出方法。王小艳等13提出将平衡级压气机的概念引入二阶 MG 喘振模型，其运用反步递推非线性控制方法设计了叶轮压气机系统的主动控制，克服了传统防喘振控制方法中以缩小压气机实际工作范围为代价来实现稳定运行的弊端。陈振等14针对压气机的喘振模型，提出了一种针对旋转失速和喘振的非线性反馈控制策略，该控制策略简单，能够消除压气机旋转失速时伴随的迟回效应，并且能够增加压气机的喘振裕度，有效避免了压气机的喘振问题。但是，对压气机的喘振控制需要快速、准确，并且不能以损失工作范围为代价，因此需要对压气机的喘振状态进行快速诊断，并及时、准确地实施控制，抑制喘振状态，从而使压气机迅速回归正常的工作状态。基于此，本文拟提出一种基于混合深度学习模型的压气机关键参数在线辨识方法，通过对压气机参数的辨识和分析来判断压气机的工作状态，并提出一种基于自抗扰控制方法的压气机喘振控制策略，以实现对压气机的参数辨识、喘振诊断和主动控制的综合分析以及有效控制，从而为在工程上对压气机进行的不稳定工作的判断以及控制提供参考。1 压气机喘振模型 1.1 压气机喘振模型的建立1986 年，Moore 等15提出了一个耦合了压缩机流量、压升、扰动波振幅非线性动力学的模型，也即 MG 模型。该模型结构简单，在实验中可准确预测压气机的旋转失速和喘振16。模型如下：dd=c0H+1+32(W1)(112A2)12(W1)3Hlcdd=W/H4B2W1WT()HlcdAd=A1(W1)214A23aH2(1+mb)W(1)lcm，bW，Hc0T()式中：为无量纲的流量系数；为无量纲的压升系数；为无量纲的时间参数；为管道平均长度；为与压气机流量波动相关的参数；r 为节流参数；A 为流量扰动的一次谐波振幅；，为与压气机有关的常数；为节流特性函数；a 为 音 速；B 为 Greitzer 参 数，由 Greitzer 于1976 年提出，是判断压气机系统是否产生失稳现象标志的重要参数，具体定义为B=U2HLc=U2aVpAcLc(2)HLcVpAc式中：U 为压气机的平均转速；为赫姆霍兹共振频率；为有效压气机和进气管道长度；为容腔容积；为压气机通道内的流通面积。方程中压气机的节流特性可以表示为=1r2(1+T)2(3)当压气机的进气量减少时，压气机的内部气流会出现一个周向旋转的扰动波，该扰动波的存在会在叶片前段造成堵塞，增加气流攻角，从而产生气流分离，使压气机进入旋转失速状态17。若进一步发展，压气机内的气流会出现全流程、大振幅的轴向振动，从而进入喘振状态，此时周向扰动消失，式（1）中的 A 变为 0。故式（1）转化为dd=c0H+1+32(W1)188中 国 舰 船 研 究第 19 卷12(W1)3Hlcdd=W/H4B2W1WrHlc(4)lc=3，c0=0.3，H=0.18，W=0.25，r=0.4根据实际工况，本文中参数的取值为：。BcB BcB Bc对于没有加入控制的模型，系统的动力学行为主要受节流参数 r 以及 Greitzer 参数的影响。当节流阀的参数保持一定时，系统是否会进入喘振状态由 Greitzer 参数的大小来确定。系统中存在一个临界的 Greitzer 参数，当时，压气机会进入喘振状态，而当时，压气机处于旋转失速状态或是正常运行状态。压气机一旦进入喘振状态，其内部会出现周期性的往复振动，对应地，动力系统会出现周期性的振动情形。这种振动是大振幅、低频率的振动，对压气机的安全工作危害很大，是压气机运行中需要避免出现的情况。1.2 压气机喘振模型仿真B=0.2对上述建立的压气机喘振模型进行仿真，主要分析 Greitzer 参数 B 的影响。当时，流体小扰动逐渐发展，此时为压气机内部流动的过渡段，如图 1 所示。当 B=0.25 时，压力和流量的振荡幅值波动明显，此时，压气机内部状态为柔和型喘振，如图2 所示。00.20.40.60.81.01.200.10.20.30.40.50.6(a)压气机出口压力01020304050607080901000102030405060708090100(b)压气机出口流量图 2B=0.25 时压气机出口的无因次压力与流量图Fig.2 Dimensionless pressure and flow diagram of compressoroutlet at B=0.25 当 B=1.2 时，压气机中会出现倒流，进入深度喘振区，并且此时压缩机中的流量和压力会形成喘振环，如图 3 和图 4 所示。通过仿真可以看出，当 B 参数较小时，压气机稳定运行，随着 B 参数的增大，压缩机出口的压力和流量出现波动，直至最后进入喘振状态，此时，压气机中压力和流量形成喘振环18，压气机中出现倒流，从而形成非常不稳定的工作状态。而根据 1.1 节中的分析，如果能够及时辨识出 B 参数的值，就可以据此判断压气机是否处于喘振状态，这有利于压气机的稳定运行。因此，下节将介绍压气机的参数辨识及喘振诊断方法。2 基于混合深度学习的压气机参数辨识及喘振诊断 2.1 基于 LSTM-GPR 的混合深度学习模型提出一种基于 LSTM-GPR 的混合深度学习模型，用于压气机关键参数的辨识，该模型由长短 期 记 忆 神 经 网 络（LSTM）和 高 斯 过 程 回 归（GPR）两层结构组成19。LSTM 的单元包含外部循环和内部循环，其主要结构为 1 个记忆单元和3 个乘法单元，如图 5 所示，故 LSTM 可以用于学(a)压气机出口压力010203040506070809010000.20.40.60.81.01.200.10.20.30.40.50.60102030405060708090100(b)压气机出口流量图 1B=0.2 时压气机出口的无因次压力与流量图Fig.1 Dimensionless pressure and flow diagram of compressoroutlet at B=0.2 第 2 期孙守泰等：基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法189习和捕获长期信息。fkIkOkCkCkCk图 5 中，和分别代表遗忘门、输入门、输出门、的暂态值和存储单元状态20，其详细定义如下：fk=(wxfxk+whfhk1+bf)(5)Ik=(wxIxk+whIhk1+bI)(6)Ok=(wxoxk+whohk1+bo)(7)Ck=tanh(wxcxk+whchk1+bc)(8)Ck=fkCk1+IkCk(9)xkhk1hkk1式中：w 为权重；b 为添加的偏差；为在当前 k 时刻进入网络的输入序列；和分别为隐藏层在前时刻和当前 k 时刻的输出。每个门和隐藏层的激活函数分别采用 sigmoid函数和双曲正切函数 tanh，计算公式如下：(x)=11+ex(10)tanh(x)=exexex+ex(11)ykhk通过将值限制在 0 和 1 之间来限制信息流。最终，网络的输出值通过计算得出。yk=(wyhk+by)(12)作为一种由统计学习和贝叶斯理论发展而来的概率预测算法，GPR 为使用核函数方法对样本数据进行回归分析的非参数方法，具有较强的全局非线性映射能力和泛化性能，适用于高维和非线性问题。对于具有独立高斯白噪声 的观测值，回归模型可以描述为=f(X)+(13)f(X)N(X),k(X,X)N(0,2n)式中：X 为训练集的输入向量；f 为回归函数，服从高斯分布（）。假设 服从正态分布，即21，则可得到观测值的先验分布为N(X),k(X,X)+2nI)(14)Xf(X)式中，I 为单位矩阵。假设测试集输入和实际输出，则观测值和回归值的联合分布如下式：f(X)N(X)(X),(K+2nIKTKK)(15)K=k(X,X)核函数，代表对称的正定协方差矩阵，用于计算训练集 X 的自相关性。同样地，0501001502002503000.10.20.30.40.50.60.70.80501001502002503000.40.200.20.40.60.8(a)压气机出口压力(b)压气机出口流量图 3B=1.2 时压气机出口的无因次压力与流量图Fig.3 Dimensionless pressure and flow diagram of compressoroutlet at B=1.2 0.40.200.20.40.60.80.10.20.30.40.50.60.70.8图 4深度喘振时压气机中无因次流量与压力的关系Fig.4 Relationship between dimensionless flow and pressure ofcompressor during deep surge xkhkhkfkCkCkOkhk1Ck1遗忘门输入门输出门Iktanhtanh图 5长短期记忆神经网络单元结构Fig.5 Structure of long short-term memory(LSTM)cell 190中 国 舰 船 研 究第 19 卷XXK=k(X,X)K=k(X,X)=k(X,X)Ty2yy1.962y,y+1.962y测试集的自相关性以及与 X 之间的相关性分别通过和来计算22。基于贝叶斯框架，即可得到测试集的后验分布及对应的输出值和协方差函数。然后通过，即可计算得到结果 95%的置信区间。采用 LSTM 处理时序数据优势明显，但仍存在不足之处，例如辨识精度不高、只能提供点估计结果而无法提供参数辨识结果的置信区间范围等。而 GPR 则具有全局映射能力和较强的泛化能力，其针对高维非线性问题适应性较好，可以改进 LSTM 的特征回归能力，且可以给出结果的置信区间。因此，本文提出将 LSTM 与 GPR 相结合，构建 LSTM-GPR 混合深度学习模型的参数在线辨识算法，用以同时获得高精度的参数均值点估计和可靠的置信区间范围，实现对压气机关键参数的精确在线辨识。本文建立的基于 LSTM 与 GPR 的混合深度学习模型（LSTM-GPR）如图 6 所示。该模型主要包含 2 层结构：第 1 层为 LSTM；第 2 层结构为 GPR。数据集分为训练数据集和验证数据集，其中训练数据集主要用于 LSTM-GPR 混合深度学习模型的训练，更新权重系数，以达到混合模型误差的最小化，实现参数的在线辨识；验证数据集则用于对训练后的 LSTM-GPR 混合深度学习模型进行参数在线辨识结果与真实值的对比验证。训练及测试 LSTM训练及测试 GPRtrtrx1trx2trxmtry1try2trymtey1tey2teyntex1tex2texny1,1try1,2try1,mtey1,1tey1,2tey1,ntey2,1tey2,2tey2,n第2次辨识值第1次辨识值图 6LSTM-GPR 混合模型结构Fig.6 LSTM-GPR mixture model architecture 2.2 基于混合深度学习的压气机 Greitzer参数辨识本文基于混合深度学习（LSTM-GPR）的压气机的 Greitzer 参数辨识流程如图 7 所示。将压气机出口的压力和流量系数作为混合深度学习模型的输入数据，压气机的 Greitzer 参数作为输出数据，进行模型训练。输入输出数据训练数据测试数据系统参数数据预处理网络训练训练性能否模型建立完成参数辨识误差计算喘振判断是建立压气机的机理模型压气机参数辨识及喘振判断完成以系统输入对包含 Greiter参数的模型进行激励，得到训练数据集加入模型输入和 Greiter 参数的随机变化，获取运行数据，得到测试数据集参数优化权重初始化/更新构建 LSTM-GPR 混合模型图 7基于混合深度学习的压气机 Greitzer 参数辨识流程图Fig.7 Flow chart of compressor Greitzer parameter identificationbased on hybrid deep learning 在参数辨识的 LSTM-GPR 混合深度学习模型中，将 LSTM 的隐藏层设置为 98 层，最大迭代次数为 500 次，学习速率为 0.005，遗忘率为 0.9，梯度阈值为 1。在网络训练完成后，将实际的数据集放入经过训练的 LSTM-GPR 参数辨识模型中，用于压气机 Greitzer 参数的在线辨识。将基于混合深度学习模型方法对压气机喘振模型中的 B 参数进行辨识，主要分为以下几种情形进行综合分析：当 B=0.1 时，压气机内部未出现流体扰动，处于平稳段，此时对 B 参数进行辨识的结果如图 8 所示，由图可见参数辨识结果很精准，有利于对压气机工作状态的诊断；当 B=0.2 时，流体小扰动逐渐发展，处于压气机内部的过渡段，此时对 B 参数进行辨识的结果如图 9 所示，由图可见参数辨识结果基本准确；当 B=0.3 时，压力和流量的振荡幅值波动较大，压气机的工作状态开始进入喘振区，此时对 B 参数进行辨识的结果如图 10 所示，由于此时压气机的压力和流量出现振荡，压气机处于喘振区，因此参数辨识结果也出现了振荡和一定的误差，但依然处于真实值附近，因此，可以依据辨识结果的变化和参数 B 与临界 Greitzer 参数 Bc的关系来判断压气机的工作状态。第 2 期孙守泰等：基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法191当压气机的参数 B 发生变化，也即从稳定段逐渐发展至喘振区时，基于 LSTM-GPR 的参数 B的辨识结果如图 11 所示。由混合深度学习方法对压气机的 Greitzer 参数 B 的辨识结果可以分析得出，当压气机处于喘振区时，参数辨识虽出现了振荡和一定的误差，但依然包含真实值，据此即可初步判断压气机是否处于不稳定的工作状态。2.3 基于 Greitzer 参数辨识的压气机喘振诊断由基于 LSTM-GPR 的参数辨识结果以及前述的仿真结果，经综合分析可知，本文中用于判断压气机是否进入喘振的临界 Greitzer 参数 Bc=0.25，当 B Bc时，压气机进入喘振状态，压气机的压力和流量变化如图 13 和图 14所示，此时 LSTM-GPR 对压气机关键参数 B 的辨识结果如图 10 所示。结合 LSTM-GPR 对压气机关键参数 B 的辨 LSTMGPR 辨识均值050100 150 200 250 300 350 400 450 500时间0.200.20.40.60.81.01.21.41.61.8参数 BLSTMGPR 95%置信区间B 参数真实值图 8基于 LSTM-GPR 的参数辨识结果（B=0.1）Fig.8 Parameter identification result based on LSTM-GPR(B=0.1)0100200300400500时间0.200.20.40.60.81.01.21.41.61.8参数 BLSTM-GPR 辨识均值LSTM-GPR 95%置信区间B 参数真实值图 9基于 LSTM-GPR 的参数辨识结果（B=0.2）Fig.9 Parameter identification result based on LSTM-GPR(B=0.2)050100 150 200 250 300 350 400 450 500时间0.500.51.01.52.0参数 BLSTM-GPR 辨识均值LSTM-GPR 95%置信区间B 参数真实值图 10基于 LSTM-GPR 的参数辨识结果（B=0.3）Fig.10 Parameter identification result based on LSTM-GPR(B=0.3)05001 0001 500时间0.500.51.01.52.0LSTM-GPR 辨识均值参数 BLSTM-GPR 95%置信区间B 参数真实值图 11基于 LSTM-GPR 的参数辨识结果（B=0.10.3）Fig.11 Parameter identification result based on LSTM-GPR(B=0.10.3)00.10.20.30.40.50.600.20.40.60.81.01.2图 12压气机非喘振状态下压力和流量的关系Fig.12 Relationship of pressure and flow when the compressor isnot in a surge state 00.10.20.30.40.50.60.70.80.91.00.100.10.20.30.40.50.601020304050607080901000102030405060708090100(a)压气机出口压力(b)压气机出口流量 192中 国 舰 船 研 究第 19 卷识结果，可知当压气机的 Greitzer 参数 B 超过压气机的临界 Greitzer 参数 Bc=0.25 时，混合深度学习模型对压气机的 Greitzer 参数 B 的辨识结果会出现周期性的波动，并且当压气机的流量系数与压力系数之间的关系图出现极限环时，即可判断压气机进入了喘振区。此时，压气机会处于不稳定的工作状态，需要采用控制策略来消除喘振，以避免对燃气轮机机组的稳定运行造成影响。本文所提的基于混合深度学习算法的 B 参数辨识方法为压气机喘振判断提供了一个较好的思路。现有的喘振判断研究大多是建立在对压气机的一些运行量的测量上，如共振信号、声学信号、频率信号等，对这些信号的测量均会存在误差以及延迟，从而导致对压气机的状态判断并不及时。而本文采取的临界 B 参数诊断方法是基于对 B 参数的辨识上的，在 B 参数的计算公式中，主要变量为压气机结构的固有参数以及非常容易测量的转速，因此对于实际的压气机来说，进行一系列的离线仿真实验并确定本型号压气机的临界 B 参数后，在运行的过程中转速不变（在燃气轮机发电机组中转速保持恒定）的情况下，可以非常方便地通过本文所提出的 B 参数的辨识结果与临界值间的比较来判断压气机的喘振状态。3 压气机喘振的自抗扰控制 3.1 压气机喘振的非线性反馈控制在喘振状态下，压气机的不稳定工作形式会限制压气机的稳定工作范围。因此，陈振等14提出了一种针对压气机喘振的非线性反馈控制策略，即把压升作为反馈信号来补偿节流阀系数值。本文首先分析非线性反馈控制的原理，然后根据仿真结果分析压气机喘振非线性反馈控制的效果与不足，由此提出基于自抗扰控制的压气机喘振控制策略。非线性反馈控制策略是把压升作为反馈信号来补偿节流阀系数值，因此，压气机的喘振控制系统模型为dd=c0H+1+32(W1)12(W1)3Hlcdd=W/H4B2W1W(r+u)Hlc(16)式中，u 为非线性反馈控制函数，u=ksin(0)(17)00=0.6式中，对应于设定的压气机在稳定工作状态下的压升值，取。目的是利用所提控制策略减少压气机的喘振现象，增加压气机的喘振裕度。同时需要指出的是，k0，u0，r0 这样的反馈控制实际是通过增加节流参数来控制压气机的喘振。另外，非线性反馈控制的控制效果取决于控制参数值 k 的大小，当 k 值较小时，压气机中的喘振状态会得到一定的缓解，但未完全抑制下来，控制效果较差，如图 15 所示；当 k 值较大时，压气机的压升和流量的周期振动会被完全抑制下来，趋向于稳定，而非周期振动，此时，压气机从喘振状况退出，压气机的压升和流量会维持在一个定值，由此，达到控制的目的，如图 16 所示。图 15 和图 16 中，虚线指 k=0，即未施加控制时压气机的压升和流量随时间变化的曲线，实线则表示施加了控制效果后的压升和流量变化。由图 15 可以看出，压气机处于喘振状态时，压升和流量的变化满足周期振动规律，其中未施加控制的系统振动的压升和流量振幅分别为 0.4 和 0.35，而施加了控制之后，取控制参数 k=0.62，发现系 00.10.20.30.40.50.60.70.80.91.00.100.10.20.30.40.50.601020304050607080901000102030405060708090100(a)压气机出口压力(b)压气机出口流量图 13压气机喘振状态下压力和流量的变化Fig.13 Variation of pressure and flow of compressor in a surge state 0.100.10.20.30.40.50.600.10.20.30.40.50.60.70.80.91.0图 14压气机喘振状态下压力和流量的关系Fig.14 Relationship of pressure and flow of compressor in a surgestate 第 2 期孙守泰等：基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法193统的压升和流量变化的幅度明显减小，分别为 0.15和 0.1；继续增大控制参数，当 k=0.68 时，系统的压升和流量的周期振动被完全抑制下来，达到控制的目的。需要指出的是，此时采用的非线性反馈控制策略能够基本抑制压气机喘振现象的产生，通过增加控制参数，能够使压气机的喘振裕度变大，增加压气机的稳定工作范围。但此时压气机的压升值不大，要使压气机回到理想的工作状态还需对压气机增压，且其控制效果还需依靠控制参数k 值的大小，并不能自动调整来适应不同压气机的喘振状态。因此，本文提出一种基于自抗扰控制算法的压气机喘振控制策略，以实现更快速、更高效的动态控制效果。3.2 压气机喘振的自抗扰控制本文将首先介绍自抗扰控制的基本原理以及所提的针对压气机喘振控制的自抗扰控制策略。基于自抗扰控制的压气机喘振控制的基本思想为：通过调节控制量，补偿压气机的节流参数，以使压气机出口的流量增大，抑制住压气机的喘振状态，从而使出口的流量和压力趋于稳定，脱离喘振状态。基于此，设计了对应的三阶扩张状态观测器（ESO），其具体形式为：z1=z2+b0z3+1(y2z1)z2=2(y2z1)z3=uz3(18)b01，2y2z1z2z31，2式中：为设计的输入增益；为状态观测器的观测增益；为输出值。在 ESO 输出的 3 个状态观测中，和被用于反馈控制设计，是估计的总和，并在输入控制量 u 中被实时补偿抵消23。此外，观测增益可以描述为：1=20，2=20(19)0式中，为观测器带宽24。因此，控制器可设计为u=(kp(0y2)z2)b0(20)0kp式中：对应于设定的压气机在稳定工作状态下的压升值；为比例器增益。如图 17 所示，由自抗扰控制（ADRC）的设计来看，系统的总扰动可以通过 ESO 进行估计，通过反馈控制来消除，以达到抗扰的目的。因此，ADRC 具有补偿过程不确定性的能力。3.3 压气机喘振的自抗扰控制仿真结果分析在模拟实验中，压气机的工作点是不断变化 05010015020025030000.10.20.30.40.50.60.70.80.91.0未施加控制有控制效果未施加控制有控制效果0501001502002503000.20.100.10.20.30.40.50.60.7(a)压气机出口压力(b)压气机出口流量图 15k=0.62 时压气机的压升和流量时间历程图Fig.15 Time history of pressure rise and flow of compressorat k=0.62 05010015020025030000.10.20.30.40.50.60.70.80.91.00501001502002503000.20.100.10.20.30.40.50.60.7未施加控制有控制效果未施加控制有控制效果(a)压气机出口压力(b)压气机出口流量图 16k=0.68 时压气机的压升和流量时间历程图Fig.16 Time history of pressure rise and flow of compressorat k=0.68 194中 国 舰 船 研 究第 19 卷的，工作状态也不断变化。压气机作为一种非线性的工业设备，其中包含有不可预测的不确定性。因此，在模拟仿真过程中，设计使压气机从正常的工作状态缓慢进入喘振状态，然后再加入控制器，以观察测试自抗扰控制器对压气机喘振状 态 的 控 制 效 果。在 无 量 纲 时 间 系 数 超 过100 后，压气机进入喘振状态，此时，压气机的压力和流量出现巨大的振动。在无量纲时间系数超过 300 后，加入控制器，并同时使用 PID、非线性反馈控制器以及自抗扰控制器，以比较其控制效果。图 18 和图 19 所示分别为压气机在整个模拟过程中其出口的压力和流量的变化情况。由图 18 可以看出，当无量纲时间系数为 300时，加入控制器后，其中 PID 和 ADRC 控制器的控制效果相对精准，出口压力稳定在一个较好的数值上；而非线性反馈控制器则最终降低了压气机的出口压力，压气机的压升值不大，这对于压气机的工作来说非常不利，并且从控制速率上来说，非线性反馈控制器的控制速率较慢，ADRC 自抗扰控制器则很快抑制住了压气机的喘振状态，使得压气机回归正常工作，达到了控制的目的。050100 150 200 250 300 350 400 450 50000.20.40.60.81.01.21.4非线性反馈控制PID 控制ADRC 控制未施加控制图 18压气机工作时其出口压力的动态控制效果对比图Fig.18 Comparison of the dynamic control effect of the com-pressor outlet pressure when it works 由图 19 可以看出，采用 PID 控制虽然也抑制住了喘振状态，使得压气机的流量不再振动，但却出现了倒流，即压气机的流量系数为负值，这也是不被允许的工作状态。究其原因，PID 控制作用的原理是通过调整流量来保证压力，用反馈控制来实现喘振控制。而非线性反馈控制器则是通过补偿节流阀参数来将