双旋流燃烧不稳定控制方法及系统与流程

1.本发明涉及一种双旋流燃烧不稳定控制技术领域，特别涉及一种双旋流燃烧不稳定控制方法及系统。


背景技术：

2.近年来，发动机污染物尤其是氮氧化物(nox)的排放要求日益严格。贫油预混预蒸发燃烧技术(lpp)是目前最有可能实现极低nox排放的燃烧技术，其多采用中心分级的双旋流燃烧组织模式。由于贫燃预混火焰极易受到扰动而引发燃烧不稳定，给lpp燃烧室的应用带来了严峻的挑战。因此，抑制或防止燃烧不稳定的发生在lpp燃烧室研发中至关重要。
3.目前，有两种燃烧不稳定控制方式：被动控制和主动控制。
4.被动控制主要是通过增加固定的结构件来改变燃烧系统的声学和流场结构，实现对燃烧不稳定的控制。常见的有四种方法，1)改变燃烧室结构，2)改变燃料喷射系统，3)增加声衬，4)应用亥姆霍兹共振器。但被动控制往往是开始之前就已经预设好，仅在某个很小的工作条件范围内有效，在非设计条件下或者低频下往往失效。
5.主动控制是指通过施加外部主动激励为燃烧系统提供能量，以破坏燃烧不稳定时声波与非定常释热之间的耦合，从而达到抑制燃烧不稳定的目的。激励的频率、幅值和位置对燃烧不稳定的控制效果有重要影响。根据传感器有无反馈可以分为开环控制和闭环控制。开环控制只包括控制器、执行器和传感器，不涉及到反馈回路，因此其系统简单，更容易实现。开环控制常见的有四种方法，1)燃料/空气的扰动，2)施加固定频率和幅值的振荡信号来调节燃料的质量流量，3)直接激励剪切层，4)注入脉动或稳定的燃料/空气。其中，由于施加振荡信号来调节燃料流量可以实现更低频燃烧不稳定控制，一直受到研究者的广泛关注。目前已有人通过实验在燃气轮机上评估了周期性当量比调制方法的有效性。实验发现，与自然状态下相比，周期性当量比调制方法可以减弱压力振荡幅值的三分之一。但目前通过施加振荡信号调节燃料流量进而控制燃烧不稳定的方式都只是人为的设定调制频率和幅值，很难做到全局最优。


技术实现要素：

6.针对现有技术存在的缺陷，本发明提供一种双旋流燃烧不稳定控制方法及系统，在燃料流量调节的振荡信号中，充分发挥机器学习算法全局寻优的优势，以最大程度地抑制航空发动机和燃气轮机中的燃烧不稳定，延长航空发动机和燃气轮机的使用寿命，其具有组成简单、压力振荡抑制效果显著等特点。
7.为实现上述技术目的，本发明提出的技术方案为：
8.本发明提供一种双旋流燃烧不稳定控制方法，包括：
9.s1.搭建双旋流燃烧不稳定控制系统；
10.双旋流燃烧不稳定控制系统包括双旋流燃烧装置、供气系统、电磁阀、压力传感器、数据采集卡、控制器以及计算机，双旋流燃烧装置包括双旋流燃烧器以及燃烧室，供气
系统为双旋流燃烧器分别提供内旋流所需的碳氢化合物燃料和外旋流所需的空气，电磁阀安装在碳氢化合物燃料的供应管路上且与双旋流燃烧器其内旋流燃料入口具有一定距离，控制器通过电磁阀控制内旋流燃料流量从而实现当量比的调制，燃烧室壁面上顺着其轴向等间距安装有多个压力传感器，各压力传感器均与数据采集卡连接，各压力传感器采集的压力数据通过数据采集卡采集并传输给计算机。
11.s2.通过计算机中预先记载的机器学习算法随机组合初始化若干激励函数信号，作为第一代激励函数信号；
12.s3.将当前代激励函数信号通过控制器作用于电磁阀，各压力传感器测量压力脉动并通过数据采集卡采集并传输给计算机；
13.s4.根据压力脉动定义燃烧不稳定控制的代价函数，计算当前代激励函数信号所对应的代价函数大小，然后对当前代激励函数信号进行更新操作，产生新一代激励函数信号；
14.s5.重复s3至s4，直至达到预设停止条件。
15.预设停止条件为：当机器学习算法中不再有更小的代价函数j产生时，表示算法已经收敛，燃烧室中的燃烧状态趋于稳定，此时最小代价函数所对应的激励函数信号即全局最优激励函数信号。
16.本发明双旋流燃烧不稳定控制系统中，双旋流燃烧器的内旋流当量比在0和φ0之间按一定的比例变化，外旋流当量比始终保持φ1不变。
17.本发明s2中，机器学习算法根据拟谐波或者方波信号形式随机组合初始化若干激励函数信号，与蒙特卡罗方法产生随机数类似。一般燃烧不稳定有效的激励函数信号形式为谐波函数信号或方波函数信号，且谐波激励函数信号或方波激励函数信号中应包含自然状态下燃烧不稳定的主频率。
18.本发明s4中，通过压力脉动估计燃烧不稳定的强弱，压力脉动由移动平均计算获得，公式为：
19.s
′
i
＝s
i
(t)
‑
<s
i
(t)>
τ
20.其中
[0021][0022]
s
i
(t)为t时刻的第i个压力传感器检测到的压力大小，i＝1,2，
…
n
s
，n
s
为燃烧室内所安装的压力传感器的总数；τ为移动平均时间；
[0023]
则每个激励函数信号在一定时间t内燃烧室内的压力振荡情况可以表示为：
[0024][0025]
为了使燃烧室中的燃烧状态趋于稳定，所对应的压力振荡降低，因此定义燃烧不稳定控制的代价函数为：
[0026]
j＝1/k
[0027]
计算当前代激励函数信号所对应的代价函数大小，然后根据设定的比例(如复制10％、变异20％和杂交70％)对当前代激励函数信号进行更新操作，产生新一代激励函数信号。
[0028]
本发明提供一种双旋流燃烧不稳定控制系统，包括双旋流燃烧装置、供气系统、电磁阀、压力传感器、数据采集卡、控制器以及计算机，双旋流燃烧装置包括双旋流燃烧器以及燃烧室，供气系统为双旋流燃烧器分别提供内旋流所需的碳氢化合物燃料和外旋流所需的空气，电磁阀安装在碳氢化合物燃料的供应管路上且与双旋流燃烧器其内旋流燃料入口具有一定距离，控制器通过电磁阀控制内旋流燃料流量从而实现当量比的调制，内旋流当量比在0和φ0之间按一定的比例变化，外旋流当量比始终保持φ1不变，燃烧室壁面上顺着其轴向等间距安装有多个压力传感器，各压力传感器均与数据采集卡连接，各压力传感器采集的压力脉动通过数据采集卡采集并传输给计算机；计算机中预先加载有机器学习算法，通过运行机器学习算法产生激励函数信号并通过控制器作用于电磁阀，控制内旋流燃料流量，从而实现双旋流燃烧器的内旋流当量比的调制，使燃烧室中的燃烧状态趋于稳定。
[0029]
机器学习算法首先生成第一代激励函数信号，并通过控制器作用于电磁阀，根据各压力传感器采集的压力数据计算压力脉动，根据压力脉动定义燃烧不稳定控制的代价函数，然后依据当前代激励函数信号所对应的代价函数大小进行更新操作，产生新一代激励函数信号再通过控制器作用于电磁阀，如此循环，直至达到预设停止条件。其中预设停止条件是：当机器学习算法中不再有更小的代价函数产生时，表示机器学习算法已经收敛，燃烧室中的燃烧状态趋于稳定，此时最小代价函数所对应的激励函数信号即全局最优激励函数信号。
[0030]
进一步地，各压力传感器均与其安装位置处的燃烧室内壁面齐平安装。
[0031]
与现有技术相比，本发明的优点在于：
[0032]
本发明给出的双旋流燃烧不稳定控制方法，自适应性高。避免了被动控制只在小范围工作条件有效和低频下失效的缺点。
[0033]
本发明通过机器学习算法(如采用线性遗传规划算法)中的全局寻优获得的最优激励函数信号抑制燃烧不稳定效果更加显著。
[0034]
由于机器学习是一种无模型的基于数据驱动的建模方法，不需要考虑复杂的因果关系，应用于燃烧不稳定控制时，不需要任何燃烧和非线性动力学的先验知识。因此可以推广到高维非线性燃烧不稳定控制系统。
附图说明
[0035]
为了更清楚地说明本发明实施例中或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0036]
图1是本发明一实施例中双旋流燃烧不稳定控制系统示意图；
[0037]
图2是本发明一实施例中内外旋流器所对应的工作当量比示意图；
[0038]
图3是本发明一实施例中压力振荡抑制效果图。
[0039]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步的说明。
具体实施方式
[0040]
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面将以附图及详细
叙述清楚说明本发明所揭示内容的精神，任何所属技术领域技术人员在了解本发明内容的实施例后，当可由本发明内容所教示的技术，加以改变及修饰，其并不脱离本发明内容的精神与范围。本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
[0041]
本发明一实施例中的双旋流燃烧不稳定控制方法，包括以下步骤：
[0042]
s1.搭建双旋流燃烧不稳定控制系统；
[0043]
参照图1，所搭建的双旋流燃烧不稳定控制系统包括双旋流燃烧装置1、供气系统、电磁阀2、压力传感器3、数据采集卡4、控制器5以及计算机6，双旋流燃烧装置包括双旋流燃烧器101以及燃烧室102，供气系统(图1中未示出)为双旋流燃烧器分别提供内旋流所需的甲烷燃料和外旋流所需的空气。
[0044]
电磁阀2安装在碳氢化合物燃料的供应管路上且与双旋流燃烧器101其内旋流燃料入口具有一定距离，本实施例中电磁阀2与双旋流燃烧器101其内旋流燃料入口的距离为3cm。
[0045]
计算机6中预先加载有机器学习算法，通过运行机器学习算法产生激励函数信号，控制器根据机器学习算法所生产的激励函数信号通过电磁阀控制内旋流燃料流量，从而实现双旋流燃烧器的内旋流当量比的调制。本实施例中内旋流当量比在0和0.5之间按一定的比例(由激励函数决定)变化，外旋流当量比始终保持0.4不变。
[0046]
燃烧室壁面上顺着其轴向等间距安装有多个pcb压力传感器，各压力传感器均与其安装位置处的燃烧室内壁面齐平安装。各压力传感器与数据采集卡连接，各压力传感器采集的压力数据通过数据采集卡采集并传输给计算机。
[0047]
s2.通过计算机中预先记载的机器学习算法随机组合初始化若干激励函数信号b＝k(h)，作为第一代激励函数信号。
[0048]
由于是开环控制，多频率的激励函数信号h只与时间t有关。本实施例中激励函数信号h其形式为谐波函数信号，且激励函数信号h中包含自然状态下燃烧不稳定的主频率。通过机器学习算法随机组合初始化为50个激励函数信号并进行预测试，确保每个激励函数信号都能产生有效激励。
[0049]
s3.将当前代激励函数信号通过控制器作用于电磁阀，各压力传感器测量压力脉动并通过数据采集卡采集并传输给计算机。
[0050]
s4.根据压力脉动定义燃烧不稳定控制的代价函数，计算当前代激励函数信号所对应的代价函数大小，当前代激励函数信号根据对应的代价函数大小，按设定的比例进行更新操作，产生新一代激励函数信号。
[0051]
代价函数用来评估激励函数信号所对应的成本代价。双旋流燃烧不稳定控制过程中可以通过压力脉动估计燃烧不稳定的强弱。压力脉动由移动平均计算获得，公式为：
[0052]
s
′
i
＝s
i
(t)
‑
<s
i
(t)>
τ
[0053]
其中
[0054][0055]
这里的s
i
(t)为t时刻的第i个压力传感器检测到的压力大小，i＝1,2，
…
n
s
，n
s
为燃烧室内所安装的压力传感器的总数。τ为移动平均时间，本实施例选取为双旋流燃烧不稳定控制系统自然状态下燃烧不稳定特征周期的3倍作为移动平均时间。
[0056]
则每个激励函数信号在一定时间t内燃烧室内的压力振荡情况可以表示为：
[0057][0058]
这里选取t＝10s作为每个激励函数信号在实验过程中压力测量的时间范围。足以消除压力的偶然误差和保证k的收敛。
[0059]
双旋流燃烧不稳定控制系统主要目的是使得燃烧室中的燃烧状态趋于稳定，则所对应的压力振荡降低。因此定义双旋流燃烧不稳定控制的代价函数为：
[0060]
j＝1/k
[0061]
根据双旋流燃烧不稳定控制的代价函数的定义公式求得每个激励函数信号所对应的代价函数大小，机器学习算法根据每个激励函数信号所对应的代价函数大小按一定的比例进行复制、变异或/和杂交等更新操作，产生新一代激励函数。
[0062]
s5.重复s3至s4，直至达到预设停止条件。
[0063]
预设停止条件为：当机器学习算法中不再有更小的代价函数j产生时，表示算法已经收敛，燃烧室中的燃烧状态趋于稳定，此时最小代价函数所对应的激励函数信号即全局最优激励函数信号。
[0064]
本实施例中当机器学习算法进行到第4代时，有超过50％的激励函数信号实现了大约60％的压力振荡降低。此时最小代价函数所对应的激励函数信号即全局最优激励函数信号，其可以实现大约62％的压力幅值降低，如图3所示。
[0065]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。