本期的《推进技术》期刊，推出了新型推进系统控制专栏。控制理论是我们生活中经常被应用，但又比较难以理解的一种理论，相比于其他经典理论，控制论出现的时间虽然相对较晚，但是在促进人类社会科技进步与生产力发展方面却后劲十足，甚至推动了现代哲学观的变革。本期的封面故事，我们请来本期封面文章的作者，为大家讲讲在推进技术领域，是如何使用控制方法解决发动机燃烧问题的。
浅谈如何用控制理论和方法解决发动机实际问题
王瑄 | 文
动物和机器的行为到底受什么支配，是哲学和科学两大领域长期讨论的对象。动物的行为常常没有什么规律可循，就算是已经进化出较高级智力水平的人类，也没法用一套科学的方法去完整预测和约束他们的行为，所以我们会常说“世界就是个巨大的草台班子”，因为只要是有人参与的事情，总会多多少少出问题。机器的行为倒是很好预测和约束，但是又不像动物那样可以随机应变和具备学习能力，一旦超出了设定好的运行区间，就有可能罢工甚至损坏。于是自认为是大自然主宰者的我们就会想到，动物和机器运行的规律有没有相似或者相同的地方？我们能不能搞清楚人是怎么学习的，然后把这种方法教给机器？用牛顿的那套研究物理世界的还原论去研究生物体，并不太奏效，因为即使我们可以用微分法把生物体拆到细胞或者更小的单位去加以研究，但细胞们却并不能通过积分的方法来构成生命体。所以我们需要从更宏观的视角去重新审视我们所处世界的运转模式。
了解世界本质这件事的结果可能很残酷
用控制论的方法去预测和学习
1948年，诺伯特·维纳的《控制论》发表。这门学问更多的从系统整体的角度去考虑问题，关注的是系统内的信息如何传递（系统自己的运行模式）以及系统如何在外部环境的变化中保持稳定。这就让控制论可以跳出牛顿机械还原论的窠臼，用全新的视角和方法去同一的认识和解决机器和动物中共通的学问，用维纳在书中的原话来说，就是：控制论是关于在动物和机器中控制和通信的科学。
诺伯特·维纳（1894-1964），控制论创始人，他的研究领域横跨哲学、生物学、数学等等多个学科，是科学届真正的“跨栏”冠军
控制论认为，世界的发展和变化是有其随机性的：世界上的多数事物，并不是从一开始就注定要发展成现在这个样子的，在事物发展的初期，它们往往有多重发展的可能性，由于条件或者纯粹机遇的关系，最终才沿着某一特定的方向发展下去。之所以在如此的不确定性下，还会存在如今我们所理解的相对稳定的物质世界状态，是因为，所有的能够自洽的系统都存在相类似的控制模式，也就是在外部环境发生变化时，自然存在的系统都会动态的调整自己，以适应这种变化，使整个系统继续保持稳定。这种反向的调整被称为反馈，系统对整个控制过程的实现是通过信息的传递，也就是通信来实现的，而且动态系统的控制方式都是向着智能化方向发展的，不管是生物体还是机器。控制规律在自然界广泛存在，小到微生物大到动物种群，从无机物到有机物都可以找到相似的模式。维纳把这些规律归纳为控制论的不确定性、普遍性和智能性，而且事物的控制规律是本来就存在的，并不需要去凭空臆想，可以用“黑箱”的方法去加以研究。
所谓“黑箱”，是指对特定的系统开展研究时，并不需要去搞清楚系统内部的结构和相互关系，而仅把系统看成一个看不清内部的黑色箱子，只从其输入输出的特点去了解该系统运行的规律。这是系统论相比于还原论，更为独特的研究方法
拥有了控制论这件好用的工具以后，我们可以把一些已经掌握的自然运行规律移植到机器上，让这些机器牛马们代替真正的牛马去干活。这些自动控制的活计在现代的大机器生产时代已经司空见惯。维纳想通过控制论来实现的，和一个现在很火的词——“智能”相关，那就是智能机器。维纳认为，智能机器的“智能”要体现在对所有的输入，都能做出让人满意的动作。而控制系统所接收的信息(可以理解为系统输入)都带有随机的性质，也就是服从某种统计学分布，所以智能系统如果要满足对所有统计学的输入都能实现满意的统计学输出，就必须要具备根据过去和现在预测未来的能力。做了这么多的理论铺垫，我们终于绕回到了本文所要尝试说明和解决的问题上。下面我们先来说明一下我们想要预测的是个什么样的问题。
机器学习是实现人工智能的前提，深度学习是实现机器学习的重要手段
复杂多变的航发燃烧室温度场
航空发动机作为一种能量转化装置，燃料化学能的释放是通过燃烧过程来实现的。而燃烧过程能否进行的完全，也就是燃料的化学能释放的是否彻底，和温度、压力这两个指标有很大关系，一般来说，温度、压力越高，燃烧效果越好。可以说燃烧室出口的温度与发动机所能获得的推力是直接相关的。对比历代战斗机性能参数，可以发现，对飞机更快速度、更强作战性能的需求下，发动机必然要向着更高涡轮前温度方向发展。
发动机与历代战机伴生发展，涡轮前温度不断提升
在不断提升航空发动机燃烧室出口温度（也就是涡轮前温度）的技术征程中，始终阻挡在前进路上的绊脚石就有温度场不均匀这一块。造成燃烧室温度场不均匀的固有因素有很多，比如燃油喷嘴的分散分布、燃油和空气掺混及燃烧过程的不均匀性等等。燃烧室材料的耐温性虽然一直在不断提升，但却不能脱离开物理世界的束缚，总有其上限。所以燃烧室内温度场越不均匀，在材料上限封顶的前提下，平均温度就越低，对应的发动机能量释放能力就越差。所以对发动机燃烧室温度场进行控制的目标就是：限制上限不要超温烧坏发动，提升下限消灭那些低温区，使整个燃烧区的各个位置燃烧温度都接近于设计温度。但是，发动机的燃烧问题是个动态的随机问题，同时受到上下游部件以及来流情况影响。我们必须使用机器学习的方法对整个温度场建立预测模型，这样才能在瞬息万变的飞行过程中，准确的对燃烧室温度场进行控制。
燃烧室前面是压气机，后面是涡轮，燃烧室内的工况本就十分恶劣，其运行状态还要同时受到上下游部件的影响
燃烧室温度场的智能预测
前面我们说到研究控制规律时可以用“黑箱”的方法，用已知的输入和输出去“模拟”出一套控制规律来。我们能掌握的输入和输出信息越多，建模就会越准确。近年来，随着计算机技术的进步，用计算机网络模仿人类大脑神经元网络处理、记忆信息的方式，实现人脑那样的信息处理功能，去模拟“黑箱”中的控制规律的人工神经元网络，让维纳当年的技术设想成为了现实。人工神经元网络是由大量处理单元互联组成的非线性、自适应信息处理系统，每个神经元节点代表一种特定的输出函数，称为激励函数，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，就相当于人工神经网络的记忆。网络的输出取决于网络的连接方式、权重值和激励函数的不同而不同。
虽然人工神经系统是模仿人脑建立的，但是关于人脑的运作原理目前学界仍存在着很大的盲点
有了人工神经网络的“硬件”支持，我们再来介绍一下我们要如何通过“自学”让这个网络模拟出黑箱里的模型。不妨把这个网络类比成一套无比复杂的水管系统，这个系统由很多通径不一的管道和很多可以调节的阀门组成，水管系统的进口有很多个，它们代表系统的输入，出口也有很多个，他们代表系统的输出。学习过程开始时，我们把一组系统的输入放到管道对应的进口里，通过调节阀门的开关和通过的流量，我们就会在管道出口处，获得一组输出。再通过不断的调节，我们最终会获得一组和我们测得的输出基本一致的水流。当然，有可能会有很多种阀门开度和管道的组合都满足我们测得的输入-输出对应关系。然后我们可以用其它组已知的输入-输出关系去验证和修正我们得到的各种可能的“流通”系统，直到我们获得可以对各种输入的数据都有良好输出符合性的预测模型。显然，我们“喂”给系统的已知数据越多，这个模型就会跟我们已知的那个“黑箱”越接近，当然，这个接近程度也取决于我们给输出一致性设定的精度。这就是人工神经元网络深度学习的过程。
只要管道足够多，阀门足够多，相信我们一定能调出我们需要的水流大小
这里要说明的是，深度学习基础上的预测都是基于已知数据的，对于超出“押题”范围以外的数据预测，很可能是不准确的。而且，航空发动机上惯常使用的预测模型往往是通过某些物理公式或者物理约束得到的，但是温度场是一个高维变量，常常一个温度场截面上有成百上千个点，因此很难用传统的物理公式得到。因此还需要引入新的物理知识，来提升学习区间外的预测精度。在本期封面文章的实际研究中，我们构建了含有注意力模块的双支路网络模型，得到的含有测试集温度场相对偏差均值为0.64%，实现了较高的精度，通过引入物理损失函数项，在远离学习工况的区域，使注意力网络模型的预测性能得到显著改善，温度场相对误差均值的平均值降低了48.4%，达成了很好的预测表现。
本文所使用的双支路注意力网络模型
以上仅是用控制方法去解决实际发动机问题的一个案例，在具体的工程实践中，控制理论和方法其实已经深入到了发动机设计生产的方方面面。有朝一日，真正的智能发动机会是什么样子呢？
控制理论和方法将推动航空发动机技术继续发展
