空工大提出创新型可压缩流动控制框架，航华CTA04热线风速仪发挥重要作用

今日，空军工程大学宗豪华等学者在流体力学权威期刊《Journal of Fluid Mechanics》发表论文，提出流动控制新方法。该文针对深度强化学习（DRL）在主动流动控制（AFC）中从仿真迈向实际应用的核心瓶颈——实时性挑战，提出并验证了一种创新的高速实验性控制框架。研究指出，为实现对高速（如航空航天领域相关）流动的有效闭环控制，控制频率需达到kHz级别以匹配流动特征时间尺度，而现有的基于中央处理器（CPU）的DRL实验框架受数据缓冲、通信延迟等限制，控制频率通常低于100 Hz，难以满足要求。

为此，论文开发了一套基于现场可编程门阵列（FPGA）的高速实验性深度强化学习（FeDRL）控制框架。该框架通过三项关键技术革新实现了控制性能的飞跃：首先，将神经网络的实时执行（在FPGA上完成）与训练（在CPU上完成）过程分离，极大缩短了控制周期；其次，采用结构更简洁、计算更高效的径向基函数（RBF）网络替代传统的全连接网络，来表征控制策略（Q函数）；最后，优化了整个硬件回路的数据流。这使得框架的控制频率提升至1-10 kHz，比现有CPU框架提高了两个数量级。

研究在一个极具挑战性的场景中验证了该框架的可行性：在马赫数2的超声速后向台阶流动中，以等离子体合成射流阵列作为作动器，热线风速仪作为传感器，进行以增强剪切层混合为目标的闭环控制。实验在单次仅10秒的风洞运行时间内，完成了从零开始的在线学习。结果表明，基于深度Q网络（DQN）算法的智能体，仅经过约10秒的训练，便能找到有效的控制策略，使剪切层速度脉动的相对强度提升高达21.2%，展现了前所未有的训练效率。研究还将DRL学习到的策略与传统的定频周期激励进行了对比，发现DRL策略在控制效果上具有显著优势。

在本研究的实验系统中，关键的流动状态感知依赖于航华（Hanghua）CTA04型恒温式热线风速仪。该传感器负责实时测量超声速剪切层中的速度脉动信号，其高达10 kHz以上的频率响应特性，确保了能够准确捕捉高速流动的瞬态变化，为DRL智能体提供了至关重要的环境状态观测输入。航华仪器的这一高性能测量设备，为成功实现kHz级别的实时闭环反馈控制提供了可靠的传感基础，是整套高速实验框架得以有效运行的关键组成部分之一。

[1] ZONG H, WU Y, LI J等. Closed-loop supersonic flow control with a high-speed experimental deep reinforcement learning framework[J/OL]. Journal of Fluid Mechanics, 2025, 1009: A3. https://www.cambridge.org/core/product/identifier/S0022112025001600/type/journal_article. DOI:10.1017/jfm.2025.160.