CN110188378B - 一种基于神经网络的气动数据融合方法 - Google Patents
一种基于神经网络的气动数据融合方法 Download PDFInfo
- Publication number
- CN110188378B CN110188378B CN201910294858.6A CN201910294858A CN110188378B CN 110188378 B CN110188378 B CN 110188378B CN 201910294858 A CN201910294858 A CN 201910294858A CN 110188378 B CN110188378 B CN 110188378B
- Authority
- CN
- China
- Prior art keywords
- data
- precision
- fusion
- neural network
- pneumatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于神经网络的气动数据融合方法,该方法是在传统神经网络融合的基础上,利用VCM融合方法修正神经网络融合时对数据量的相关性,并针对高精度数据的融合性质,引入了影响权重参数来帮助融合,最终得到改进的VCM方法与神经网络方法相结合的气动数据融合方法。本发明提出的融合方法能够有效克服传统神经网络融合方法与数据量的相关性,限制高精度数据的融合影响范围,得到整体融合趋势与大数据量数据趋势一致,在高精度数据影响范围与高精度数据一致的融合数据。
Description
技术领域
本发明涉及空气动力学中不同气动数据源之间的融合,尤其涉及一种基于神经网络的气动数据融合方法,该方法可将优缺点相互补充的气动数据源进行融合,此外也可应用于传感器等其它存在多数据源的领域。
背景技术
在空气动力学常采用风洞实验、数值计算和飞行试验(模型飞行试验)三种方法来获取飞行器气动数据,但是每种方法都有其优缺点。风洞实验的数据精度高,但存在洞壁干扰、支架干扰真实效应等影响,与真实飞行情况有很大差异;数值计算方便灵活,但对网格依赖性较大,对硬件软件都有一定要求,而且计算精度有待进一步提高;飞行试验可以模拟真实飞行状态,但仍受限于传感器精度和大气扰动等,而且实验数据有限,飞行成本高。
在短时间内,很难通过单一方式来较大程度地提高气动数据的精度。但如果只是针对于某个飞行器的话,通过前面所述的三种手段获得的数据是针对同一对象的多源数据,三种信息相互之间有一定冗余性和互补性,因此从理论上来说,使用气动数据融合的方式是完全可行的。
与现有的数据融合技术相比,气动数据误差来源比较复杂,往往不知其真值,很难建立描述气动数据误差传递的数学模型,因此直接将现有数据融合技术应用于气动领域是非常困难的。如果按照传统的数据融合分类方式进行划分,气动数据融合应属于数据级融合,其主要任务是将多源数据融合为一可靠性高、精度高,数据充足的数据源。在气动数据融合中,可以将各种实验数据认为是高精度数据源,将各种数值模拟数据认为是低精度数据源。
针对不同气动数据源之间的融合,国内外发展了大量的研究方法。在2001年NASA的兰利研究中心与Dryden飞行研究中心进行了合作,针对F-16XL-1飞机的梯形机翼,在亚音速和跨音速下,对其飞行试验、风洞实验以及数值模拟条件计算得到的可视化结果进行了比较分析,从而获得机翼表面准确的流动结果。其融合过程主要通过人为的比较分析,来获取最终的结果,难免会在其中引入人为因素。此外还有NASA的兰利研究中心与布朗大学合作对波音757飞机的试验结果进行融合,主要通过三维变换及重建技术,将不同相机获取的二维可视化流动结果融合至原模型的三维流动结构。
2003年南安普顿大学的A.J.Keane通过数据融合的方法将DOE(Design ofExperiment)数据与CFD数据进行了融合,来进行机翼的气动优化数据获取。其采用的融合方法为Kriging 相应曲面法,并且融合结果明显比采用单一的结果更加精确。同期NASA内部ELORET组织的ChungTang等人,使用了VCM算法来融合DOE数据以及CFD数据,其融合的研究对象为气动力系数随攻角的变化,并将该方法构建至专家系统来获取气动数据。
由于神经网络在函数拟合功能上的任意逼近性、多维性,2004年威廉马什赖斯大学的J.A. Navarrete等人将神经网络中的RBF网络引入到气动数据融合领域,同样其研究对象为气动力系数随攻角变化的实验数据和CFD数据,并对神经网络方法在融合中的局限性和潜力提出了研究建议。
在2018年的AIAA会议上,韩国大学的Maxim Tyan等人为构建飞行模拟的气动数据库,采用综合的数据融合技术来构建气动数据。在融合过程中,使用了Kriging方法、自适应采样法以及VFM方法(Variable Fidelity Modeling),三种方法,然后根据融合时的设置进行算法的选取。
国内在气动数据融合上也有人做了一些工作,中国空气动力研究与发展中心的何开锋等人进行了很多关于气动数据融合的研究,针对气动力系数随攻角的变化,分别采用了基于不确定度的加权以及数学建模的方法对实验数据和CFD数据进行融合,并对气动数据融合在工程中的应用进行了总结。南京航空航天大学的吉凤贤等人使用最小二乘法将试验结果与数值分析结果进行了融合,并且将研究范围从传统的气动力系数随攻角的变化,推广到机翼表面气动力随位置的变化。
目前常见的几种气动数据融合的方法,单独应用时会存在一些局限性,本发明针对VCM 方法以及神经网络方法各自的优缺点,对VCM方法引入影响权重参数来进行改良,并与神经网络方法进行结合,提出了一种效果更好的气动数据融合方法。
发明内容
本发明的目的在于提供一种基于神经网络的气动数据融合方法,该方法能够解决神经网络融合方法对数据量的敏感性,并且能够控制高精度数据的影响范围。
本发明提出的方法采用主要技术方案如下:
一种基于神经网络的气动数据融合方法,是结合神经网络融合方法和VCM融合方法,利用VCM融合方法的线性调节功能来调节神经网络融合方法对数据量的敏感性,通过引入影响权重参数限制高精度数据源的影响范围,获取最终的气动融合数据。
该方法包括如下步骤:
1)根据低精度数据源与高精度数据源的关系,采用VCM融合方法对低精度数据源进行预处理,并通过引入影响权重参数调整高精度数据源的影响范围;
2)将经VCM预处理后的低精度数据源与高精度数据源进行混合,然后采用神经网络融合方法进行数据融合。
上述技术方案中,进一步的,步骤1)中所述的采用VCM融合方法对低精度数据源进行预处理可采用比例缩放模型进行预处理、或采用增量修补模型进行预处理、或采用先比例缩放再增量修补的混合预处理方法、或采用先增量修补再比例缩放的混合预处理方法。
更进一步的,所述的采用VCM融合方法对低精度数据源进行预处理,采用先增量修补再比例缩放的混合预处理方法,具体如下:
首先计算每个数据样本点的增量α(xi):
α(xi)=fhf(xi)-flf(xi)
其中,fhf(xi)为高精度数据,fl f(xi)为低精度数据;
然后计算其平均值,N为数据样本点个数,如下式所示:
将平移后低精度数据进行比例缩放,使其与高精度数据匹配,比例缩放后低精度数据其计算公式为:
对于某些情况,先采用比例缩放模型再采用增量修正模型,效果可能会更好。
考虑到高精度数据具有一定的影响范围,因此,在本发明中引入影响权重参数调整高精度数据源的影响范围,其具体做法如下:
式中Γ即为影响权重参数,该参数需根据实际情况来进行确定,通常可采用最简单的线性影响权重参数,即:使高精度数据影响权重随距离的增大而线性的减小;fl f(xi)为原始的低精度数据。
采用VCM预处理过后,将处理后的低精度数据与高精度数据一同使用神经网络来进行融合,具体采用的神经元数学表达式为:
关于整个神经网络的结构组成,由于融合并不需要太复杂的神经网络功能,因此采用常用的前向神经网络即可,建议取3到4层,而输入节点与输出节点的个数可根据具体使用情况进行选择。
本发明的有益效果是:
本发明构建的气动数据融合方法在传统VCM融合方法与神经网络算法的基础上,将两种融合方法进行结合,消除了采用单一神经网络方法所带来的数据量敏感性。此外本发明通过引入影响权重参数,能够有效的限制高精度数据的影响范围,从而获得更加合理的且符合预期要求的气动融合数据。
附图说明
图1为双钝锥模型尺寸图。
图2为线性影响权重变化图。
图3为6°攻角下背风区融合结果图。
图4为6°攻角下背风区融合结果放大图。
具体实施方式
下面结合附图详细描述本发明具体实施方式,本发明的目的和效果将变得更加明显。
为了数据融合需要,本发明选取NASA研究中心的研究人员所使用的双钝锥模型,在其所发表的论文中提供了大量的风洞实验数据。模型尺寸为:头部曲率半径为3.835mm,前半锥锥角为12.84°,后半锥锥角为7°,前半锥距头部距离为69.55mm,后锥距头部距离即模型长度为122.24mm。模型的尺寸图如图1所示。
计算的自由来流条件为Ma∞=9.86,T∞=48.88K,p∞=59.92Pa,ρ∞=0.004271kg/m3。出口边界条件为质心外推边界条件,双钝锥壁面为等温壁边界条件,物面温度都取为 Tw=300K。最终使用CFD软件计算出攻角为0°、4°、6°、8°时的热流结果。
此模型的NASA报告中提供实验数据(即高精度数据源),我们又使用CFD软件获得了数值模拟数据(即低精度数据源),采用数据融合方法来融合这两种数据是有必要的,使得融合数据能够融合CFD数据的整体变化趋势,同时能够融合实验数据的高精度。由于只含有子午线处的的实验数据,因此我们针对双钝锥子午线处的实验数据与CFD数据来进行融合。由于数据融合的数据量不是很大,因此我们采用三层神经网络来进行融合,并简单的将VCM 预处理后的低精度数据与高精度数据混合至一块来进行训练,第一层网络有100个节点,第二层网络有20个节点,第三层网络有1个节点,用来输出融合后热流值。在该样例中,我们以无量纲坐标作为神经网络的输入(坐标系是取驻点或模型中心点为原点),以前述的用于训练的VCM预处理后低精度数据与高精度数据的混合数据作为输出。
为了在使用VCM算法预处理时,限制高精度数据的影响范围,引入简单的线性影响权重参数,来保证在高精度数据之外融合数据的合理性。线性影响权重的变化图如图2所示,最终使用线性影响权重参数来处理后,针对6°攻角下背风区子午线的气动热数据进行融合,使用影响权重的气动数据融合结果图如图3-4所示。
由图3、4中可以看出经过影响权重的处理,融合后的结果在实验数据范围附近偏向实验数据,以获得更高精度;在实验数据范围之外,融合数据偏向CFD数据,以保证结果符合物理特性;同时在整个范围,融合数据保持了CFD数据的变化趋势。
Claims (5)
1.一种基于神经网络的气动数据融合方法,其特征在于,该方法是结合神经网络融合方法和VCM融合方法,利用VCM融合方法的线性调节功能来调节神经网络融合方法对数据量的敏感性,通过引入影响权重参数限制高精度数据源的影响范围,获取最终的气动融合数据;该方法包括如下步骤:
1)根据低精度数据源与高精度数据源的关系,采用VCM融合方法对低精度数据源进行预处理,并通过引入影响权重参数调整高精度数据源的影响范围;
2)将经VCM预处理后的低精度数据源与高精度数据源进行混合,然后采用神经网络融合方法进行数据融合。
2.根据权利要求1所述的基于神经网络的气动数据融合方法,其特征在于,步骤1)中所述的采用VCM融合方法对低精度数据源进行预处理可采用比例缩放模型进行预处理、或采用增量修补模型进行预处理、或采用先比例缩放再增量修补的混合预处理方法、或采用先增量修补再比例缩放的混合预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294858.6A CN110188378B (zh) | 2019-04-12 | 2019-04-12 | 一种基于神经网络的气动数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294858.6A CN110188378B (zh) | 2019-04-12 | 2019-04-12 | 一种基于神经网络的气动数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188378A CN110188378A (zh) | 2019-08-30 |
CN110188378B true CN110188378B (zh) | 2020-12-08 |
Family
ID=67714128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910294858.6A Active CN110188378B (zh) | 2019-04-12 | 2019-04-12 | 一种基于神经网络的气动数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188378B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917938B (zh) * | 2021-10-08 | 2024-04-19 | 北京京航计算通讯研究所 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
CN114516403B (zh) * | 2022-03-07 | 2023-05-05 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于光纤结冰探测的电热防除冰系统功率控制方法 |
CN115879008B (zh) * | 2023-03-02 | 2023-05-26 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种数据融合模型训练方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109059911A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种gnss、ins和气压计的数据融合方法 |
CN109190550A (zh) * | 2018-08-29 | 2019-01-11 | 沈阳康泰电子科技股份有限公司 | 联合微表情多输入信息的深度神经网络多源数据融合方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7634137B2 (en) * | 2005-10-14 | 2009-12-15 | Microsoft Corporation | Unfolded convolution for fast feature extraction |
AU2011265563B2 (en) * | 2010-12-24 | 2016-09-22 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN103489033A (zh) * | 2013-09-27 | 2014-01-01 | 南京理工大学 | 融合自组织映射与概率神经网络的增量式学习方法 |
CN104894335A (zh) * | 2015-06-25 | 2015-09-09 | 长春工业大学 | 一种aod炉喷溅预报分析仪信息融合方法 |
CN106447040B (zh) * | 2016-09-30 | 2018-11-23 | 湖南科技大学 | 基于异类多传感器数据融合的机械设备健康状态评估方法 |
CN109445449B (zh) * | 2018-11-29 | 2019-10-22 | 浙江大学 | 一种高亚音速无人机超低空飞行控制系统及方法 |
-
2019
- 2019-04-12 CN CN201910294858.6A patent/CN110188378B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109059911A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种gnss、ins和气压计的数据融合方法 |
CN109190550A (zh) * | 2018-08-29 | 2019-01-11 | 沈阳康泰电子科技股份有限公司 | 联合微表情多输入信息的深度神经网络多源数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188378A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188378B (zh) | 一种基于神经网络的气动数据融合方法 | |
CN112016167B (zh) | 基于仿真和优化耦合的飞行器气动外形设计方法及系统 | |
CN107480335B (zh) | 一种高超声速飞行器模型迭代设计方法 | |
Ordaz et al. | Full-carpet design of a low-boom demonstrator concept | |
CN114235330B (zh) | 关联风洞试验和计算数据的多源气动载荷模型构建方法 | |
CN105956281A (zh) | 固体火箭发动机装药设计方法 | |
CN109446471B (zh) | 一种考虑载荷不确定性的流固耦合界面数据传递方法 | |
CN110414168B (zh) | 基于与前机身耦合优化的高超声速隔离段设计方法及系统 | |
Du et al. | Super resolution generative adversarial networks for multi-fidelity pressure distribution prediction | |
Oktay et al. | A novel learning algorithm to estimate the optimum fuselage drag coefficient | |
Streit et al. | DLR transonic inverse design code, extensions and modifications to increase versatility and robustness | |
Keye et al. | Development of Deformed CAD Geometries of NASA's Common Research Model for the Sixth AIAA CFD Drag Prediction Workshop | |
CN114117631A (zh) | 一种带有最优终端时间估计的火箭回收轨迹优化方法 | |
CN106873363A (zh) | 一种飞行器迎角信号的建模方法 | |
CN114692287A (zh) | 耦合太阳能电池布片的翼型构建方法及系统 | |
Kai et al. | Aerodynamic shape optimization of wing-body-tail configuration via efficient surrogate-based optimization | |
Sun et al. | Mosaic research with 3D lidar point cloud of civil aircraft | |
Yu et al. | High-fidelity optimization of flapping airfoils for maximum propulsive efficiency | |
CN104462829A (zh) | 空间推进求解中的复杂多区网格的处理方法 | |
Liu et al. | Airfoil optimization based on multi-objective bayesian | |
Webb Jr et al. | Inverse solution of blunt-body flowfields at large angle of attack. | |
Yan et al. | Airfoil aerodynamic coefficient prediction based on ensemble learning | |
Tang et al. | Aero-structure coupled optimization for high aspect ratio wings using multi-model fusion method | |
Gu et al. | Traffic data fusion research based on numerical optimization BP neural network | |
CN117784616B (zh) | 一种基于智能观测器组的高速飞行器故障重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |