CN112560355B - 基于卷积神经网络的风洞的马赫数的预测方法和装置 - Google Patents

基于卷积神经网络的风洞的马赫数的预测方法和装置 Download PDF

Info

Publication number
CN112560355B
CN112560355B CN202110195096.1A CN202110195096A CN112560355B CN 112560355 B CN112560355 B CN 112560355B CN 202110195096 A CN202110195096 A CN 202110195096A CN 112560355 B CN112560355 B CN 112560355B
Authority
CN
China
Prior art keywords
wind tunnel
data
mach number
wind
neural network
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
Application number
CN202110195096.1A
Other languages
English (en)
Other versions
CN112560355A (zh
Inventor
杭天欣
马元巍
陈红星
王克贤
潘正颐
侯大为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202110195096.1A priority Critical patent/CN112560355B/zh
Publication of CN112560355A publication Critical patent/CN112560355A/zh
Application granted granted Critical
Publication of CN112560355B publication Critical patent/CN112560355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Fluid Mechanics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明提供一种基于卷积神经网络的风洞的马赫数的预测方法和装置，所述方法包括：获取第一预设时间内的风洞数据；对风洞数据进行预处理，以将风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。本发明根据采集的风洞数据进行建模，可以快速而准确的预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。

Description

基于卷积神经网络的风洞的马赫数的预测方法和装置
技术领域
本发明涉及深度学习技术领域，具体涉及一种基于卷积神经网络的风洞的马赫数的预测方法、一种基于卷积神经网络的风洞的马赫数的预测装置、一种计算机设备和一种非临时性计算机可读存储介质。
背景技术
风洞是研究先进飞行器空气动力特性极为重要的一个设备。在风洞试验中，马赫数的稳定性和速度对风洞的质量有很大的影响。为了可以精准控制马赫数，我们对马赫数必须有快速并且精确的预测。在风洞试验中，往往会记录大量的数据，我们会根据这些数据进行建模，并预测马赫数。马赫数是反映风洞流场性能指标的重要参数。由于风洞流场的复杂性和马赫数的测量难度较大，马赫数控制和测量一直是风洞控制中的难点。
传统的预测方案，可由稳定段总压和试验段静压通过经验公式计算得到，由于实际吹风工况的不确定性以及流场参数的实时变换性，公式的局限性很大，并且很难体现流场和马赫数的真实特性，这样风洞的马赫数的可靠性和精度值得商榷。
相关技术中还利用机器学习的方法获得风洞的马赫数，即将收集的数据转换成特征向量，并将特征向量作为输入送入机器学习模型，训练模型，预测结果。但是该技术方案的参数庞大，训练较慢，且机器学习模型需要对数据进行处理，删除单一值和异常值，会降低对真实情况的拟合效果。
发明内容
本发明为解决上述技术问题，提供了一种基于卷积神经网络的风洞的马赫数的预测方法，能够根据采集的风洞数据进行建模，可以快速而准确的预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。
本发明采用的技术方案如下：
一种基于卷积神经网络的风洞的马赫数的预测方法，包括以下步骤：获取第一预设时间内的风洞数据；对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将所述待预测的风洞数据输入所述预测模型，以得到风洞的马赫数。
根据本发明的一个实施例，所述风洞数据包括：总压信号、栅指信号、主排信号、模型迎角信号、马赫数和风速值，获取第一预设时间内的风洞数据，包括：在第一预设时间内，每隔第二预设时间获取风洞内多个面上不同数据采集点上的风速值，其中，所述第一预设时间大于所述第二预设时间。
根据本发明的一个实施例，对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据，包括：对所述风速值进行归一化处理，并将处理后的风速值进行空间重建，模拟成多个二维图像；分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像；根据多个二维图像获得三维图像，并根据三维图像获得所述风洞的三维数据。
根据本发明的一个实施例，通过下述公式对所述风速值进行归一化处理：
Figure 971740DEST_PATH_IMAGE001
其中，
Figure 395506DEST_PATH_IMAGE002
表示归一化处理后的风速值，
Figure 744448DEST_PATH_IMAGE003
表示N列风洞数据中的当前列中的第i 个风速值，i为正整数，
Figure 429114DEST_PATH_IMAGE004
表示当前列中的最小风速值，
Figure 87366DEST_PATH_IMAGE005
表示当前列中的最大风速值。
根据本发明的一个实施例，分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像，包括：分别对所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号进行复制处理，以使模拟出的二维图像与根据所述风速值模拟出的二维图像的像素值相同。
根据本发明的一个实施例，通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型，包括：将所述风洞的三维数据和所述马赫数送入卷积神经网络中进行训练，以得到预测模型。
本发明还提出了一种基于卷积神经网络的风洞的马赫数的预测装置，包括：第一获取模块，用于获取第一预设时间内的风洞数据；预处理模块，用于对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据；训练模块，用于通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；预测模块，用于获取待预测的风洞数据，并将所述待预测的风洞数据输入所述预测模型，以得到风洞的马赫数。
本发明还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于卷积神经网络的风洞的马赫数的预测方法。
本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于卷积神经网络的风洞的马赫数的预测方法。
本发明的有益效果：
本发明根据采集的风洞数据，获取风洞数据的位置信息，模拟成图像，并进行建模，可以快速而准确的预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。并且，保留了所有的风洞数据，对数据进行归一化处理，可以降低异常值对预测模型的影响，提高预测的精度。
附图说明
图1为本发明实施例的基于卷积神经网络的风洞的马赫数的预测方法的流程图；
图2为本发明一个实施例的基于卷积神经网络的风洞的马赫数的预测方法示意图；
图3为本发明实施例的基于卷积神经网络的风洞的马赫数的预测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的基于卷积神经网络的风洞的马赫数的预测方法的流程图。
如图1所示，本发明实施例的基于卷积神经网络的风洞的马赫数的预测方法，可包括以下步骤：
S1，获取第一预设时间内的风洞数据。其中，第一预设时间可根据实际情况进行标定。
根据本发明的一个实施例，风洞数据包括：总压信号、栅指信号、主排信号、模型迎角信号、马赫数和风速值，获取第一预设时间内的风洞数据，包括：在第一预设时间内，每隔第二预设时间获取风洞内多个面上不同数据采集点上的风速值，其中，第一预设时间大于第二预设时间。
具体而言，在第一预设时间S内，每间隔第二预设时间T，记录一次的风洞数据为一组数据，在第一预设时间S内，总共搜集风洞数据为S/T组，通常用表格的形式保存，假设共计N列。需要说明的是，总压信号、栅指信号、主排信号和模型迎角信号为固定值，通过相应的装置可以获取。风洞中不同位置的风速值不同，对应的马赫数也不同。其中，假设在风洞的前端、中端和末端设置三个采集面，如图2所示，分别在三个采集面A、B、C设定多个不同的数据集采集点，通过设置风速传感器采集风速值。通过前置装置获取总压信号、栅指信号、主排信号和模型迎角信号。在本发明中，通过现有技术可以在获取风速值时获取到对应的马赫数。
可以理解的是，上述实施例中，将采集面设置为3个仅作为本发明的一个实施例，当然也可以有很多个面，例如，每隔一段距离设置一个采集面。
S2，对风洞数据进行预处理，以将风洞数据转换为三维数据。
根据本发明的一个实施例，对风洞数据进行预处理，包括：对风速值进行归一化处理，并将处理后的风速值进行空间重建，模拟成多个二维图像；分别根据总压信号、栅指信号、主排信号和模型迎角信号模拟成多个二维图像；根据多个二维图像获得三维图像，并根据三维图像获得风洞的三维数据。
其中，在本发明的一个实施例中，通过下述公式对风速值进行归一化处理：
Figure 123061DEST_PATH_IMAGE006
其中，
Figure 400328DEST_PATH_IMAGE007
表示归一化处理后的风速值，
Figure 831178DEST_PATH_IMAGE008
表示N列风洞数据中的当前列中的第i个 风速值，i为正整数，
Figure 270119DEST_PATH_IMAGE009
表示当前列中的最小风速值，
Figure 356892DEST_PATH_IMAGE010
表示当前列中的最大风速值。
进一步地，根据本发明的一个实施例，分别根据总压信号、栅指信号、主排信号和模型迎角信号模拟成多个二维图像，包括：分别对总压信号、栅指信号、主排信号和模型迎角信号进行复制处理，以使模拟出的二维图像与根据风速值模拟出的二维图像的像素值相同。
具体而言，由于卷积神经网络的特性，需要将数据进行归一化处理，这样的方式也 可以避免删除单一值和异常值，这导致的拟合效果不佳的情况。需要归一化处理的风洞数 据为风速值，假设每一组数据有N个值，那么用表格的形式保存，共计N列，对每一列数据进 行归一化处理，归一化的计算过程为：假设某一列中的最大风速值为
Figure 437850DEST_PATH_IMAGE011
，最小风速值为
Figure 949906DEST_PATH_IMAGE012
，该列中第i个风速值记为
Figure 497431DEST_PATH_IMAGE013
，经过归一化处理后的风速值记为
Figure 868238DEST_PATH_IMAGE014
，通过上述公式可以 得到归一化处理后的风速值。
利用风洞采集点的空间位置信息，将归一化处理后的风速值数据进行空间重建，模拟成图像。如图2所示，假设共有前端A、中端B和末端C三个采集面，将每一个采集面模拟成图片的一个通道，得到三个通道，分别记为通道1、通道2和通道3。并将总压信号的数值Q、栅指信号的数值M、主排信号的数值P和模型迎角信号的数值O，每一个信号数值形成单独的一个通道，分别记为通道4、通道5、通道6和通道7，为了保证通道4、通道5、通道6和通道7与通道1、通道2和通道3具有相同的长度和宽度，即限定所有通道具有相等的像素值。其中对总压信号、栅指信号、主排信号和模型迎角信号这四个信号数值进行复制处理。这样就将原本一维的数据映射到三维空间，使得数据具有空间性，获得三维化的数据。
因此，本发明从数据角度建立了可解释的控量数据（风洞数据），而后利用卷积神经网络得到训练模型，可以有效的在三维空间中找到不同空间点之间的映射关系。
S3，通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型。
根据本发明的一个实施例，通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型，包括：将风洞的三维数据和马赫数送入卷积神经网络中进行训练，以得到预测模型。
也就是说，将空间重组后的风洞数据和对应的马赫数送入到卷积神经网络中进行训练，可以得到预测模型，其中，此处的马赫数不作为预测结果，而是训练模型所需要的监督值，由实时测量获得。
S4，获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。
也就是说，在获得预测模型后，将待预测的风洞数据输入到预测模型中，即可得到风洞的马赫数。
综上，本发明通过将一维数据转换为三维数据，模拟出风洞的空间信息，建立位置关系，对预测结果有大幅度的提升效果，并且，采用卷积神经网络进行学习，减少模型参数量，提高了模型的训练速度，同时保留了所有的数据，并对数据进行归一化处理，可以降低异常值对模型的影响。
综上所述，本发明的基于卷积神经网络的风洞的马赫数的预测方法，获取第一预设时间内的风洞数据；对风洞数据进行预处理，以将风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。由此能够快速而准确的预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。
对应上述实施例的基于卷积神经网络的风洞的马赫数的预测方法，本发明还提出一种基于卷积神经网络的风洞的马赫数的预测装置。
图3为本发明实施例的基于卷积神经网络的风洞的马赫数的预测装置的方框示意图。
如图3所示，本发明实施例的基于卷积神经网络的风洞的马赫数的预测装置可包括：第一获取模块10、预处理模块20、训练模块30和预测模块40。
其中，第一获取模块10用于获取第一预设时间内的风洞数据。预处理模块20用于对风洞数据进行预处理，以将所述风洞数据转换为三维数据。训练模块30用于通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型。预测模块40用于获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。
根据本发明的一个实施例，风洞数据包括：总压信号、栅指信号、主排信号、模型迎角信号、马赫数和风速值，第一获取模块10获取第一预设时间内的风洞数据，具体用于：在第一预设时间内，每隔第二预设时间获取风洞内多个面上不同数据采集点上的风速值，其中，第一预设时间大于第二预设时间。
根据本发明的一个实施例，预处理模块20对风洞数据进行预处理，以将风洞数据转换为三维数据，具体用于：对风速值进行归一化处理，并将处理后的风速值进行空间重建，模拟成多个二维图像；分别根据总压信号、栅指信号、主排信号和模型迎角信号模拟成多个二维图像；根据多个二维图像获得三维图像，并根据三维图像获得风洞的三维数据。
根据本发明的一个实施例，预处理模块20通过下述公式对风速值进行归一化处理：
Figure 752887DEST_PATH_IMAGE015
其中，
Figure 328968DEST_PATH_IMAGE016
表示归一化处理后的风速值，
Figure 375290DEST_PATH_IMAGE017
表示N列风洞数据中的当前列中的第i个 风速值，i为正整数，
Figure 233394DEST_PATH_IMAGE018
表示当前列中的最小风速值，
Figure 656154DEST_PATH_IMAGE019
表示当前列中的最大风速值。
根据本发明的一个实施例，预处理模块20分别根据总压信号、栅指信号、主排信号和模型迎角信号模拟成多个二维图像，具体用于：分别对总压信号、栅指信号、主排信号和模型迎角信号进行复制处理，以使模拟出的二维图像与根据风速值模拟出的二维图像的像素值相同。
根据本发明的一个实施例，训练模块30通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型，具体用于：将风洞的三维数据和马赫数送入卷积神经网络中进行训练，以得到预测模型。
需要说明的是，本发明实施例的基于卷积神经网络的风洞的马赫数的预测装置中未披露的细节，请参照本发明实施例的基于卷积神经网络的风洞的马赫数的预测方法中所披露的细节，具体这里不再赘述。
综上，根据本发明实施例的基于卷积神经网络的风洞的马赫数的预测装置，第一获取模块获取第一预设时间内的风洞数据；预处理模块对风洞数据进行预处理，以将风洞数据转换为三维数据；训练模块通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；预测模块获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。由此能够实时预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该计算机程序时，可实现根据本发明上述实施例所述的基于卷积神经网络的风洞的马赫数的预测方法。
根据本发明实施例的计算机设备，处理器执行存储在存储器上的计算机程序时，首先获取第一预设时间内的风洞数据；对风洞数据进行预处理，以将风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。由此能够实时预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现根据本发明上述实施例所述的基于卷积神经网络的风洞的马赫数的预测方法。
根据本发明实施例的非临时性计算机可读存储介质，处理器执行存储在其上的计算机程序时，首先获取第一预设时间内的风洞数据；对风洞数据进行预处理，以将风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。由此能够实时预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于卷积神经网络的风洞的马赫数的预测方法，其特征在于，包括以下步骤：
获取第一预设时间内的风洞数据；
对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据；
通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；
获取待预测的风洞数据，并将所述待预测的风洞数据输入所述预测模型，以得到风洞的马赫数，其中，所述风洞数据包括：总压信号、栅指信号、主排信号、模型迎角信号、马赫数和风速值，获取第一预设时间内的风洞数据，包括：
在第一预设时间内，每隔第二预设时间获取风洞内多个面上不同数据采集点上的风速值，其中，所述第一预设时间大于所述第二预设时间；
对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据，包括：
对所述风速值进行归一化处理，并将处理后的风速值进行空间重建，模拟成多个二维图像；
分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像；
根据多个二维图像获得三维图像，并根据三维图像获得所述风洞的三维数据。
2.根据权利要求1所述的基于卷积神经网络的风洞的马赫数的预测方法，其特征在于，通过下述公式对所述风速值进行归一化处理：
Figure 641424DEST_PATH_IMAGE001
其中，
Figure 200800DEST_PATH_IMAGE002
表示归一化处理后的风速值，
Figure 619275DEST_PATH_IMAGE003
表示N列风洞数据中的当前列中的第i个风速 值，i为正整数，
Figure 756995DEST_PATH_IMAGE004
表示当前列中的最小风速值，
Figure 782982DEST_PATH_IMAGE005
表示当前列中的最大风速值。
3.根据权利要求2所述的基于卷积神经网络的风洞的马赫数的预测方法，其特征在于，分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像，包括：
分别对所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号进行复制处理，以使模拟出的二维图像与根据所述风速值模拟出的二维图像的像素值相同。
4.根据权利要求3所述的基于卷积神经网络的风洞的马赫数的预测方法，其特征在于，通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型，包括：
将所述风洞的三维数据和所述马赫数送入卷积神经网络中进行训练，以得到预测模型。
5.一种基于卷积神经网络的风洞的马赫数的预测装置，其特征在于，包括：
第一获取模块，用于获取第一预设时间内的风洞数据；
预处理模块，用于对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据；
训练模块，用于通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；
预测模块，用于获取待预测的风洞数据，并将所述待预测的风洞数据输入所述预测模型，以得到风洞的马赫数，其中，所述风洞数据包括：总压信号、栅指信号、主排信号、模型迎角信号、马赫数和风速值，所述第一获取模块获取第一预设时间内的风洞数据，具体用于：
在第一预设时间内，每隔第二预设时间获取风洞内多个面上不同数据采集点上的风速值，其中，所述第一预设时间大于所述第二预设时间；
所述预处理模块对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据，具体用于：
对所述风速值进行归一化处理，并将处理后的风速值进行空间重建，模拟成多个二维图像；
分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像；
根据多个二维图像获得三维图像，并根据三维图像获得所述风洞的三维数据。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的基于卷积神经网络的风洞的马赫数的预测方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现根据权利要求1-4中任一项所述的基于卷积神经网络的风洞的马赫数的预测方法。
CN202110195096.1A 2021-02-22 2021-02-22 基于卷积神经网络的风洞的马赫数的预测方法和装置 Active CN112560355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195096.1A CN112560355B (zh) 2021-02-22 2021-02-22 基于卷积神经网络的风洞的马赫数的预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195096.1A CN112560355B (zh) 2021-02-22 2021-02-22 基于卷积神经网络的风洞的马赫数的预测方法和装置

Publications (2)

Publication Number Publication Date
CN112560355A CN112560355A (zh) 2021-03-26
CN112560355B true CN112560355B (zh) 2021-05-11

Family

ID=75034403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195096.1A Active CN112560355B (zh) 2021-02-22 2021-02-22 基于卷积神经网络的风洞的马赫数的预测方法和装置

Country Status (1)

Country Link
CN (1) CN112560355B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128116B (zh) 2021-04-20 2023-09-26 上海科技大学 可用于轻量级神经网络的纯整型量化方法
CN113449460B (zh) * 2021-05-20 2023-06-20 北京理工大学 破片阻力系数的测量方法、装置及计算机可读存储介质
CN113313833A (zh) * 2021-06-29 2021-08-27 西藏新好科技有限公司 一种基于3d视觉技术的猪体重预估方法
CN113720609B (zh) * 2021-07-07 2022-08-05 南京航空航天大学 基于人工神经网络的可调总压畸变发生器调节指导方法
CN114943187B (zh) * 2022-07-21 2022-10-25 中国空气动力研究与发展中心高速空气动力研究所 一种基于神经网络的阀门特性曲面构造方法
CN115093190B (zh) * 2022-07-29 2023-04-07 长兴贝斯德邦建材科技有限公司 气凝胶无机保温膏料及其智能化生产系统
CN115808284B (zh) * 2023-02-09 2023-04-21 中国空气动力研究与发展中心设备设计与测试技术研究所 基于神经网络参数调度的风洞多工况建模方法
CN116296239A (zh) * 2023-05-26 2023-06-23 中国空气动力研究与发展中心计算空气动力研究所 基于卷积神经网络的风洞试验方法、装置、设备和介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8016245B2 (en) * 2006-10-18 2011-09-13 The Boeing Company Dynamic bumps for drag reduction at transonic-supersonic speeds
CN101699237A (zh) * 2009-11-20 2010-04-28 中国航空工业空气动力研究院 用于风洞模型试验的三维模型姿态角视频测量系统
CN106909719A (zh) * 2017-01-23 2017-06-30 大连大学 集成多元线性回归算法
CN109115446B (zh) * 2018-08-01 2020-04-28 东北大学 基于跨声速风洞风速精度控制方法及系统

Also Published As

Publication number Publication date
CN112560355A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112560355B (zh) 基于卷积神经网络的风洞的马赫数的预测方法和装置
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN109360239B (zh) 障碍物检测方法、装置、计算机设备和存储介质
Hétroy-Wheeler et al. Segmentation of tree seedling point clouds into elementary units
CN104820841B (zh) 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
Ando et al. Robust surface reconstruction of plant leaves from 3D point clouds
CN113267258A (zh) 红外测温方法、装置、设备、智能巡检机器人及存储介质
CN109948683A (zh) 点云数据的难易度划分方法、装置及其相关设备
Radzali et al. Measuring leaf area using Otsu segmentation method (LAMOS)
CN116152697A (zh) 一种混凝土结构裂缝的三维模型测量方法及相关装置
Boukhana et al. Geometric models for plant leaf area estimation from 3d point clouds: a comparative study
CN114384547A (zh) 一种基于雷达传感器模型的保真度检测的评估方法及系统
CN112632862B (zh) 风场稳定性的确定方法、装置、电子设备及存储介质
CN107566826B (zh) 栅格图像处理器的测试方法及装置
CN113538560A (zh) 基于三维重建的叶面积指数提取方法
CN111950605A (zh) 表计识别模型的学习方法、装置、设备和表计识别方法
CN111738259A (zh) 一种杆塔状态检测方法及装置
CN114399669B (zh) 目标检测方法和装置
CN112734830B (zh) 基于点云数据的位姿控制方法、装置、设备及存储介质
CN115236272A (zh) 多工况条件下的气体传感器故障诊断方法、装置及存储介质
CN114490412A (zh) 基于自减逆向云发生器的三维cad软件性能度量方法及装置
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN113256607A (zh) 缺陷检测方法和装置
CN108009647B (zh) 设备记录处理方法、装置、计算机设备和存储介质
CN110009096A (zh) 基于嵌入式设备的目标检测网络模型优化方法

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