CN112685954B - 一种汽车环境风洞风速和风机转速的预测方法及装置 - Google Patents
一种汽车环境风洞风速和风机转速的预测方法及装置 Download PDFInfo
- Publication number
- CN112685954B CN112685954B CN202011595067.6A CN202011595067A CN112685954B CN 112685954 B CN112685954 B CN 112685954B CN 202011595067 A CN202011595067 A CN 202011595067A CN 112685954 B CN112685954 B CN 112685954B
- Authority
- CN
- China
- Prior art keywords
- wind
- neural network
- network model
- wind tunnel
- preset
- 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
Landscapes
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本申请公开了一种汽车环境风洞风速和风机转速的预测方法及装置,该方法包括:使用神经网络模型训练的方法,从预设的汽车环境风洞试验数据库中筛选出训练样本数据,训练样本数据包括输出参数风洞风速和风机转速,输入数据包括与输出结果有关联关系的参数数据,根据所述训练样本数据和参数调节对预设初始神经网络模型进行训练学习得到优化后的模型,将采集到的新的样本数据输入到优化后的模型,得到实际的结果输出。本申请解决了现有技术中风速预测的准确性、精度以及风洞运行效率较低的技术问题。
Description
技术领域
本申请涉及汽车环境风洞技术领域,尤其涉及一种汽车环境风洞风速和风机转速的预测方法及装置。
背景技术
风速作为汽车环境风洞的重要参数,对其准确的控制和测量对于整车试验研发具有重要意义。对于整车环境风洞而言,风速的控制主要靠控制风机转速实现,但是整车环境风洞阻塞一般比较大(在40%及以上),由于受阻塞效应的影响,风速的测量需要通过风速标定来实现。
目前,常见的风速标定方法过程为:在空风洞下使用风洞喷口皮托管测量得到风速,并将其作为参考风速,然后在不同转速下风口皮托管的风速测量,得到当前温湿度下风速和转速的对应关系为V0=kfan·nfan,然后在不同转速下使用喷口法或驻室法测量收缩段前后静压差,通过动压的修正系数得到近似动压,最后在环境风洞温度控制范围内取不同温度点重复上述标定工作,形成系数矩阵,并将系数矩阵放入风洞风速控制测量系统,以及风洞风速控制测量系统进行风速预测。但是,现有技术中存在如下缺陷:第一方面,不管是风速-转速关系式还是喷口(驻室)差压-喷口动压关系式都只是理论上的近似线性,尤其在低速时,由于边界层和雷诺数效应的影响,系数不再是定值,为此在低风速时,风速控制与测量均存在一定的偏差;第二方面,使用驻室法或喷口法只是能够降低阻塞效应的影响,但是不能完全消除,不同车型尺寸,汽车正投影面积,车头离喷口尺寸都会对测量结果产生一定的影响,随着风洞对风速精度要求的不断提高,使用线性关系式将无法满足风速控制与测量要求;第三方面气流温度对风速的计算影响较大,风速标定只能对在温度范围内的若干温度点进行标定工作,对于没标定过的温度,采用线性插值的方式进行控制与测量,无法对不同温湿度下的风速控制进行无极调节,同时进一步扩大风速误差;第四方面随着风洞使用年限的增加,风洞由于自身结构等的变化将会对风速测量的准确性产生影响,此时还需要重新对风洞进行标定,产生额外的工作量。
发明内容
本申请解决的技术问题是:针对现有技术中风速预测的准确性、精度以及风洞运行效率较低,本申请提供了一种汽车环境风洞风速和风机转速的预测方法及装置,本申请实施例所提供的方案中,通过汽车环境风洞中大量的试验数据以及预设阈值(即实际需求)对神经网络模型进行训练优化得到优化后的神经网络模型,使得优化后的神经网络模型,通过优化后的神经网络模型输出的风机转速和风洞风速,不仅能够无限逼近风洞风速和风机转速的真实情况,提高了风速和转速预测的准确性,还能实现连续温湿度下的风速测量与风机转速控制,取代系数矩阵的转速控制模式,可有效扩展风洞的试验能力,以及通过前期的数据采集进行一次性训练,大大减小由于风洞由于状态改变带来的风速标定的等额外工作量,提升风洞运行效率。
第一方面,本申请实施例提供一种汽车环境风洞风速和风机转速的预测方法,该方法包括:
从预设的汽车环境风洞试验数据库中确定出训练样本数据,根据所述训练样本数据和预设阈值对预设初始神经网络模型进行训练学习得到优化后的神经网络模型,其中,所述优化后的神经网络模型输出参数为风洞风速和风机转速;
采集当前汽车环境风洞中与风洞风速和风机转速有关联关系的参数数据,将所述参数数据输入到所述优化后的神经网络模型中得到当前风洞风速和风机转速。
本申请实施例所提供的方案中,通过汽车环境风洞中大量的试验数据以及预设阈值(即实际需求)对神经网络模型进行训练,得到优化后的神经网络模型,输出的风机转速和风洞风速,不仅能够无限逼近风洞风速和风机转速的真实情况,提高了风速和转速预测的准确性,还能实现连续温湿度下的风速测量与风机转速控制,取代系数矩阵的转速控制模式,可有效扩展风洞的试验能力,以及通过前期的数据采集进行一次性训练,大大减小由于风洞由于状态改变带来的风速标定的等额外工作量,提升风洞运行效率。
可选地,所述参数数据均包括:气流温度、湿度、大气压力、皮托管动压、驻室法采集的压差信号,车型,车辆截面尺寸,车头离喷口距离以及喷口状态。
可选地,所述预设阈值,包括:预设的学习速率阈值和/或预设的均方差阈值。
可选地,根据所述训练样本数据和预设阈值对预设的初始神经网络模型进行训练学习得到优化后的神经网络模型,包括:
对所述初始神经网络模型中的参数进行初始化处理得到初始化后的神经网络模型,其中,所述参数包括输入层到隐含层的第一权重,隐含层到输出层的第二权重,输入层到隐含层的第一偏置,隐含层到输出层的第二偏置;
根据所述训练样本数据以及所述初始化后的神经网络模型得到初始风机转速和初始风洞风速,分别计算所述初始风机转速和所述初始风洞风速的均方误差;
判断所述均方误差是否大于所述预设的均方差阈值;
若大于,则根据所述均方误差调整所述参数,并根据调整后的参数重新计算风机转速和风洞风速,直到所述均方误差不大于所述预设的均方差阈值为止,确定最后一次调整后的参数,根据所述最后一次调整后的参数得到所述优化后的神经网络模型。
可选地,所述预设的神经网络模型为BP神经网络模型。
第二方面,本申请实施例提供的一种汽车环境风洞风速和风机转速的预测装置,该装置包括:
训练单元,用于从预设的汽车环境风洞试验数据库中确定出训练样本数据,根据所述训练样本数据和预设阈值对预设初始神经网络模型进行训练学习得到优化后的神经网络模型,其中,所述优化后的神经网络模型输出参数为风洞风速和风机转速;
预测单元,用于采集当前汽车环境风洞中与风洞风速和风机转速有关联关系的参数数据,将所述参数数据输入到所述优化后的神经网络模型中得到当前风洞风速和风机转速。
可选地,所述参数数据均包括:气流温度、湿度、大气压力、皮托管动压、驻室法采集的压差信号,车型,车辆截面尺寸,车头离喷口距离以及喷口状态。
可选地,所述预设阈值,包括:预设的学习速率阈值和/或预设的均方差阈值。
可选地,所述训练单元,具体用于:
对所述初始神经网络模型中的参数进行初始化处理得到初始化后的神经网络模型,其中,所述参数包括输入层到隐含层的第一权重,隐含层到输出层的第二权重,输入层到隐含层的第一偏置,隐含层到输出层的第二偏置;
根据所述训练样本数据以及所述初始化后的神经网络模型得到初始风机转速和初始风洞风速,分别计算所述初始风机转速和所述初始风洞风速的均方误差;
判断所述均方误差是否大于所述预设的均方差阈值;
若大于,则根据所述均方误差调整所述参数,并根据调整后的参数重新计算风机转速和风洞风速,直到所述均方误差不大于所述预设的均方差阈值为止,确定最后一次调整后的参数,根据所述最后一次调整后的参数得到所述优化后的神经网络模型。
可选地,所述预设的神经网络模型为BP神经网络模型。
附图说明
图1为本申请实施例所提供的一种基于神经网络的汽车环境风洞风速预测方法的流程示意图;
图2为本申请实施例所提供的一种BP神经网络模型的结构示意图;
图3为本申请实施例所提供的一种基于神经网络的汽车环境风洞风速预测装置的结构示意图。
具体实施方式
本申请实施例提供的方案中,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
以下结合说明书附图对本申请实施例所提供的一种基于神经网络的汽车环境风洞风速预测方法做进一步详细的说明,该方法具体实现方式可以包括以下步骤(方法流程如图1所示):
步骤101,计算机设备从预设的汽车环境风洞试验数据库中确定出训练样本数据,根据所述训练样本数据和预设阈值对预设初始神经网络模型进行训练学习得到优化后的神经网络模型,其中,所述优化后的神经网络模型输出参数为风洞风速和风机转速。
具体的,在本申请实施例所提供的方案中,计算机设备在汽车环境风洞试验时,收集大量用于转速控制和风速测量计算的工况数据,建立与风洞风速计算相关的数据库,并存储该数据库。在对汽车环境风洞的风速进行预设时,从该数据库的数据信息中确定出训练样本数据,其中,所述训练样本数据包括但不限制于如下数据信息:风机转速(nfan),气流温度(T)、湿度(RH)、大气压力(Patm)、皮托管动压(Pdyn)、驻室法压差(ΔPp),车型(无车-0,轿车-1,SUV-2,卡车-3……),车辆截面宽度W,车辆截面高度H,车头离喷口距离(L),喷口状态(标准喷口-0,高速喷口-1),风速(v)。
应理解,在本申请实施例所提供的方案中,计算机设备可以是台式电脑、服务器、笔记本电脑或其他具有数据处理功能的设备,在此并不做限定。
具体的,在本申请实施例所提供的方案中,神经网络模型的种类可以有多种,下面以其中一种为例进行说明。
在一种可能实现的方式中,所述预设的神经网络模型为BP神经网络模型。
具体的,BP神经网络模型(Back PropagationNeural Network)是指是一种按误差反向传播(简称误差反传)训练的多层前馈网络模型,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。BP神经网络模型具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知机算法不能解决的非线性问题和其他问题。
为了便于理解下面对BP神经网络模型的工作过程进行简要介绍。
参见图2,为本申请实施例提供的一种BP神经网络模型的结构示意图。在图2中,BP神经网络模型包括输入层、隐含层和输出层。输入参数从输入层输入,然后输入参数与输入层到隐含层的权重进行第一次卷积计算,将第一次卷积计算结果输入给隐含层,然后再与隐含层到输出层的权重进行第二次卷积计算,将第二次卷积计算结果从输出层输出。
进一步,在本申请实施例所提供的方案中,BP神经网络模型包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
进一步,在本申请实施例所提供的方案中,计算机设备确定出训练样本数据之后,根据训练样本数据和预设阈值对预设的初始神经网络模型进行训练学习得到优化后的神经网络模型。具体的,预设阈值有多种,下面以一种较佳的为例进行说明。
进一步,在一种可能实现方式中,所述预设阈值,包括:预设的学习速率阈值和/或预设的均方差阈值。
在本申请实施例所提供的方案中,对神经网络模型优化的预设阈值包括但不限制于预设的学习速率阈值和/预设的均方差阈值。
步骤102,计算机设备采集当前汽车环境风洞中与风洞风速和风机转速有关联关系的参数数据,将所述参数数据输入到所述优化后的神经网络模型中得到当前风洞风速和风机转速。
具体的,在本申请实施例所提供的方案中,计算机设备在对预设的初始神经网络模型进行优化得到优化后的神经网络模型之后,计算机设备采集当前汽车环境风洞中与风机转速有关联关系的参数数据。
在一种可能实现的方式中,所述参数数据均包括:气流温度、湿度、大气压力、皮托管动压、驻室法采集的压差信号,车型,车辆截面尺寸,车头离喷口距离以及喷口状态。
进一步在一种可能实现的方式中,根据所述训练样本数据和预设阈值对预设的初始神经网络模型进行训练学习得到优化后的神经网络模型,包括:
对所述初始神经网络模型中的参数进行初始化处理得到初始化后的神经网络模型,其中,所述参数包括输入层到隐含层的第一权重,隐含层到输出层的第二权重,输入层到隐含层的第一偏置,隐含层到输出层的第二偏置;
根据所述训练样本数据以及所述初始化后的神经网络模型得到初始风机转速和初始风洞风速,分别计算所述初始风机转速和所述初始风洞风速的均方误差;
判断所述均方误差是否大于所述预设的均方差阈值;
若大于,则根据所述均方误差调整所述参数,并根据调整后的参数重新计算风机转速和风洞风速,直到所述均方误差不大于所述预设的均方差阈值为止,确定最后一次调整后的参数,根据所述最后一次调整后的参数得到所述优化后的神经网络模型。
为例了便于理解上述基于神经网络的汽车环境风洞风速预测方法过程,下面以风速均方误差(MSE)作为优化指标,使用随机梯度下降(SGD)或ADAM算法进行神经网络模型优化得到优化后的神经网络模型。具体的,基于神经网络的汽车环境风洞风速和风机转速预测过程如下所示:
1、收集风洞试验数据时,用于转速控制和风速测量计算的工况数据,建立风洞风速控制计算的数据库,包括如下数据信息:风机转速(nfan),气流温度(T)、湿度(RH)、大气压力(Patm)、皮托管动压(Pdyn)、驻室法压差(ΔPp),车型(无车-0,轿车-1,SUV-2,卡车-3……),车辆截面宽度W,车辆截面高度H,车头离喷口距离(L),喷口状态(标准喷口-0,高速喷口-1),风速(v)。
2、以风速(v0)和转速(rpm)作为模型输出,其余10个变量作为模型特征输入,同时对数据进行特征化和归一化处理,得到输入到模型进行训练的数据样本。
3、输入层节点数为10,选用单隐层结构,一层节点数量为8,输出层节点数量为2;按照如下步骤进行模型训练。
a)网络初始化
使用sigmoid函数作为激活函数,wij表示输入层到隐含层的第一权重,wjk表示隐含层到输出层的第二权重,aj表示输入层到隐含层的第一偏置,k表示隐含层到输出层的第二偏置。学习速率为η,风速均方误差(MSE)作为优化指标,
b)隐含层输出:
隐含层输出Hj为:
c)输出层输出:
d)误差计算
其中,Yk表示预设的期望输出,我们记Yk-Ok=ek,则
e)权值更新
f)偏置更新
g)判断迭代是否结束
通过指定迭代次数或者给出阈值判断相邻两次误差之间的差别是否小于阈值作为迭代停止的条件。
进一步,在神经网络模型优化之后,为了便于了解优化后的神经网络的优化效果需要对优化的神经网络模型进行验证。
具体的,使用为参与训练的数据对模型进行测试,验证模型结果。
通过汽车环境风洞中大量的试验数据以及预设阈值(即实际需求)对神经网络模型进行训练优化得到优化后的神经网络模型,使得优化后的神经网络模型,通过优化后的神经网络模型输出的风机转速和风洞风速,不经能够无限逼近风洞风速和风机转速的真实情况,提高了风速和转速预测的准确性,还能实现连续温湿度下的风速测量与风机转速控制,取代系数矩阵的转速控制模式,可有效扩展风洞的试验能力,以及通过前期的数据采集进行一次性训练,大大减小由于风洞由于状态改变带来的风速标定的等额外工作量,提升风洞运行效率。
基于与图1所示的方法相同的发明构思,本申请实施例提供的一种汽车环境风洞风速和风机转速的预测装置,参见图3,该装置包括:
训练单元301,用于从预设的汽车环境风洞试验数据库中确定出训练样本数据,根据所述训练样本数据和预设阈值对预设初始神经网络模型进行训练学习得到优化后的神经网络模型,其中,所述优化后的神经网络模型输出参数为风洞风速和风机转速;
预测单元302,用于采集当前汽车环境风洞中与风洞风速和风机转速有关联关系的参数数据,将所述参数数据输入到所述优化后的神经网络模型中得到当前风洞风速和风机转速。
可选地,所述参数数据均包括:气流温度、湿度、大气压力、皮托管动压、驻室法采集的压差信号,车型,车辆截面尺寸,车头离喷口距离以及喷口状态。
可选地,所述预设阈值,包括:预设的学习速率阈值和/或预设的均方差阈值。
可选地,所述训练单元301,具体用于:
对所述初始神经网络模型中的参数进行初始化处理得到初始化后的神经网络模型,其中,所述参数包括输入层到隐含层的第一权重,隐含层到输出层的第二权重,输入层到隐含层的第一偏置,隐含层到输出层的第二偏置;
根据所述训练样本数据以及所述初始化后的神经网络模型得到初始风机转速和初始风洞风速,分别计算所述初始风机转速和所述初始风洞风速的均方误差;
判断所述均方误差是否大于所述预设的均方差阈值;
若大于,则根据所述均方误差调整所述参数,并根据调整后的参数重新计算风机转速和风洞风速,直到所述均方误差不大于所述预设的均方差阈值为止,确定最后一次调整后的参数,根据所述最后一次调整后的参数得到所述优化后的神经网络模型。
可选地,所述预设的神经网络模型为BP神经网络模型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种汽车环境风洞风速和风机转速的预测方法,其特征在于,包括:
从预设的汽车环境风洞试验数据库中确定出训练样本数据,根据所述训练样本数据和预设阈值对预设初始神经网络模型进行训练学习得到优化后的神经网络模型,具体为:对所述初始神经网络模型中的参数进行初始化处理得到初始化后的神经网络模型,其中,所述参数包括输入层到隐含层的第一权重,隐含层到输出层的第二权重,输入层到隐含层的第一偏置,隐含层到输出层的第二偏置;根据所述训练样本数据以及所述初始化后的神经网络模型得到初始风机转速和初始风洞风速,分别计算所述初始风机转速和所述初始风洞风速的均方误差;判断所述均方误差是否大于预设的均方差阈值;若大于,则根据所述均方误差调整所述参数,并根据调整后的参数重新计算风机转速和风洞风速,直到所述均方误差不大于所述预设的均方差阈值为止,确定最后一次调整后的参数,根据所述最后一次调整后的参数得到所述优化后的神经网络模型;其中,所述优化后的神经网络模型输出参数为风洞风速和风机转速;
采集当前汽车环境风洞中与风洞风速和风机转速有关联关系的参数数据,将所述参数数据输入到所述优化后的神经网络模型中得到当前风洞风速和风机转速。
2.如权利要求1所述的方法,其特征在于,所述参数数据均包括:气流温度、湿度、大气压力、皮托管动压、驻室法采集的压差信号,车型,车辆截面尺寸,车头离喷口距离以及喷口状态。
3.如权利要求2所述的方法,其特征在于,所述预设阈值,包括:预设的学习速率阈值和/或预设的均方差阈值。
4.如权利要求1~3任一项所述的方法,其特征在于,所述神经网络模型为BP神经网络模型。
5.一种汽车环境风洞风速和风机转速的预测装置,其特征在于,包括:
训练单元,用于从预设的汽车环境风洞试验数据库中确定出训练样本数据,根据所述训练样本数据和预设阈值对预设初始神经网络模型进行训练学习得到优化后的神经网络模型,具体用于:对所述初始神经网络模型中的参数进行初始化处理得到初始化后的神经网络模型,其中,所述参数包括输入层到隐含层的第一权重,隐含层到输出层的第二权重,输入层到隐含层的第一偏置,隐含层到输出层的第二偏置;根据所述训练样本数据以及所述初始化后的神经网络模型得到初始风机转速和初始风洞风速,分别计算所述初始风机转速和所述初始风洞风速的均方误差;判断所述均方误差是否大于预设的均方差阈值;若大于,则根据所述均方误差调整所述参数,并根据调整后的参数重新计算风机转速和风洞风速,直到所述均方误差不大于所述预设的均方差阈值为止,确定最后一次调整后的参数,根据所述最后一次调整后的参数得到所述优化后的神经网络模型;其中,所述优化后的神经网络模型输出参数为风洞风速和风机转速;
预测单元,用于采集当前汽车环境风洞中与风洞风速和风机转速有关联关系的参数数据,将所述参数数据输入到所述优化后的神经网络模型中得到当前风洞风速和风机转速。
6.如权利要求5所述的装置,其特征在于,所述参数数据均包括:气流温度、湿度、大气压力、皮托管动压、驻室法采集的压差信号,车型,车辆截面尺寸,车头离喷口距离以及喷口状态。
7.如权利要求6所述的装置,其特征在于,所述预设阈值,包括:预设的学习速率阈值和/或预设的均方差阈值。
8.如权利要求5~7任一项所述的装置,其特征在于,所述神经网络模型为BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011595067.6A CN112685954B (zh) | 2020-12-29 | 2020-12-29 | 一种汽车环境风洞风速和风机转速的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011595067.6A CN112685954B (zh) | 2020-12-29 | 2020-12-29 | 一种汽车环境风洞风速和风机转速的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685954A CN112685954A (zh) | 2021-04-20 |
CN112685954B true CN112685954B (zh) | 2023-10-03 |
Family
ID=75455224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011595067.6A Active CN112685954B (zh) | 2020-12-29 | 2020-12-29 | 一种汽车环境风洞风速和风机转速的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685954B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417498B (zh) * | 2021-12-24 | 2024-07-02 | 中国航天空气动力技术研究院 | 整车风洞风速标定方法、装置、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915655A (zh) * | 2010-07-15 | 2010-12-15 | 吉林大学 | 基于试验与仿真的汽车风洞模型支撑气动干扰扣除方法 |
CN205483486U (zh) * | 2016-01-29 | 2016-08-17 | 华北电力大学 | 一种可用于风速风向三维测量的低速风洞 |
CN107194625A (zh) * | 2017-07-25 | 2017-09-22 | 国家电网公司 | 基于神经网络的风电场弃风电量评估方法 |
-
2020
- 2020-12-29 CN CN202011595067.6A patent/CN112685954B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915655A (zh) * | 2010-07-15 | 2010-12-15 | 吉林大学 | 基于试验与仿真的汽车风洞模型支撑气动干扰扣除方法 |
CN205483486U (zh) * | 2016-01-29 | 2016-08-17 | 华北电力大学 | 一种可用于风速风向三维测量的低速风洞 |
CN107194625A (zh) * | 2017-07-25 | 2017-09-22 | 国家电网公司 | 基于神经网络的风电场弃风电量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112685954A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN110672328B (zh) | 一种基于随机配置网络的涡扇发动机健康参数估计方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN113919221B (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN107908864A (zh) | 一种基于特征融合的复杂设备剩余使用寿命预测方法 | |
CN112685954B (zh) | 一种汽车环境风洞风速和风机转速的预测方法及装置 | |
CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
CN116399541A (zh) | 基于深度神经网络的叶栅风洞实验工况参数修正方法 | |
CN113051820A (zh) | 基于卷积神经网络的跨流域气动参数模拟方法 | |
CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
Nitschke et al. | Model-form and predictive uncertainty quantification in linear aeroelasticity | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
CN115033977B (zh) | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 | |
CN116085245A (zh) | 一种基于os-elm的压缩机性能在线预测方法及系统 | |
CN114580221A (zh) | 一种跨流域缝隙流量快速计算方法 | |
CN113569898A (zh) | 基于bp神经网络的水质模型参数反演分析方法及系统 | |
CN113204742A (zh) | 车辆控制参数的标定方法、装置及车辆 | |
CN111595401A (zh) | 管道气体测量系统、方法和存储介质 | |
CN110705186A (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
CN114330819B (zh) | 一种风电机组自由入流风速预测方法 | |
WO2023233858A1 (ja) | ニューラルネットワークの計算装置及び計算方法 | |
CN110197031A (zh) | 一种用于高密度聚乙烯串级聚合反应的软测量方法 |
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 |