CN113032902A - 一种基于机器学习优化的高速列车气动头部外形设计方法 - Google Patents

Abstract

本发明涉及高速列车头部外形设计领域，具体涉及一种基于机器学习优化的高速列车气动头部外形设计方法。包括：获取高速列车气动性能数据和外形设计参数变量作样本数据；采用基于皮尔森相关系数的聚类方法和最大互信息系数获取参数变量之间的关联程度，并筛选优化参数；将样本数据随机拆分为训练集和测试集；采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型；获取预设预测精度，进行测试获得测试预测精度；比较两种精度值获得终气动性能预测模型；设定多个参数变量的数值范围和允许的最小改变量，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值，该方案可以在短时间内产生最优决策，且具有良好的扩展性。

Description

一种基于机器学习优化的高速列车气动头部外形设计方法

技术领域

本发明涉及高速列车头部外形设计领域，具体涉及一种基于机器学习优化的高速列车气动头部外形设计方法。

背景技术

高速列车头型的几何外形是具有复杂形状的空间三维曲面，外形的各参数包括鼻锥长度，鼻锥宽度，前窗倾角等，且各参数对气动性能的影响是复杂、矛盾的，气动性能参数包括气动阻力、气动噪声、列车风以及大风环境下气动升力、倾覆力矩等多个方面。

现有的高速列车头部外形参数化设计能够快速生成不同参数的多种头型，但由于设计变量个数有一定的限制，生成的几何外形较为简单，而目前的高速列车头部外形气动优化大多是基于简单的列车头型的参数化设计，基于网格变形方法对头部外形进行气动优化，但该方法设计变量为控制点，而表达列车头型曲面的控制点数目往往为数百个，优化计算工作量大，目前工程应用中高速列车头型设计主要采用优选式设计方法，由工程经验设计出若干头型，然后通过试验或计算手段选出气动性能较好的头型。一方面，依靠工程经验很难得到理想的气动外形，另一方面多方案设计周期长，成本高，工作量大。因此现有的高速列车气动头型优化设计方法在工程应用中非常有限，不能从根本上提高设计效率和设计质量。

发明内容

基于此，本发明针对传统方法在高速列车气动头型优化设计方法设计周期长、成本高、工作量大的技术问题，本发明提供了一种采用机器学习方法构建神经网络模型，并利用蜻蜓算法对参数进行优化，获得了一种时间短、且具有良好扩展性的设计方法。

一种基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，具体包括：

S1:获取高速列车气动性能数据和列车头部外形设计参数变量作为样本数据；

S2:根据所述样本数据，采用基于皮尔森相关系数的聚类方法和最大互信息系数获取样本数据中各参数变量之间的关联程度，并筛选多个参数变量作为优化参数；

S3:将包含所述优化参数的样本数据进行随机拆分，获得训练集和测试集；

S4:将训练集作为输入样本，采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型；

S5:获取预设预测精度，将所述测试集输入所述第一气动性能预测模型进行预测，获取测试预测精度；比较预设预测精度和测试预测精度，获得终气动性能预测模型；

S6:设定所述多个参数变量的数值范围和允许的最小改变量作为参数优化输入，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值。

进一步的，所述步骤S2具体包括：

计算各输入参数变量之间的皮尔森相关系数，将所述皮尔森相关系数超过设定阈值对应的参数划归为相同类；

计算每个类内的各参数变量与所述气动性能数据的最大互信息系数并取均值，作为类与气动性能结果相关程度的度量，选择与结果相关程度最高的类；

从所述被选择的多个类中，选择与所述气动性能数据的最大互信息系数最高的参数变量作为最优参数变量。

进一步的，所述步骤S3中，训练集和测试集的样本数量的比值为4:1。

进一步的，所述步骤S4具体包括：

根据经验公式

a＝1～10，n、m分别为输入、输出神经元个数，确定神经网络模型的隐含层节点数n₁的范围；

将神经网络超参数映射为整型向量作为蜻蜓算法的解向量，将所述解向量作为评价函数输入，并将解向量逆映射为神经网络的超参数创建训练神经网络；

将训练集样本输入所述训练神经网络进行训练，获得第一气动性能预测模型。

进一步的，所述测试预测精度具体为：

将测试集输入至第一气动性能预测模型进行测试，获得测试集决定系数，所述测试集决定系数相反数即为测试预测精度。

进一步的，所述比较预设预测精度和测试预测精度，获得终气动性能预测模型步骤具体包括：

当测试预测精度>预设预测精度时，所述第一气动性能预测模型即为终预测模型；

当测试预测精度<预设预测精度时，调整训练样本，进行训练并测试，获得终预测模型。

进一步的，所述当测试预测精度<预设预测精度时，调整训练样本，进行训练并测试，获得终预测模型步骤，具体包括：

当测试预测精度<预设预测精度时，获取训练集样本参数变量和气动性能数据，根据所述参数变量和对应的气动性能数据分布，去除最大离群值对应的样本，获得调整训练集样本；

将所述调整训练集样本输入所述训练神经网络进行训练，获得第二气动性能预测模型，并将测试集输入进行测试，直至满足预设测试精度。

进一步的，所述步骤S6具体包括：

设定优化参数变量的数值范围和允许的最小改变量，作为蜻蜓优化算法解向量的上下界和最小距离变化向量；

初始化蜻蜓优化算法，采用终气动性能预测模型进行迭代优化至预设的迭代次数，获得高速列车气动性能最优的优化参数变量值。

有益效果：

1)本发明采用机器学习方法，能够通过聚类和最大互信息系数分析，明确头部外形设计参数对高速列车气动性能的影响程度，确定了主要设计参数，从而大大减少优化计算工作量，解决了现有技术方案设计参数过多、不能充分提取特征的问题；

2)本发明通过对输入样本的计算，获得高速列车气动性能与设计参数的神经网络模型，利用蜻蜓算法基于该模型进行外形优化自动寻优，避免了每次设计外形的重复计算，可以在短时间内产生最优决策，且具有良好的扩展性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于机器学习的高速列车气动头型优化设计方法的流程图；

图2为本发明实施例提供的列车头部外形设计参数变量示意图；

图3为本发明实施例提供的高速列车模型样本示意图；

图4为本发明实施例提供的对气动阻力性能影响程度较高的头部外形设计参数示意图；

图5为本发明实施例提供的高速列车气动阻力性能与设计参数的神经网络模型预测结果对比图；

图6为本发明实施例提供的以气动阻力最小为优化目标生成的高速列车头型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，在本发明实施例中，提出了一种基于机器学习的高速列车气动头型优化设计方法的流程图，具体包括以下步骤：

步骤S101，获取高速列车气动性能数据和列车头部外形设计参数变量作为样本数据。

在本发明实施例中，列车头部外形设计参数变量如图2所示，选择气动性能参数中的气动阻力为优化目标，变量选择影响高速列车鼻锥和前窗外形的设计参数，构建了多个样本的高速列车头型，如图3所示；采用CFD计算程序获取所有高速列车头型样本的气动阻力。应该理解的是，本发明中的优化目标还可以为气动倾覆力矩，对应的变量可以为顶部向侧墙过渡圆弧半径、上侧墙倾角、下侧墙倾角、车底距轨面高度等参数。

步骤S102，根据所述样本数据，基于皮尔森相关系数进行聚类分析，获取样本数据中各参数变量之间的关联程度，并根据最大互信息系数筛选多个参数变量作为优化参数。

在本发明实施例中，所述皮尔森相关系数为：两个变量的协方差除以它们标准差的乘积：

其中

及σ_X分别为X_i样本的标准分数、样本平均值和样本标准差，计算样本数据中各涉及参数之间的皮尔森系数，将彼此间皮尔森相关系数超过0.9的参数划归为相同类。

在本发明实施例中，所述最大互信息系数为：

其中p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数，计算每个类中各参数变量与气动性能数据的最大互信息系数并取均值，作为该类与气动性能结果相关程度的度量，选择与结果相关程度最高的7个类。

在本发明实施例中，在所选择的7个类中，筛选与结果最大互信息系数最高的一个参数变量保留，保留的7个参数变量如图4所示。将所保留的变量作为预测模型的优化参数。

步骤S103，将包含所述优化参数的样本数据进行随机拆分，获得训练集和测试集。

在本发明实施例中，将包含所述优化参数的样本数据按照4:1的比例进行随机拆分，获得训练集和测试集。

步骤S104，将训练集作为输入样本，采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型。

在本发明实施例中，选择具有单个隐含层BP神经网络，含有单个隐含层的BP神经网络，只要隐含层节点数足够多，理论上可拟合任意的非线性关系。该网络的数据向前传播过程为：输入矩阵乘以第一层连接权重矩阵后加上偏置1，经过隐含层传递函数，得到隐含层矩阵，隐含层矩阵乘以第二层连接权重矩阵加上偏置2，经过输出层传递函数，得到输出矩阵。该网络的反向传播过程为，以某种性能最优为目标，通过学习训练函数进行网络参数的更新。因此BP网络超参数主要包括：隐含层节点数目、隐含层传递函数类型、输出层传递函数类型、学习训练函数类型、性能评估函数类型。建立第一气动阻力预测模型包括以下步骤：

结合经验公式确定神经网络的隐含层节点数n1的范围：

a＝1～10，其中：n＝7为输入神经元个数，m＝1为输出神经元个数，考虑预留量，将n1的搜索范围设为2～15；

将神经网络超参数映射为整型向量作为蜻蜓算法的解向量，如表1所示的神经网络超参数映射表。

根据表1的神经网络超参数映射表，将本发明的神经网络模型超参数映射为整型向量，比如[3,2,1,6,1]，其具体表述为隐含层节点数为3，隐含层传递函数为tansig，输出层传递函数purelin，学习训练函数trainoss，性能评估函数为mse。

蜻蜓优化算法搜索性能优异，能够解决组合优化、约束优化等多个领域的优化问题，其模拟了蜻蜓分离、排队、结盟、寻找食物和躲避天敌的5类群行为，用S_i、A_i、C_i、F_i和E_i分别表示第i只蜻蜓的分离、排队、结盟、食物来源和天敌位置，方程如下：

F_i＝X⁺-X (6)

E_i＝X^-+X (7)

X为当前蜻蜓的位置，X⁺食物来源的位置，X^-为敌人的位置，X为附近蜻蜓的数量，X_j表示第j个相邻解的位置。在动态群中，为获得更好的生存环境，大量的蜻蜓集群朝着共同的方向进行远距离迁徙；在静态群中，为寻找其他飞行猎物，由小部分蜻蜓组成的各个小组，在较小的范围内来回飞行。蜻蜓搜索空间方向矢量和种群位置通过方程

和

进行更新。t为迭代次数，s、a、c、f、e、ω为相应的权重因子。为了进一步强化算法性能，在同类个体附近无临近解时，通过使用Lévy飞行方法绕搜索空间飞行进行蜻蜓位置的更新，即

d表示维度。将神经网络超参数的整型向量作为蜻蜓算法的解向量，使蜻蜓算法仅搜索整数解，将初始化及迭代结束新产生的解向量取整，保证搜索空间为整数空间。

将解向量逆映射为神经网络的超参数并据此创建神经网络模型，将训练集样本输入所述训练神经网络进行训练，获得第一气动性能预测模型。将蜻蜓算法的解向量作为评价函数的输入，所述评价函数为测试集决定系数方程如式(8)所示：

其中

Y_i和F_i分别为样本平均值、第i个样本值和相应的模型预测值，用于评价预测模型的可靠程度。

步骤S105，获取预设预测精度，将所述测试集输入所述第一气动性能预测模型进行预测，获取测试预测精度；比较预设预测精度和测试预测精度，获得终气动性能预测模型。

在本发明实施例中，预先设定预测精度为0.9，将测试集输入第一气动性能预测模型，计算测试集决定系数，本发明实施例中的测试集决定系数为0.9824，大于预设预测精度，所述第一气动性能预测模型为终气动性能预测模型。如图5所示，训练集和测试集的预测精度结果。

在本发明实施例中，当测试集决定系数小于预设预测精度时，优先考虑增加高速列车头型样本数量；如果样本数量足够，则可以使用局部离群因子(LOF)检查，剔除离群样本后重新进行神经网络训练。局部离群因子由

计算，表示样本O的邻域N_k(O)内其他样本的局部可达密度与样本O的局部可达密度之比的平均数，如果该值大于1，说明O的密度小于其邻域密度，样本O可能是异常点。

步骤S106，设定所述多个参数变量的数值范围和允许的最小改变量作为参数优化输入，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值。

在本发明实施例中，设定所筛选的7个参数变量的数值范围和允许的最小改变量：

下鼻锥圆弧半径R5变化范围为100mm～600mm，最小改变量为10mm；

上鼻锥圆弧半径R6变化范围为300mm～800mm，最小改变量为10mm；

车头向车身过渡圆弧半径R7变化范围为5000mm～20000mm，最小改变量为100mm；

鼻锥宽度W1变化范围为1000mm～2000mm，最小改变量为10mm；

前端圆弧半径R8变化范围为100mm～1200mm，最小改变量为10mm；

前窗倾角a5变化范围为5°～35°，最小改变量为1°；

前窗倾角a6变化范围为2°～50°，最小改变量为1°。

将上述数据作为蜻蜓优化算法解向量的上下界和最小距离变化向量，算法流程如下：

a.初始化蜻蜓种群X_i(i＝1,2,…40)

b.初始化蜻蜓搜索空间方向矢量ΔX_i(i＝1,2,…40)

c.计算每只蜻蜓的适应度即气动阻力值，更新食物来源和天敌，更新权重因子ω、s、a、c、f、e，计算S_i、A_i、C_i、F_i和E_i，更新邻域半径。

d.搜寻邻域中有无蜻蜓个体存在。若存在，更新搜索空间方向矢量，并利用方向矢量更新蜻蜓位置，否则使用Lévy飞行方法更新蜻蜓位置。

e.根据变量边界检查并更正新位置

f.终止条件判断。如满足最大迭代次数，流程结束，同时输出最优参数组合，否则迭代次数加1，跳转执行步骤c。

由输出的最优参数取值构建的高速列车头型如图6所示，其预测的气动阻力系数为0.072，样本的气动阻力系数为0.078～0.086，优化后气动阻力减小了7.2％～16.3％。对优化得到的高速列车头型进行CFD仿真计算，其气动阻力系数为0.0734，与预测模型的结果误差小于2％，证明了本发明方法的有效性。

本发明采用机器学习方法，能够通过聚类和最大互信息系数分析，明确头部外形设计参数对高速列车气动性能的影响程度，确定主要设计参数，从而大大减少优化计算工作量，解决了现有技术方案设计参数过多、不能充分提取特征的问题；本发明通过对输入样本的计算，获得高速列车气动性能与设计参数的神经网络模型，利用蜻蜓算法基于该模型进行外形优化自动寻优，避免了每次设计外形的重复计算，可以在短时间内产生最优决策，且具有良好的扩展性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (8)

1.一种基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，具体包括：

S1:获取高速列车气动性能数据和列车头部外形设计参数变量作为样本数据；

S2:根据所述样本数据，采用基于皮尔森相关系数的聚类方法和最大互信息系数获取样本数据中各参数变量之间的关联程度，并筛选多个参数变量作为优化参数；

S3:将包含所述优化参数的样本数据进行随机拆分，获得训练集和测试集；

S4:将训练集作为输入样本，采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型；

S5:获取预设预测精度，将所述测试集输入所述第一气动性能预测模型进行预测，获取测试预测精度；比较预设预测精度和测试预测精度，获得终气动性能预测模型；

S6:设定所述多个参数变量的数值范围和允许的最小改变量作为参数优化输入，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值。

2.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S2具体包括：

计算各输入参数变量之间的皮尔森相关系数，将所述皮尔森相关系数超过设定阈值对应的参数划归为相同类；

计算每个类内的各参数变量与所述气动性能数据的最大互信息系数并取均值，作为类与气动性能结果相关程度的度量，选择与结果相关程度最高的类；

从所述被选择的多个类中，选择与所述气动性能数据的最大互信息系数最高的参数变量作为最优参数变量。

3.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S3中，训练集和测试集的样本数量的比值为4:1。

4.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S4具体包括：

根据经验公式

a＝1～10，n、m分别为输入、输出神经元个数，确定神经网络模型的隐含层节点数n₁的范围；

将神经网络超参数映射为整型向量作为蜻蜓算法的解向量，将所述解向量作为评价函数输入，并将解向量逆映射为神经网络的超参数创建训练神经网络；

将训练集样本输入所述训练神经网络进行训练，获得第一气动性能预测模型。

5.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述测试预测精度具体为：

将测试集输入至第一气动性能预测模型进行测试，获得测试集决定系数，所述测试集决定系数相反数即为测试预测精度。

6.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述比较预设预测精度和测试预测精度，获得终气动性能预测模型步骤具体包括：

当测试预测精度>预设预测精度时，所述第一气动性能预测模型即为终预测模型；

当测试预测精度<预设预测精度时，调整训练样本，进行训练并测试，获得终预测模型。

7.根据权利要求6所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述当测试预测精度<预设预测精度时，调整训练样本，进行训练并测试，获得终预测模型步骤，具体包括：

当测试预测精度<预设预测精度时，获取训练集样本参数变量和气动性能数据，根据所述参数变量和对应的气动性能数据分布，去除最大离群值对应的样本，获得调整训练集样本；

将所述调整训练集样本输入所述训练神经网络进行训练，获得第二气动性能预测模型，并将测试集输入进行测试，直至满足预设测试精度。

8.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S6具体包括：

设定优化参数变量的数值范围和允许的最小改变量，作为蜻蜓优化算法解向量的上下界和最小距离变化向量；

初始化蜻蜓优化算法，采用终气动性能预测模型进行迭代优化至预设的迭代次数，获得高速列车气动性能最优的优化参数变量值。

Images