CN113537319B - 一种针对类型化模型的风洞天平终身学习校准方法及系统 - Google Patents
一种针对类型化模型的风洞天平终身学习校准方法及系统 Download PDFInfo
- Publication number
- CN113537319B CN113537319B CN202110747004.6A CN202110747004A CN113537319B CN 113537319 B CN113537319 B CN 113537319B CN 202110747004 A CN202110747004 A CN 202110747004A CN 113537319 B CN113537319 B CN 113537319B
- Authority
- CN
- China
- Prior art keywords
- balance
- calibration
- loading
- load
- model
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明属于航空航天测力试验气动力测量技术领域,具体地说,涉及一种针对类型化模型的风洞天平终身学习校准方法及系统,该方法包括:步骤1)获取天平的初始校准加载矩阵N校准;步骤2)获得初始校准数据L校准;步骤3)构建深度神经网络模型;步骤4)构成检验加载矩阵;步骤5)获得检验数据;步骤6)计算天平各载荷分量的综合加载误差;步骤7)利用天平校准初始模型,计算模型在风洞试验中的受载情况;步骤8)利用近邻传播聚类算法,构成增量校准加载矩阵;步骤9)获得增量校准数据;步骤10)将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差,根据具体情况形成天平校准增量模型。
Description
技术领域
本发明属于航空航天测力试验气动力测量技术领域,具体地说,涉及一种针对类型化模型的风洞天平终身学习校准方法及系统。
背景技术
根据加载矩阵的不同可以把天平校准方法分为单元校准方法和多元校准方法两类。其中,单元校准方法将天平公式预设为系数数量固定的多项式结构,将天平的多分量校准问题分解为多个系数单独求解的问题。加载过程中,每次变化一个校准分量,天平其它分量载荷设置为零或某一固定值,通过最小二乘法,得到对应的天平公式系数。天平单元校准方法中的校准载荷与天平在风洞试验中感受到的多个元同时受载的情况存在较大差异,影响天平测量精准度。
现有的多元校准方法多采用正交设计方法、响应面法等试验设计方法设计天平校准矩阵。在多元校准中,天平六个载荷分量(升力Y、俯仰力矩Mz、阻力X、滚转力矩Mx、侧力Z、偏航力矩My)按照一定的组合进行加载,校准载荷更贴近于天平在风洞试验中的实际受载情况。但是,为了利用有限的加载点兼顾天平在各载荷分量不同组合情况下的测量能力,这些天平校准矩阵设计方法更多的强调在天平整个设计载荷空间内均匀的选取加载点,以保证天平在任何载荷组合条件下的测量能力。但是,在风洞测力试验中,模型在试验中所感受到的气动载荷范围并不会覆盖天平的整个设计载荷空间。一些类型化模型,如扁平体类模型、短钝体类模型等会呈现不同的气动特性,同一类模型在试验中感受到的气动力呈现一定的规律,往往只占据天平设计载荷空间的一部分。例如,短钝体模型在各种试验工况下都会感受到较大的阻力,在这种情况下,加载矩阵中阻力较小的加载点不但浪费校准资源,也不利于试验测量精准度的进一步提高。针对不同类型模型的天平,应该重点突出该类模型的实际受载情况,提高校准加载矩阵的针对性和代表性。
此外,在现有的天平校准方法中,同一台天平的不同期校准是相互独立的,通常会为每次校准规定固定的有效期,不论天平性能是否稳定,有效期满都要重新校准,而且校准加载矩阵不会有变化。在天平性能稳定的情况下,这样的做法在增加工作量的同时对天平的测量精准度的提高并没有帮助。
发明内容
为解决现有技术存在的上述缺陷,本发明提出了一种针对类型化模型的风洞天平终身学习校准方法,通过加强天平校准加载矩阵的代表性,提高天平对类型化模型的针对性。利用风洞试验数据,不断完善天平校准加载矩阵,在天平性能稳定的情况下,利用天平不同期校准数据持续训练已有的天平校准深度神经网络模型,持续增强天平校准模型的测量精准度,达到终身学习的效果。
本发明提供了一种针对类型化模型的风洞天平终身学习校准方法,该方法包括:
步骤1)基于组合加载点集合,获取天平的初始校准加载矩阵N校准;
步骤2)利用六自由度校准架,按照天平初始校准加载矩阵完成天平加载,获得初始校准数据L校准;
其中,其中,U1M代表粘贴于天平前侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U2M代表粘贴于天平后侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U3M代表粘贴于天平阻力测量元件上的第M个加载点的惠斯通电桥的电信号输出;U4M代表粘贴于天平滚转力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U5M代表粘贴于天平前侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U6M代表粘贴于天平后侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;
步骤3)构建深度神经网络模型,利用初始校准数据L校准进行训练,形成天平校准初始模型;
步骤4)在组合加载点集合中,随机选取指定数量的加载点,构成检验加载矩阵;
步骤5)利用六自由度校准架,按照检验加载矩阵完成天平加载,获得检验数据;
步骤6)将检验数据中的每个加载点的六个惠斯通电桥输出电压输入天平校准初始模型中,计算对应的载荷计算值,进而计算天平各载荷分量的综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则完成初始校准,天平可用于风洞试验;
如果天平某一个载荷分量的综合加载误差大于或等于0.3%,则重复步骤3)和步骤6);
步骤7)进行风洞试验,利用天平校准初始模型,计算模型在风洞试验中的受载情况;
步骤8)利用近邻传播聚类算法,对该天平某一段时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵;
步骤9)利用六自由度校准架,按照增量校准加载矩阵完成天平加载,获得增量校准数据;
步骤10)将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验;
如果天平某一个载荷分量的加载误差大于或等于0.3%,则天平性能不稳定。
作为上述技术方案的改进之一,所述天平的初始校准加载矩阵的具体获取过程为:
步骤1.1)汇总以往同一类型模型风洞试验的试验数据,构成现有工况加载点集合;
步骤1.2)在待校准天平的设计载荷空间内,利用拉丁超立方取样方法,随机生成预先设定的特定数量的加载点,构成全局加载点集合;
步骤1.3)将现有工况加载点集合和全局加载点集合组合,得到组合加载点集合,利用近邻传播聚类算法,进行筛选,形成天平的初始校准加载矩阵N校准:
其中,YM为第M个加载点的升力载荷;MzM为第M个加载点的俯仰力矩载荷;XM为第M个加载点的阻力载荷;MxM为第M个加载点的滚转力矩载荷;ZM为第M个加载点的侧力载荷;MyM为第M个加载点的偏航力矩载荷。
作为上述技术方案的改进之一,所述类型化模型包括:扁平体类模型、短钝体类模型和旋成体类模型。
作为上述技术方案的改进之一,所述天平校准初始模型包括:六个深度神经网络模型;每个深度神经网络模型的结构均相同;
所述深度神经网络模型包括依次连接的输入层、第一Dense层、第二Dense层、第三Dense层和输出层;
所述输入层为M*6的序列,其中M为样本数量,6代表每个样本为6维数据;
所述第一Dense层有128个神经元,与输入层的6个神经元全连接;
所述第二Dense层有64个神经元,与第一Dense层的128个神经元全连接;
所述第三Dense层有32个神经元,与第二Dense层的64个神经元全连接;
所述输出层有1个神经元,与第三层的32个神经元全连接;输出天平的载荷分量;
六个深度神经网络模型的输入均相同,包含六个参数,分别代表天平六个惠斯通电桥的输出电压U1、U2、U3、U4、U5、和U6;
六个深度神经网络的输出分别为天平的升力Y载荷分量、俯仰力矩Mz载荷分量、阻力X载荷分量、滚转力矩Mx载荷分量、侧力Z载荷分量和偏航力矩My载荷分量;共六个天平的载荷分量。
所述深度神经网络模型的具体训练步骤为:对神经网络模型参数矩阵进行初始化;将每个加载点对应的天平六个惠斯通电桥的电信号输出输入神经网络模型;利用激活函数对输入数据进行非线性变化,得到预测值;利用损失函数计算预测值和真实值之间的差距;以预测值和真实值之间的差距最小为目标,利用优化器更新神经网络模型的参数矩阵;反复迭代1000次后停止,深度神经网络模型训练完成,得到训练后的深度神经网络模型。
作为上述技术方案的改进之一,所述步骤(6)中,天平各载荷分量综合加载误差的计算公式为:
其中,Wi为天平第i个载荷分量的综合加载误差,Pim计算值为天平第i个载荷分量第m个加载点的计算值,Pim真值为天平第i个载荷分量第m个加载点的真值,Pimax为天平第i个载荷分量的校准过程中加载的最大值;k为加载点数量。
本发明还提供了一种针对类型化模型的风洞天平终身学习校准系统,该系统包括:
初始校准加载矩阵获取模块,用于基于组合加载点集合,获取天平的初始校准加载矩阵N校准;
初始校准数据获取模块,用于利用六自由度校准架,按照天平初始校准加载矩阵完成天平加载,获得初始校准数据L校准;
其中,其中,U1M代表粘贴于天平前侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U2M代表粘贴于天平后侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U3M代表粘贴于天平阻力测量元件上的第M个加载点的惠斯通电桥的电信号输出;U4M代表粘贴于天平滚转力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U5M代表粘贴于天平前侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U6M代表粘贴于天平后侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;
天平校准初始模型模块,用于构建深度神经网络模型,利用初始校准数据L校准进行训练,形成天平校准初始模型;
检验加载矩阵获取模块,用于在组合加载点集合中,随机选取指定数量的加载点,构成检验加载矩阵
检验数据获取模块,用于利用六自由度校准架,按照检验加载矩阵完成天平加载,获得检验数据;
计算模块,用于将检验数据中的每个加载点的电桥输出电压输入天平校准初始模型中,计算对应的载荷计算值,进而计算天平各载荷分量的综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则完成初始校准,天平可用于风洞试验;
如果天平各载荷分量的综合加载误差中的某一个载荷分量的综合加载误差大于或等于0.3%,则重复步骤3)和步骤6);
增量校准数据获取模块,用于利用天平校准初始模型,进行风洞试验,计算模型在风洞试验中的受载情况;利用近邻传播聚类算法,对该天平某一段时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵;利用六自由度校准架,按照增量校准加载矩阵完成天平加载,获得增量校准数据;
计算误差模块,用于将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差;
如果天平各载荷分量加载误差均小于0.3%,则天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验;
如果天平各载荷分量加载误差中的某一个载荷分量加载误差大于或等于0.3%,则天平性能不稳定。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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所述的方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行所述的方法。
本发明与现有技术相比的有益效果是:
1、能够根据不同类模型风洞试验数据,设计更具有代表性的天平校准加载矩阵,提高天平校准的针对性。
2、能够利用不同期的校准数据持续训练天平校准模型,持续提高天平校准模型的准确性。
附图说明
图1是本发明的一种针对类型化模型的风洞天平终身学习校准方法的流程示意图;
图2是本发明的一种针对类型化模型的风洞天平终身学习校准方法选取出的校准加载点的示意图。
具体实施方式
现结合附图和实例对本发明作进一步的描述。
如图1所示,本发明提供了一种针对类型化模型的风洞天平终身学习校准方法,其中,所述类型化模型为气动外形类似的风洞试验模型,可以分为扁平体类模型、短钝体类模型、旋成体模型等。该方法包括:
步骤1)基于组合加载点集合,获取天平的初始校准加载矩阵N校准;
具体地,所述步骤1)具体包括:
步骤1.1)汇总以往同一类型模型风洞试验的试验数据,构成现有工况加载点集合;
步骤1.2)在待校准天平的设计载荷空间内,利用拉丁超立方取样方法,随机生成预先设定的特定数量的加载点,构成全局加载点集合;
步骤1.3)将现有工况加载点集合和全局加载点集合组合,得到组合加载点集合,利用近邻传播聚类算法,进行筛选,形成天平的初始校准加载矩阵N校准:
其中,YM为第M个加载点的升力载荷;MzM为第M个加载点的俯仰力矩载荷;XM为第M个加载点的阻力载荷;MxM为第M个加载点的滚转力矩载荷;ZM为第M个加载点的侧力载荷;MyM为第M个加载点的偏航力矩载荷。
步骤2)利用六自由度校准架,按照天平初始校准加载矩阵完成天平加载,获得初始校准数据L校准;
其中,其中,U1M代表粘贴于天平前侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U2M代表粘贴于天平后侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U3M代表粘贴于天平阻力测量元件上的第M个加载点的惠斯通电桥的电信号输出;U4M代表粘贴于天平滚转力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U5M代表粘贴于天平前侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U6M代表粘贴于天平后侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;
每一行,前六项代表某一加载点的六个载荷值,后六项(U1、U2、U3、U4、U5、U6)代表该加载点对应的天平六个惠斯通电桥的输出电压。
步骤3)构建深度神经网络模型,利用初始校准数据L校准进行训练,形成天平校准初始模型;
其中,所述天平校准初始模型包括:六个深度神经网络模型;每个深度神经网络模型的结构均相同;
所述深度神经网络模型包括依次连接的输入层、第一Dense层、第二Dense层、第三Dense层和输出层;
所述输入层为M*6的序列,其中M为样本数量,6代表每个样本的维度;
所述第一Dense层有128个神经元,与输入层的6个神经元全连接;
所述第二Dense层有64个神经元,与第一Dense层的128个神经元全连接;
所述第三Dense层有32个神经元,与第二Dense层的64个神经元全连接;
所述输出层有1个神经元,与第三层的32个神经元全连接;输出天平的载荷分量;
六个深度神经网络模型的输入均相同,包含六个参数,分别代表天平六个惠斯通电桥的输出电压U1、U2、U3、U4、U5、和U6;此处指的是全部加载点;
六个深度神经网络的输出分别为天平的升力Y载荷分量、俯仰力矩Mz载荷分量、阻力X载荷分量、滚转力矩Mx载荷分量、侧力Z载荷分量和偏航力矩My载荷分量;共六个天平的载荷分量。
所述深度神经网络模型的激活函数为relu,损失函数为mae,优化器采用Adam,评价标准为mse。
所述天平校准初始模型的训练次数为1000次。
其中,每个深度神经网络模型的训练过程为:对神经网络模型参数矩阵进行初始化;将每个加载点对应的天平六个惠斯通电桥的电信号输出输入神经网络模型;利用激活函数对输入数据进行非线性变化,得到预测值;利用损失函数计算预测值和真实值之间的差距;以预测值和真实值之间的差距最小为目标,利用优化器更新神经网络模型的参数矩阵;反复迭代1000次后停止,深度神经网络模型训练完成,得到训练后的深度神经网络模型。
步骤4)在组合加载点集合中,随机选取指定数量的加载点,构成检验加载矩阵
步骤5)利用六自由度校准架,按照检验加载矩阵完成天平加载,获得检验数据;
步骤6)将检验数据中的每个加载点的电桥输出电压输入天平校准初始模型中,计算对应的载荷计算值,进而计算天平各载荷分量的综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则完成初始校准,天平可用于风洞试验;
如果天平各载荷分量的综合加载误差中的某一个载荷分量的综合加载误差大于或等于0.3%,则重复步骤3)和步骤6);
其中,所述步骤(6)中,天平各载荷分量综合加载误差的计算公式为:
其中,Wi为天平第i个载荷分量的综合加载误差,Pim计算值为天平第i个载荷分量第m个加载点的计算值,Pim真值为天平第i个载荷分量第m个加载点的真值,Pimax为天平第i个载荷分量的校准过程中加载的最大值;k为加载点数量。
步骤7)进行风洞试验,利用天平校准初始模型,计算模型在风洞试验中的受载情况;
步骤8)利用近邻传播聚类算法,对该天平某一段时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵;
步骤9)利用六自由度校准架,按照增量校准加载矩阵完成天平加载,获得增量校准数据。
步骤10)将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差;
如果天平各载荷分量加载误差均小于0.3%,则天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验;在天平性能稳定的情况下,利用天平不同期的校准数据持续训练基于深度神经网络搭建的步骤3)所建立的天平初始校准模型,持续提高天平针对某一类模型的测量精准度。
如果天平各载荷分量加载误差中的某一个载荷分量加载误差大于或等于0.3%,则天平性能不稳定,对天平进行检查,确定无问题后,重复步骤2),将获得的校准数据和增量校准数据组合为新的天平初始校准数据,再重复步骤3)和步骤6),形成新的天平校准初始模型,用于风洞试验。
本发明提供了一种针对类型化模型的风洞天平终身学习校准系统,该系统包括:
初始校准加载矩阵获取模块,用于基于组合加载点集合,获取天平的初始校准加载矩阵N校准;
其中,YM为第M个加载点的升力载荷;MzM为第M个加载点的俯仰力矩载荷;XM为第M个加载点的阻力载荷;MxM为第M个加载点的滚转力矩载荷;ZM为第M个加载点的侧力载荷;MyM为第M个加载点的偏航力矩载荷;
初始校准数据获取模块,用于利用六自由度校准架,按照天平初始校准加载矩阵完成天平加载,获得初始校准数据L校准;
其中,其中,U1M代表粘贴于天平前侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U2M代表粘贴于天平后侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U3M代表粘贴于天平阻力测量元件上的第M个加载点的惠斯通电桥的电信号输出;U4M代表粘贴于天平滚转力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U5M代表粘贴于天平前侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U6M代表粘贴于天平后侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;
天平校准初始模型模块,用于构建深度神经网络模型,利用初始校准数据L校准进行训练,形成天平校准初始模型;
检验加载矩阵获取模块,用于在组合加载点集合中,随机选取指定数量的加载点,构成检验加载矩阵
检验数据获取模块,用于利用六自由度校准架,按照检验加载矩阵完成天平加载,获得检验数据;
计算模块,用于将检验数据中的每个加载点的电桥输出电压输入天平校准初始模型中,计算对应的载荷计算值,进而计算天平各载荷分量的综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则完成初始校准,天平可用于风洞试验;
如果天平各载荷分量的综合加载误差中的某一个载荷分量的综合加载误差大于或等于0.3%,则重复步骤3)和步骤6);
增量校准数据获取模块,用于利用天平校准初始模型,进行风洞试验,计算模型在风洞试验中的受载情况;利用近邻传播聚类算法,对该天平某一段时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵;利用六自由度校准架,按照增量校准加载矩阵完成天平加载,获得增量校准数据;和
计算误差模块,用于将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差;
如果天平各载荷分量加载误差均小于0.3%,则天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验;
如果天平各载荷分量加载误差中的某一个载荷分量加载误差大于或等于0.3%,则天平性能不稳定。
本发明还提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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所述的方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行所述的方法。
实施例1.
如图1所示,本发明提供了一种基于深度神经网络的针对类型化模型的风洞天平终身学习校准方法,主要包括以下步骤:
步骤一,设计天平初始校准加载矩阵;
具体地,收集以往同类模型风洞试验的试验数据,构成现有工况加载点集合;在待校准天平的校准空间内利用拉丁超立方取样方法随机生成2000个加载点,构成全局加载点集合;将现有工况加载点集合和全局加载点集合组合后,得到组合加载点集合,利用近邻传播聚类算法进行筛选,如图2所示,为了方便显示,横坐标为升力载荷归一化后的值,纵坐标为阻力载荷归一化后的值,而实际上的加载点是六维的数据,其中黑色圆点为筛选出的具有代表性的加载点,共筛选出具有代表性的加载点414个,图中同时显示了具有代表性的加载点和它们所代表的加载点之间的连线,形成初始校准加载矩阵:
其中,每一行代表一个加载点,共有414行,每一列代表一个天平载荷分量,即升力Y、俯仰力矩Mz、阻力X、滚转力矩Mx、侧力Z、偏航力矩My。
步骤二,利用六自由度校准架按照天平初始校准加载矩阵完成天平加载,获得初始校准数据,如下表所示,前六列为天平校准载荷,后六列为对应的天平六个惠斯通电桥的输出。
步骤三,构建深度神经网络模型,利用初始校准数据进行训练,形成天平校准初始模型。
天平校准初始模型由六个深度神经网络模型组成,每个深度神经网络的结果均相同,包括依次连接的输入层、第一Dense层、第二Dense层、第三Dense层和输出层。
输入层为414*6的序列,即有414个样本,每个样本为6维数据,每个维度分别代表天平六个惠斯通电桥的输出U1、U2、U3、U4、U5、和U6;此处指的是全部加载点;
第一Dense层有128个神经元,与输入层的6个神经元全连接。
第二Dense层有64个神经元,与第一Dense层的128个神经元全连接。
第三Dense层有32个神经元,与第二Dense层的64个神经元全连接。
输出层有1个神经元,与第三层的32个神经元全连接,六个深度神经网络的输出分别代表天平的六个载荷分量(升力Y、俯仰力矩Mz、阻力X、滚转力矩Mx、侧力Z、偏航力矩My)。
深度神经网络模型的激活函数为relu,损失函数为mae,优化器采用Adam,评价标准为mse。
天平校准初始模型的训练次数为1000次。
步骤四,在现有工况加载点集合和全局加载点集合中随机选取40个加载点构成检验加载矩阵。
步骤五,利用六自由度校准架按照天平检验加载矩阵完成天平加载,获得检验数据。
步骤六,将检验数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差,天平各载荷分量加载误差均小于0.3%,满足试验要求,初始校准完成。
步骤七,完成风洞试验,利用天平校准初始模型计算模型受载情况。
步骤八,利用近邻传播聚类算法对该天平一定时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵。
步骤九,利用六自由度校准架按照天平增量校准加载矩阵完成天平加载,获得增量校准数据。
步骤十,将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差。天平各载荷分量加载误差均小于0.3%,证明天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种针对类型化模型的风洞天平终身学习校准方法,该方法包括:
步骤1)基于组合加载点集合,获取天平的初始校准加载矩阵N校准;
步骤2)利用六自由度校准架,按照天平初始校准加载矩阵完成天平加载,获得初始校准数据L校准;
其中,其中,U1M代表粘贴于天平前侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U2M代表粘贴于天平后侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U3M代表粘贴于天平阻力测量元件上的第M个加载点的惠斯通电桥的电信号输出;U4M代表粘贴于天平滚转力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U5M代表粘贴于天平前侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U6M代表粘贴于天平后侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;YM为第M个加载点的升力载荷;MzM为第M个加载点的俯仰力矩载荷;XM为第M个加载点的阻力载荷;MxM为第M个加载点的滚转力矩载荷;ZM为第M个加载点的侧力载荷;MyM为第M个加载点的偏航力矩载荷;
步骤3)构建深度神经网络模型,利用初始校准数据L校准进行训练,形成天平校准初始模型;
步骤4)在组合加载点集合中,随机选取指定数量的加载点,构成检验加载矩阵;
步骤5)利用六自由度校准架,按照检验加载矩阵完成天平加载,获得检验数据;
步骤6)将检验数据中的每个加载点的六个惠斯通电桥输出电压输入天平校准初始模型中,计算对应的载荷计算值,进而计算天平各载荷分量的综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则完成初始校准,天平可用于风洞试验;
如果天平某一个载荷分量的综合加载误差大于或等于0.3%,则重复步骤3)和步骤6);
步骤7)进行风洞试验,利用天平校准初始模型,计算模型在风洞试验中的受载情况;
步骤8)利用近邻传播聚类算法,对该天平某一段时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵;
步骤9)利用六自由度校准架,按照增量校准加载矩阵完成天平加载,获得增量校准数据;
步骤10)将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验;
如果天平某一个载荷分量的加载误差大于或等于0.3%,则天平性能不稳定。
3.根据权利要求1所述的一种针对类型化模型的风洞天平终身学习校准方法,其特征在于,所述类型化模型包括:扁平体类模型、短钝体类模型和旋成体类模型。
4.根据权利要求1所述的一种针对类型化模型的风洞天平终身学习校准方法,其特征在于,所述天平校准初始模型包括:六个深度神经网络模型;每个深度神经网络模型的结构均相同;
所述深度神经网络模型包括依次连接的输入层、第一Dense层、第二Dense层、第三Dense层和输出层;
所述输入层为M*6的序列,其中M为样本数量,6代表每个样本为6维数据;
所述第一Dense层有128个神经元,与输入层的6个神经元全连接;
所述第二Dense层有64个神经元,与第一Dense层的128个神经元全连接;
所述第三Dense层有32个神经元,与第二Dense层的64个神经元全连接;
所述输出层有1个神经元,与第三层的32个神经元全连接;输出天平的载荷分量;
六个深度神经网络模型的输入均相同,包含六个参数,分别代表天平六个惠斯通电桥的输出电压U1、U2、U3、U4、U5、和U6;
六个深度神经网络的输出分别为天平的升力Y载荷分量、俯仰力矩Mz载荷分量、阻力X载荷分量、滚转力矩Mx载荷分量、侧力Z载荷分量和偏航力矩My载荷分量;共六个天平的载荷分量;
所述深度神经网络模型的具体训练步骤为:对神经网络模型参数矩阵进行初始化;将每个加载点对应的天平六个惠斯通电桥的电信号输出输入神经网络模型;利用激活函数对输入数据进行非线性变化,得到预测值;利用损失函数计算预测值和真实值之间的差距;以预测值和真实值之间的差距最小为目标,利用优化器更新神经网络模型的参数矩阵;反复迭代1000次后停止,深度神经网络模型训练完成,得到训练后的深度神经网络模型。
6.一种针对类型化模型的风洞天平终身学习校准系统,其特征在于,该系统包括:
初始校准加载矩阵获取模块,用于基于组合加载点集合,获取天平的初始校准加载矩阵N校准;
初始校准数据获取模块,用于利用六自由度校准架,按照天平初始校准加载矩阵完成天平加载,获得初始校准数据L校准;
其中,其中,U1M代表粘贴于天平前侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U2M代表粘贴于天平后侧升力-俯仰力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U3M代表粘贴于天平阻力测量元件上的第M个加载点的惠斯通电桥的电信号输出;U4M代表粘贴于天平滚转力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U5M代表粘贴于天平前侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;U6M代表粘贴于天平后侧侧力-偏航力矩测量元件上的第M个加载点的惠斯通电桥的电信号输出;YM为第M个加载点的升力载荷;MzM为第M个加载点的俯仰力矩载荷;XM为第M个加载点的阻力载荷;MxM为第M个加载点的滚转力矩载荷;ZM为第M个加载点的侧力载荷;MyM为第M个加载点的偏航力矩载荷;
天平校准初始模型模块,用于构建深度神经网络模型,利用初始校准数据L校准进行训练,形成天平校准初始模型;
检验加载矩阵获取模块,用于在组合加载点集合中,随机选取指定数量的加载点,构成检验加载矩阵;
检验数据获取模块,用于利用六自由度校准架,按照检验加载矩阵完成天平加载,获得检验数据;
计算模块,用于将检验数据中的每个加载点的电桥输出电压输入天平校准初始模型中,计算对应的载荷计算值,进而计算天平各载荷分量的综合加载误差;
如果天平各载荷分量的综合加载误差均小于0.3%,则完成初始校准,天平可用于风洞试验;
如果天平各载荷分量的综合加载误差中的某一个载荷分量的综合加载误差大于或等于0.3%,则重复步骤3)和步骤6);
增量校准数据获取模块,用于利用天平校准初始模型,进行风洞试验,计算模型在风洞试验中的受载情况;利用近邻传播聚类算法,对该天平某一段时间内新完成的同类模型风洞试验数据进行筛选,构成增量校准加载矩阵;利用六自由度校准架,按照增量校准加载矩阵完成天平加载,获得增量校准数据;
计算误差模块,用于将增量校准数据输入天平校准初始模型中,计算天平各载荷分量综合加载误差;
如果天平各载荷分量加载误差均小于0.3%,则天平性能稳定,将增量校准数据作为训练集继续训练天平校准初始模型,形成天平校准增量模型,用于风洞试验;
如果天平各载荷分量加载误差中的某一个载荷分量加载误差大于或等于0.3%,则天平性能不稳定。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110747004.6A CN113537319B (zh) | 2021-07-01 | 2021-07-01 | 一种针对类型化模型的风洞天平终身学习校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110747004.6A CN113537319B (zh) | 2021-07-01 | 2021-07-01 | 一种针对类型化模型的风洞天平终身学习校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537319A CN113537319A (zh) | 2021-10-22 |
CN113537319B true CN113537319B (zh) | 2023-04-18 |
Family
ID=78097546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110747004.6A Active CN113537319B (zh) | 2021-07-01 | 2021-07-01 | 一种针对类型化模型的风洞天平终身学习校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537319B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114993604B (zh) * | 2022-05-24 | 2023-01-17 | 中国科学院力学研究所 | 一种基于深度学习的风洞天平静态校测方法 |
CN114722332B (zh) * | 2022-06-10 | 2022-08-23 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞天平校准数据处理方法 |
CN117109666B (zh) * | 2023-10-24 | 2024-01-05 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种风洞天平应变计粘贴工艺质量的检验装置和检验方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001021320A (ja) * | 1999-07-09 | 2001-01-26 | Ishikawajima Harima Heavy Ind Co Ltd | 6自由度運動解析方法 |
CN101726352A (zh) * | 2009-12-10 | 2010-06-09 | 中国航空工业第一集团公司沈阳空气动力研究所 | 天平校准系统六自由度复位装置 |
CN106815428A (zh) * | 2017-01-13 | 2017-06-09 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种基于智能优化算法的风洞天平校准数据处理方法 |
CN111473947A (zh) * | 2020-05-07 | 2020-07-31 | 中国科学院力学研究所 | 一种脉冲风洞测力系统单矢量动态校准方法 |
CN112800633A (zh) * | 2021-04-06 | 2021-05-14 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种多元校准风洞天平数据的处理方法 |
CN112903235A (zh) * | 2021-01-27 | 2021-06-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种完全模拟试验状态的推力天平多元校准方法 |
-
2021
- 2021-07-01 CN CN202110747004.6A patent/CN113537319B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001021320A (ja) * | 1999-07-09 | 2001-01-26 | Ishikawajima Harima Heavy Ind Co Ltd | 6自由度運動解析方法 |
CN101726352A (zh) * | 2009-12-10 | 2010-06-09 | 中国航空工业第一集团公司沈阳空气动力研究所 | 天平校准系统六自由度复位装置 |
CN106815428A (zh) * | 2017-01-13 | 2017-06-09 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种基于智能优化算法的风洞天平校准数据处理方法 |
CN111473947A (zh) * | 2020-05-07 | 2020-07-31 | 中国科学院力学研究所 | 一种脉冲风洞测力系统单矢量动态校准方法 |
CN112903235A (zh) * | 2021-01-27 | 2021-06-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种完全模拟试验状态的推力天平多元校准方法 |
CN112800633A (zh) * | 2021-04-06 | 2021-05-14 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种多元校准风洞天平数据的处理方法 |
Non-Patent Citations (3)
Title |
---|
Thomas H. Johnson 等.Calibration Designs for Non-Monolithic Wind Tunnel Force Balances .Journal of Aircraft.2010,第47卷(第6期),1-16. * |
战培国.2020版AIAA风洞天平校准标准浅析.标准科学.2020,(第08期),99-102. * |
汪运鹏 等.脉冲型天平高精度全自动校准系统.中国科学:物理学 力学 天文学.2020,第50卷(第06期),76-86. * |
Also Published As
Publication number | Publication date |
---|---|
CN113537319A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537319B (zh) | 一种针对类型化模型的风洞天平终身学习校准方法及系统 | |
CN113609596B (zh) | 一种基于神经网络的飞行器气动特性预测方法 | |
CN112800633B (zh) | 一种多元校准风洞天平数据的处理方法 | |
CN107862170B (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
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 | |
CN113627098B (zh) | 一种cfd模型确认方法及产品设计方法 | |
CN116090111B (zh) | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 | |
WO2021059787A1 (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
CN110920930B (zh) | 一种直升机平尾载荷标定方法 | |
CN113324728A (zh) | 一种针对载荷不匹配风洞天平的校准装置及校准方法 | |
CN110874501B (zh) | 弹性体飞行器飞行仿真方法、系统及计算机存储介质 | |
CN115128300A (zh) | 传感器优化布置下的结构动态载荷/参数联合识别方法 | |
CN110807285A (zh) | 一种工程运输车车架疲劳分析方法、系统及装置 | |
CN112326188B (zh) | 一种基于doe和响应面模型的六分力应变天平公式的系数标定方法及计算方法 | |
CN110147571B (zh) | 一种组件结构的拓扑优化方法及装置 | |
CN112414668A (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
CN111380649A (zh) | 基于pso优化lssvm的车用多维力传感器解耦方法 | |
CN114329315B (zh) | 一种基于动模态分解技术的静气弹快速求解方法 | |
CN112214843B (zh) | 一种用于风洞试验机翼模型有限元刚度修正方法及装置 | |
CN113919199A (zh) | 一种轻量化转向节的强度工况快速分析评价方法 | |
CN110207871B (zh) | 风电机组的应力预测的方法、装置、存储介质和系统 | |
CN112818455A (zh) | 一种桥梁结构响应监测方法及系统 | |
US20240060835A1 (en) | System and method for identifying optimal locations for strain gage placement on a structure | |
CN117993270A (zh) | 一种基于数字孪生的紧固连接系统装配质量评估方法 | |
CN111563338A (zh) | 一种考虑有界测量误差的桁架结构动载荷识别方法 |
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 |