CN114444332B - 一种风洞试验颤振稳定性参数预测方法及装置 - Google Patents
一种风洞试验颤振稳定性参数预测方法及装置 Download PDFInfo
- Publication number
- CN114444332B CN114444332B CN202210357971.6A CN202210357971A CN114444332B CN 114444332 B CN114444332 B CN 114444332B CN 202210357971 A CN202210357971 A CN 202210357971A CN 114444332 B CN114444332 B CN 114444332B
- Authority
- CN
- China
- Prior art keywords
- stability
- flutter
- data
- score
- parameters
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本申请提供一种风洞试验颤振稳定性参数预测方法及装置。风洞试验颤振稳定性参数预测方法,包括:获取风洞试验的颤振试验数据;基于所述颤振试验数据获取待处理颤振稳定性参数;对所述待处理颤振稳定性参数进行预处理,获取预处理后的颤振稳定性参数;所述预处理后的颤振稳定性参数的散布度小于预设散布度;根据所述预处理后的颤振稳定性参数和预先训练好的特征提取模型确定所述预处理后的颤振稳定性参数对应的稳定性特征;根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果。该方法用以提高颤振稳定性参数的处理效率,以及提高处理结果的精度。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种风洞试验颤振稳定性参数预测方法及装置。
背景技术
在风洞试验的颤振试验中,颤振稳定性参数可以反映颤振试验数据的稳定性。
但是,现有技术仅对颤振稳定性参数进行获取,并未基于颤振稳定性参数作进一步分析(可看作颤振稳定性参数的进一步预测),通常由用户基于颤振稳定性参数进行主观和经验式的分析,导致颤振稳定性参数的处理效率较低,且处理结果的精度也较低。
发明内容
本申请实施例的目的在于提供一种风洞试验颤振稳定性参数预测方法及装置,用以提高颤振稳定性参数的处理效率,以及提高处理结果的精度。
第一方面,本申请实施例提供一种风洞试验颤振稳定性参数预测方法,包括:获取风洞试验的颤振试验数据;基于所述颤振试验数据获取待处理颤振稳定性参数;对所述待处理颤振稳定性参数进行预处理,获取预处理后的颤振稳定性参数;所述预处理后的颤振稳定性参数的散布度小于预设散布度;根据所述预处理后的颤振稳定性参数和预先训练好的特征提取模型确定所述预处理后的颤振稳定性参数对应的稳定性特征;根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果。
在本申请实施例中,与现有技术相比,在获取到风洞试验的颤振试验数据之后,先基于试验数据获取待处理颤振稳定性参数,以获得待处理的数据;然后,对待处理的数据进行预处理,以将散步度大于预设散步度的数据剔除,提高后续数据处理的效率。接着,利用特征提取模型提取数据对应的稳定性特征。最后,利用稳定性特征和稳定性预测模型,获得稳定性分析结果。通过基于模型的数据处理方式,能够有效提高最终获得的稳定性分析结果的精度。
作为一种可能的实现方式,所述预测方法还包括:获取第一训练数据集;所述第一训练数据集中包括:样本颤振稳定性参数和所述样本颤振稳定性参数对应的样本稳定性特征;所述样本稳定性特征包括:所述样本颤振稳定性参数中的数据值大于预设值的数据段、所述样本颤振稳定性参数中的转折数据点、所述样本颤振稳定性参数中的最大数据值点、所述样本颤振稳定性参数中的最小数据值点、所述样本颤振稳定性参数中的数据值满足预设分布规律的数据段;基于所述第一训练数据集,对初始的特征提取模型进行训练,获得训练好的特征提取模型。
在本申请实施例中,对于特征提取模型,通过第一训练数据集进行训练,使训练好的特征提取模型可以实现有效的特征提取;对于所提取的各项特征,能够有效反映颤振稳定性参数的稳定性,可以提高最终的稳定性分析结果的稳定性。
作为一种可能的实现方式,所述转折数据点的前N个数据值的平均数据值与所述转折数据点的后M个数据值的平均数据值之间的差距在预设差距范围内;或者,所述转折数据点的前N个数据值的正态分布与所述转折数据点的后M个数据值的正态分布之间满足预设的正态分布关系;或者,所述转折数据点的前N个数据值的变化趋势与所述转折数据点的后M个数据值的变化趋势相反;其中,所述N和所述M为大于1的整数,且所述N与所述M之间的差值小于预设差值。
在本申请实施例中,通过不同的转折数据点类型,可以使转折数据点反映颤振试验数据的稳定性,提高最终的稳定性分析结果的精度。
作为一种可能的实现方式,所述预设分布规律包括:数据值连续且稳定的增长、数据值连续且跳跃的增长、数据值稳定不变、数据值连续且稳定的下降、数据值连续且跳跃的下降。
在本申请实施例中,通过不同的分布规律的数据段,可以反映颤振试验数据的稳定性,提高最终的稳定性分析结果的精度。
作为一种可能的实现方式,所述预测方法还包括:获取第二训练数据集;所述第二训练数据集中包括:所述样本稳定性特征和所述样本稳定性特征对应的稳定性分值;基于所述第二训练数据集,对初始的稳定性预测模型进行训练,获得训练好的稳定性预测模型。
在本申请实施例中,通过第二训练数据集中的样本稳定性特征和对应的稳定性分值,使稳定性预测模型可以学习到样本稳定性特征对应的稳定性分值,进而,可以用于基于稳定性特征对稳定性进行分析。
作为一种可能的实现方式,针对所述样本颤振稳定性参数中的数据值大于预设值的数据段,其对应的稳定性分值为第一稳定性分值;所述第一稳定性分值为与该数据段的数据平均值与所述预设值之间的差值对应的分值;针对所述样本颤振稳定性参数中的转折数据点,其对应的稳定性分值为第二稳定性分值;所述第二稳定性分值为与转折数据点的数量对应的分值;针对所述样本颤振稳定性参数中的最大数据值点,其对应的稳定性分值为第三稳定性分值;所述第三稳定性分值为该最大数据值点与所有数据的平均值之间的差值对应的分值;针对所述样本颤振稳定性参数中的最小数据值点,其对应的稳定性分值为第四稳定性分值;所述第四稳定性分值为该最小数据值点与所有数据的平均值之间的差值对应的分值;针对所述样本颤振稳定性参数中的数据值满足预设分布规律的数据段,其对应的稳定性分值为第五稳定性分值;所述第五稳定性分值为与预设分布规律对应的分值。
在本申请实施例中,通过上述的稳定性分值,可以有效反映各项特征对于稳定性结果的影响程度,提高最终的稳定性分析结果的准确性。
作为一种可能的实现方式,所述根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果,包括:将所述稳定性特征输入预先好的稳定性预测模型中,获得所述稳定性预测模型输出的稳定性总分值;根据所述稳定性总分值和预设的对应关系确定所述稳定性分析结果;所述预设的对应关系为不同的稳定性总分值与稳定性等级之间的对应关系。
在本申请实施例中,通过将稳定性特征输入到稳定性预测模型中,稳定性预测模型可以输出各项稳定性特征值对应的稳定性总分值,基于该总分值和预设的对应关系,可以实现稳定性分析结果的有效且准确地确定。
作为一种可能的实现方式,所述预测方法还包括:基于所述预处理后的颤振稳定性参数、所述稳定性特征、所述稳定性分析结果生成第三训练数据集;基于所述第三训练数据集,对初始的参数分析模型进行训练,获得训练好的参数分析模型;所述训练好的参数分析模型用于确定颤振稳定性参数的稳定性等级。
在本申请实施例中,基于预处理后的颤振稳定性参数、稳定性特征和稳定性分析结果还可以生成第三训练数据集,生成的第三训练数据集对参数分析模型进行训练之后,训练好的参数分析模型可以直接用于对颤振稳定性参数进行分析。
第二方面,本申请实施例提供一种风洞试验颤振稳定性参数预测装置,包括:用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的风洞试验颤振稳定性参数预测方法。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如第一方面的以及第一方面的任意可能的实现方式中所述的风洞试验颤振稳定性参数预测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的风洞试验颤振稳定性参数预测方法的流程图;
图2为本申请实施例提供的风洞试验颤振稳定性参数预测装置的结构示意图;
图标:200-风洞试验颤振稳定性参数预测装置;210-获取模块;220-处理模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
本申请实施例提供的技术方案可以应用于需要对风洞试验数据进行处理的应用场景中。因此,其对应的硬件运行环境可以是风洞试验数据的处理平台,其可以是各种电子设备,例如:电脑、手机、平板电脑等;也可以是服务器等,在本申请实施例中不作限定。
本申请实施例所涉及到的风洞试验数据为,颤振试验数据;可以理解,如果为其他试验数据,且其他试验数据与颤振试验数据类似,也可以参照本申请实施例所介绍的技术方案进行处理。
接下来请参照图1,图1为本申请实施例提供的风洞试验颤振稳定性参数预测方法的流程图,该预测方法包括:
步骤110:获取风洞试验的颤振试验数据。
步骤120:基于颤振试验数据获取待处理颤振稳定性参数。
步骤130:对待处理颤振稳定性参数进行预处理,获取预处理后的颤振稳定性参数。所述预处理后的颤振稳定性参数的散布度小于预设散布度。
步骤140:根据预处理后的颤振稳定性参数和预先训练好的特征提取模型确定预处理后的颤振稳定性参数对应的稳定性特征。
步骤150:根据稳定性特征和预先训练好的稳定性预测模型,获得颤振试验数据对应的稳定性分析结果。
在本申请实施例中,与现有技术相比,在获取到风洞试验的颤振试验数据之后,先基于试验数据获取待处理颤振稳定性参数,以获得待处理的数据;然后,对待处理的数据进行预处理,以将散步度大于预设散步度的数据剔除,提高后续数据处理的效率。接着,利用特征提取模型提取数据对应的稳定性特征。最后,利用稳定性特征和稳定性预测模型,获得稳定性分析结果。通过基于模型的数据处理方式,能够有效提高最终获得的稳定性分析结果的精度。
接下来对该方法的详细实施方式进行介绍。
在步骤110中,获取颤振试验数据,作为一种可选的实施方式,颤振试验数据可以是用户实时上传的需要处理的颤振试验数据,此时需要由用户上传;也可以是平台中预先已经存储的需要处理的试验数据,此时可以直接本地获取。
在步骤120中,基于颤振试验数据,获取待处理颤振稳定性参数。作为一种可选的实施方式,该步骤包括:根据颤振试验数据通过预设规则计算获取振动信号数;通过目标滤波器对振动信号数据进行滤波,获取目标随机信号;计算获得目标随机信号的功率谱密度函数;根据功率谱密度函数,计算获得待处理颤振稳定性参数。
在这种实施方式中,可以将颤振试验数据根据试验时间分为多段目标颤振试验数据段,其中,各目标颤振试验数据段与和该目标颤振试验数据段相邻的目标颤振试验数据段之间包括重叠数据段。
基于这种方式,将颤振试验数据根据试验时间分为多段目标颤振试验数据段,而各个相邻的目标颤振试验数据段之间可以包括重叠部分,由于各个相邻的目标颤振试验数据段之间包括重叠部分,在计算后一个目标颤振试验数据段时,其中会包含前一个目标颤振试验数据段的数据,也就是说,每个目标颤振试验数据段之间的数据具备一定的重叠性,采用这种方式,既保证计算结果的准确性,又能够兼顾颤振试验数据的时变特性。
应当理解的是,在本实施例中,可以采用相邻的目标颤振试验数据段之间设置重叠部分来进计算,在本实施例的其他实施方式中,也可以通过增加截取目标颤振试验数据段的时间的方式,使目标颤振试验数据段与更多的目标颤振试验数据段包括重叠部分,可以理解为,一个目标颤振试验数据段与其后的两个目标颤振试验数据段都有重叠部分,因此在计算时各个目标颤振试验数据段之间的关系更为紧密,计算得出的数据更为可靠,并且颤振试验数据的时变特性也能得到较好的体现。
上述实施方式中,其他部分的实施方式,可参照本领域成熟的技术,在此不进行详细介绍。
在步骤130中,对待处理颤振稳定性参数进行预处理。此步骤的目的是为了保证颤振稳定性参数的散步度小于预设散步度。
作为一种可选的实施方式,该步骤包括:根据预设置信区间,将待处理颤振稳定性参数中不在预设置信区间的待处理颤振稳定性参数删除,以获得颤振稳定性参数。
在这种实施方式中,在试验中经过分析后发现,颤振稳定性参数随速压变化的散布数据呈正态分布,因此,可以通过数理统计理论,确定出该正态分布的预设置信区间,可以删除在预设置信区间范围外的待处理颤振稳定性参数(即散布度较大的数据)。
其中,预设置信区间和预设散布度,结合实际的应用场景中的数据情况进行设置,在本申请实施例中不作限定。
在步骤130中,完成数据的预处理之后,在步骤140中,根据预处理后的颤振稳定性参数和预先训练好的特征提取模型确定预处理后的颤振稳定性参数对应的稳定性特征。
该步骤的目的是从颤振稳定性参数中提取出可反映稳定性的特征,其通过预先训练好的特征提取模型实现。
在本申请实施例中,特征提取模型可以采用随机森林模型,也可以采用神经网络模型,在此不作限定。对应的,若采用随机森林模型,则在训练时,采用随机森林模型的训练方法;若采用神经网络模型,则采用神经网络模型的训练方法。
作为一种可选的实施方式,特征提取模型的训练过程包括:获取第一训练数据集;第一训练数据集中包括:样本颤振稳定性参数和样本颤振稳定性参数对应的样本稳定性特征;样本稳定性特征包括:样本颤振稳定性参数中的数据值大于预设值的数据段、样本颤振稳定性参数中的转折数据点、样本颤振稳定性参数中的最大数据值点、样本颤振稳定性参数中的最小数据值点、样本颤振稳定性参数中的数据值满足预设分布规律的数据段;基于第一训练数据集,对初始的特征提取模型进行训练,获得训练好的特征提取模型。
在这种实施方式中,将样本颤振稳定性参数作为数据输入,对应的样本稳定性特征作为数据输出(可以理解为标签),对特征提取模型进行训练,训练好的特征提取模型可用于稳定性特征的提取。
在本申请实施例中,对于特征提取模型,通过第一训练数据集进行训练,使训练好的特征提取模型可以实现有效的特征提取;对于所提取的各项特征,能够有效反映颤振稳定性参数的稳定性,可以提高最终的稳定性分析结果的稳定性。
针对样本颤振稳定性参数中的数据值大于预设值的数据段,该稳定性特征,预设值可以结合不同的数据的稳定数据的特定进行设置。例如:若针对颤振稳定性参数,当其中的数据的数据值大于某个数据值之后,其稳定性符合预设的要求,则该数据值可作为预设值。
针对样本颤振稳定性参数中的转折数据点,作为一种可选的实施方式:转折数据点的前N个数据值的平均数据值与转折数据点的后M个数据值的平均数据值之间的差距在预设差距范围内;或者,转折数据点的前N个数据值的正态分布与转折数据点的后M个数据值的正态分布之间满足预设的正态分布关系;或者,转折数据点的前N个数据值的变化趋势与转折数据点的后M个数据值的变化趋势相反;其中,N和M为大于1的整数,且N与M之间的差值小于预设差值。
在这种实施方式中,转折数据点可以有不同的定义。如果转折数据点的前N个数据值的平均数据值与转折数据点的后M个数据值的平均数据值之间的差距在预设差距范围内,说明该转折数据点之前的数据和之后的数据的大小差不多,则该转折数据点可能是两段差不多的数据之间的峰值数据。其中,预设差距范围可以结合实际的应用场景进行设置,在此不作限定,例如可以在0-1该范围内。
如果转折数据点的前N个数据值的正态分布与转折数据点的后M个数据值的正态分布之间满足预设的正态分布关系,说明转折数据点之前的数据和转折数据点之后的数据的正态分布类似,或者相反。因此,预设的正态分布关系可以是相似的正态分布,或者是完全相反的正态分布,在本申请实施例中不作限定。
如果转折数据点的前N个数据值的变化趋势与转折数据点的后M个数据值的变化趋势相反,则转折数据点也相当于两段数据之间的峰值点。
在一些实施方式中,转折数据点可以包括前述的各种转折数据点,也可以为其中的任意一种转折数据点,在此不作限定。
此外,上述的M和N的取值,可以结合实际的应用场景灵活设置,M和N可以相同,也可以相差1或者2等。
在本申请实施例中,通过不同的转折数据点类型,可以使转折数据点反映颤振试验数据的稳定性,提高最终的稳定性分析结果的精度。
针对样本颤振稳定性参数中的最大数据值点该稳定性特征,直接对各个数据值点进行比较,便可确定。
针对样本颤振稳定性参数中的最小数据值点,直接对各个数据值点进行比较,便可确定。
针对样本颤振稳定性参数中的数据值满足预设分布规律的数据段该稳定性特征,作为一种可选的实施方式,预设分布规律包括:数据值连续且稳定的增长、数据值连续且跳跃的增长、数据值稳定不变、数据值连续且稳定的下降、数据值连续且跳跃的下降。
可以理解,预设分布规律可以包括上述各种分布规律中的一个,也可以包括两个以上,在此不作限定。
其中,数据值连续且稳定的增长,可以理解为数据值一直在增长,且增长速度基本不变。数据值连续且跳跃的增长,可以理解为数据一直在增长,增长速度也对应变化,例如:前一时刻的增长速度较大,下一时刻的增长速度突然减小。
数据值稳定不变,可以理解为数据值一直为相同的值。
数据值连续且稳定的下降,可以理解为数据值一直在下降,且下降速度基本不变。数据值连续且跳跃的下降,可以理解为数据一直在下降,下降速度也对应变化,例如:前一时刻的下降速度较大,下一时刻的下降速度突然减小。
在本申请实施例中,通过不同的分布规律的数据段,可以反映颤振试验数据的稳定性,提高最终的稳定性分析结果的精度。
基于上述特征提取模型的训练过程的介绍可以看出,在步骤140中,将预处理后的颤振稳定性参数输入到训练好的特征提取模型中,特征提取模型便可以输出对应的稳定性特征。
基于步骤140中所获得的稳定性特征,在步骤150中,根据稳定性特征和预先训练好的稳定性预测模型,获得颤振试验数据对应的稳定性分析结果。
其中,稳定性预测模型可以是随机森林模型,也可以是神经网络模型,在本申请实施例中不作限定。对应的,如果是随机森林模型,采用随机森林模型对应的训练方法即可,如果是神经网络模型,采用神经网络模型对应的训练方法即可。
作为一种可选的实施方式,稳定性预测模型的训练过程包括:获取第二训练数据集;第二训练数据集中包括:样本稳定性特征和样本稳定性特征对应的稳定性分值;基于第二训练数据集,对初始的稳定性预测模型进行训练,获得训练好的稳定性预测模型。
在这种实施方式中,第二训练数据集可以基于第一训练数据集获取,即在第一训练数据集中的稳定性特征的基础上,为其设置稳定性分值。稳定性特征作为数据输入,稳定性特征对应的稳定性分值作为数据输出(相当于标签),基于该训练数据集,对稳定性预测模型进行训练之后,其可以输出各项稳定性特征的稳定性分值总和。
在本申请实施例中,通过第二训练数据集中的样本稳定性特征和对应的稳定性分值,使稳定性预测模型可以学习到样本稳定性特征对应的稳定性分值,进而,可以用于基于稳定性特征对稳定性进行分析。
作为一种可选的实施方式,稳定性特征对应的稳定性分值可以由有经验的用户确定。作为另一种可选的实施方式,稳定性特征对应的稳定性分值也可以通过预设规则确定。
不管采用哪种实施方式,接下来对稳定性特征对应的稳定性分值的实施方式进行介绍。
结合前述实施例中的介绍,针对样本颤振稳定性参数中的数据值大于预设值的数据段,其对应的稳定性分值为第一稳定性分值;第一稳定性分值为与该数据段的数据平均值与预设值之间的差值对应的分值。其中,预设不同的差值对应的分值,在计算得到差值之后,基于预设的对应关系便可确定对应的分值。预设值也可以结合实际的应用场景进行合理的设置,在此不对具体的值作限定。
针对样本颤振稳定性参数中的转折数据点,其对应的稳定性分值为第二稳定性分值;第二稳定性分值为与转折数据点的数量对应的分值。
结合前述实施例的介绍,通过转折数据点的类型,在颤振稳定性参数中查找符合要求的转折数据点,确定转折数据点的数量。然后,再根据预设的不同的转折数据点数量对应的分值确定当前的数量对应的分值。
针对样本颤振稳定性参数中的最大数据值点,其对应的稳定性分值为第三稳定性分值;第三稳定性分值为该最大数据值点与所有数据的平均值之间的差值对应的分值。
针对样本颤振稳定性参数中的最小数据值点,其对应的稳定性分值为第四稳定性分值;第四稳定性分值为该最小数据值点与所有数据的平均值之间的差值对应的分值。
针对样本颤振稳定性参数中的数据值满足预设分布规律的数据段,其对应的稳定性分值为第五稳定性分值;第五稳定性分值为与预设分布规律对应的分值。
其中,不同的分布规律,对应有不同的稳定性分值;例如:稳定不变的分布规律对应的稳定性分值较高,连续且稳定的增长或者下降的分布规律对应的稳定性分值一般,连续且跳跃的增长或者下降的分布规律对应的稳定性分值较低。
在本申请实施例中,通过上述的稳定性分值,可以有效反映各项特征对于稳定性结果的影响程度,提高最终的稳定性分析结果的准确性。
在实际应用时,也可以结合不同的应用场景设置对应的稳定性分值,在本申请实施例中不作限定。
结合前述稳定性预测模型的训练过程的介绍,作为一种可选的实施方式,步骤150包括:将稳定性特征输入预先好的稳定性预测模型中,获得稳定性预测模型输出的稳定性总分值;根据稳定性总分值和预设的对应关系确定稳定性分析结果;预设的对应关系为不同的稳定性总分值与稳定性等级之间的对应关系。
在这种实施方式中,预设不同的稳定性总分值与稳定性等级之间的对应关系,基于对应关系和模型输出的稳定性总分值,便可确定对应的稳定性等级。
例如:稳定性总分值大于第一预设值,则稳定性等级为很稳定;大于第二预设值小于第一预设值,则稳定性等级为一般稳定等,在本申请实施例中不作限定。
在本申请实施例中,通过将稳定性特征输入到稳定性预测模型中,稳定性预测模型可以输出各项稳定性特征值对应的稳定性总分值,基于该总分值和预设的对应关系,可以实现稳定性分析结果的有效且准确地确定。
在获得稳定性分析结果之后,可以将颤振稳定性参数和稳定性分析结果,和中间数据(稳定性特征)都反馈给用户,以使用户及时了解到数据处理的结果,以及基于中间数据对数据处理结果进行更好的理解等。
在获得稳定性分析结果之后,还可以对稳定性分析结果作进一步的应用。作为一种可选的实施方式,该预测方法还包括:基于预处理后的颤振稳定性参数、稳定性特征、稳定性分析结果生成第三训练数据集;基于第三训练数据集,对初始的参数分析模型进行训练,获得训练好的参数分析模型;训练好的参数分析模型用于确定颤振稳定性参数的稳定性等级。
在这种实施方式中,颤振稳定性参数相当于数据输入,稳定性特征和稳定性分析结果相当于数据输出(即标签),利用第三训练数据集,可以对参数分析模型进行训练,训练好的参数分析模型可以直接基于颤振稳定性参数获得对应的稳定性等级分析结果。
其中,参数分析模型可以是随机森林模型,也可以是神经网络模型。如果是随机森林模型,则采用随机森林模型对应的训练方法。如果是神经网络模型,则采用神经网络模型对应的训练方法。
在本申请实施例中,基于预处理后的颤振稳定性参数、稳定性特征和稳定性分析结果还可以生成第三训练数据集,生成的第三训练数据集对参数分析模型进行训练之后,训练好的参数分析模型可以直接用于对颤振稳定性参数进行分析。
作为一种可选的实施方式,训练好的参数分析模型可以再次对步骤130中获得的颤振稳定性参数进行分析,然后将获得的分析结果与前述步骤150中得到的分析结果进行比对。基于比对结果,可以分别对特征提取模型、稳定性预测模型和参数分析模型进行再次训练,以提高各个模型的精度。
基于同一发明构思,请参照图2,本申请实施例中还提供一种风洞试验颤振稳定性参数预测装置200,包括:获取模块210和处理模块220。
获取模块210用于:获取风洞试验的颤振试验数据。处理模块220用于:基于所述颤振试验数据获取待处理颤振稳定性参数;对所述待处理颤振稳定性参数进行预处理,获取预处理后的颤振稳定性参数;所述预处理后的颤振稳定性参数的散布度小于预设散布度;根据所述预处理后的颤振稳定性参数和预先训练好的特征提取模型确定所述预处理后的颤振稳定性参数对应的稳定性特征;根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果。
在本申请实施例中,获取模块210还用于:获取第一训练数据集;所述第一训练数据集中包括:样本颤振稳定性参数和所述样本颤振稳定性参数对应的样本稳定性特征;所述样本稳定性特征包括:所述样本颤振稳定性参数中的数据值大于预设值的数据段、所述样本颤振稳定性参数中的转折数据点、所述样本颤振稳定性参数中的最大数据值点、所述样本颤振稳定性参数中的最小数据值点、所述样本颤振稳定性参数中的数据值满足预设分布规律的数据段;处理模块220还用于:基于所述第一训练数据集,对初始的特征提取模型进行训练,获得训练好的特征提取模型。
在本申请实施例中,获取模块210还用于:获取第二训练数据集;所述第二训练数据集中包括:所述样本稳定性特征和所述样本稳定性特征对应的稳定性分值;处理模块220还用于:基于所述第二训练数据集,对初始的稳定性预测模型进行训练,获得训练好的稳定性预测模型。
在本申请实施例中,处理模块220具体用于:将所述稳定性特征输入预先好的稳定性预测模型中,获得所述稳定性预测模型输出的稳定性总分值;根据所述稳定性总分值和预设的对应关系确定所述稳定性分析结果;所述预设的对应关系为不同的稳定性总分值与稳定性等级之间的对应关系。
在本申请实施例中,处理模块220还用于:基于所述预处理后的颤振稳定性参数、所述稳定性特征、所述稳定性分析结果生成第三训练数据集;基于所述第三训练数据集,对初始的参数分析模型进行训练,获得训练好的参数分析模型;所述训练好的参数分析模型用于确定颤振稳定性参数的稳定性等级。
风洞试验颤振稳定性参数预测装置200与前述实施例中的风洞试验颤振稳定性参数预测方法对应,各个功能模块与方法的各个步骤也对应,因此,各个功能模块的实施方式参照前述实施例中各个步骤的实施方式,在此不再重复介绍。
基于同一发明构思,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如前述实施例中所述的风洞试验颤振稳定性参数预测方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种风洞试验颤振稳定性参数预测方法,其特征在于,包括:
获取风洞试验的颤振试验数据;
基于所述颤振试验数据获取待处理颤振稳定性参数;
对所述待处理颤振稳定性参数进行预处理,获取预处理后的颤振稳定性参数;所述预处理后的颤振稳定性参数的散布度小于预设散布度;
根据所述预处理后的颤振稳定性参数和预先训练好的特征提取模型确定所述预处理后的颤振稳定性参数对应的稳定性特征;
根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果。
2.根据权利要求1所述的预测方法,其特征在于,所述预测方法还包括:
获取第一训练数据集;所述第一训练数据集中包括:样本颤振稳定性参数和所述样本颤振稳定性参数对应的样本稳定性特征;所述样本稳定性特征包括:所述样本颤振稳定性参数中的数据值大于预设值的数据段、所述样本颤振稳定性参数中的转折数据点、所述样本颤振稳定性参数中的最大数据值点、所述样本颤振稳定性参数中的最小数据值点、所述样本颤振稳定性参数中的数据值满足预设分布规律的数据段;
基于所述第一训练数据集,对初始的特征提取模型进行训练,获得训练好的特征提取模型。
3.根据权利要求2所述的预测方法,其特征在于,
所述转折数据点的前N个数据值的平均数据值与所述转折数据点的后M个数据值的平均数据值之间的差距在预设差距范围内;
或者,所述转折数据点的前N个数据值的正态分布与所述转折数据点的后M个数据值的正态分布之间满足预设的正态分布关系;
或者,所述转折数据点的前N个数据值的变化趋势与所述转折数据点的后M个数据值的变化趋势相反;
其中,所述N和所述M为大于1的整数,且所述N与所述M之间的差值小于预设差值。
4.根据权利要求2所述的预测方法,其特征在于,所述预设分布规律包括:
数据值连续且稳定的增长、数据值连续且跳跃的增长、数据值稳定不变、数据值连续且稳定的下降、数据值连续且跳跃的下降。
5.根据权利要求2所述的预测方法,其特征在于,所述预测方法还包括:
获取第二训练数据集;所述第二训练数据集中包括:所述样本稳定性特征和所述样本稳定性特征对应的稳定性分值;
基于所述第二训练数据集,对初始的稳定性预测模型进行训练,获得训练好的稳定性预测模型。
6.根据权利要求5所述的预测方法,其特征在于,
针对所述样本颤振稳定性参数中的数据值大于预设值的数据段,其对应的稳定性分值为第一稳定性分值;所述第一稳定性分值为与该数据段的数据平均值与所述预设值之间的差值对应的分值;
针对所述样本颤振稳定性参数中的转折数据点,其对应的稳定性分值为第二稳定性分值;所述第二稳定性分值为与转折数据点的数量对应的分值;
针对所述样本颤振稳定性参数中的最大数据值点,其对应的稳定性分值为第三稳定性分值;所述第三稳定性分值为该最大数据值点与所有数据的平均值之间的差值对应的分值;
针对所述样本颤振稳定性参数中的最小数据值点,其对应的稳定性分值为第四稳定性分值;所述第四稳定性分值为该最小数据值点与所有数据的平均值之间的差值对应的分值;
针对所述样本颤振稳定性参数中的数据值满足预设分布规律的数据段,其对应的稳定性分值为第五稳定性分值;所述第五稳定性分值为与预设分布规律对应的分值。
7.根据权利要求1所述的预测方法,其特征在于,根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果,包括:
将所述稳定性特征输入预先好的稳定性预测模型中,获得所述稳定性预测模型输出的稳定性总分值;
根据所述稳定性总分值和预设的对应关系确定所述稳定性分析结果;所述预设的对应关系为不同的稳定性总分值与稳定性等级之间的对应关系。
8.根据权利要求7所述的预测方法,其特征在于,所述预测方法还包括:
基于所述预处理后的颤振稳定性参数、所述稳定性特征、所述稳定性分析结果生成第三训练数据集;
基于所述第三训练数据集,对初始的参数分析模型进行训练,获得训练好的参数分析模型;所述训练好的参数分析模型用于确定颤振稳定性参数的稳定性等级。
9.一种风洞试验颤振稳定性参数预测装置,其特征在于,包括:
获取模块,用于获取风洞试验的颤振试验数据;
处理模块,用于:基于所述颤振试验数据获取待处理颤振稳定性参数;
对所述待处理颤振稳定性参数进行预处理,获取预处理后的颤振稳定性参数;所述预处理后的颤振稳定性参数的散布度小于预设散布度;
根据所述预处理后的颤振稳定性参数和预先训练好的特征提取模型确定所述预处理后的颤振稳定性参数对应的稳定性特征;
根据所述稳定性特征和预先训练好的稳定性预测模型,获得所述颤振试验数据对应的稳定性分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210357971.6A CN114444332B (zh) | 2022-04-07 | 2022-04-07 | 一种风洞试验颤振稳定性参数预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210357971.6A CN114444332B (zh) | 2022-04-07 | 2022-04-07 | 一种风洞试验颤振稳定性参数预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444332A CN114444332A (zh) | 2022-05-06 |
CN114444332B true CN114444332B (zh) | 2022-06-10 |
Family
ID=81359943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210357971.6A Active CN114444332B (zh) | 2022-04-07 | 2022-04-07 | 一种风洞试验颤振稳定性参数预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444332B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063290A (zh) * | 2018-07-20 | 2018-12-21 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于神经网络技术的颤振预测方法 |
CN109885854A (zh) * | 2018-11-23 | 2019-06-14 | 南京航空航天大学 | 基于arma模型的颤振边界实时预测系统及预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4184028B2 (ja) * | 2001-10-12 | 2008-11-19 | シャープ株式会社 | 流体・構造連成数値モデルの作成方法 |
-
2022
- 2022-04-07 CN CN202210357971.6A patent/CN114444332B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063290A (zh) * | 2018-07-20 | 2018-12-21 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于神经网络技术的颤振预测方法 |
CN109885854A (zh) * | 2018-11-23 | 2019-06-14 | 南京航空航天大学 | 基于arma模型的颤振边界实时预测系统及预测方法 |
Non-Patent Citations (4)
Title |
---|
Machine learning strategy for predicting flutter performance of streamlined box girders;HailiLiao 等;《Journal of Wind Engineering and Industrial Aerodynamics》;20210228;第209卷;1-15 * |
大展弦比机翼跨声速静气动弹性风洞试验;郭洪涛 等;《空气动力学学报》;20171215;第35卷(第6期);841-845 * |
采用机器学习方法评估流线型箱梁颤振临界风速;梅瀚雨 等;《振动与冲击》;20210728;第40卷(第4期);195-202 * |
风洞模型振动主动抑制关键技术研究;周孟德;《中国博士学位论文全文数据库 (基础科学辑)》;20220315(第3期);A004-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN114444332A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943186B2 (en) | Machine learning model training method and device, and electronic device | |
CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
KR20180041174A (ko) | 위험 평가 방법 및 시스템 | |
CN109388674B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN110909165A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN110069545B (zh) | 一种行为数据评估方法及装置 | |
CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN110909984A (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN116739759A (zh) | 基于订单风险识别的资产资金匹配方法、装置及设备 | |
CN114078008A (zh) | 异常行为检测方法、装置、设备及计算机可读存储介质 | |
CN111367633A (zh) | 问答系统中的模型服务治理方法、装置和计算机设备 | |
CN111385601B (zh) | 一种视频审核的方法、系统及设备 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN113011886B (zh) | 帐号类型的确定方法和装置及电子设备 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN114444332B (zh) | 一种风洞试验颤振稳定性参数预测方法及装置 | |
CN116561542B (zh) | 模型的优化训练系统、方法以及相关装置 | |
CN108543313B (zh) | 数据处理方法及装置,介质和计算设备 | |
CN114697127B (zh) | 一种基于云计算的业务会话风险处理方法及服务器 | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN112416709B (zh) | 芯片动态功耗估计方法、装置、处理器芯片及服务器 |
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 |