CN114943187A - 一种基于神经网络的阀门特性曲面构造方法 - Google Patents

一种基于神经网络的阀门特性曲面构造方法 Download PDF

Info

Publication number
CN114943187A
CN114943187A CN202210856644.5A CN202210856644A CN114943187A CN 114943187 A CN114943187 A CN 114943187A CN 202210856644 A CN202210856644 A CN 202210856644A CN 114943187 A CN114943187 A CN 114943187A
Authority
CN
China
Prior art keywords
mach number
regulating valve
pressure regulating
neural network
debugging
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.)
Granted
Application number
CN202210856644.5A
Other languages
English (en)
Other versions
CN114943187B (zh
Inventor
田嘉懿
刘为杰
凌忠伟
吴琦
黄昊宇
熊能
高川
余强
夏语
王亮
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.)
High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
Original Assignee
High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
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 High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center filed Critical High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center
Priority to CN202210856644.5A priority Critical patent/CN114943187B/zh
Publication of CN114943187A publication Critical patent/CN114943187A/zh
Application granted granted Critical
Publication of CN114943187B publication Critical patent/CN114943187B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于神经网络的阀门特性曲面构造方法，涉及风洞运行与流场控制领域，包括：在风洞马赫数试验能力包线范围内选定调试马赫数
Figure 338131DEST_PATH_IMAGE001
开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比
Figure 100004_DEST_PATH_IMAGE002
和相应调压阀开度试验结果数据；对试验结果数据进行预处理，以构建得到马赫数网格方阵
Figure 458534DEST_PATH_IMAGE003
、调压阀压比网格方阵
Figure 100004_DEST_PATH_IMAGE004
、调压阀开度网格方阵
Figure 690801DEST_PATH_IMAGE005
；将
Figure 554852DEST_PATH_IMAGE003
、
Figure 838066DEST_PATH_IMAGE004
和
Figure 394949DEST_PATH_IMAGE005
数据随机划分为训练样本集和测试样本集并采用神经网络进行训练，以训练得到阀门特性函数神经网络，完成阀门特性曲面的构造。本发明提供一种基于神经网络的阀门特性曲面构造方法，能有效减少风洞调试试验车次，显著缩短调试试验周期，大幅节省调试试验气源消耗。

Description

一种基于神经网络的阀门特性曲面构造方法
技术领域
本发明涉及风洞运行与流场控制领域。更具体地说，本发明涉及一种基于神经网络的阀门特性曲面构造方法。
背景技术
阀门特性曲线是根据风洞试验工况确定风洞运行参数的重要计算依据，对于提升风洞试验区流场性能指标、确保风洞试验正常高效运行有重要意义。传统阀门特性曲线的获取主要是针对典型马赫数，通过逐个马赫数开展风洞调试试验以获取相应马赫数的阀门特性曲线，最终得到一阀门特性曲线簇。这一传统获取方式在实际风洞运行中发现存在如下问题：一是对于压、跨、超多速域大型风洞，获取各个不同速域马赫数的阀门特性曲线需要开展多车次风洞调试试验，因而调试试验周期较长且风洞气源消耗较大；二是仅能获取特定典型马赫数阀门特性曲线，对于非典型马赫数的阀门特性仅能依靠插值拟合等方法近似，阀门特性准确度还有待提高。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现本发明的这些目的和其它优点，提供了一种基于神经网络的阀门特性曲面构造方法，包括：
步骤一，在风洞马赫数试验能力包线范围内选定调试马赫数
Figure 110806DEST_PATH_IMAGE001
开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比
Figure 100002_DEST_PATH_IMAGE002
和相应调压阀开度
Figure 824684DEST_PATH_IMAGE003
试验结果数据；
步骤二，对步骤一中的试验结果数据进行预处理，以构建得到马赫数网格方阵
Figure 100002_DEST_PATH_IMAGE004
、调压阀压比网格方阵
Figure 151891DEST_PATH_IMAGE005
；
步骤三，以步骤一中获取的调压阀开度
Figure 100002_DEST_PATH_IMAGE006
试验结果数据为样本点，采用插值法确定调压阀开度网格方阵
Figure 609417DEST_PATH_IMAGE007
；
步骤四，采用神经网络对马赫数网格方阵
Figure 689369DEST_PATH_IMAGE004
，调压阀压比网格方阵
Figure 100002_DEST_PATH_IMAGE008
和相应调压阀开度网格方阵
Figure 557836DEST_PATH_IMAGE009
间的非线性函数关系进行学习，以训练得到阀门特性函数神经网络，完成阀门特性曲面的构造。
优选的是，在步骤一中，所述风洞调试试验是通过在风洞马赫数试验能力包线范围内选定
Figure 100002_DEST_PATH_IMAGE010
个典型马赫数
Figure 887187DEST_PATH_IMAGE011
开展；
其中，选定的
Figure 351666DEST_PATH_IMAGE010
个典型马赫数
Figure 302436DEST_PATH_IMAGE011
应包含风洞马赫数试验能力包线的上、下边界及特殊工况所对应的马赫数。
优选的是，所述马赫数网格方阵
Figure 826958DEST_PATH_IMAGE004
的获取方式被配置为包括：
对于任意两相邻调试马赫数
Figure 100002_DEST_PATH_IMAGE012
、
Figure 378025DEST_PATH_IMAGE013
，以
Figure 100002_DEST_PATH_IMAGE014
为等间距生成
Figure 429551DEST_PATH_IMAGE015
个加密马赫数
Figure 484095DEST_PATH_IMAGE017
、
Figure 445097DEST_PATH_IMAGE019
、……、
Figure 100002_DEST_PATH_IMAGE020
，其中生成的第
Figure 234193DEST_PATH_IMAGE021
个马赫数为
Figure 100002_DEST_PATH_IMAGE022
,
Figure 571633DEST_PATH_IMAGE023
，个数
Figure 100002_DEST_PATH_IMAGE024
可由公式
Figure 526689DEST_PATH_IMAGE025
得到；
以加密马赫数
Figure 100002_DEST_PATH_IMAGE026
构建马赫数网格方阵
Figure 658593DEST_PATH_IMAGE027
；
其中，马赫数网格方阵
Figure 100002_DEST_PATH_IMAGE028
共有
Figure 449831DEST_PATH_IMAGE029
列，
Figure 810537DEST_PATH_IMAGE029
为依据所有调试马赫数
Figure 839673DEST_PATH_IMAGE001
生成的加密马赫数
Figure 876899DEST_PATH_IMAGE026
总个数，可由公式
Figure 100002_DEST_PATH_IMAGE030
确定，其中
Figure 100002_DEST_PATH_IMAGE031
为调试马赫数的最大值，
Figure 401771DEST_PATH_IMAGE032
为调试马赫数的最小值；
马赫数网格方阵
Figure 100002_DEST_PATH_IMAGE033
每一列均为依序排列的加密马赫数
Figure 346593DEST_PATH_IMAGE026
。
优选的是，在步骤二中，所述调压阀压比网格方阵的获取方式被配置为包括：
S20，以相邻调试马赫数
Figure 230236DEST_PATH_IMAGE012
、
Figure 189096DEST_PATH_IMAGE034
所对应调压阀前后压比上边界
Figure 100002_DEST_PATH_IMAGE035
、
Figure 689347DEST_PATH_IMAGE036
，根据调试马赫数
Figure 641123DEST_PATH_IMAGE012
、
Figure 100002_DEST_PATH_IMAGE037
生成的加密马赫数个数
Figure 425277DEST_PATH_IMAGE015
，将上述上边界
Figure 335464DEST_PATH_IMAGE035
、
Figure 791853DEST_PATH_IMAGE036
等间距加密生成
Figure 563631DEST_PATH_IMAGE038
个加密调压阀前后的压比上边界，其中生成的第
Figure 100002_DEST_PATH_IMAGE039
个加密调压阀前后压比上边界
Figure DEST_PATH_IMAGE040
，
Figure 953024DEST_PATH_IMAGE041
，等间距
Figure DEST_PATH_IMAGE042
；
S21，以相邻调试马赫数
Figure 551889DEST_PATH_IMAGE012
、
Figure 495574DEST_PATH_IMAGE037
所对应调压阀前后压比下边界
Figure 54732DEST_PATH_IMAGE043
、
Figure DEST_PATH_IMAGE044
，根据调试马赫数
Figure 783784DEST_PATH_IMAGE012
、
Figure 504616DEST_PATH_IMAGE037
生成的加密马赫数个数
Figure 935597DEST_PATH_IMAGE015
，将上述下边界
Figure 282134DEST_PATH_IMAGE043
、
Figure 114960DEST_PATH_IMAGE044
等距加密生成
Figure 741114DEST_PATH_IMAGE038
个加密调压阀前后的压比下边界，其中生成的第
Figure 659391DEST_PATH_IMAGE039
个加密调压阀前后压比下边界
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
，等间距
Figure DEST_PATH_IMAGE049
；
S22，以每一加密马赫数的调压阀前后压比上边界
Figure DEST_PATH_IMAGE051
、下边界
Figure DEST_PATH_IMAGE053
为界，根据生成的加密马赫数
Figure 744372DEST_PATH_IMAGE054
的总个数
Figure DEST_PATH_IMAGE055
，生成
Figure 697285DEST_PATH_IMAGE055
个等间距压比点
Figure DEST_PATH_IMAGE056
，其中等间距
Figure DEST_PATH_IMAGE058
，且对于第
Figure 838547DEST_PATH_IMAGE059
个加密马赫数
Figure 100002_DEST_PATH_IMAGE060
,
Figure 100002_DEST_PATH_IMAGE061
，
Figure DEST_PATH_IMAGE062
S23，以压比点数据
Figure 100002_DEST_PATH_IMAGE063
构建调压阀压比网格方阵
Figure 86864DEST_PATH_IMAGE064
，其中调压阀压比网格方阵
Figure 525935DEST_PATH_IMAGE064
每一行均为对应马赫数网格方阵
Figure 100002_DEST_PATH_IMAGE065
相应行的马赫数所对应等间距压比点数据。
优选的是，在步骤三中，所述调压阀开度网格方阵
Figure 349666DEST_PATH_IMAGE066
的获取方式被配置为：
以调试试验获取的调压阀开度
Figure 100002_DEST_PATH_IMAGE067
试验结果数据为样本点，在马赫数网格方阵
Figure 114359DEST_PATH_IMAGE068
和调压阀压比网格方阵
Figure 100002_DEST_PATH_IMAGE069
所确定网格点上，以双调和样条插值方法确定相应网格点的调压阀开度插值结果
Figure 525006DEST_PATH_IMAGE070
，进而得到调压阀开度网格方阵
Figure 767768DEST_PATH_IMAGE066
。
优选的是，在步骤四中，所述训练被配置为包括：
S30，将马赫数网格方阵
Figure 100002_DEST_PATH_IMAGE071
，调压阀压比网格方阵
Figure 429694DEST_PATH_IMAGE072
和相应调压阀开度网格方阵
Figure 850442DEST_PATH_IMAGE066
数据随机划分为训练样本集和测试样本集；
S31，构建阀门特性函数神经网络；
S32，采用训练样本集和测试样本集对阀门特性函数神经网络进行迭代训练；
S33，构建验证数据集，对经迭代训练的神经网络进行测试；
所述训练样本集应包含特殊工况所对应的马赫数和调压阀前后压比的上、下边界点数据。
优选的是，在S31中，所述阀门特性函数神经网络被配置为包括输入层、多层隐层以及输出层；其中，各隐层内含有若干神经元，各层神经元采用全连接方式连接。
优选的是，在S32中，所述训练是以加密马赫数
Figure 100002_DEST_PATH_IMAGE073
和相应加密的调压阀压比点数据
Figure 100002_DEST_PATH_IMAGE074
为网络输入，以双调和样条插值确定的调压阀相应开度
Figure DEST_PATH_IMAGE075
为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行迭代训练。
优选的是，在S33中，所述验证数据集是以在
Figure DEST_PATH_IMAGE076
个马赫数开展风洞调试试验获取的调压阀前后压比
Figure DEST_PATH_IMAGE077
和相应调压阀开度
Figure DEST_PATH_IMAGE078
试验结果数据构造，并对经迭代训练的神经网络进行测试；
其中，在测试中，若神经网络的输出结果与对应的调压阀开度
Figure 870088DEST_PATH_IMAGE078
误差大于给定的期望偏差，则调整神经网络参数及结构进行重新训练，直至误差小于给定的期望偏差，则认为训练完成，得到训练完成的阀门特性函数神经网络，完成阀门特性曲面的构造。
本发明至少包括以下有益效果：本发明基于神经网络构建阀门特性曲面，相对于现有技术来说，能够将有限车次获取的不同马赫数的阀门特性曲线拓展为关于马赫数连续变化的阀门特性曲面，可大大减少获取传统阀门特性曲线簇的风洞调试试验车次，缩短调试试验周期，降低试验能源消耗；同时利用神经网络可任意精度逼近任何非线性函数特性，大幅提高非典型马赫数阀门特性的估计精度，应用于风洞流场控制系统，提高风洞流场品质。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的阀门特性函数神经网络架构图；
图2为本发明的测试集开度预测结果对比图；
图3为本发明的神经网络拟合阀门特性函数曲面图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明公开了一种基于神经网络的阀门特性曲面构造方法，能够采用神经网络方法将有限车次获取的不同马赫数的阀门特性曲线拓展为关于马赫数连续变化的阀门特性曲面，一方面将能大大减少获取传统阀门特性曲线簇的风洞调试试验车次，缩短调试试验周期，降低试验能源消耗；另一方面也能利用神经网络可以任意精度逼近任何非线性函数特性，大幅提高非典型马赫数阀门特性的估计精度。
本发明的一种基于神经网络的阀门特性曲面构造方法包括：
步骤S100：获取一大型射流风洞阀门特性曲线调试试验结果。
在大型射流风洞马赫数试验能力包线范围内选定有限个（记为
Figure 650962DEST_PATH_IMAGE076
个）典型马赫数
Figure 918127DEST_PATH_IMAGE001
开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比
Figure 493465DEST_PATH_IMAGE077
（即风洞稳定段总压与气源压力之比）和相应调压阀开度
Figure 95347DEST_PATH_IMAGE078
试验结果数据，选定的调试马赫数应包含风洞马赫数试验能力包线上下边界及特殊工况对应马赫数；
步骤S200：调试试验结果预处理。
对于任意两相邻调试马赫数
Figure 679912DEST_PATH_IMAGE012
、
Figure 320626DEST_PATH_IMAGE013
，以
Figure 66865DEST_PATH_IMAGE014
为等间距生成
Figure 890465DEST_PATH_IMAGE015
个加密马赫数
Figure 278721DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE079
、……、
Figure 520477DEST_PATH_IMAGE020
，其中生成的第
Figure 703197DEST_PATH_IMAGE039
个马赫数为
Figure 279672DEST_PATH_IMAGE022
,
Figure 940460DEST_PATH_IMAGE023
，个数
Figure 20412DEST_PATH_IMAGE024
可由公式
Figure 888880DEST_PATH_IMAGE025
得到；
以加密马赫数构建马赫数网格方阵
Figure 421492DEST_PATH_IMAGE027
；
其中，马赫数网格方阵
Figure 151551DEST_PATH_IMAGE028
共有
Figure 86009DEST_PATH_IMAGE029
列，
Figure 626843DEST_PATH_IMAGE029
为依据所有调试马赫数
Figure 912330DEST_PATH_IMAGE001
生成的加密马赫数
Figure 914922DEST_PATH_IMAGE026
总个数，可由公式
Figure 969465DEST_PATH_IMAGE030
确定，其中
Figure 664889DEST_PATH_IMAGE031
为调试马赫数的最大值，
Figure 424291DEST_PATH_IMAGE032
为调试马赫数的最小值；
马赫数网格方阵
Figure 496152DEST_PATH_IMAGE033
每一列均为依序排列的加密马赫数
Figure 670781DEST_PATH_IMAGE026
；
以相邻调试马赫数
Figure 537106DEST_PATH_IMAGE012
、
Figure 531607DEST_PATH_IMAGE034
所对应调压阀前后压比上边界
Figure 892312DEST_PATH_IMAGE035
、
Figure 655869DEST_PATH_IMAGE036
，根据调试马赫数
Figure 693095DEST_PATH_IMAGE012
、
Figure 440471DEST_PATH_IMAGE037
生成的加密马赫数个数
Figure 103403DEST_PATH_IMAGE015
，将上述上边界
Figure 987045DEST_PATH_IMAGE035
、
Figure 195172DEST_PATH_IMAGE036
等间距加密生成
Figure 164265DEST_PATH_IMAGE015
个加密调压阀前后的压比上边界，其中生成的第
Figure 116041DEST_PATH_IMAGE039
个加密调压阀前后压比上边界
Figure 604922DEST_PATH_IMAGE040
，
Figure 983951DEST_PATH_IMAGE041
，等间距
Figure 440340DEST_PATH_IMAGE042
；
以相邻调试马赫数
Figure 930227DEST_PATH_IMAGE012
、
Figure 788462DEST_PATH_IMAGE037
所对应调压阀前后压比下边界
Figure 850309DEST_PATH_IMAGE043
、
Figure 793994DEST_PATH_IMAGE044
，根据调试马赫数
Figure 87572DEST_PATH_IMAGE012
、
Figure 800313DEST_PATH_IMAGE037
生成的加密马赫数个数
Figure 271877DEST_PATH_IMAGE015
，将上述下边界
Figure 702859DEST_PATH_IMAGE043
、
Figure 800128DEST_PATH_IMAGE044
等距加密生成
Figure 367375DEST_PATH_IMAGE038
个加密调压阀前后的压比下边界，其中生成的第
Figure 259108DEST_PATH_IMAGE039
个加密调压阀前后压比下边界
Figure 426653DEST_PATH_IMAGE046
，
Figure 62033DEST_PATH_IMAGE047
，等间距
Figure DEST_PATH_IMAGE080
；
以每一加密马赫数的调压阀前后压比上边界
Figure 14946DEST_PATH_IMAGE051
、下边界
Figure 93892DEST_PATH_IMAGE053
为界，根据生成的加密马赫数
Figure 233886DEST_PATH_IMAGE054
的总个数
Figure 938537DEST_PATH_IMAGE055
，生成
Figure 214797DEST_PATH_IMAGE055
个等间距压比点
Figure 713912DEST_PATH_IMAGE056
，其中等间距
Figure 593399DEST_PATH_IMAGE058
，且对于第
Figure 570583DEST_PATH_IMAGE059
个加密马赫数
Figure DEST_PATH_IMAGE081
,
Figure 498087DEST_PATH_IMAGE061
，
Figure 918836DEST_PATH_IMAGE062
以压比点数据
Figure 767843DEST_PATH_IMAGE063
构建调压阀压比网格方阵
Figure 548717DEST_PATH_IMAGE064
，其中调压阀压比网格方阵
Figure 65149DEST_PATH_IMAGE064
每一行均为对应马赫数网格方阵
Figure 906066DEST_PATH_IMAGE065
相应行的马赫数所对应等间距压比点数据，共有
Figure 491637DEST_PATH_IMAGE055
行。
步骤S300：插值确定调压阀开度网格方阵
Figure 76202DEST_PATH_IMAGE066
。
以调试试验获取的调压阀开度
Figure DEST_PATH_IMAGE082
试验结果数据为样本点，在马赫数网格方阵
Figure 978299DEST_PATH_IMAGE068
和调压阀压比网格方阵
Figure 740850DEST_PATH_IMAGE072
所确定网格点，以双调和样条插值方法确定相应网格点调压阀开度插值结果
Figure 298870DEST_PATH_IMAGE070
，得到调压阀开度网格方阵
Figure 687126DEST_PATH_IMAGE066
。
步骤S400：采用神经网络训练得到阀门特性曲面函数。
将马赫数网格方阵
Figure DEST_PATH_IMAGE083
，调压阀压比网格方阵
Figure 178150DEST_PATH_IMAGE072
和相应调压阀开度网格方阵
Figure 607208DEST_PATH_IMAGE066
数据，随机划分为训练样本集和测试样本集，注意训练样本集应包含马赫数和调压阀前后压比上下边界点数据以避免神经网络外推拟合降低神经网络训练拟合精度。
构建阀门特性函数神经网络，网络由输入层、3层隐层以及输出层构成，隐层内含有15个神经元，各层神经元采用全连接方式连接，阀门特性函数神经网络架构如图1所示，以加密马赫数
Figure 183683DEST_PATH_IMAGE026
和相应加密的调压阀压比点数据
Figure 110050DEST_PATH_IMAGE074
为网络输入，以双调和样条插值确定的调压阀相应开度
Figure DEST_PATH_IMAGE084
为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行迭代训练。
以
Figure 455581DEST_PATH_IMAGE076
个马赫数开展风洞调试试验获取的调压阀前后压比
Figure 825514DEST_PATH_IMAGE077
和相应调压阀开度
Figure 358126DEST_PATH_IMAGE078
试验结果数据为验证数据集，对经迭代训练的神经网络进行测试。若神经网络的输出结果与试验调压阀开度试验结果误差大于给定期望偏差5mm，则调整神经网络参数及结构重新训练，直至误差小于给定期望偏差5mm，认为训练完成，得到训练完成的阀门特性函数神经网络，完成阀门特性曲面的构造；
其中，图2给出阀门特性函数神经网络预测调压阀开度与实际调试试验结果对比图，图3给出了利用阀门特性函数神经网络拟合得到的阀门特性曲面，由图2可知，本发明的方法成功实现了对于调压阀阀门特性的精确建模描述，所预测的调压阀开度与实际调试试验结果有极高的符合一致性，由图3可看出对于阀门特性曲线簇连续扩展得到阀门特性曲面，以图形表示了调压阀阀门特性关于调压阀前后压比和马赫数变化的函数关系。
以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种基于神经网络的阀门特性曲面构造方法，其特征在于，包括：
步骤一，在风洞马赫数试验能力包线范围内选定调试马赫数
Figure 882992DEST_PATH_IMAGE001
开展风洞调试试验，获取风洞试验流场处于稳定条件下的调压阀前后压比
Figure DEST_PATH_IMAGE002
和相应调压阀开度
Figure 987083DEST_PATH_IMAGE003
试验结果数据；
步骤二，对步骤一中的试验结果数据进行预处理，以构建得到马赫数网格方阵
Figure DEST_PATH_IMAGE004
、调压阀压比网格方阵
Figure 438924DEST_PATH_IMAGE005
；
步骤三，以步骤一中获取的调压阀开度
Figure DEST_PATH_IMAGE006
试验结果数据为样本点，采用插值法确定调压阀开度网格方阵
Figure 24014DEST_PATH_IMAGE007
；
步骤四，采用神经网络对马赫数网格方阵
Figure 307228DEST_PATH_IMAGE004
，调压阀压比网格方阵
Figure DEST_PATH_IMAGE008
和相应调压阀开度网格方阵
Figure 864111DEST_PATH_IMAGE009
间的非线性函数关系进行学习，以训练得到阀门特性函数神经网络，完成阀门特性曲面的构造。
2.如权利要求1所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤一中，所述风洞调试试验是通过在风洞马赫数试验能力包线范围内选定
Figure DEST_PATH_IMAGE010
个典型马赫数
Figure 318095DEST_PATH_IMAGE011
开展；
其中，选定的
Figure 985837DEST_PATH_IMAGE010
个典型马赫数
Figure 857978DEST_PATH_IMAGE011
应包含风洞马赫数试验能力包线的上、下边界及特殊工况所对应的马赫数。
3.如权利要求1所述的基于神经网络的阀门特性曲面构造方法，其特征在于，所述马赫数网格方阵
Figure 569450DEST_PATH_IMAGE004
的获取方式被配置为包括：
对于任意两相邻调试马赫数
Figure DEST_PATH_IMAGE012
、
Figure 261463DEST_PATH_IMAGE013
，以
Figure DEST_PATH_IMAGE014
为等间距生成
Figure 732896DEST_PATH_IMAGE015
个加密马赫数
Figure 974390DEST_PATH_IMAGE017
、
Figure 873076DEST_PATH_IMAGE019
、……、
Figure DEST_PATH_IMAGE020
，其中生成的第
Figure 786805DEST_PATH_IMAGE021
个马赫数为
Figure DEST_PATH_IMAGE022
,
Figure 245950DEST_PATH_IMAGE023
，个数
Figure 358262DEST_PATH_IMAGE015
可由公式
Figure DEST_PATH_IMAGE024
得到；
以加密马赫数
Figure 427849DEST_PATH_IMAGE025
构建马赫数网格方阵
Figure DEST_PATH_IMAGE026
；
其中，马赫数网格方阵
Figure 343722DEST_PATH_IMAGE027
共有
Figure DEST_PATH_IMAGE028
列，
Figure 94640DEST_PATH_IMAGE028
为依据所有调试马赫数
Figure 310727DEST_PATH_IMAGE001
生成的加密马赫数
Figure 551215DEST_PATH_IMAGE025
总个数，可由公式
Figure 970695DEST_PATH_IMAGE029
确定，其中
Figure DEST_PATH_IMAGE030
为调试马赫数的最大值，
Figure DEST_PATH_IMAGE031
为调试马赫数的最小值；
马赫数网格方阵
Figure 305730DEST_PATH_IMAGE032
每一列均为依序排列的加密马赫数
Figure 127056DEST_PATH_IMAGE025
。
4.如权利要求3所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤二中，所述调压阀压比网格方阵的获取方式被配置为包括：
S20，以相邻调试马赫数
Figure 272866DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE033
所对应调压阀前后压比上边界
Figure 900681DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
，根据调试马赫数
Figure 55719DEST_PATH_IMAGE012
、
Figure 997130DEST_PATH_IMAGE036
生成的加密马赫数个数
Figure DEST_PATH_IMAGE037
，将上述上边界
Figure 297531DEST_PATH_IMAGE034
、
Figure 691603DEST_PATH_IMAGE035
等间距加密生成
Figure 384752DEST_PATH_IMAGE015
个加密调压阀前后的压比上边界，其中生成的第
Figure 649512DEST_PATH_IMAGE021
个加密调压阀前后压比上边界
Figure 651971DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
，等间距
Figure 798919DEST_PATH_IMAGE040
；
S21，以相邻调试马赫数
Figure 295759DEST_PATH_IMAGE012
、
Figure 946184DEST_PATH_IMAGE036
所对应调压阀前后压比下边界
Figure DEST_PATH_IMAGE041
、
Figure 57228DEST_PATH_IMAGE042
，根据调试马赫数
Figure 425892DEST_PATH_IMAGE012
、
Figure 460845DEST_PATH_IMAGE036
生成的加密马赫数个数
Figure 477692DEST_PATH_IMAGE037
，将上述下边界
Figure 103846DEST_PATH_IMAGE041
、
Figure 959806DEST_PATH_IMAGE042
等距加密生成
Figure 798449DEST_PATH_IMAGE015
个加密调压阀前后的压比下边界，其中生成的第
Figure 157886DEST_PATH_IMAGE021
个加密调压阀前后压比下边界
Figure 407471DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
，等间距
Figure 953990DEST_PATH_IMAGE047
；
S22，以每一加密马赫数的调压阀前后压比上边界
Figure 596324DEST_PATH_IMAGE049
、下边界
Figure 872585DEST_PATH_IMAGE051
为界，根据生成的加密马赫数
Figure DEST_PATH_IMAGE052
的总个数
Figure 27491DEST_PATH_IMAGE053
，生成
Figure 326886DEST_PATH_IMAGE053
个等间距压比点
Figure DEST_PATH_IMAGE054
，其中等间距
Figure 225440DEST_PATH_IMAGE056
，且对于第
Figure DEST_PATH_IMAGE057
个加密马赫数
Figure 28311DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE059
S23，以压比点数据
Figure DEST_PATH_IMAGE060
构建调压阀压比网格方阵
Figure DEST_PATH_IMAGE061
，其中调压阀压比网格方阵
Figure 91470DEST_PATH_IMAGE061
每一行均为对应马赫数网格方阵
Figure 143739DEST_PATH_IMAGE062
相应行的马赫数所对应等间距压比点数据。
5.如权利要求1所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤三中，所述调压阀开度网格方阵
Figure DEST_PATH_IMAGE063
的获取方式被配置为：
以调试试验获取的调压阀开度
Figure 314826DEST_PATH_IMAGE064
试验结果数据为样本点，在马赫数网格方阵
Figure DEST_PATH_IMAGE065
和调压阀压比网格方阵所确定网格点上，以双调和样条插值方法确定相应网格点的调压阀开度插值结果
Figure DEST_PATH_IMAGE066
，进而得到调压阀开度网格方阵
Figure 706625DEST_PATH_IMAGE063
。
6.如权利要求4所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在步骤四中，所述训练被配置为包括：
S30，将马赫数网格方阵
Figure DEST_PATH_IMAGE067
，调压阀压比网格方阵
Figure DEST_PATH_IMAGE068
和相应调压阀开度网格方阵
Figure 468913DEST_PATH_IMAGE063
数据随机划分为训练样本集和测试样本集；
S31，构建阀门特性函数神经网络；
S32，采用训练样本集和测试样本集对阀门特性函数神经网络进行迭代训练；
S33，构建验证数据集，对经迭代训练的神经网络进行测试；
所述训练样本集应包含特殊工况所对应的马赫数和调压阀前后压比的上、下边界点数据。
7.如权利要求6所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在S31中，所述阀门特性函数神经网络被配置为包括输入层、多层隐层以及输出层；其中，各隐层内含有若干神经元，各层神经元采用全连接方式连接。
8.如权利要求6所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在S32中，所述训练是以加密马赫数
Figure DEST_PATH_IMAGE069
和相应加密的调压阀压比点数据
Figure DEST_PATH_IMAGE070
为网络输入，以双调和样条插值确定的调压阀相应开度
Figure DEST_PATH_IMAGE071
为网络输出，依据误差反向传播算法，采用批量模式对神经网络进行迭代训练。
9.如权利要求6所述的基于神经网络的阀门特性曲面构造方法，其特征在于，在S33中，所述验证数据集是以在
Figure DEST_PATH_IMAGE072
个马赫数开展风洞调试试验获取的调压阀前后压比
Figure DEST_PATH_IMAGE073
和相应调压阀开度
Figure DEST_PATH_IMAGE074
试验结果数据构造，并对经迭代训练的神经网络进行测试；
其中，在测试中，若神经网络的输出结果与对应的调压阀开度
Figure 601954DEST_PATH_IMAGE074
误差大于给定的期望偏差，则调整神经网络参数及结构进行重新训练，直至误差小于给定的期望偏差，则认为训练完成，得到训练完成的阀门特性函数神经网络，完成阀门特性曲面的构造。
CN202210856644.5A 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法 Active CN114943187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856644.5A CN114943187B (zh) 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856644.5A CN114943187B (zh) 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法

Publications (2)

Publication Number Publication Date
CN114943187A true CN114943187A (zh) 2022-08-26
CN114943187B CN114943187B (zh) 2022-10-25

Family

ID=82910455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856644.5A Active CN114943187B (zh) 2022-07-21 2022-07-21 一种基于神经网络的阀门特性曲面构造方法

Country Status (1)

Country Link
CN (1) CN114943187B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353650A (zh) * 2015-12-22 2016-02-24 中国航天空气动力技术研究院 建立暂冲式亚跨超风洞亚跨流场调压阀预置开度模型方法
CN108693897A (zh) * 2018-05-30 2018-10-23 中国空气动力研究与发展中心高速空气动力研究所 引射驱动的闭环回流的暂冲式亚跨声速风洞流场控制方法
CN112304554A (zh) * 2020-12-02 2021-02-02 中国空气动力研究与发展中心高速空气动力研究所 提升风洞环状缝隙调压阀特性曲线实用性的方法
CN112560355A (zh) * 2021-02-22 2021-03-26 常州微亿智造科技有限公司 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN112556970A (zh) * 2020-12-21 2021-03-26 中国空气动力研究与发展中心高速空气动力研究所 一种变截面形状高速风洞试验段的过渡型面解算方法
CN114185265A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 大型开口射流风洞超声速定总压连续变马赫数控制方法
CN114486164A (zh) * 2022-04-18 2022-05-13 中国空气动力研究与发展中心空天技术研究所 一种基于神经网络的三孔探针梯度流场测试标定方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353650A (zh) * 2015-12-22 2016-02-24 中国航天空气动力技术研究院 建立暂冲式亚跨超风洞亚跨流场调压阀预置开度模型方法
CN108693897A (zh) * 2018-05-30 2018-10-23 中国空气动力研究与发展中心高速空气动力研究所 引射驱动的闭环回流的暂冲式亚跨声速风洞流场控制方法
CN112304554A (zh) * 2020-12-02 2021-02-02 中国空气动力研究与发展中心高速空气动力研究所 提升风洞环状缝隙调压阀特性曲线实用性的方法
CN112556970A (zh) * 2020-12-21 2021-03-26 中国空气动力研究与发展中心高速空气动力研究所 一种变截面形状高速风洞试验段的过渡型面解算方法
CN112560355A (zh) * 2021-02-22 2021-03-26 常州微亿智造科技有限公司 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN114185265A (zh) * 2022-02-15 2022-03-15 中国空气动力研究与发展中心高速空气动力研究所 大型开口射流风洞超声速定总压连续变马赫数控制方法
CN114486164A (zh) * 2022-04-18 2022-05-13 中国空气动力研究与发展中心空天技术研究所 一种基于神经网络的三孔探针梯度流场测试标定方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SHANG XINGYU 等: ""基于数据拟合及BP神经网络的汽轮机阀门流量特性优化方法研究"", 《中国电机工程学会》 *
周波 等: ""2m超声速风洞流场变速压控制方法研究"", 《实验流体力学》 *
张诣: ""暂冲式风洞调压阀研制及特性研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
褚卫华: ""2m×2m超声速风洞流场控制策略研究与实现"", 《实验流体力学》 *
赵书军: ""基于神经网络的风洞流场马赫数自适应控制策略研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
黄昊宇 等: ""某高超声速风洞模型底压精确测量方法改进研究与试验验证"", 《计算机测量与控制》 *

Also Published As

Publication number Publication date
CN114943187B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
Jeong et al. Efficient global optimization (EGO) for multi-objective problem and data mining
Goel et al. Response surface approximation of Pareto optimal front in multi-objective optimization
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN114462319B (zh) 航空发动机燃烧性能主动调控方法及智能预测模型
CN111200141B (zh) 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法
CN113536623B (zh) 一种材料不确定性结构稳健性拓扑优化设计方法
CN108121215A (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
CN111340069A (zh) 基于交替学习的不完整数据精细建模及缺失值填补方法
CN107016239B (zh) 一种汽轮机阀门流量特性分析方法
Qin et al. Pairwise sequential randomization and its properties
CN104331600A (zh) 基于因子图模型的自诊模型训练方法和装置
CN109146055A (zh) 基于正交化实验和人工神经网络的改进粒子群优化方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN113033054B (zh) 一种基于pce_bo的大坝结构性能参数快速反演方法
CN114943187A (zh) 一种基于神经网络的阀门特性曲面构造方法
CN113919221A (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
CN108896330A (zh) 一种水电机组的故障诊断方法
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN115688588B (zh) 一种基于改进xgb方法的海表面温度日变化振幅预测方法
Ping et al. A mixed isomorphism approach for kinematic structure enumeration graphs based on intelligent design and manufacturing
CN106373129A (zh) 一种基于双隶属度的fcm遥感图像分割方法
CN113935556B (zh) 一种基于dna遗传算法的温度传感器优化布置方法
CN114139442A (zh) 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法
CN105488521B (zh) 一种基于核函数的扩容样本筛选方法
Kong et al. HACScale: Hardware-aware compound scaling for resource-efficient DNNs

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