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 PDFInfo
- 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
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
Description
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:
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、所对应调压阀前后压比上边界、,根据调试马赫数、生成的加密马赫数个数,将上述上边界、等间距加密生成个加密调压阀前后的压比上边界,其中生成的第个加密调压阀前后压比上边界,,等间距;
S21,以相邻调试马赫数、所对应调压阀前后压比下边界、,根据调试马赫数、生成的加密马赫数个数,将上述下边界、等距加密生成个加密调压阀前后的压比下边界,其中生成的第个加密调压阀前后压比下边界,,等间距;
优选的是,在步骤四中,所述训练被配置为包括:
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。
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(记为个)典型马赫数开展风洞调试试验,获取风洞试验流场处于稳定条件下的调压阀前后压比(即风洞稳定段总压与气源压力之比)和相应调压阀开度试验结果数据,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。
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,调压阀压比网格方阵和相应调压阀开度网格方阵数据,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,以加密马赫数和相应加密的调压阀压比点数据为网络输入,以双调和样条插值确定的调压阀相应开度为网络输出,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。
以个马赫数开展风洞调试试验获取的调压阀前后压比和相应调压阀开度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)
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、所对应调压阀前后压比上边界、,根据调试马赫数、生成的加密马赫数个数,将上述上边界、等间距加密生成个加密调压阀前后的压比上边界,其中生成的第个加密调压阀前后压比上边界,,等间距;
S21,以相邻调试马赫数、所对应调压阀前后压比下边界、,根据调试马赫数、生成的加密马赫数个数,将上述下边界、等距加密生成个加密调压阀前后的压比下边界,其中生成的第个加密调压阀前后压比下边界,,等间距;
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。
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)
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 |
-
2022
- 2022-07-21 CN CN202210856644.5A patent/CN114943187B/zh active Active
Patent Citations (7)
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)
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 | |
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 | |
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 | |
Gu et al. | Smooth simultaneous confidence band for the error distribution function in nonparametric regression | |
CN116306226B (zh) | 一种燃料电池性能退化预测方法 |
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 |