CN115290286B - 一种亚跨超声速风洞流场稳定性的集成学习评估系统 - Google Patents

Abstract

本发明提供了一种亚跨超声速风洞流场稳定性的集成学习评估系统，包括数据采集模块、数据分发模块、数据清洗模块、数据评价模块以及模型管理模块，将专家知识，集成学习和感知机进行深度融合，形成多种试验模式下的集成学习算法框架，为亚跨超声速风洞各种试验条件的特征数据配置感知机参数和专家知识，为风洞流场稳定性检测系统提供风洞核心部段的流场稳定性实时与历史分析结果，提高风洞流场稳定性检测的准确率和有效性，形成风洞核心部段的流场稳定性特征数据，减少对专家的依赖。

Description

一种亚跨超声速风洞流场稳定性的集成学习评估系统

技术领域

本发明涉及风洞试验稳定性评估领域，特别涉及一种亚跨超声速风洞流场稳定性的集成学习评估系统。

背景技术

目前，在亚跨超声速风洞进行试验时，对风洞试验段流场性能的判定通常根据驻室参考点马赫数（亚跨声速单变量控制的风洞），或稳定段总压（超声速单变量控制的风洞）或者同时对风洞稳定段总压和驻室马赫数（亚跨声速双变量控制的风洞）来判断的，该判断方法主要依赖于风洞控制系统中的稳定段总压和驻室静压的压强信息，该判断方法已被众多风洞试验运行控制系统所采用。但是，此种流场稳定性判定方法存在以下几个问题:1)控制系统采集的总压及驻室静压只是风洞核心部段流场流动中的某一个空间点的压强随时间的分布信息，并根据稳定段总压及驻室静压根据马赫数计算公式得到风洞试验段核心流的马赫数信息，对风洞核心部段来流流场性能的有效刻画信息偏少。当风洞整个系统工作稳定时，通过上述信息可以获得流场的稳定性，如果风洞核心部段某系统存在偏差，如果仍旧只通过上述两个压强信息，很难确保风洞试验段流场的稳定性，可能会造成风洞试验数据可靠性降低或者产生不可靠试验数据的风险；2)风洞运行关键信息单一，无法实时分析流场出现不稳定的原因；3)过度依赖风洞试验运行控制系统的参数，出现流场不稳定的数据依赖人工经验进行判断，无法结合试验情况进行自动分析和问题的快速定位；4)无法确定压强传感器中数据关联性，数据关系利用率低。

发明内容

为解决现有亚跨超声速风洞核心部段流场稳定性检测过程中不稳定信息丢失、智能化分析程度不高、过度依赖人工经验等问题，基于集成学习提出一种基于感知机模型的核心部段流场稳定性评估系统，将专家知识，集成学习和感知机进行深度融合，形成多种试验模式下的集成学习算法框架，为亚跨超声速风洞各种试验条件的特征数据配置感知机参数和专家知识，为风洞流场稳定性检测系统提供风洞核心部段的流场稳定性实时与历史分析结果，提高风洞流场稳定性检测的准确率和有效性，形成风洞核心部段的流场稳定性特征数据，减少对专家的依赖。

本发明采用的技术方案如下：一种亚跨超声速风洞流场稳定性的集成学习评估系统，包括：

数据采集模块：对风洞试验系统核心部段来流性能监测子系统的数据进行实时采集，包括传感器数据以及获试验条件数据；

数据分发模块：保存采集的数据至数据库以及完成数据分发；

数据清洗模块：根据试验条件数据选择对应的历史传感器数据，并对历史传感器数据进行清洗，对清洗后的历史传感器数据以及采集实时传感器数据进行特征值提取；

数据评价模块：包括多个感知机模型，将历史传感器数据的特征值作为训练数据进行感知机模型训练；将采集的实时传感器数据的特征值分别输入训练好的感知机模型，生成分析结果，通过集成学习分析模型对各感知机的分析结果进行集成学习分析，得到最终的核心部段流场稳定性分析结果；

模型管理模块：提供集成学习分析模型优化策略接口，根据优化策略进行优化训练；提供集成学习分析模型的准确率优化接口。

进一步的，所述数据分发模块将传感器数据保存至时序数据库，将试验车次条件信息保存至关系数据库，并同时对外提供数据接口。

进一步的，所述数据分发模块还将压强传感器数据发送至MQTT，同时为车次内的数据提供webapi接口，供前端实时界面调用获取数据后进行显示。

进一步的，数据清洗模块的清洗过程为：对原始数据进行可信度校验，再进行异常值和缺失值处理，之后采用主成分分析完成特征数据的提取。

进一步的，所述可信度校验具体过程为：针对压强传感器不同的工作模式，提取历史数据在不同模式下的特征数据，将其保存为相应试验条件下的传感器配置信息，每次试验开始后，完成传感器工作模式的识别，随后加载传感器配置信息与传感器时序数据异常检测模型完成对试验中的传感器数据工作状态校验功能，完成其可信度校验。

进一步的，对于异常值直接舍弃，对缺失值根据各部段数据特性趋势进行插值后均值填充。

进一步的，数据采集模块在采集之前需要对传感器、串口服务器、移测机构进行自检，确认设备的工作状态正常后再进行数据采集。

进一步的，所述主成分分析包括建立协方差矩阵，计算对应的特征向量，降维度后计算投影的方差和均值，得到最终的特征列，即可得到特征数据。

进一步的，集成学习分析模型优化过程为：增加专家提供的判断关键传感器数据的方法及经验数据，经过故障标签分类、历史训练数据清洗、算法模型训练接口和算法模型准确度验证处理，形成新的集成学习分析模型。

进一步的，集成学习分析模型的准确度优化方式为对清洗后的训练数据进行交叉验证。

与现有技术相比，采用上述技术方案的有益效果为：本发明有效的克服了现有风洞流场稳定性判断过程中灵活性差、实时性不高、高度依赖专家的经验知识等问题，对实现风洞试验控制系统合理、快速、高效的风洞试验资源配置具有较高意义和实际使用价值。

附图说明

图1为本发明提出的基于集成学习的高速风洞核心段流场稳定性评估系统示意图。

图2为本发明一实施例的数据采集原理示意图

图3为本发明一实施例的数据分发原理示意图。

图4为本发明一实施例的模型管理原理示意图。

图5为本发明一实施例的数据清洗原理示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

如图1所示，本实施例提出了一种亚跨超声速风洞流场稳定性的集成学习评估系统，包括：

数据采集模块：对风洞试验系统核心部段来流性能监测子系统的数据进行实时采集，包括传感器数据以及试验条件数据；

数据分发模块：保存采集的数据至数据库以及完成数据分发；

数据清洗模块：根据试验条件数据选择对应的历史传感器数据，并对历史传感器数据进行清洗，对清洗后的历史传感器数据以及采集实时传感器数据进行特征值提取；

数据评价模块：包括多个感知机模型，将历史传感器数据的特征值作为训练数据进行感知机模型训练；将采集的实时压强传感器数据的特征值分别输入训练好的感知机模型，生成分析结果，通过集成学习分析模型对各感知机的分析结果进行集成学习分析，得到最终的核心部段流场稳定性分析结果；其中，集成学习分析通过集成学习分析模型进行。

模型管理模块：提供集成学习分析模型优化策略接口，根据优化策略进行优化训练，提供集成学习分析模型准确率优化接口。

还包括用于显示的前端界面，能够实时显示采集的传感器数据以及数据评价模块得到的核心部段流场稳定性分析结果；

具体的，如图1所示，数据采集模块主要实现对风洞试验系统的核心部段来流性能监测子系统的测量信号进行实时采集以及从外部系统获取试验条件数据，模块功能包括设备自检、设备数据采集、数据处理三部分；

其中，核心部段来流性能监测子系统主要包括来流性能监测系统、消声模块性能监测系统、超声速激波位置监测系统、喷管支撑框体基准监测系统以及稳定流动特性监测系统，各个子系统通过LAN或RS485连接有压强传感器、串口服务器、移测机构、倾角传感器等传感器及设备获取对应数据；具体的，来流性能监测系统主要用于监测风洞试验系统中的来流性能；消声模块性能监测系统用于监测风洞试验系统中消声模块的性能；超声速激波位置监测系统用于监测超声波激波位置；喷管支撑框体基准监测系统用于对风洞试验系统中喷管支撑框体基准进行监测；稳定流动特性监测系统则是用于监测风洞试验系统的稳定流动特性，通过各个子系统能够获取所需参数；本实施例提到的核心部段来流性能监测子系统可采用现有风洞试验系统中的子系统实现。

而外部系统则包括风洞试验运行控制系统和试验管理信息系统，其中，风洞试验运行控制系统用于提供车次号、总压、马赫数等试验状态信息；试验管理信息系统则用于提供开车任务单信息。

在数据采集之前，需进行设备自检确认各设备工作状态是否正常，包括对传感器、串口服务器、移测机构等进行自检，通过自检程序确定设备通信是否正常，测点读数是否合理，移测机构能否正常伸出和收回，从而确认设备的工作状态，传感器、串口服务器的自检在程序启动时自动运行。如图2所示，自检流程为：采集模块判断设备是否具备自检条件，如果具备条件，数据采集模块发出自检指令；否则，结束自检流程。设备开始执行自检，设备自检完成后返回是否成功结果，如果成功则结束自检流程，否则发出报警信息，再结束流程。

设备自检完成后，数据采集模块正式运行，从试验管理信息系统获取开车任务单信息，从风洞试验运行控制系统获取车次号、总压、马赫数等试验状态信息，同时采集各子系统的信号数据，其中开车任务单信息通过调用试验管理信息系统提供的接口获取，试验状态信息则通过订阅风洞试验运行控制系统发布的NI共享变量方式获取。如图2所示，采集流程为：采集模块加载设备信息，然后循环获取开车任务单信息，判断是否有新的任务单，如果是则启动倾角测点数据采集，然后循环获取试验结束信号，判断是否接收到了结束，如果是则结束倾角测点数据采集，开始进行1分钟压力测点采集，然后结束流程。

数据处理，从数据库加载传感器证书和其他数据处理参数，完成系统初始化，当数据采集模块启动数据采集后，按阶梯将原始数据（即各子系统所采集的信号数据）推送过来，收到数据后，对原始数据和输入的计算参数进行计算，得到各系统压强、速度、马赫数、点流向等数据；将计算得到的数据作为整个评估系统的基础数据源，根据核心部段特征采集对应的传感器数据，用于后续稳定性评估。如图2所示，处理流程为：加载传感器证书和计算参数，然后完成系统初始化，采集模块持续接收原始数据，如果收到数据，则进行数据处理，即对原始数据和输入的计算参数进行计算。

如图3所示，数据分发：主要包含数据保存以及数据发送功能，其中数据保存功能为：将实时压强传感器数据保存至influxdb时序数据库中，将试验车次条件信息保存至SQLServer关系数据库中，同时提供数据接口，可以通过该接口获取数据库中的数据。数据发送功能为：将实时压强传感器数据发送至MQTT，同时为车次内的数据提供webapi接口，供前端实时界面调用获取数据后进行显示。

数据资源作为风洞核心部段流场检测系统重要来源，为整个核心部段集成学习模型的建立提供数据支持，主要包含传感器数据、试验条件数据以及外部数据接口三个部分，其数据分发示意图如图3所示。通过手动配置或ODBC连接远程关系和时序数据库，远程读取数据库信息，将采集核心部段传感器的实时数据和试验条件信息，存入对应数据库中。

如图5所示，数据清洗主要是完成对数据进行清洗功能和特征提取；其中，数据清洗主要对获取的历史传感器原始数据中传感器异常值和缺失值进行处理，异常值选择舍弃的方式，缺失值根据各部段数据特性趋势进行插值后均值填充；而特征提取则是根据核心部段传感器的数据特点，选择PCA主成分分析方法进行数据特征提取，再结合相关的统计数据作为感知机模型的输入数据进行训练和评价。其中，主成分分析的过程为：建立协方差矩阵，计算对应的特征向量，降维度后计算投影的方差和均值，得到最终的特征列，即可得到特征数据。

由于试验存在多种情况且压强变化范围极大，需要对传感器的数据进行可信度校验，针对压强传感器不同的工作模式，提取历史数据在不同模式下的特征数据，如传感器均值、方差、最值、频率等，将其保存为相应试验条件下的传感器配置信息，每次试验开始后，识别其目标总压和目标马赫数等信息，完成传感器工作模式的识别，随后加载传感器配置信息与传感器时序数据异常检测模型完成对试验中的传感器数据工作状态校验功能，完成其可信度校验。其中，传感器时序数据异常检测模型由传感器配置信息及历史数据生成，系统采集到的传感器实时数据首先通过该模型进行计算与对比分析，检测该数据是否异常，依此判定传感器工作状态校验，完成传感器可信度校验。

数据评价：在集成学习中各个基本感知机模型完成建模后，针对试验条件、系统合理性、算法模型的泛化性等方面统筹考虑，采用历史传感器数据对感知模型进行性训练，将实时采集的传感器数据输入至训练后的感知机模型进行分析，试验结束，通过算法管理里的算法准确度验证接口，验证试验中的算法适用性，再通过各个感知机模型对实时数据的评价和试验后的整体数据评价，经过集成学习分析处理作为核心部段最终的流场稳定性判定结果。其中，验证试验中的算法实用性方法为：算法准确度验证接口接收到数据输入后，使用交叉验证方法，把最新采集到的传感器数据作为机器学习模型的验证集，把历史数据作为机器学习模型的训练集，利用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以此评价分类器的性能指标，完成感知机模型的准确率校验。

在核心部段集成学习模型管理UI界面上，采用webapi接口方法的形式，基于C#语言编写基于集成学习的核心部段多感知机bagging算法模型，封装后形成类型对象，供数据评价模块调用；采用前后端分离的形式开发集成学习配置模型库管理系统框架，框架主要由管理界面的UI模块和集成学习感知机模型参数优化模块两部分构成，如图4所示。其中管理界面UI模块包括对试验条件识别和感知机模型等初始化的配置过程，完成初始化后，通过加载各个感知机分析模型参数并通过模型准确度设置进行运行，如果满足评估策略中的准确率要求则可直接根据实时数据提取到的特征数据输出集成模型的分析结果；核心部段的集成学习模型综合各个感知机的评估结果及准确率信息进行对流场稳定性的综合评估，形成评估结果的api接口，提供给前端实时和历史数据分析界面进行调用。

模型管理，主要用于新增专家知识以及模型的准确率优化，新增专家知识的策略是指集成学习分析模型增加专家提供的判断关键传感器方法的经验数据，经过故障标签分类、历史训练数据清洗、算法模型训练接口和算法模型准确度验证四类模块的处理，形成新的集成学习模型，与基础模型资源进行协同作为建模分析评估的输入；模型的准确率优化，则通过对清洗后的训练数据进行交叉验证，提高泛化性实现。其中，系统通过传感器数据、试验条件数据等历史数据根据感知机原理建立集成学习的基础分类器，生成初始集成学习分析模型。

具体交叉验证过程为：将原始数据分成K组(一般是均分)，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型，用这K个模型最终的验证集的分类准确率的平均数作为分类器的性能指标。

需要说明的是，在本发明实施例的描述中，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义；实施例中的附图用以对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，包括：

数据采集模块：对风洞试验系统核心部段来流性能监测子系统的数据进行实时采集，包括实时传感器数据以及试验条件数据；

数据分发模块：保存采集的数据至数据库以及完成数据分发；

数据清洗模块：根据试验条件数据选择对应的历史传感器数据，并对历史传感器数据进行清洗，对清洗后的历史传感器数据以及采集实时传感器数据进行特征值提取；

数据评价模块：包括多个感知机模型，将历史传感器数据的特征值作为训练数据进行感知机模型训练；将采集的实时传感器数据的特征值分别输入训练好的感知机模型，生成分析结果，通过集成学习分析模型对各感知机的分析结果进行集成学习分析，得到最终的核心部段流场稳定性分析结果；

模型管理模块：提供集成学习分析模型优化策略接口，根据优化策略进行优化训练；提供集成学习分析模型的准确率优化接口；

所述数据分发模块将压强传感器数据保存至时序数据库，将试验车次条件信息保存至关系数据库，并同时对外提供数据接口；

数据清洗模块的清洗过程为：对原始数据进行可信度校验，再进行异常值和缺失值处理，之后采用主成分分析完成特征数据的提取；

所述可信度校验具体过程为：针对压强传感器不同的工作模式，提取历史数据在不同模式下的特征数据，将其保存为相应试验条件下的传感器配置信息，每次试验开始后，完成传感器工作模式的识别，随后加载压强传感器配置信息与传感器时序数据异常检测模型完成对试验中的传感器数据工作状态校验功能，完成其可信度校验。

2.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，所述数据分发模块还将压强传感器数据发送至MQTT，同时为车次内的数据提供webapi接口，供前端实时界面调用获取数据后进行显示。

3.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，对于异常值直接舍弃，对缺失值根据各部段数据特性趋势进行插值后均值填充。

4.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，数据采集模块在采集之前需要对传感器、串口服务器、移测机构进行自检，确认设备的工作状态正常后再进行数据采集。

5.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，所述主成分分析包括建立协方差矩阵，计算对应的特征向量，降维度后计算投影的方差和均值，得到最终的特征列，即可得到特征数据。

6.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，集成学习分析模型优化过程为：增加专家提供的判断关键压强传感器方法的经验数据，经过故障标签分类、历史训练数据清洗、算法模型训练接口和算法模型准确度验证处理，形成新的集成学习分析模型。

7.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，集成学习分析模型的准确度优化方式为对清洗后的训练数据进行交叉验证。

Images