CN115311535B - 一种结冰风洞云雾场参数获取方法和存储介质 - Google Patents

一种结冰风洞云雾场参数获取方法和存储介质 Download PDF

Info

Publication number
CN115311535B
CN115311535B CN202211195363.6A CN202211195363A CN115311535B CN 115311535 B CN115311535 B CN 115311535B CN 202211195363 A CN202211195363 A CN 202211195363A CN 115311535 B CN115311535 B CN 115311535B
Authority
CN
China
Prior art keywords
cloud
icing
multilayer perceptron
parameter
wind tunnel
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
Application number
CN202211195363.6A
Other languages
English (en)
Other versions
CN115311535A (zh
Inventor
易贤
谢腾
熊浩
彭博
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.)
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Low Speed Aerodynamics 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 Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202211195363.6A priority Critical patent/CN115311535B/zh
Publication of CN115311535A publication Critical patent/CN115311535A/zh
Application granted granted Critical
Publication of CN115311535B publication Critical patent/CN115311535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本申请涉及结冰研究领域，提供了一种结冰风洞云雾场参数获取方法和存储介质。该方法包括：根据工况参数对第一多层感知机进行训练，并根据工况参数下的结冰图像对卷积神经网络进行训练，第一多层感知机用于获得参数特征，卷积神经网络用于获得冰形轮廓特征；将第一多层感知机获得的参数特征和卷积神经网络获得的冰形轮廓特征进行特征融合，根据融合后的特征对第二多层感知机进行训练，第二多层感知机用于获得云雾场参数辨识值；根据工况参数、结冰图像、训练完成的第一多层感知机、卷积神经网络和第二多层感知机，获得云雾场参数辨识值。通过上述方法，可以有效解决现有技术在获取结冰风洞云雾场参数时，存在的测量困难、成本高、精度低等问题。

Description

一种结冰风洞云雾场参数获取方法和存储介质
技术领域
本申请涉及结冰研究领域，更具体地，涉及一种结冰风洞云雾场参数获取方法和存储介质。
背景技术
飞机穿越云层时，过冷水滴撞击到机体后，可能发生相变并导致结冰现象。结冰会改变飞机的外形与绕流流场，破坏气动性能，降低操纵性与稳定性，威胁飞行安全，严重时导致空难事故。在结冰风洞中，对液态水含量和水滴平均体积直径等云雾场参数的测量，关系到风洞试验研究的准确性，因此十分重要。
现有技术通过使用测量设备对液态水含量和水滴平均体积直径等云雾场参数直接测量。由于测量设备体积大，对于阻塞比高的试验难以测量。并且，通常只能选用风洞云雾包线内的特定水气进行测量，测量范围有限。以及，随着结冰风洞运行时间增加，结冰风洞的液态水含量和水滴平均体积直径等云雾场参数真实值会逐渐偏离云雾场参数测量值，导致获取的云雾场参数精度低，若要保证精度，则需进行周期性测量，导致较高的成本。
因此，现有技术在获取结冰风洞云雾场参数时，存在测量困难、成本高、精度低等问题。
发明内容
本申请发明人通过长期实践发现，实际测量液态水含量和水滴平均体积直径等云雾场参数，会存在测量困难、成本高、精度低等问题，因此，还可以通过参数辨识的方法获取云雾场参数，并且，将冰形轮廓特征作为参数辨识的依据，可以进一步提升云雾场参数辨识的准确性。
基于此，本申请提出了一种结冰风洞云雾场参数获取方法，根据工况参数对第一多层感知机进行训练，并根据所述工况参数下的结冰图像对卷积神经网络进行训练，第一多层感知机用于获得参数特征，卷积神经网络用于获得冰形轮廓特征；将第一多层感知机获得的参数特征和卷积神经网络获得的冰形轮廓特征进行特征融合，根据融合后的特征对第二多层感知机进行训练，第二多层感知机用于获得云雾场参数辨识值；根据工况参数、结冰图像、训练完成的第一多层感知机、卷积神经网络和第二多层感知机，获得云雾场参数辨识值。如此，可以有效解决现有技术在获取结冰风洞云雾场参数时，存在的测量困难、成本高、精度低等问题。
第一方面，提供了一种结冰风洞云雾场参数获取方法，该方法包括：根据工况参数对第一多层感知机进行训练，并根据所述工况参数下的结冰图像对卷积神经网络进行训练，所述第一多层感知机用于获得参数特征，所述卷积神经网络用于获得冰形轮廓特征；将所述第一多层感知机获得的参数特征和所述卷积神经网络获得的冰形轮廓特征进行特征融合，根据融合后的特征对第二多层感知机进行训练，所述第二多层感知机用于获得云雾场参数辨识值；根据所述工况参数、所述结冰图像、训练完成的所述第一多层感知机、卷积神经网络和第二多层感知机，获得所述云雾场参数辨识值。
第二方面，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中存储有程序代码，所述程序代码可被处理器调用执行上述方法。
综上所述，本申请至少具有如下技术效果：
1.本申请提供的其中一种结冰风洞云雾场参数获取方法，通过训练第一多层感知机、卷积神经网络和第二多层感知机以获取云雾场参数，采用参数辨识的方法，在训练完成之后，无需使用测量设备对云雾场参数进行直接测量，对结冰风洞云雾场参数的获取更简单、成本更低，可以根据试验需求周期性测量，精度更高。
2.在不同的工况参数和云雾场参数下，会产生不同的冰形轮廓，本申请提供的其中一种结冰风洞云雾场参数获取方法，通过将冰形轮廓特征作为参数辨识的依据，可以进一步提升云雾场参数辨识的准确性。
3.本申请提供的其中一种结冰风洞云雾场参数获取方法，根据工况参数下的结冰图像对卷积神经网络进行训练，从而获得冰形轮廓特征，为获取高精度的结冰风洞云雾场参数提供了基础。
4.本申请提供的其中一种结冰风洞云雾场参数获取方法，根据决定系数或预设损失函数确定参数特征和冰形轮廓特征进行特征融合时的特征比例，以获取辨识效果最好的特征比例，如此，可以进一步提升云雾场参数辨识的准确性。
因此，本申请提供的方案可以有效解决现有技术在获取结冰风洞云雾场参数时，存在测量困难、成本高、精度低等问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1示出了本申请实施例1提供的一种结冰风洞云雾场参数获取方法的流程示意图；
图2示出了本申请实施例1提供的预设特征比例下液态水含量的决定系数和预设损失函数的示意图；
图3示出了本申请实施例1提供的预设特征比例下水滴平均体积直径的决定系数和预设损失函数的示意图；
图4示出了本申请实施例1提供的实际工况参数下的冰形一；
图5示出了本申请实施例1提供的实际工况参数下的冰形二；
图6示出了本申请实施例1提供的实际工况参数下的冰形三；
图7示出了本申请实施例2提供的一种计算机可读存储介质的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术通过使用测量设备对液态水含量和水滴平均体积直径等云雾场参数直接测量。由于测量设备体积大，对于阻塞比高的试验难以测量。并且，通常只能选用风洞云雾包线内的特定水气进行测量，测量范围有限。以及，随着结冰风洞运行时间增加，结冰风洞的液态水含量和水滴平均体积直径等云雾场参数真实值会逐渐偏离云雾场参数测量值，导致获取的云雾场参数精度低，若要保证精度，则需进行周期性测量，导致较高的成本。
因此，现有技术在获取结冰风洞云雾场参数时，存在测量困难、成本高、精度低等问题。
因此，为了解决上述缺陷，本申请实施例提供了一种结冰风洞云雾场参数获取方法，根据工况参数对第一多层感知机进行训练，并根据所述工况参数下的结冰图像对卷积神经网络进行训练，第一多层感知机用于获得参数特征，卷积神经网络用于获得冰形轮廓特征；将第一多层感知机获得的参数特征和卷积神经网络获得的冰形轮廓特征进行特征融合，根据融合后的特征对第二多层感知机进行训练，第二多层感知机用于获得云雾场参数辨识值；根据工况参数、结冰图像、训练完成的第一多层感知机、卷积神经网络和第二多层感知机，获得云雾场参数辨识值。如此，可以有效解决现有技术在获取结冰风洞云雾场参数时，存在的测量困难、成本高、精度低等问题。
下面对本申请所涉及到的结冰风洞云雾场参数获取方法进行介绍。
实施例1
请参照图1，图1为本申请实施例1提供的一种结冰风洞云雾场参数获取方法的流程示意图。应说明的是：本申请方法步骤的标号并非为了限制其顺序，而是为了区分不同的步骤。
该结冰风洞云雾场参数获取方法可以包括以下步骤：
步骤S110：根据工况参数对第一多层感知机进行训练，并根据所述工况参数下的结冰图像对卷积神经网络进行训练，所述第一多层感知机用于获得参数特征，所述卷积神经网络用于获得冰形轮廓特征。
在本申请实施例中，工况参数是指影响结冰的参数，例如，可以包括飞行攻角、来流速度、来流温度以及结冰时长中的至少一种，还可以包括其他参数。
在本申请实施例中，云雾场参数可以包括：包括液态水含量和/或水滴平均体积直径。
在本申请实施例中，第一多层感知机为用于获得参数特征的多层感知机，包括输入层、隐藏层以及输出层。
作为一种可选实施方式，第一多层感知机可以包括1个输入层、1个隐藏层和1个输出层。其中，隐藏层的神经元个数可以为16，输出层的神经元的个数可以为32。
在示例性实施例中，第一多层感知机采用sigmoid函数或tanh函数作为输入层到隐藏层的传递函数，以及作为隐藏层到输出层的传递函数。
作为一种可选实施方式，通过第一多层感知机获得参数特征的过程可以是：
在输入层输入工况参数向量，并与隐藏层的偏置进行内积，通过sigmoid函数或tanh函数得到与隐藏层神经元个数相等的一维特征向量。
将一维特征向量与输出层的偏置进行内积，通过sigmoid函数或tanh函数得到参数特征向量，参数特征向量用于表征参数特征。
作为一种可选实施方式，在输入层输入工况参数向量之前，对工况参数进行均值标准差归一化的预处理。
均值标准差归一化可以提升不同量纲数据的可比性，提升辨识效果。具体地，均值标准差归一化的公式为：
Figure 717312DEST_PATH_IMAGE001
，其中，
Figure 572136DEST_PATH_IMAGE002
为归一化之后的值，x为输入的工况参数的值，
Figure 23977DEST_PATH_IMAGE003
为输入的工况参数的平均值，
Figure 825711DEST_PATH_IMAGE004
为输入的工况参数的标准差。
在本申请实施例中，卷积神经网络为用于获得冰形轮廓特征的卷积神经网络，包括输入层、卷积层、池化层以及全连接层。
作为一种可选实施方式，卷积神经网络可以包括1个输入层、3个卷积层、3个池化层和1个全连接层。其中，3个卷积层的卷积核个数、步长大小可以分别为：第一层卷积核的个数为16个，步长为2×2，大小为3×3，第二层卷积核的个数为32个，步长为1×1，大小为3×3，第三层卷积核的个数为8个，步长为2×2，大小为3×3。池化层的池化矩阵大小为2×2，步长为2×2。
在示例性实施例中，卷积神经网络采用ReLU激活函数产生池化特征图。
作为一种可选实施方式，通过卷积神经网络获得冰形轮廓特征的过程可以分为三个阶段：
第一阶段包括输入层、第一层卷积层、第一层池化层。在输入层输入结冰图像，结冰图像的每个像素可以作为一个神经元，用第一层卷积核去卷积输入的图像，并加上偏置量，得到第一阶段卷积特征图。再将第一阶段卷积特征图进行最大化池化操作，并加上偏置量，通过ReLU激活函数得到第一阶段卷积特征图4分之一大小的第一阶段池化特征图。
第二阶段包括第二层卷积层、第二层池化层。在第二层卷积层中输入第一阶段池化特征图，用第二层卷积核去卷积第一阶段池化特征图，并加上偏置量，得到第二阶段卷积特征图。再将第二阶段卷积特征图进行最大化池化操作，并加上偏置量，通过ReLU激活函数得到第二阶段卷积特征图4分之一大小的第二阶段池化特征图。
第三阶段包括第三层卷积层、第三层池化层、全连接层。在第三层卷积层中输入第二阶段池化特征图，用第三层卷积核去卷积第二阶段池化特征图，并加上偏置量，得到第三阶段卷积特征图。再将第三阶段卷积特征图进行最大化池化操作，并加上偏置量，通过ReLU激活函数得到第三阶段卷积特征图4分之一大小的第三阶段池化特征图。将第三阶段池化特征图展平，使其成为一维向量，并将其输入到全连接层，以得到冰形轮廓特征向量，冰形轮廓特征向量用于表征冰形轮廓特征。
在不同的工况参数和云雾场参数下，会产生不同的冰形轮廓，本申请实施例提供的结冰风洞云雾场参数获取方法，通过将冰形轮廓特征作为参数辨识的依据，可以进一步提升云雾场参数辨识的准确性。
本申请实施例提供的结冰风洞云雾场参数获取方法，根据工况参数下的结冰图像对卷积神经网络进行训练，从而获得冰形轮廓特征，为获取高精度的结冰风洞云雾场参数提供了基础。
作为一种可选实施方式，在输入层输入结冰图像之前，对所述结冰图像进行填充灰度化的预处理。
首先，将结冰图像进行弦长归一化，即将弦长坐标范围等比例缩小到[0,1]范围，且将冰形进行同比例缩放。然后，对冰形进行填充，填充冰形可以增强冰形与无关区域的差异，提高辨识效果，具体地，将冰形的像素值设置为0。将图像尺寸设置为100×100，图像宽度对应的坐标轴取值范围固定为[-0.15,0.25]，图像高度对应的坐标轴取值范围固定为[-0.2,0.2]。对图像进行截取和缩放可以减少计算量，提升训练速度。
在本申请实施例中，在设定的工况参数和云雾场参数下，物面会结冰，从而可以获得相应的结冰图像。
在示例性实施例中，步骤S110还可以包括子步骤S111和/或子步骤S112。
子步骤S111：通过所述工况参数和云雾场参数采样值，结合结冰数值计算方法，获取所述结冰图像。
在本申请实施例中，工况参数可以是根据试验需求进行设定的值，云雾场参数可以是在试验需求的范围内进行采样得到的值。
具体地，可以将飞行攻角设置为0°或3°，将来流速度设置为80米每秒或100米每秒，将来流温度设置为-30摄氏度、-20摄氏度或-10摄氏度，将结冰时长设置为1350秒。
云雾场参数的试验需求范围可以是：液态水含量为0.1至1g/m3(克每立方米)，水滴平均体积直径为20至100μm(微米)。
云雾场参数的采样间隔可以是：液态水含量的采样间隔为0.03克每立方米，水滴平均体积直径的采样间隔为3微米。
在本申请实施例中，结冰数值计算方法为现有技术中的方法，通过在结冰模拟模型中输入工况参数和云雾场参数，就可以计算得到结冰图像。
具体地，在结冰模拟模型中输入工况参数和云雾场参数计算得到结冰图像的次数可以是：9720条。
可以将9720条工况参数、云雾场参数、结冰图像的数据按照7:2:1的比例划分，分别作为训练集、验证集和测试集。
子步骤S112：通过在所述工况参数下进行结冰试验，通过手工绘制的方法，获取所述结冰图像。
在本申请实施例中，工况参数可以是根据试验需求进行设定的值，云雾场参数可以是在实际进行结冰试验时直接使用测量设备测得的真实值，结冰图像可以是在实际进行结冰试验后，采用大型专用仪器绘制结冰图像，或使用热刀对冰形进行切割，使用卡板在剖面承托方格纸上手工绘制结冰图像。
具体地，首先利用大幅面扫描仪将方格纸上描绘的冰形轨迹线扫描成图片，基于数值化轴系定义，利用getdata图形数值化软件对冰形进行数值化处理，以标模弦长为基准对数值结果进行无量纲化处理，最后根据冰形的离散数值点绘制冰形曲线，得到结冰图像。
在本申请实施例中，对第一多层感知机进行训练，以及对卷积神经网络进行训练，所使用的工况参数和结冰图像，可以是通过子步骤S111的方式得到的工况参数和结冰图像，也可以是通过子步骤S112的方式得到的工况参数和结冰图像。
步骤S120：将所述第一多层感知机获得的参数特征和所述卷积神经网络获得的冰形轮廓特征进行特征融合，根据融合后的特征对第二多层感知机进行训练，所述第二多层感知机用于获得云雾场参数辨识值。
在本申请实施例中，将第一多层感知机获得的参数特征和卷积神经网络获得的冰形轮廓特征进行特征融合，可以是：将参数特征向量与冰形轮廓特征向量拼接，从而得到融合后的特征向量。
在本申请实施例中，第二多层感知机为用于获得云雾场参数辨识值的多层感知机，包括输入层、隐藏层以及输出层。
作为一种可选实施方式，第二多层感知机可以包括1个输入层、3个隐藏层和1个输出层。其中，3个隐藏层的神经元个数可以分别为：256、128、64，输出层的神经元的个数可以为2。
在示例性实施例中，第二多层感知机采用sigmoid函数或tanh函数作为输入层到隐藏层的传递函数，并采用softmax函数作为隐藏层到输出层的传递函数。
作为一种可选实施方式，通过第二多层感知机获得云雾场参数辨识值的过程可以是：
在输入层输入融合后的特征向量，与第一个隐藏层的偏置进行内积，通过sigmoid函数或tanh函数产生与本层隐藏层神经元个数相等的一维特征向量。
将上一个隐藏层的输出作为下一个隐藏层的输入，循环隐藏层的步骤，最后在第三个隐藏层得到1×64的向量。
通过隐藏层到输出层的传递函数softmax函数得到1×2的向量，分别就是云雾场参数辨识值中的液态水含量辨识值和水滴平均体积直径辨识值。
作为一种可选实施方式，对第二多层感知机进行训练，还可以包括：
在使用训练集进行训练时，通过HuberLoss损失函数获取云雾场参数辨识值与训练集的云雾场参数样本值的误差，若误差大于预设值，则将误差反向传递对第二多层感知机的权值和阈值进行逐层修正，并在修正后再次重复该过程。
作为一种可选实施方式，将验证集输入第一多层感知机、卷积神经网络，经过特征融合后输入第二多层感知机，通过HuberLoss损失函数获取云雾场参数辨识值与验证集的云雾场参数样本值的误差，根据误差判定第二多层感知机的性能和预测精度。
具体地，HuberLoss损失函数的表达式为：
Figure 436820DEST_PATH_IMAGE005
当云雾场参数辨识值与云雾场参数样本值的误差小于等于
Figure 931387DEST_PATH_IMAGE006
时采用平方误差，当误差大于
Figure 136103DEST_PATH_IMAGE006
时采用线性误差。其中，
Figure 7107DEST_PATH_IMAGE006
为HuberLoss损失函数的预设参数，若y为云雾场参数辨识值，则
Figure 348090DEST_PATH_IMAGE007
为云雾场参数样本值，若y为云雾场参数样本值，则
Figure 138191DEST_PATH_IMAGE007
为云雾场参数辨识值。
在示例性实施例中，步骤S120还包括子步骤S121。
子步骤S121：根据决定系数或预设损失函数确定所述参数特征和所述冰形轮廓特征进行特征融合时的特征比例。
在本申请实施例中，进行特征融合时的特征比例是影响网络性能的主要参数，本申请可以预设多种特征比例对最佳的网络结构进行探讨。例如，将冰形轮廓特征和参数特征的特征比例分别设置为6:1、4:1、2:1、1:1、1:2、1:4、1:6。
在本申请实施例中，根据决定系数或预设损失函数确定特征比例可以是：将决定系数最大时的预设特征比例确定为特征融合时的特征比例，或将预设损失函数最小时的预设特征比例确定为特征融合时的特征比例。
在本申请实施例中，预设损失函数可以包括平均绝对误差（Mean AbsoluteError,MAE），或均方根误差（Root Mean Square Error，RMSE），或HuberLoss损失函数，或均方误差（Mean Square Error,MSE）
以预设损失函数为平均绝对误差和均方根误差为例进行说明，如图2所示，图2为预设特征比例下液态水含量的决定系数和预设损失函数的示意图，其中，横坐标为冰形轮廓特征和参数特征的特征比例，左侧纵坐标为平均绝对误差或均方根误差，右侧纵坐标为决定系数，201为平均绝对误差，202为均方根误差，203为决定系数。如图3所示，图3为预设特征比例下水滴平均体积直径的决定系数和预设损失函数的示意图，其中，横坐标为冰形轮廓特征和参数特征的特征比例，左侧纵坐标为平均绝对误差或均方根误差，右侧纵坐标为决定系数，201为平均绝对误差，202为均方根误差，203为决定系数。
若以决定系数为主要评判标准，综合图2和图3可以看出，冰形轮廓特征和参数特征的特征比例为4:1时，效果最好。
本申请实施例提供的结冰风洞云雾场参数获取方法，根据决定系数或预设损失函数确定参数特征和冰形轮廓特征进行特征融合时的特征比例，以获取辨识效果最好的特征比例，如此，可以进一步提升云雾场参数辨识的准确性。
作为一种可选实施方式，将测试集输入第一多层感知机、卷积神经网络，经过特征融合后输入第二多层感知机，通过将云雾场参数辨识值与训练集的云雾场参数样本值的差值除以数值计算时采取的取值范围，从而获取云雾场参数误差率，根据云雾场参数误差率判定整个网络的性能和精度。
例如，表1为测试集中的9组数据及辨识结果的示例。
表1 测试集中的9组数据及辨识结果的示例
Figure 301975DEST_PATH_IMAGE008
可以看出，通过本申请提供的方法得到的水滴平均体积直径误差率和液态水含量误差率较小，精度较高。
作为一种可选实施方式，将结冰试验得到的工况参数和结冰图像输入第一多层感知机、卷积神经网络，经过特征融合后输入第二多层感知机，通过将云雾场参数辨识值与云雾场参数真实值的差值除以数值计算时采取的取值范围，从而获取云雾场参数误差率，根据云雾场参数误差率判定整个网络的性能和精度。
例如，表2为3种实际工况参数及辨识结果的示例。
表2 3种实际工况参数及辨识结果的示例
Figure 711091DEST_PATH_IMAGE009
可以看出，通过本申请提供的方法得到的水滴平均体积直径误差率和液态水含量误差率较小，精度较高。
如图4所示，图4为实际工况参数下的冰形一。401为翼型，402为表2中的编号1的实际工况参数下的冰形。
如图5所示，图5为实际工况参数下的冰形二。401为翼型，403为表2中的编号2的实际工况参数下的冰形。
如图6所示，图6为实际工况参数下的冰形三。401为翼型，404为表2中的编号3的实际工况参数下的冰形。
步骤S130：根据所述工况参数、所述结冰图像、训练完成的所述第一多层感知机、卷积神经网络和第二多层感知机，获得所述云雾场参数辨识值。
在本申请实施例中，在第一多层感知机、卷积神经网络和第二多层感知机训练完成之后，使用第一多层感知机、卷积神经网络和第二多层感知机获取结冰风洞云雾场参数时，输入的结冰图像是在结冰试验后手工绘制或采用大型专用仪器得到。
本申请实施例提供的结冰风洞云雾场参数获取方法，通过训练第一多层感知机、卷积神经网络和第二多层感知机以获取云雾场参数，采用参数辨识的方法，在训练完成之后，无需使用测量设备对云雾场参数进行直接测量，对结冰风洞云雾场参数的获取更简单、成本更低，可以根据试验需求周期性测量，精度更高。
实施例2
请参考图7，图7示出了本申请实施例2提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质700中存储有程序代码710，所述程序代码710可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质700可以是诸如闪存、EEPROM（电可擦除可编程只读存储器）、EPROM（可擦除可编程只读存储器）、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质700包括非易失性计算机可读存储介质（non-transitory computer-readablestorage medium）。计算机可读存储介质700具有执行上述方法中的任何方法步骤的程序代码710的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读取或者写入到这一个或者多个计算机程序产品中。程序代码710可以例如以适当形式进行压缩。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种结冰风洞云雾场参数获取方法，其特征在于，所述方法包括：S110.根据工况参数对第一多层感知机进行训练，并根据所述工况参数下的结冰图像对卷积神经网络进行训练，所述第一多层感知机用于获得参数特征，所述卷积神经网络用于获得冰形轮廓特征；
S120.将所述第一多层感知机获得的参数特征和所述卷积神经网络获得的冰形轮廓特征进行特征融合，根据融合后的特征对第二多层感知机进行训练，所述第二多层感知机用于获得云雾场参数辨识值；
S130.根据所述工况参数、所述结冰图像、训练完成的所述第一多层感知机、卷积神经网络和第二多层感知机，获得所述云雾场参数辨识值；
所述云雾场参数辨识值包括液态水含量和/或水滴平均体积直径；
所述工况参数包括：飞行攻角、来流速度、来流温度以及结冰时长中的至少一种。
2.根据权利要求1所述的结冰风洞云雾场参数获取方法，其特征在于，步骤S120还包括：
根据决定系数或预设损失函数确定所述参数特征和所述冰形轮廓特征进行特征融合时的特征比例。
3.根据权利要求1或2所述的结冰风洞云雾场参数获取方法，其特征在于，所述卷积神经网络采用ReLU激活函数产生池化特征图。
4.根据权利要求3所述的结冰风洞云雾场参数获取方法，其特征在于，所述第一多层感知机采用sigmoid函数或tanh函数作为输入层到隐藏层的传递函数，以及作为隐藏层到输出层的传递函数。
5.根据权利要求4所述的结冰风洞云雾场参数获取方法，其特征在于，所述第二多层感知机采用sigmoid函数或tanh函数作为输入层到隐藏层的传递函数，并采用softmax函数作为隐藏层到输出层的传递函数。
6.根据权利要求5所述的结冰风洞云雾场参数获取方法，其特征在于，步骤S110还包括：
通过所述工况参数和云雾场参数采样值，结合结冰数值计算方法，获取所述结冰图像；
和/或：
通过在所述工况参数下进行结冰试验，通过手工绘制的方法，获取所述结冰图像。
7.根据权利要求6所述的结冰风洞云雾场参数获取方法，其特征在于，所述步骤S110还包括：
对所述工况参数进行均值标准差归一化的预处理，并对所述结冰图像进行填充灰度化的预处理。
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中存储有程序代码，所述程序代码可被处理器调用执行所述权利要求1-7任一项所述方法。
CN202211195363.6A 2022-09-29 2022-09-29 一种结冰风洞云雾场参数获取方法和存储介质 Active CN115311535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211195363.6A CN115311535B (zh) 2022-09-29 2022-09-29 一种结冰风洞云雾场参数获取方法和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211195363.6A CN115311535B (zh) 2022-09-29 2022-09-29 一种结冰风洞云雾场参数获取方法和存储介质

Publications (2)

Publication Number Publication Date
CN115311535A CN115311535A (zh) 2022-11-08
CN115311535B true CN115311535B (zh) 2022-12-30

Family

ID=83866611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211195363.6A Active CN115311535B (zh) 2022-09-29 2022-09-29 一种结冰风洞云雾场参数获取方法和存储介质

Country Status (1)

Country Link
CN (1) CN115311535B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117238420A (zh) * 2023-11-14 2023-12-15 太原理工大学 一种极薄带力学性能预测方法及装置
CN117890068B (zh) * 2024-03-14 2024-05-24 中国空气动力研究与发展中心低速空气动力研究所 一种结冰云雾颗粒尺寸重构方法及计算机可读存储介质
CN118111663B (zh) * 2024-04-26 2024-07-02 中国空气动力研究与发展中心低速空气动力研究所 一种结冰云雾液滴尺寸和速度同步测量方法及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117858A (zh) * 2017-06-26 2019-01-01 北京金风科创风电设备有限公司 监测风力发电机叶片结冰的方法及装置
CN111396269A (zh) * 2020-06-08 2020-07-10 中国空气动力研究与发展中心低速空气动力研究所 一种多时间步非定常结冰计算方法、系统及存储介质
CN114372960A (zh) * 2021-12-17 2022-04-19 中国民航大学 基于图像理解的飞机地面积冰检测方法、系统、终端及介质
CN114528769A (zh) * 2022-02-25 2022-05-24 中国空气动力研究与发展中心空天技术研究所 超燃冲压发动机燃烧模态智能监测方法及系统
CN114757109A (zh) * 2022-06-14 2022-07-15 中国空气动力研究与发展中心低速空气动力研究所 一种进气道内外结冰参数关系的测试方法、系统和用途
CN114970308A (zh) * 2021-12-30 2022-08-30 成都流体动力创新中心 一种飞机结冰预测方法、系统及计算机程序产品

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8937399B2 (en) * 2007-12-10 2015-01-20 V Squared Wind, Inc. Efficient systems and methods for construction and operation of mobile wind power platforms
EP2859227A4 (en) * 2012-06-07 2016-01-13 Squared Wind Inc V EFFICIENT SYSTEMS AND METHODS FOR THE CONSTRUCTION AND OPERATION OF MOBILE WIND PLATFORMS
CN109544576A (zh) * 2018-11-23 2019-03-29 中国空气动力研究与发展中心低速空气动力研究所 一种基于机器视觉的飞机模型冰形轮廓提取方法
CN111323200B (zh) * 2020-05-11 2020-08-07 中国空气动力研究与发展中心低速空气动力研究所 一种结冰风洞试验冰形面积计算方法
US11458542B2 (en) * 2020-10-30 2022-10-04 Ut-Battelle, Llc Systems and methods for powder bed additive manufacturing anomaly detection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117858A (zh) * 2017-06-26 2019-01-01 北京金风科创风电设备有限公司 监测风力发电机叶片结冰的方法及装置
CN111396269A (zh) * 2020-06-08 2020-07-10 中国空气动力研究与发展中心低速空气动力研究所 一种多时间步非定常结冰计算方法、系统及存储介质
CN114372960A (zh) * 2021-12-17 2022-04-19 中国民航大学 基于图像理解的飞机地面积冰检测方法、系统、终端及介质
CN114970308A (zh) * 2021-12-30 2022-08-30 成都流体动力创新中心 一种飞机结冰预测方法、系统及计算机程序产品
CN114528769A (zh) * 2022-02-25 2022-05-24 中国空气动力研究与发展中心空天技术研究所 超燃冲压发动机燃烧模态智能监测方法及系统
CN114757109A (zh) * 2022-06-14 2022-07-15 中国空气动力研究与发展中心低速空气动力研究所 一种进气道内外结冰参数关系的测试方法、系统和用途

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于深度神经网络的飞机结冰冰形预测模型（英文）";YI Xian等;《Transactions of Nanjing University of Aeronautics and Astronautics》;20210831;第38卷(第4期);第535-544页 *
"基于转置卷积神经网络的翼型结冰冰形图像化预测方法";何磊等;《国防科技大学学报》;20210607;第43卷(第3期);第98-106页 *
攻克重大科技难题――空气动力学国家重点实验室;未知;《科学中国人》;20180305(第05期);第70-71页 *

Also Published As

Publication number Publication date
CN115311535A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115311535B (zh) 一种结冰风洞云雾场参数获取方法和存储介质
CN111414991B (zh) 一种基于多元回归的气象锋面自动识别方法
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
CN110223341B (zh) 一种基于图像识别的智能水位监测方法
CN109978275B (zh) 一种混合cfd和深度学习的极端大风风速预测方法及系统
KR102374002B1 (ko) 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램
CN111144234A (zh) 一种基于深度学习的视频sar目标检测方法
CN112560355A (zh) 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN112329334B (zh) 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN112711816B (zh) 一种基于气象栅格的飞行弹箭弹道修正方法
CN110346605A (zh) 用于基于静压误差修正进行飞机空速校准的方法以及系统
CN112069889A (zh) 民航飞行器轨迹预测方法、电子设备及存储介质
CN115631411A (zh) 基于sten网络对不同环境中的绝缘子破损检测方法
CN111062949A (zh) 一种基于机载激光雷达的电力线点云提取方法
Laurence et al. Wind tunnel results for a distributed flush airdata system
CN111412887B (zh) 一种基于卡尔曼滤波的攻角、侧滑角辨识方法
CN117950082A (zh) 一种基于微地形的深度学习气象数据预报方法及装置
CN110824478B (zh) 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置
CN114646303B (zh) 波导高度的确定方法、装置以及存储介质
CN115855272A (zh) 一种生成近实时逐小时全天候地表温度的方法
CN115080629A (zh) 一种基于遥感技术的气象要素预报系统及方法
CN107886049A (zh) 一种基于摄像探头的能见度识别预警方法
CN112508441B (zh) 基于深度学习三维重建的城市高密度区室外热舒适评价方法
CN112001035B (zh) 基于特征工程与岭回归机翼结构变形重构方法

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