CN115526276A - 一种具有鲁棒性的风洞天平校准载荷预测方法 - Google Patents

一种具有鲁棒性的风洞天平校准载荷预测方法 Download PDF

Info

Publication number
CN115526276A
CN115526276A CN202211394843.5A CN202211394843A CN115526276A CN 115526276 A CN115526276 A CN 115526276A CN 202211394843 A CN202211394843 A CN 202211394843A CN 115526276 A CN115526276 A CN 115526276A
Authority
CN
China
Prior art keywords
data
load
prediction
representing
error
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.)
Pending
Application number
CN202211394843.5A
Other languages
English (en)
Inventor
王碧玲
刘博宇
沈力华
周灏
李小刚
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.)
AVIC Shenyang Aerodynamics Research Institute
Original Assignee
AVIC Shenyang Aerodynamics Research Institute
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 AVIC Shenyang Aerodynamics Research Institute filed Critical AVIC Shenyang Aerodynamics Research Institute
Priority to CN202211394843.5A priority Critical patent/CN115526276A/zh
Publication of CN115526276A publication Critical patent/CN115526276A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本申请公开了一种具有鲁棒性的风洞天平校准载荷预测方法，属于航空航天气动力风洞试验技术领域。解决了现有预测方法无法规避异常数据对天平静态校准的影响，抗干扰能力低，采用求取模型系数的单一的预测模型，使得模型预测精度存在局限性的问题。技术要点：采集与获取加载数据，对不同分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并将其剔除掉；预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归、Bp神经网络对误差进行建模，实现误差补偿，获得组合优化模型，预测载荷F与实际载荷对比，判断校准精度，针对不同的天平分量，得到各天平分量天平预测模型。本申请提高了预测模型的抗干扰能力和鲁棒性。

Description

一种具有鲁棒性的风洞天平校准载荷预测方法
技术领域
本申请涉及一种风洞天平校准载荷预测方法，尤其涉及一种具有鲁棒性的风洞天平校准载荷预测方法，属于航空航天气动力风洞试验技术领域。
背景技术
风洞天平是风洞试验中测量模型受力的传感器，是风洞试验的核心传感器。风洞天平对作用在飞行器模型上气动载荷测量的精度不仅取决于天平设计加工完成后本身具有的基本性能，更为重要的是取决于天平地面静态校准的精度，而制约天平静态校准主要因素则是风洞天平校准载荷预测方法，这直接影响了风洞试验中得到载荷的准确度，进而影响飞行器性能。风洞天平静态校准的含义是：风洞天平受载时会发生弹性变形，变形量和载荷大小有关，弹性变形改变电桥中应变片的电阻，进而改变电压，风洞天平静态校准就是标定出电压和载荷的函数关系，在后续的风洞试验中根据测量电压实现对载荷的预测。
目前通用的风洞天平载荷预测方法无论对于常规天平还是载荷不匹配天平，主要采用最小二乘法形式建立载荷计算模型，该校准模型形式及校准方法对于常规天平校准，能够满足校准精度要求。但是由于温度、压力等影响，使得输出的电压数据含有一定噪声，现有的最小二乘法极易受到噪声的干扰，这极大地影响了校准精度。
综合上述现有的风洞天平载荷预测方法无法规避异常数据对天平静态校准的影响，抗干扰能力低，采用求取模型系数的单一的预测模型，使得模型预测精度存在局限性。
发明内容
有鉴于此，本申请提供一种具有鲁棒性的风洞天平校准载荷预测方法，以解决现有风洞天平载荷预测方法无法规避异常数据对天平静态校准的影响，抗干扰能力低，采用求取模型系数的单一的预测模型，使得模型预测精度存在局限性的问题，本申请采用以模糊均值方法、Bp神经网络、贝叶斯回归及支持向量机方法，以天平多元加载数据为基础，去除输入电压数据的噪声，读取优化后的电压数据，得到电压数据预测结果后，与加载载荷对比得到误差，再构建映射实际载荷-误差的关系，实现误差补偿，经过组合模型训练验证后，针对不同分量，选取最优的模型，进而得到一种具有鲁棒性和误差补偿能力的二阶段预测方法，从而提高预测模型的抗干扰能力和预测精度。
本申请的技术方案是这样实现的：
一种具有鲁棒性的风洞天平校准载荷预测方法，包括：
步骤一，采集与获取加载数据，按照如下数据格式进行分类提取校准加载数据：（
Figure 369305DEST_PATH_IMAGE001
,
Figure 20866DEST_PATH_IMAGE002
），其中，
Figure 269445DEST_PATH_IMAGE003
，
Figure 133496DEST_PATH_IMAGE004
，
Figure 416709DEST_PATH_IMAGE005
表示阻力 分量，
Figure 708013DEST_PATH_IMAGE006
表示升力分量，
Figure 443888DEST_PATH_IMAGE007
表示侧向力分量，
Figure 377209DEST_PATH_IMAGE008
表示滚转力矩分量，
Figure 747885DEST_PATH_IMAGE009
表示偏航力矩 分量，
Figure 475670DEST_PATH_IMAGE010
表示俯仰力矩分量，
Figure 698841DEST_PATH_IMAGE011
表示测量得到原始电压数据，
Figure 170274DEST_PATH_IMAGE012
表示组桥后每分 量电压数据，
Figure 162500DEST_PATH_IMAGE013
表示组桥后每组电压数据；对电压数据组桥，获得输入值：
Figure 326765DEST_PATH_IMAGE014
（公式一）
公式一中，
Figure 771653DEST_PATH_IMAGE015
表示组桥后阻力分量电压数据，
Figure 781198DEST_PATH_IMAGE016
表示组桥后升力分量电压 数据，
Figure 893510DEST_PATH_IMAGE017
表示组桥后侧向力分量电压数据，
Figure 196053DEST_PATH_IMAGE018
表示组桥后滚转力矩分量电压数据，
Figure 659396DEST_PATH_IMAGE019
表示组桥后偏航力矩分量电压数据，
Figure 207052DEST_PATH_IMAGE020
表示组桥后俯仰力矩分量电压数据；
步骤二，对不同天平分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并剔除掉隶属度低的数据，获得最小二乘法预测输入数据；具体地：
输入数据：
Figure 173871DEST_PATH_IMAGE021
（公式二）
公式二中，U是由n个数据点
Figure 414359DEST_PATH_IMAGE022
的p个特征的值构成的矩阵，矩阵元 素是输入的组桥电压数据中的电压值；
将n个数据点划分成两类，
Figure 99418DEST_PATH_IMAGE023
为聚类中心集合，
Figure 450765DEST_PATH_IMAGE024
表示划 分数据后的数据类的聚类中心，
Figure 272091DEST_PATH_IMAGE025
表示数据点隶属于
Figure 949060DEST_PATH_IMAGE026
为中心的类别i (i=1~c)的隶属 度，定义隶属度矩阵
Figure 360230DEST_PATH_IMAGE027
，隶属度矩阵表示的是每个样本点属于每个类的程度；
自动判别隶属度低的数据所使用的方法为模糊均值方法，模糊均值的目标函数为：
Figure 249689DEST_PATH_IMAGE028
（公式三）
公式三中，
Figure 191100DEST_PATH_IMAGE029
表示目标函数，m表示加权指数，
Figure 38970DEST_PATH_IMAGE030
表示划分数据后的数据 类的中心，迭代隶属度矩阵W和聚类中心集合V，设置阈值
Figure 433043DEST_PATH_IMAGE031
，用
Figure 126192DEST_PATH_IMAGE032
表示迭代求 解L轮时的隶属度矩阵，当
Figure 656531DEST_PATH_IMAGE033
时，最终的隶属度矩阵W和聚类中心V，使 得目标函数
Figure 409723DEST_PATH_IMAGE034
的值达到最小，即算法收敛时，就得到了各类的聚类中心和各个样 本对于各类的隶属度值，从而完成了模糊聚类划分；根据最终的隶属度矩阵W中元素的取值 实现异常点的去除，获得最小二乘法预测的输入数据；
步骤三，预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归和Bp神经网络对误差进行建模，实现误差补偿，从而获得组合优化模型；具体地：
步骤3.1，完成步骤二后进行组合模型的训练，将步骤二获得的最小二乘法预测的输入数据进行最小二乘法预测，得到预测载荷值f，通过实际载荷值，求得最小二乘法预测结果的误差值；
步骤3.2，使用支持向量机、贝叶斯回归、Bp神经网络智能算法，以最小二乘法预测载荷时的输入数据作为上述三种算法的输入，步骤3.1所述的最小二乘法预测结果的误差值作为上述三种算法输出，分别训练误差补偿模型，输出的误差值e，在载荷验证时，验证时预测载荷F=最小二乘法预测得到出的预测载荷值f+误差补偿模型输出的误差值e；在本申请中，由于应用了三种误差补偿的算法，最小二乘法预测+三种误差补偿的算法形成了组合优化模型，对误差进行分析，实现误差补偿，对误差的直接分析进一步增强了预测载荷的抗干扰能力。
步骤四，验证时预测载荷F与实际载荷对比，计算均方根，选择均方根误差最优结果作为最终结果，判断校准精度；
步骤五，针对不同的天平分量，重复步骤一至步骤四，最终得到各天平分量天平预测模型。
本申请有益效果体现在：
（1）本申请通过无监督学习模糊均值对输入数据进行筛选，去除异常数据，能够减少因震动、压力等因素造成的误差对校准结果的影响，改善天平校准载荷预测的输入数据质量，提高预测模型的抗干扰能力和鲁棒性，本申请可以很好的应用以往数据，进一步提升以往数据校准精度；
（2）本申请基于首次预测载荷结果结合实际载荷值由支持向量机、贝叶斯回归、Bp神经网络对误差进行分析，实现误差补偿，对误差的直接分析进一步增强了预测载荷的抗干扰能力；
（3）本申请基于组合思想，通过集成不同算法的优势，提高风洞天平校准精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是实施例的一种具有鲁棒性的风洞天平校准载荷预测方法的流程图；
图2是本申请与现有最小二乘法均方根误差对比图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例
本申请实施例提供了一种具有鲁棒性的风洞天平校准载荷预测方法（参见图1），包括：
步骤一，采集与获取加载数据，按照如下数据格式进行分类提取校准加载数据：（
Figure 556670DEST_PATH_IMAGE035
,
Figure 552046DEST_PATH_IMAGE036
），其中，
Figure 468049DEST_PATH_IMAGE037
，
Figure 126564DEST_PATH_IMAGE038
，
Figure 760808DEST_PATH_IMAGE039
表示阻 力分量，
Figure 795760DEST_PATH_IMAGE040
表示升力分量，
Figure 566270DEST_PATH_IMAGE041
表示侧向力分量，
Figure 661265DEST_PATH_IMAGE042
表示滚转力矩分量，
Figure 517225DEST_PATH_IMAGE043
表示偏航力 矩分量，
Figure 355868DEST_PATH_IMAGE044
表示俯仰力矩分量，
Figure 980884DEST_PATH_IMAGE045
表示测量得到原始电压数据，
Figure 745316DEST_PATH_IMAGE046
表示组桥后每 分量电压数据，
Figure 822993DEST_PATH_IMAGE047
表示组桥后每组电压数据；对电压数据组桥，获得输入值：
Figure 730906DEST_PATH_IMAGE048
（公式一）
公式一中，
Figure 210429DEST_PATH_IMAGE049
表示组桥后阻力分量电压数据，
Figure 912806DEST_PATH_IMAGE050
表示组桥后升力分量电 压数据，
Figure 477780DEST_PATH_IMAGE051
表示组桥后侧向力分量电压数据，
Figure 658225DEST_PATH_IMAGE052
表示组桥后滚转力矩分量电压数 据，
Figure 726675DEST_PATH_IMAGE053
表示组桥后偏航力矩分量电压数据，
Figure 599954DEST_PATH_IMAGE054
表示组桥后俯仰力矩分量电压数 据；
步骤二，对不同天平分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并剔除掉隶属度低的数据，获得最小二乘法预测输入数据；具体地：
输入数据：
Figure 150758DEST_PATH_IMAGE055
（公式二）
公式二中，U是由n个数据点
Figure 869316DEST_PATH_IMAGE056
的p个特征的值构成的矩阵，矩阵元 素作为输入的组桥电压数据中的电压值；
将n个数据点划分成两类，
Figure 589010DEST_PATH_IMAGE057
为聚类中心集合，
Figure 367610DEST_PATH_IMAGE058
表示划 分数据后的数据类的聚类中心，
Figure 172755DEST_PATH_IMAGE059
表示数据点隶属于
Figure 429424DEST_PATH_IMAGE060
为中心的类别i的隶属度，定义隶 属度矩阵
Figure 3625DEST_PATH_IMAGE061
，隶属度矩阵表示的是每个样本点属于每个类的程度；
自动判别隶属度低的数据所使用的方法为模糊均值方法，模糊均值的目标函数为：
Figure 953126DEST_PATH_IMAGE062
（公式三）
公式三中，
Figure 714409DEST_PATH_IMAGE063
表示目标函数，m表示加权指数，
Figure 533024DEST_PATH_IMAGE064
表示划分数据后的数据 类的中心，迭代隶属度矩阵W和聚类中心集合V，设置阈值
Figure 961731DEST_PATH_IMAGE065
，用
Figure 82134DEST_PATH_IMAGE066
表示迭代求 解L轮时的隶属度矩阵，当
Figure 861871DEST_PATH_IMAGE067
时，最终的隶属度矩阵W和聚类中心V，使 得目标函数
Figure 725922DEST_PATH_IMAGE068
的值达到最小，即算法收敛时，得到各类的聚类中心和各个样本对 于各类的隶属度值，完成模糊聚类划分；根据最终的隶属度矩阵W中元素的取值实现异常点 的去除，获得最小二乘法预测的输入数据；
步骤三，预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归和Bp神经网络对误差进行建模，实现误差补偿，从而获得组合优化模型；具体地：
步骤3.1，完成步骤二后进行组合模型的训练，将步骤二获得的最小二乘法预测的输入数据进行最小二乘法预测，得到预测载荷值f，通过实际载荷值，求得最小二乘法预测结果的误差值；
步骤3.2，使用支持向量机、贝叶斯回归、Bp神经网络智能算法，以最小二乘法预测载荷时的输入数据作为上述三种算法的输入，步骤3.1所述的最小二乘法预测结果的误差值作为上述三种算法输出，分别训练误差补偿模型，输出的误差值e，在载荷验证时，验证时预测载荷F=最小二乘法预测得到出的预测载荷值f+误差补偿模型输出的误差值e；在本申请中，由于应用了三种误差补偿的算法，最小二乘法预测+三种误差补偿的算法形成了组合优化模型，对误差进行分析，实现误差补偿，对误差的直接分析进一步增强了预测载荷的抗干扰能力。
步骤四，验证时预测载荷F与实际载荷对比，计算均方根，选择均方根误差最优结果作为最终结果，判断校准精度；
步骤五，针对不同的天平分量，重复步骤一至步骤四，最终得到各天平分量天平预测模型。
本实施例的工作原理是：由于最小二乘法原理处理数据时容易受到噪声影响。在预测精度上存在一定局限，也就在一定程度上造成了天平预测很容易受到异常数据的影响。无法真实、充分的反映电压数据到载荷的数据关系。本实施例从二个方面减少预测过程中噪声数据对预测结果造成的影响。一方面，需要精确输入的数据，这意味着要对原数据进行筛选，分离具有噪声的点，本实施例对不同天平分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并剔除掉隶属度低的数据，获得最小二乘法预测输入数据，可以输出具有良好效果的预测值；另一方面，以支持向量机、Bp神经网络、贝叶斯回归为智能优化算法对误差建模，通过对误差的分析使得精度进一步提升，相比最小二乘法，本实施例具有较好的鲁棒性。
本实施例以某型号的风洞天平校准载荷预测为例，说明所提出的多分量天平载荷预测方法精度与最小二乘法预测精度比较如下：
Figure 743556DEST_PATH_IMAGE069
由上表及图2可以看出，使用本实施例对载荷预测，其精度相对于现有技术的最小二乘法有明显提升。
以上所述的实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的实施例而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (3)

1.一种具有鲁棒性的风洞天平校准载荷预测方法，其特征在于，包括：
步骤一，采集与获取加载数据，按照如下数据格式进行分类提取校准加载数据：（
Figure 411107DEST_PATH_IMAGE002
,
Figure 215115DEST_PATH_IMAGE004
），其中，
Figure 662146DEST_PATH_IMAGE006
，
Figure 475381DEST_PATH_IMAGE008
，
Figure 442200DEST_PATH_IMAGE010
表示阻力分量，
Figure 417109DEST_PATH_IMAGE012
表示升力分量，
Figure 554699DEST_PATH_IMAGE014
表示侧向力分量，
Figure 906045DEST_PATH_IMAGE016
表示滚转力矩分量，
Figure 727371DEST_PATH_IMAGE018
表示偏航力矩分量，
Figure 480756DEST_PATH_IMAGE020
表示俯仰力矩分量，
Figure 387532DEST_PATH_IMAGE022
表示测量得到原始电压数据，
Figure 276991DEST_PATH_IMAGE024
表示组桥后每分量电压数据，
Figure 218402DEST_PATH_IMAGE026
表示组桥后每组电压数据；对电压数据组桥，获得输入值：
Figure 987644DEST_PATH_IMAGE028
（公式一）
公式一中，
Figure 381716DEST_PATH_IMAGE030
表示组桥后阻力分量电压数据，
Figure 74865DEST_PATH_IMAGE032
表示组桥后升力分量电压数据，
Figure 120051DEST_PATH_IMAGE034
表示组桥后侧向力分量电压数据，
Figure 138822DEST_PATH_IMAGE036
表示组桥后滚转力矩分量电压数据，
Figure 20191DEST_PATH_IMAGE038
表示组桥后偏航力矩分量电压数据，
Figure 251452DEST_PATH_IMAGE040
表示组桥后俯仰力矩分量电压数据；
步骤二，对不同天平分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并剔除掉隶属度低的数据，获得最小二乘法预测输入数据；
步骤三，预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归和Bp神经网络对误差进行建模，实现误差补偿，从而获得组合优化模型；
步骤四，验证时预测载荷F与实际载荷对比，计算均方根，选择均方根误差最优结果作为最终结果，判断校准精度；
步骤五，针对不同的天平分量，重复步骤一至步骤四，最终得到各天平分量天平预测模型。
2.根据权利要求1所述的一种具有鲁棒性的风洞天平校准载荷预测方法，其特征在于，所述步骤二，具体步骤为：
输入数据：
Figure 151143DEST_PATH_IMAGE042
（公式二）
公式二中，U是由n个数据点
Figure 278499DEST_PATH_IMAGE044
的p个特征的值构成的矩阵，矩阵元素作为输入的组桥电压数据中的电压值；
将n个数据点划分成两类，
Figure 647164DEST_PATH_IMAGE046
为聚类中心集合，
Figure 934313DEST_PATH_IMAGE048
表示划分数据后的数据类的聚类中心，
Figure 439244DEST_PATH_IMAGE050
表示数据点隶属于
Figure 799818DEST_PATH_IMAGE052
为中心的类别i的隶属度，定义隶属度矩阵
Figure 655779DEST_PATH_IMAGE054
，隶属度矩阵表示的是每个样本点属于每个类的程度；
自动判别隶属度低的数据所使用的方法为模糊均值方法，模糊均值的目标函数为：
Figure 478110DEST_PATH_IMAGE056
（公式三）
公式三中，
Figure 306389DEST_PATH_IMAGE058
表示目标函数，m表示加权指数，
Figure 572285DEST_PATH_IMAGE060
表示划分数据后的数据类的中心，迭代隶属度矩阵W和聚类中心集合V，设置阈值
Figure 899230DEST_PATH_IMAGE062
，用
Figure 807143DEST_PATH_IMAGE064
表示迭代求解L轮时的隶属度矩阵，当
Figure DEST_PATH_IMAGE066
时，最终的隶属度矩阵W和聚类中心V，使得目标函数
Figure DEST_PATH_IMAGE068
的值达到最小，即算法收敛时，得到各类的聚类中心和各个样本对于各类的隶属度值，完成模糊聚类划分；根据最终的隶属度矩阵W中元素的取值实现异常点的去除，获得最小二乘法预测的输入数据。
3.根据权利要求2所述的一种具有鲁棒性的风洞天平校准载荷预测方法，其特征在于，所述步骤三，具体步骤为：
步骤3.1，完成步骤二后进行组合模型的训练，将步骤二获得的最小二乘法预测的输入数据进行最小二乘法预测，得到预测载荷值f，通过实际载荷值，求得最小二乘法预测结果的误差值；
步骤3.2，使用支持向量机、贝叶斯回归、Bp神经网络智能算法，以最小二乘法预测载荷时的输入数据作为上述三种算法的输入，步骤3.1所述的最小二乘法预测结果的误差值作为上述三种算法输出，分别训练误差补偿模型，输出的误差值e，在载荷验证时，验证时预测载荷F=最小二乘法预测得到出的预测载荷值f+误差补偿模型输出的误差值e；在本申请中，由于应用了三种误差补偿的算法，最小二乘法预测+三种误差补偿的算法形成了组合优化模型，对误差进行分析，实现误差补偿，对误差的直接分析进一步增强了预测载荷的抗干扰能力。
CN202211394843.5A 2022-11-09 2022-11-09 一种具有鲁棒性的风洞天平校准载荷预测方法 Pending CN115526276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211394843.5A CN115526276A (zh) 2022-11-09 2022-11-09 一种具有鲁棒性的风洞天平校准载荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211394843.5A CN115526276A (zh) 2022-11-09 2022-11-09 一种具有鲁棒性的风洞天平校准载荷预测方法

Publications (1)

Publication Number Publication Date
CN115526276A true CN115526276A (zh) 2022-12-27

Family

ID=84705046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211394843.5A Pending CN115526276A (zh) 2022-11-09 2022-11-09 一种具有鲁棒性的风洞天平校准载荷预测方法

Country Status (1)

Country Link
CN (1) CN115526276A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305588A (zh) * 2023-05-17 2023-06-23 中国航空工业集团公司沈阳空气动力研究所 一种风洞试验数据异常检测方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305588A (zh) * 2023-05-17 2023-06-23 中国航空工业集团公司沈阳空气动力研究所 一种风洞试验数据异常检测方法、电子设备及存储介质
CN116305588B (zh) * 2023-05-17 2023-08-11 中国航空工业集团公司沈阳空气动力研究所 一种风洞试验数据异常检测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN110659722B (zh) 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN116090111B (zh) 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN117349683B (zh) 基于光谱数据的汽车配件涂装色差异常检测系统
CN112557034A (zh) 一种基于pca_cnns的轴承故障诊断方法
CN112307579B (zh) 基于温度综合信息的热误差温度敏感点选择方法及系统
CN108846200B (zh) 一种基于迭代法的准静态桥梁影响线识别方法
CN114398049A (zh) 一种离散制造车间数字孪生模型自适应动态更新方法
CN112464409B (zh) 车辆性能参数设定方法及装置
CN115526276A (zh) 一种具有鲁棒性的风洞天平校准载荷预测方法
CN114781245B (zh) 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN110705114B (zh) 一种无训练样本的通风故障诊断方法
CN111985158A (zh) 一种基于迁移学习的电液伺服阀故障诊断方法及系统
CN116519206A (zh) 基于深度学习的压力传感器校准系统及方法
CN111380649A (zh) 基于pso优化lssvm的车用多维力传感器解耦方法
CN114970698B (zh) 一种基于改进lwpls的计量设备运行性能预测方法
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法
CN112747773B (zh) 基于Allan方差和随机多项式提高陀螺仪精度的方法
CN113108949B (zh) 一种基于模型融合的探空仪温度传感器误差预测方法
CN114814707A (zh) 一种智能电表应力误差分析方法、设备、终端及可读介质
CN106951671B (zh) 一种基于振动信息的潜油电泵装配质量等级分类方法
CN112275439A (zh) 水泥生料立磨压差软测量建模方法、存储介质及系统

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