CN116305588B - 一种风洞试验数据异常检测方法、电子设备及存储介质 - Google Patents

一种风洞试验数据异常检测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN116305588B
CN116305588B CN202310553629.8A CN202310553629A CN116305588B CN 116305588 B CN116305588 B CN 116305588B CN 202310553629 A CN202310553629 A CN 202310553629A CN 116305588 B CN116305588 B CN 116305588B
Authority
CN
China
Prior art keywords
wind tunnel
test data
tunnel test
prediction model
data
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
CN202310553629.8A
Other languages
English (en)
Other versions
CN116305588A (zh
Inventor
李鸿岩
姜延鑫
刘哲
王祥云
郭承鹏
张小亮
崔榕峰
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 CN202310553629.8A priority Critical patent/CN116305588B/zh
Publication of CN116305588A publication Critical patent/CN116305588A/zh
Application granted granted Critical
Publication of CN116305588B publication Critical patent/CN116305588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

一种风洞试验数据异常检测方法、电子设备及存储介质，属于风洞试验技术领域。为解决风洞试验数据分析方法存在异常检测准确性低，实时性差的问题。本发明采集不同来流条件下的风洞试验数据，并对采集的风洞试验数据进行预处理，划分为风洞试验数据训练集、风洞试验数据测试集，使用梯度提升算法构建预测模型，然后对构建的预测模型进行验证，计算风洞试验数据训练集预测值与真实值之间的残差，通过3准则计算残差目标取值范围，采集实时风洞试验数据，基于预测模型确定风洞试验数据预测值与实时风洞试验数据之间的残差是否满足残差目标取值范围进行判断风洞试验数据是否为正常数据。本发明快速输出异常检测结果，节省数据分析时间。

Description

一种风洞试验数据异常检测方法、电子设备及存储介质
技术领域
本发明属于风洞试验技术领域，具体涉及一种风洞试验数据异常检测方法、电子设备及存储介质。
背景技术
风洞试验是获取飞行器气动特性的重要手段，能够为气动设计人员提供大量可靠的试验数据。因此，对风洞试验数据进行准确分析至关重要。
传统的风洞试验数据分析方法主要为绘制Excel表格对风洞试验数据逐车次进行分析，人为判断数据是否出现异常，且异常检测的准确性取决于现场试验人员的专业能力和经验，容易造成正常数据的误判和异常数据的遗漏。尤其是对于连续式跨声速风洞，单位时间内的试验车次数较暂冲式风洞明显增多，试验人员无法实时分析所有车次的数据，在已经进行了数次风洞试验才能发现异常，造成风洞试验成本与人力资源的浪费，亟需解决现有风洞试验数据异常检测方法准确性低，实时性差的问题。
发明内容
本发明要解决的问题是风洞试验数据分析方法存在异常检测准确性低，实时性差的问题，提出一种风洞试验数据异常检测方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种风洞试验数据异常检测方法，包括如下步骤：
S1、采集不同来流条件下的风洞试验数据，并对采集的风洞试验数据进行预处理，划分为风洞试验数据训练集、风洞试验数据测试集；
S2、基于步骤S1得到的风洞试验数据训练集使用梯度提升算法构建预测模型，然后基于步骤S1得到的风洞试验数据测试集对构建的预测模型进行验证；
S3、基于步骤S2得到的预测模型计算风洞试验数据训练集预测值与真实值之间的残差，通过3准则计算残差目标取值范围；
S4、采集实时风洞试验数据，基于步骤S2得到的预测模型确定风洞试验数据预测值与实时风洞试验数据之间的残差是否满足步骤S3得到的残差目标取值范围，判断为是则实时风洞试验数据为正常数据，判断为否则实时风洞试验数据为异常数据。
进一步的，步骤S1中的风洞试验包括测力试验和测压试验。
进一步的，步骤S1中的风洞试验数据包括来流条件数据和气动力数据，来流条件数据包括马赫数、雷诺数、攻角、侧滑角，气动力数据包括升力系数、阻力系数、侧力系数、俯仰力矩系数、滚转力矩系数、偏航力矩系数、压力系数；
设置来流条件数据集为，/>为第i个变量的来流条件数据，数据预处理公式为：
；
其中，为处理后的第i个变量第j个来流条件数据，/>为处理前的第i个变量第j个来流条件数据，/>为第i个变量的来流条件数据最小值，/>为第i个变量的来流条件数据最大值。
进一步的，步骤S2中构建预测模型的具体实现方法包括如下步骤：
S2.1、构建预测模型的损失函数并生成初始值，设置L为损失函数、为初始预测值，/>为气动力数据真实值,损失函数L的表达式为：
；
通过最小化当前损失函数，以得出初始预测值，则初始化的预测模型/>的表达式为：
；
S2.2、建立回归树对预测模型进行预测分析，设置K为创建回归树的总数量，k为第k个回归树，建立每个回归树的最小化损失函数的表达式为：
；
其中，为第k-1个回归树索引的预测模型；
通过取损失函数相对于之前预测模型的导数得出，得到：
；
S2.3、设置回归树中，z为回归树中的叶子结点，Z为叶子结点的总数，为第k个回归树上的各个叶节点，则第k个回归树上的各个叶节点的损失函数/>表达式为：
；
其中，为第k个回归树上的第z个叶节点的损失函数；
通过求导得出最终结果:
；
；
；
其中是每个叶子节点z中样本的数量，最后求得结果：
；
其中，为第z个叶节点的个数；
S2.4、通过循环添加新的回归树以最小化损失函数，得出优化的，则最终的预测模型表达式为：
；
其中，为学习速率。
进一步的，步骤S2中对构建的预测模型进行验证的具体实现方法包括如下步骤：
S2.5、设置预测模型的超参数，包括学习率、叶子节点数、最大深度、弱学习器最大迭代次数；
S2.6、设置预测模型的目标条件为误差评价指标小于或等于第一阈值，设置误差评价指标为预测模型的均方误差，设置第一阈值为预测模型超参数调整前后均方误差的最小值；
均方误差的计算公式为：
；
其中，n为样本个数，为气动力数据预测值；
S2.7、利用贝叶斯超参数优化方法对预测模型进行超参数调整，优化目标为均方误差最小。
进一步的，步骤S3通过3准则确定残差的目标取值范围是指通过3/>准则确定残差的目标取值范围为/>，其中，/>为残差的标准差，具体实现方法包括如下步骤：
S3.1、若残差满足正态分布，则通过3准则确定残差的目标取值范围为/>；
S3.2、若残差不满足正态分布，则确定残差的目标取值范围为；
，其中，k为经验系数，k的取值范围为[1，5]。
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种风洞试验数据异常检测方法的步骤。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种风洞试验数据异常检测方法。
本发明的有益效果为：
本发明所述的一种风洞试验数据异常检测方法，通过建立历史风洞试验正常数据的Gradient Boosting预测模型，通过3准则确定残差的目标取值范围，判断实时风洞试验数据与其对应预测值之间的残差是否满足目标取值范围，从而确定实时风洞试验数据是否异常。
本发明所述的一种风洞试验数据异常检测方法，利用3准则能够基于残差的统计学分布特征，更加准确的确定残差的目标取值范围，从而使得异常检测准确性更高。本发明基于实时风洞试验数据实时进行异常检测，从而更加快速的输出异常检测结果，节省风洞试验数据分析时间。
附图说明
图1为本发明所述的一种风洞试验数据异常检测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1详细说明如下：
具体实施方式一：
一种风洞试验数据异常检测方法，包括如下步骤：
S1、采集不同来流条件下的风洞试验数据，并对采集的风洞试验数据进行预处理，划分为风洞试验数据训练集、风洞试验数据测试集；
进一步的，步骤S1中的风洞试验包括测力试验和测压试验；
进一步的，步骤S1中的风洞试验数据包括来流条件数据和气动力数据，来流条件数据包括马赫数、雷诺数、攻角、侧滑角，气动力数据包括升力系数、阻力系数、侧力系数、俯仰力矩系数、滚转力矩系数、偏航力矩系数、压力系数；
设置来流条件数据集为，/>为第i个变量的来流条件数据，数据预处理公式为：
；
其中，为处理后的第i个变量第j个来流条件数据，/>为处理前的第i个变量第j个来流条件数据，/>为第i个变量的来流条件数据最小值，/>为第i个变量的来流条件数据最大值；
进一步的，风洞试验数据训练集、风洞试验数据测试集的划分比例为8:2或7:3；
S2、基于步骤S1得到的风洞试验数据训练集使用梯度提升算法构建预测模型，然后基于步骤S1得到的风洞试验数据测试集对构建的预测模型进行验证；
上述梯度提升算法（Gradient Boosting模型）是一种基于决策树的梯度提升集成学习算法。其核心为每个决策树学习所有前面的树的残差，不断改进上次训练的结果，从而获得最优解；
进一步的，步骤S2中构建风洞试验数据异常检测模型的具体实现方法包括如下步骤：
S2.1、构建预测模型的损失函数并生成初始值，设置L为损失函数、为初始预测值，/>为气动力数据真实值,损失函数L的表达式为：
；
通过最小化当前损失函数，以得出初始预测值，则初始化的预测模型/>的表达式为：
；
S2.2、建立回归树对预测模型进行预测分析，设置K为创建回归树的总数量，k为第k个回归树，建立每个回归树的最小化损失函数的表达式为：
；
其中，为第k-1个回归树索引的预测模型；
通过取损失函数相对于之前预测模型的导数得出，得到：
；
S2.3、设置回归树中，z为回归树中的叶子结点，Z为叶子结点的总数，为第k个回归树上的各个叶节点，则第k个回归树上的各个叶节点的损失函数/>表达式为：
；
其中，为第k个回归树上的第z个叶节点的损失函数；
通过求导得出最终结果:
=0；
；
；
其中是每个叶子节点z中样本的数量，最后求得结果：
；
其中，为第z个叶节点的个数；
S2.4、通过循环添加新的回归树以最小化损失函数，得出优化的，则最终的预测模型表达式为：
；
其中，为学习速率，取值在0到1之间，决定了每个回归树的贡献度；
进一步的，步骤S2中对构建的风洞试验数据异常检测模型进行验证的具体实现方法包括如下步骤：
S2.5、设置预测模型的超参数，包括学习率、叶子节点数、最大深度、弱学习器最大迭代次数；
S2.6、设置预测模型的目标条件为误差评价指标小于或等于第一阈值，设置误差评价指标为预测模型的均方误差，设置第一阈值为预测模型超参数调整前后均方误差的最小值；
均方误差的计算公式为：
；
其中，n为样本个数，为气动力数据预测值；
S2.7、利用贝叶斯超参数优化方法对预测模型进行超参数调整，优化目标为均方误差最小；
进一步的，均方误差可以替换为最大绝对误差；
进一步的，步骤S2.7中的超参数调整方法为通过风洞试验数据测试集验证预测模型的精度是否满足目标条件，判断为否则调整预测模型超参数，直至满足目标条件；
贝叶斯超参数优化方法首先生成一个初始候选集，在该候选集上寻找下个最可能成为极值的点，将该点添加至候选集合中，不断迭代，在最终的几何中找到最优结果。通过贝叶斯超参数优化方法寻找使目标误差评价指标的最小时的超参数取值。
S3、基于步骤S2得到的预测模型计算风洞试验数据训练集预测值与真实值之间的残差，通过3准则计算残差目标取值范围；
进一步的，步骤S3通过3准则确定残差的目标取值范围是指通过3/>准则确定残差的目标取值范围为/>，其中，/>为残差的标准差，具体实现方法包括如下步骤：
S3.1、若残差满足正态分布，则通过3准则确定残差的目标取值范围为；
S3.2、若残差不满足正态分布，则确定残差的目标取值范围为，其中，k为经验系数，k的取值范围为[1，5]；
进一步的，假设测量值符合正态分布，则测量值在之间的概率为99.73%，
因此该准则能够对异常数据进行判定。若经验系数k取值过大，则多数异常值不能检测，反之，则误判率较高；通过使用3准则，能够基于残差的统计学分布特征更加合理地确定目标取值范围，从而使得预测模型异常数据的判定更加准确，有效降低误判概率。
S4、采集实时风洞试验数据，基于步骤S2得到的预测模型确定风洞试验数据预测值与实时风洞试验数据之间的残差是否满足步骤S3得到的残差目标取值范围，判断为是则实时风洞试验数据为正常数据，判断为否则实时风洞试验数据为异常数据。
本实施方式所述的一种风洞试验数据异常检测方法，适应于如下场景：
场景一：传统风洞试验数据异常检测过程中过于依赖试验人员的专业能力和经验的场景中。
场景二：传统风洞试验数据异常检测过程中通过Excel表格等方法检测的准确性低的场景中。
场景三：连续式跨声速风洞需要实时分析所有车次的数据的场景中。
具体实施方式二：
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种风洞试验数据异常检测方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种风洞试验数据异常检测方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三：
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现具体实施方式一所述的一种风洞试验数据异常检测方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种风洞试验数据异常检测方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (5)

1.一种风洞试验数据异常检测方法，其特征在于，包括如下步骤：
S1、采集不同来流条件下的风洞试验数据，并对采集的风洞试验数据进行预处理，划分为风洞试验数据训练集、风洞试验数据测试集；
步骤S1中的风洞试验数据包括来流条件数据和气动力数据，来流条件数据包括马赫数、雷诺数、攻角、侧滑角，气动力数据包括升力系数、阻力系数、侧力系数、俯仰力矩系数、滚转力矩系数、偏航力矩系数、压力系数；
设置来流条件数据集为X＝{x1,x2,…,xn}，xi为第i个变量的来流条件数据，数据预处理公式为：
其中，为处理后的第i个变量第j个来流条件数据，xij为处理前的第i个变量第j个来流条件数据，min(xi)为第i个变量的来流条件数据最小值，max(xi)为第i个变量的来流条件数据最大值；
S2、基于步骤S1得到的风洞试验数据训练集使用梯度提升算法构建预测模型，然后基于步骤S1得到的风洞试验数据测试集对构建的预测模型进行验证；
步骤S2中构建预测模型的具体实现方法包括如下步骤：
S2.1、构建预测模型的损失函数并生成初始值，设置L为损失函数、α为初始预测值，yi为气动力数据真实值,损失函数L的表达式为：
L＝(yi-a)2
通过最小化当前损失函数，以得出初始预测值α，则初始化的预测模型F0(x)的表达式为：
S2.2、建立回归树对预测模型进行预测分析，设置K为创建回归树的总数量，k为第k个回归树，建立每个回归树的最小化损失函数rik的表达式为：
其中，Fk-1为第k-1个回归树索引的预测模型；
通过取损失函数相对于之前预测模型Fk-1的导数得出，得到：
rik＝yi-Fk-1；
S2.3、设置回归树中，z为回归树中的叶子结点，Z为叶子结点的总数，Pzk为第k个回归树上的各个叶节点，则第k个回归树上的各个叶节点的损失函数αzk表达式为：
其中，αzk为第k个回归树上的第z个叶节点的损失函数；
通过求导得出最终结果:
其中mz是每个叶子节点z中样本的数量，最后求得结果：
其中，nz为第z个叶节点的个数；
S2.4、通过循环添加新的回归树以最小化损失函数，得出优化的αzk，则最终的预测模型表达式为：
其中，l为学习速率；
步骤S2中对构建的预测模型进行验证的具体实现方法包括如下步骤：
S2.5、设置预测模型的超参数，包括学习率、叶子节点数、最大深度、弱学习器最大迭代次数；
S2.6、设置预测模型的目标条件为误差评价指标小于或等于第一阈值，设置误差评价指标为预测模型的均方误差，设置第一阈值为预测模型超参数调整前后均方误差的最小值；
均方误差MSE的计算公式为：
其中，n为样本个数，ypi为气动力数据预测值；
S2.7、利用贝叶斯超参数优化方法对预测模型进行超参数调整，优化目标为均方误差最小；
S3、基于步骤S2得到的预测模型计算风洞试验数据训练集预测值与真实值之间的残差，通过3σ准则计算残差目标取值范围；
S4、采集实时风洞试验数据，基于步骤S2得到的预测模型确定风洞试验数据预测值与实时风洞试验数据之间的残差是否满足步骤S3得到的残差目标取值范围，判断为是则实时风洞试验数据为正常数据，判断为否则实时风洞试验数据为异常数据。
2.根据权利要求1所述的一种风洞试验数据异常检测方法，其特征在于，步骤S1中的风洞试验包括测力试验和测压试验。
3.根据权利要求2所述的一种风洞试验数据异常检测方法，其特征在于，步骤S3通过3σ准则确定残差的目标取值范围是指通过3σ准则确定残差的目标取值范围为[-3σ,3σ]，其中，σ为残差的标准差，具体实现方法包括如下步骤：
S3.1、若残差满足正态分布，则通过3σ准则确定残差的目标取值范围为[-3σ,3σ]；
S3.2、若残差不满足正态分布，则确定残差的目标取值范围为[-kσ,kσ]，其中，k为经验系数，k的取值范围为[1，5]。
4.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-3任一项所述的一种风洞试验数据异常检测方法的步骤。
5.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任一项所述的一种风洞试验数据异常检测方法。
CN202310553629.8A 2023-05-17 2023-05-17 一种风洞试验数据异常检测方法、电子设备及存储介质 Active CN116305588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310553629.8A CN116305588B (zh) 2023-05-17 2023-05-17 一种风洞试验数据异常检测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310553629.8A CN116305588B (zh) 2023-05-17 2023-05-17 一种风洞试验数据异常检测方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116305588A CN116305588A (zh) 2023-06-23
CN116305588B true CN116305588B (zh) 2023-08-11

Family

ID=86798098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310553629.8A Active CN116305588B (zh) 2023-05-17 2023-05-17 一种风洞试验数据异常检测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116305588B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120265A (zh) * 2019-04-29 2019-08-13 天津大学 基于多维特征和模型融合的提高预测血尿酸精度的方法
CN111061620A (zh) * 2019-12-27 2020-04-24 福州林科斯拉信息技术有限公司 一种混合策略的服务器异常智能检测方法及检测系统
CN112362292A (zh) * 2020-10-30 2021-02-12 北京交通大学 对风洞试验数据进行异常检测的方法
CN114754973A (zh) * 2022-05-23 2022-07-15 中国航空工业集团公司哈尔滨空气动力研究所 基于机器学习的风洞测力试验数据智能诊断与分析方法
CN115526276A (zh) * 2022-11-09 2022-12-27 中国航空工业集团公司沈阳空气动力研究所 一种具有鲁棒性的风洞天平校准载荷预测方法
CN115640749A (zh) * 2022-10-25 2023-01-24 成都大学 覆冰导线动态气动力系数预测方法及计算机可存储介质
WO2023009027A1 (ru) * 2021-07-30 2023-02-02 Публичное Акционерное Общество "Газпром Нефть" (Пао "Газпромнефть") Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
CN115758893A (zh) * 2022-11-23 2023-03-07 国网重庆市电力公司电力科学研究院 架空覆冰导线气动系数预测方法、装置、设备及存储介质
CN115938496A (zh) * 2022-12-23 2023-04-07 湖北神力汽车零部件股份有限公司 基于XGBoost算法的质量预估方法
CN115979568A (zh) * 2022-12-13 2023-04-18 中国航空工业集团公司沈阳空气动力研究所 高超声速风洞的温度场预测方法、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120265A (zh) * 2019-04-29 2019-08-13 天津大学 基于多维特征和模型融合的提高预测血尿酸精度的方法
CN111061620A (zh) * 2019-12-27 2020-04-24 福州林科斯拉信息技术有限公司 一种混合策略的服务器异常智能检测方法及检测系统
CN112362292A (zh) * 2020-10-30 2021-02-12 北京交通大学 对风洞试验数据进行异常检测的方法
WO2023009027A1 (ru) * 2021-07-30 2023-02-02 Публичное Акционерное Общество "Газпром Нефть" (Пао "Газпромнефть") Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
CN114754973A (zh) * 2022-05-23 2022-07-15 中国航空工业集团公司哈尔滨空气动力研究所 基于机器学习的风洞测力试验数据智能诊断与分析方法
CN115640749A (zh) * 2022-10-25 2023-01-24 成都大学 覆冰导线动态气动力系数预测方法及计算机可存储介质
CN115526276A (zh) * 2022-11-09 2022-12-27 中国航空工业集团公司沈阳空气动力研究所 一种具有鲁棒性的风洞天平校准载荷预测方法
CN115758893A (zh) * 2022-11-23 2023-03-07 国网重庆市电力公司电力科学研究院 架空覆冰导线气动系数预测方法、装置、设备及存储介质
CN115979568A (zh) * 2022-12-13 2023-04-18 中国航空工业集团公司沈阳空气动力研究所 高超声速风洞的温度场预测方法、电子设备及存储介质
CN115938496A (zh) * 2022-12-23 2023-04-07 湖北神力汽车零部件股份有限公司 基于XGBoost算法的质量预估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梯度提升树(GBDT)算法超详细版本;旅途中的宽~;CSDN;全文 *

Also Published As

Publication number Publication date
CN116305588A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN108549954B (zh) 风险模型训练方法、风险识别方法、装置、设备及介质
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN109085469A (zh) 一种用于识别电缆局部放电信号的信号类型的方法及系统
CN109188502B (zh) 一种基于自编码器的束流位置监测器异常检测方法及装置
CN110444011B (zh) 交通流高峰识别方法、装置、电子设备及存储介质
CN108256738B (zh) 道岔动作参考曲线选取方法及其应用
CN109902697B (zh) 多目标检测方法、装置及移动终端
CN110879927B (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN112149898A (zh) 故障率预测模型的训练、故障率预测方法及相关装置
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN111967535A (zh) 一种储粮管理场景温度传感器故障诊断方法及其诊断装置
CN116167010B (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN116229380A (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN111915595A (zh) 图像质量评价方法、图像质量评价模型的训练方法和装置
CN117540153B (zh) 一种隧道监测数据预测方法及系统
CN114330486A (zh) 基于改进Wasserstein GAN的电力系统不良数据辨识方法
CN116305588B (zh) 一种风洞试验数据异常检测方法、电子设备及存储介质
CN110704678B (zh) 评估排序方法、评估排序系统、计算机装置及储存介质
CN110751201B (zh) 基于纹理特征变换的sar装备任务失效成因推理方法
CN116740586A (zh) 冰雹识别方法、装置、电子设备及计算机可读存储介质
CN116739172A (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN113239075B (zh) 一种施工数据自检方法及系统
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN115659323A (zh) 一种基于信息熵理论结合卷积神经网络的入侵检测方法
CN114970698A (zh) 一种基于改进lwpls的计量设备运行性能预测方法

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