CN116822059A - 一种基于偏差分类的飞行器性能参数预测方法及装置 - Google Patents

一种基于偏差分类的飞行器性能参数预测方法及装置 Download PDF

Info

Publication number
CN116822059A
CN116822059A CN202310864752.1A CN202310864752A CN116822059A CN 116822059 A CN116822059 A CN 116822059A CN 202310864752 A CN202310864752 A CN 202310864752A CN 116822059 A CN116822059 A CN 116822059A
Authority
CN
China
Prior art keywords
sample
test sample
aircraft
prediction model
prediction
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
CN202310864752.1A
Other languages
English (en)
Inventor
朱浩
孙俊杰
张君豪
郭海洲
王舒婷
蔡国飙
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202310864752.1A priority Critical patent/CN116822059A/zh
Publication of CN116822059A publication Critical patent/CN116822059A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种基于偏差分类的飞行器性能参数预测方法及装置，该方法包括：获取多个测试样本；将每个测试样本分别输入至计算流体力学预测模型、第一变精度预测模型和第二变精度预测模型，获得与该测试样本对应的第一飞行器性能参数、第二飞行器性能参数、第三飞行器性能参数，基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定该测试样本的预测偏差；按照预测偏差，将多个测试样本划分至第一样本集合和第二样本集合，构建第一样本集合与第一变精度预测模型的第一对应关系以及第二样本集合与第二变精度预测模型的第二对应关系；利用第一对应关系和第二对应关系对飞行器实时状态参数进行飞行器性能参数的预测。

Description

一种基于偏差分类的飞行器性能参数预测方法及装置
技术领域
本申请涉及飞行器技术领域，尤其涉及一种基于偏差分类的飞行器性能参数预测方法及装置。
背景技术
现有技术中，通过工程公式预测模型预测飞行器性能参数，或者通过计算流体力学预测模型预测飞行器性能参数。其中，工程公式预测模型的计算效率高但预测精度较低，会影响优化结果的准确性；计算流体力学预测模型虽然提高了预测精度，缩短了模型后期优化时调用模型时间，但在前期需要进行大量CFD计算，且对预测模型的数据集外的外推结果预测精度较差。
发明内容
有鉴于此，本申请的目的在于至少提供一种基于偏差分类的飞行器性能参数预测方法及装置，通过将每个飞行器历史状态参数分别输入至计算流体力学预测模型、第一变精度预测模型和第二变精度预测模型，基于各个预测模型输出的结果确定预测偏差，基于预测偏差确定各个变精度预测模型对应的样本集合，基于各个变精度预测模型对应的样本集合的样本参数区间，确定飞行器实时状态参数对应的样本集合，从而将飞行器实时状态参数输入至样本集合对应的预测模型中，得到飞行器性能预测参数，解决了现有技术中工程公式预测模型的预测精度较低，以及计算流体力学预测模型的预测效率较低的技术问题，达到了提高飞行器性能参数的预测精度和预测效率的技术效果。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供一种基于偏差分类的飞行器性能参数预测，方法包括：获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；针对每个测试样本，执行以下处理步骤：将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数，基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
可选地，基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差，包括：确定每个测试样本的第一飞行器性能参数与第二飞行器性能参数之间的第一预测偏差，以及第一飞行器性能参数与第三飞行器性能参数之间的第二预测偏差。
可选地，通过以下步骤将所述多个测试样本划分至第一样本集合和第二样本集合：针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，将该测试样本划分至第一样本集合，在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，将该测试样本划分至第二样本集合。
可选地，方法还包括：针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，计算第一变精度预测模型针对该测试样本对应的预测精度，在该测试样本对应的预测精度小于预设精度时，将该测试样本划分至第一样本集合；针对每个测试样本，在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，计算第二变精度预测模型针对该测试样本对应的预测精度，在该测试样本对应的预测精度小于预设精度时，将该测试样本划分至第二样本集合。
可选地，方法还包括：基于第一样本集合中各测试样本的飞行器历史状态参数，确定第一样本集合的样本参数区间；基于第二样本集合中各测试样本的飞行器历史状态参数，确定第二样本集合的样本参数区间。
可选地，利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测，包括：基于飞行器实时状态参数、第一样本集合的样本参数区间和第二样本集合的样本参数区间，在第一样本集合和第二样本集合中确定飞行器实时状态参数相匹配的目标样本集合；基于所构建的第一对应关系和第二对应关系，确定所述目标样本集合对应的目标变精度预测模型；将所述飞行器实时状态参数输入至所述目标变精度预测模型，得到所述目标变精度预测模型预测的飞机性能参数。
可选地，通过以下步骤确定第一变精度预测模型和第二变精度预测模型：获取多个训练样本，每个训练样本包括一组飞行器历史状态参数；将每个训练样本输入至工程公式预测模型，以得到该训练样本对应的工程公式预测模型输出的第四飞行器性能参数，将该训练样本输入至计算流体力学预测模型，以得到该训练样本对应的计算流体力学预测模型输出的第五飞行器性能参数；基于每个训练样本和该训练样本对应的第四飞行器性能参数与第五飞行器性能参数，分别构建第一变精度预测模型和第二变精度预测模型。
第二方面，本申请实施例还提供一种基于偏差分类的飞行器性能参数预测装置，装置包括：获取模块，用于获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；第一确定模块，用于将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数，第二确定模块，用于基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；构建模块，用于按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；预测模块，用于利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的基于偏差分类的飞行器性能参数预测方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的基于偏差分类的飞行器性能参数预测方法的步骤。
本申请实施例提供的一种基于偏差分类的飞行器性能参数预测方法及装置，该方法包括：获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；针对每个测试样本，执行以下处理步骤：将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数，基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。通过将每个飞行器历史状态参数分别输入至计算流体力学预测模型、第一变精度预测模型和第二变精度预测模型，基于各个预测模型输出的结果确定预测偏差，基于预测偏差确定各个变精度预测模型对应的样本集合，基于各个变精度预测模型对应的样本集合的样本参数区间，确定飞行器实时状态参数对应的样本集合，从而将飞行器实时状态参数输入至样本集合对应的预测模型中，得到飞行器性能预测参数，解决了现有技术中工程公式预测模型的预测精度较低，以及计算流体力学预测模型的预测效率较低的技术问题，达到了提高飞行器性能参数的预测精度和预测效率的技术效果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1示出了本申请实施例所提供的一种基于偏差分类的飞行器性能参数预测方法的流程图。
图2示出了本申请实施例所提供的所提供的利用所构建的第一对应关系和第二对应关系来基于飞行器实时状态参数进行飞行器性能参数的预测的步骤的流程图。
图3示出了本申请实施例所提供的一种基于偏差分类的飞行器性能参数预测装置的功能模块图。
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，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全部其他实施例，都属于本申请保护的范围。
近年来，机械展开式再入飞行器凭借包络约束小、运载效率高、减速效果好等优点广受国内外关注。再入飞行器气动外形设计直接影响到飞行器飞行过程中的减速效果和防热效果，如何高效准确进行设计成为重中之重。
对再入飞行器进行气动计算通常有多种方式，采用基于面元法的气动力工程估算方法计算速度快，效率高，但计算精度较低；采用计算流体力学进行CFD数值仿真求解可以得到飞行器飞行过程中的流场细节，对气动力计算精度高，但需要耗费大量的时间与计算资源，计算效率低。如何能在保证精度的同时提高飞行器气动计算的计算效率，形成准确高效的计算模型对于再入飞行器气动外形优化具有重要意义。
基于此，本申请实施例提供了一种基于偏差分类的飞行器性能参数预测方法及装置，通过将每个飞行器历史状态参数分别输入至计算流体力学预测模型、第一变精度预测模型和第二变精度预测模型，基于各个预测模型输出的结果确定预测偏差，基于预测偏差确定各个变精度预测模型对应的样本集合，基于各个变精度预测模型对应的样本集合的样本参数区间，确定飞行器实时状态参数对应的样本集合，从而将飞行器实时状态参数输入至样本集合对应的预测模型中，得到飞行器性能预测参数，解决了现有技术中工程公式预测模型的预测精度较低，以及计算流体力学预测模型的预测效率较低的技术问题，达到了提高飞行器性能参数的预测精度和预测效率的技术效果，具体如下：
请参阅图1，图1为本申请实施例所提供的一种基于偏差分类的飞行器性能参数预测方法的流程图。如图1所示，本申请实施例提供的基于偏差分类的飞行器性能参数预测方法，包括以下步骤：
S101：获取多个测试样本。
每个测试样本包括一组飞行器历史状态参数。一组飞行器历史状态参数包括：外形参数和飞行工况参数。外形参数包括：飞行器的半径、直径和角度，飞行工况参数包括：飞行器的高度、速度和攻角。
也就是说，每个测试样本包括：一个飞行器的半径、直径、角度、高度、速度和攻角。
针对每个测试样本，执行以下处理步骤：
S102：将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数。
第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数均为各自对应的预测模型输出的预测的飞行器性能参数。飞行器性能参数包括：阻力系数，热流密度。
其中，第一变精度预测模型通过工程公式预测模型和第一精度预测模型组合而成，第二变精度预测模型通过工程公式预测模型和第二精度预测模型组合而成。
第一精度预测模型用于预测计算流体力学预测模型的输出结果与工程公式预测模型的输出结果之间的差值，第二精度预测模型用于预测计算流体力学预测模型的输出结果大于工程公式预测模型的输出结果的百分比。
也就是说，针对每个测试样本，该测试样本对应的第一变精度预测模型输出的结果是该测试样本对应的工程公式预测模型输出的结果与该测试样本对应的第一精度预测模型输出的结果之和，该测试样本对应的第二变精度预测模型输出的结果是该测试样本对应的工程公式预测模型输出的结果与该测试样本对应的第二精度预测模型输出的结果之和。
通过以下步骤确定第一变精度预测模型和第二变精度预测模型：获取多个训练样本，每个训练样本包括一组飞行器历史状态参数；将每个训练样本输入至工程公式预测模型，以得到该训练样本对应的工程公式预测模型输出的第四飞行器性能参数，将该训练样本输入至计算流体力学预测模型，以得到该训练样本对应的计算流体力学预测模型输出的第五飞行器性能参数；基于每个训练样本和该训练样本对应的第四飞行器性能参数与第五飞行器性能参数，分别构建第一变精度预测模型和第二变精度预测模型。
基于每个训练样本和该训练样本对应的第四飞行器性能参数与第五飞行器性能参数，分别构建第一变精度预测模型和第二变精度预测模型，包括：针对每个训练样本，计算该训练样本对应的第五飞行器性能参数与第四飞行器性能参数的差值，将差值作为该训练样本对应的第一精度；针对每个训练样本，计算该训练样本对应的第五飞行器性能参数与第四飞行器性能参数的差值，将差值与第四飞行器性能参数的比值作为该训练样本对应的第二精度；针对每个训练样本，将该训练样本作为样本数据，将该训练样本对应的第一精度作为标签，训练得到第一精度模型；针对每个训练样本，将该训练样本作为样本数据，将该训练样本对应的第二精度作为标签，训练得到第二精度模型；将所述工程公式预测模型与所述第一精度模型组合得到第一变精度预测模型，将所述工程公式预测模型与所述第二精度模型组合得到第二变精度预测模型。
第一变精度预测模型和第二变精度预测模型均是BP神经网络模型，通过BP神经网络对第一精度模型和第二精度模型进行训练预测，训练精度高，时间短，具有良好的预示功能，并可以通过反复训练不断优化选择精度更高的模型，便于提高优化精度。
S103：基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差。
所述基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差，包括：确定每个测试样本的第一飞行器性能参数与第二飞行器性能参数之间的第一预测偏差，以及第一飞行器性能参数与第三飞行器性能参数之间的第二预测偏差。
其中，第一预测偏差的计算方式为计算第一飞行器性能参数与第二飞行器性能参数的差值，将差值与第一飞行器性能参数的比值的绝对值作为第一预测偏差；第二预测偏差的计算方式为计算第一飞行器性能参数与第三飞行器性能参数的差值，将差值与第一飞行器性能参数的比值的绝对值作为第二预测偏差。
S104：按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系。
第一样本集合指的是适合使用第一变精度预测模型进行飞行器性能参数预测的所有样本的集合；第二样本集合指的是适合使用第二变精度预测模型进行飞行器性能参数预测的所有样本的集合。
通过以下步骤将所述多个测试样本划分至第一样本集合和第二样本集合：针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，将该测试样本划分至第一样本集合，在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，将该测试样本划分至第二样本集合。
也就是说，针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，认为第二飞行器性能参数较第三飞行器性能参数而言更接近第一飞行器性能参数，该测试样本对应的第一变精度预测模型的输出结果较第二变精度预测模型的输出结果而言更接近计算流体力学预测模型的输出结果，进而，该测试样本更适合使用第一变精度预测模型进行预测，从而，将该测试样本添加至第一样本集合。
针对每个测试样本，在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，认为第三飞行器性能参数较第二飞行器性能参数而言更接近第一飞行器性能参数，该测试样本对应的第二变精度预测模型的输出结果较第一变精度预测模型的输出结果而言更接近计算流体力学预测模型的输出结果，进而，该测试样本更适合使用第二变精度预测模型进行预测，从而，将该测试样本添加至第二样本集合。
使用计算流体力学预测模型的输出结果作为标准，以在划分过程中更加准确的划分出第一变精度预测模型对应的第一样本集合和第二变精度预测模型对应的第二样本集合，使得第一样本集合更能准确的代表第一变精度预测模型适用的训练样本，第二样本集合更能准确的代表第二变精度预测模型适用的训练样本。
所述方法还包括：针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，计算第一变精度预测模型针对该测试样本对应的预测精度，在该测试样本对应的预测精度小于预设精度时，将该测试样本划分至第一样本集合；针对每个测试样本，在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，计算第二变精度预测模型针对该测试样本对应的预测精度，在该测试样本对应的预测精度小于预设精度时，将该测试样本划分至第二样本集合。
也就是说，将所述多个测试样本划分至第一样本集合和第二样本集合之前，还需要确定该测试样本对应的预测精度是否小于预设精度，若该测试样本对应的预测精度大于或者等于预设精度时，则将该测试样本删去，或者，将该测试样本划分至计算流体力学预测模型对应的第三样本集合；在该测试样本对应的预测精度大于或者等于预设精度时，认为该测试样本经过第一变精度预测模型和第二变精度预测模型分别对应的输出结果均与计算流体力学预测模型的输出结果差距较大，进而，该测试样本不适用仅适用计算流体力学预测模型进行预测。
计算第一变精度预测模型针对该测试样本对应的预测精度，包括：计算第一飞行器性能参数与第二飞行器性能参数的差值，将差值与第一飞行器性能参数的比值的绝对值作为第一变精度预测模型针对该测试样本对应的预测精度。计算第二变精度预测模型针对该测试样本对应的预测精度，包括：计算第一飞行器性能参数与第三飞行器性能参数的差值，将差值与第一飞行器性能参数的比值的绝对值作为第二变精度预测模型针对该测试样本对应的预测精度。
S105：利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
所述方法还包括：基于第一样本集合中各测试样本的飞行器历史状态参数，确定第一样本集合的样本参数区间；基于第二样本集合中各测试样本的飞行器历史状态参数，确定第二样本集合的样本参数区间。
也就是说，基于第一样本集合中的各测试样本的飞行器的半径、直径、角度、高度、速度和攻角，确定第一样本集合对应的半径区间、直径区间、角度区间、高度区间、速度区间和攻角区间，将第一样本集合对应的半径区间、直径区间、角度区间、高度区间、速度区间和攻角区间作为第一样本集合的样本参数区间；基于第二样本集合中的各测试样本的飞行器的半径、直径、角度、高度、速度和攻角，确定第二样本集合对应的半径区间、直径区间、角度区间、高度区间、速度区间和攻角区间，将第二样本集合对应的半径区间、直径区间、角度区间、高度区间、速度区间和攻角区间作为第二样本集合的样本参数区间。
请参阅图2，图2为本申请实施例所提供的利用所构建的第一对应关系和第二对应关系来基于飞行器实时状态参数进行飞行器性能参数的预测的步骤的流程图，包括：
利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测，包括：
S1051：基于飞行器实时状态参数、第一样本集合的样本参数区间和第二样本集合的样本参数区间，在第一样本集合和第二样本集合中确定飞行器实时状态参数相匹配的目标样本集合。
也就是说，确定飞行器实时状态参数的各个参数；确定飞行器实时状态参数的各个参数中符合第一样本集合的样本参数区间的第一参数数量，以及各个参数中符合第二样本集合的样本参数区间的第二参数数量；在第一参数数量大于第二参数数量时，确定第一样本集合为飞行器实时状态参数相匹配的目标样本集合；在第一参数数量小于第二参数数量时，确定第二样本集合为飞行器实时状态参数相匹配的目标样本集合；在第一参数数量等于第二参数数量时，在第一样本集合和第二样本集合中随机选择一个作为飞行器实时状态参数相匹配的目标样本集合。
示例性的，飞行器实时状态参数的各个参数为飞行器的半径、直径、角度、高度、速度和攻角，若确定飞行器实时状态参数的半径、直径、角度、高度分别对应属于第一样本集合的半径区间、直径区间、角度区间、高度区间，第一参数数量为4，确定飞行器实时状态参数的速度、攻角分别对应属于第一样本集合的速度区间、攻角区间，第二参数数量为2，由于第一参数数量大于第二参数数量时，确定第一样本集合为飞行器实时状态参数相匹配的目标样本集合。
S1052：基于所构建的第一对应关系和第二对应关系，确定所述目标样本集合对应的目标变精度预测模型。
也就是说，目标样本集合是在第一样本集合和第二样本集合中的一个样本集合。目标变精度预测模型是第一变精度预测模型和第二变精度预测模型中的一个预测模型。
示例性的，若确定第一样本集合为飞行器实时状态参数相匹配的目标样本集合，则根据第一对应关系，确定目标变精度预测模型为第一变精度预测模型。
S1053：将所述飞行器实时状态参数输入至所述目标变精度预测模型，得到所述目标变精度预测模型预测的飞机性能参数。
示例性的，若确定目标变精度预测模型为第一变精度预测模型，则将飞行器实时状态参数输入至第一变精度预测模型，得到预测的飞机性能参数。
本申请采用变精度预测模型预测飞行器性能参数，相对于工程公式预测模型而言进一步提高了计算精度，且大大缩短优化时调动计算流体力学预测模型的时间，且前期不需要进行大量的CFD高精度计算。
采用上述预示模型与优化方法能够充分发挥变精度近似模型的优势，在保证精度的同时提高计算效率，让优化结果更为准确高效。相比于传统的低精度模型存在的精度低与高精度模型存在的效率低等问题，变精度模型都进行了相应改进，对于通过神经网络直接预示存在的问题，变精度神经网络近似模型结合了理论公式计算的物理信息，大大减少了神经网络预示输出偏差过大的概率。
与此同时，通过偏差判定的方法对变精度神经网络模型进行筛选，选择精度更高的神经网络代理模型进行计算，避免某个模型由于部分样本点计算失误或出现较大偏离带来的整体模型失准的问题，使优化过程更加可靠稳定。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供的基于偏差分类的飞行器性能参数预测方法对应的基于偏差分类的飞行器性能参数预测装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例的基于偏差分类的飞行器性能参数预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，图3为本申请实施例提供的一种基于偏差分类的飞行器性能参数预测装置的功能模块图。基于偏差分类的飞行器性能参数预测装置10包括：获取模块101、第一确定模块102、第二确定模块103、构建模块104和预测模块105。
获取模块101，用于获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；
第一确定模块102，用于将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数；
第二确定模块103，用于基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；
构建模块104，用于按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；
预测模块105，用于利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
基于同一申请构思，参见图4所示，为本申请实施例提供的一种电子设备的结构示意图，电子设备20包括：处理器201、存储器202和总线203，所述存储器202存储有所述处理器201可执行的机器可读指令，当电子设备20运行时，所述处理器201与所述存储器202之间通过所述总线203进行通信，所述机器可读指令被所述处理器201运行时执行如上述实施例中任一所述的基于偏差分类的飞行器性能参数预测方法的步骤。
具体地，所述机器可读指令被所述处理器201执行时可以执行如下处理：获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；针对每个测试样本，执行以下处理步骤：将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数，基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
基于同一申请构思，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例提供的基于偏差分类的飞行器性能参数预测方法的步骤。
具体地，所述存储介质能够为通用的存储介质，如移动磁盘、硬盘等，所述存储介质上的计算机程序被运行时，能够执行上述基于偏差分类的飞行器性能参数预测方法，通过将每个飞行器历史状态参数分别输入至计算流体力学预测模型、第一变精度预测模型和第二变精度预测模型，基于各个预测模型输出的结果确定预测偏差，基于预测偏差确定各个变精度预测模型对应的样本集合，基于各个变精度预测模型对应的样本集合的样本参数区间，确定飞行器实时状态参数对应的样本集合，从而将飞行器实时状态参数输入至样本集合对应的预测模型中，得到飞行器性能预测参数，解决了现有技术中工程公式预测模型的预测精度较低，以及计算流体力学预测模型的预测效率较低的技术问题，达到了提高飞行器性能参数的预测精度和预测效率的技术效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于偏差分类的飞行器性能参数预测方法，其特征在于，所述方法包括：
获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；
针对每个测试样本，执行以下处理步骤：
将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数，
基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；
按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；
利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
2.根据权利要求1所述的方法，其特征在于，所述基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差，包括：
确定每个测试样本的第一飞行器性能参数与第二飞行器性能参数之间的第一预测偏差，以及第一飞行器性能参数与第三飞行器性能参数之间的第二预测偏差。
3.根据权利要求2所述的方法，其特征在于，通过以下步骤将所述多个测试样本划分至第一样本集合和第二样本集合：
针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，将该测试样本划分至第一样本集合，
在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，将该测试样本划分至第二样本集合。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
针对每个测试样本，在该测试样本对应的所述第一预测偏差小于第二预测偏差时，计算第一变精度预测模型针对该测试样本对应的预测精度，在该测试样本对应的预测精度小于预设精度时，将该测试样本划分至第一样本集合；
针对每个测试样本，在该测试样本对应的所述第一预测偏差大于或者等于第二预测偏差时，计算第二变精度预测模型针对该测试样本对应的预测精度，在该测试样本对应的预测精度小于预设精度时，将该测试样本划分至第二样本集合。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于第一样本集合中各测试样本的飞行器历史状态参数，确定第一样本集合的样本参数区间；
基于第二样本集合中各测试样本的飞行器历史状态参数，确定第二样本集合的样本参数区间。
6.根据权利要求5所述的方法，其特征在于，所述利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测，包括：
基于飞行器实时状态参数、第一样本集合的样本参数区间和第二样本集合的样本参数区间，在第一样本集合和第二样本集合中确定飞行器实时状态参数相匹配的目标样本集合；
基于所构建的第一对应关系和第二对应关系，确定所述目标样本集合对应的目标变精度预测模型；
将所述飞行器实时状态参数输入至所述目标变精度预测模型，得到所述目标变精度预测模型预测的飞机性能参数。
7.根据权利要求1所述的方法，其特征在于，通过以下步骤确定第一变精度预测模型和第二变精度预测模型：
获取多个训练样本，每个训练样本包括一组飞行器历史状态参数；
将每个训练样本输入至工程公式预测模型，以得到该训练样本对应的工程公式预测模型输出的第四飞行器性能参数，将该训练样本输入至计算流体力学预测模型，以得到该训练样本对应的计算流体力学预测模型输出的第五飞行器性能参数；
基于每个训练样本和该训练样本对应的第四飞行器性能参数与第五飞行器性能参数，分别构建第一变精度预测模型和第二变精度预测模型。
8.一种基于偏差分类的飞行器性能参数预测装置，其特征在于，所述装置包括：
获取模块，用于获取多个测试样本，每个测试样本包括一组飞行器历史状态参数；
第一确定模块，用于将该测试样本输入至计算流体力学预测模型，以获得与该测试样本对应的第一飞行器性能参数，将该测试样本输入至第一变精度预测模型，以得到与该测试样本对应的第二飞行器性能参数，将该测试样本输入至第二变精度预测模型，以得到与该测试样本对应的第三飞行器性能参数，
第二确定模块，用于基于该测试样本的第一飞行器性能参数、第二飞行器性能参数和第三飞行器性能参数，确定针对该测试样本的预测偏差；
构建模块，用于按照所确定的预测偏差，将所述多个测试样本划分至第一样本集合和第二样本集合，并构建第一样本集合与第一变精度预测模型之间的第一对应关系以及第二样本集合与第二变精度预测模型之间的第二对应关系；
预测模块，用于利用所构建的第一对应关系和第二对应关系，来基于飞行器实时状态参数进行飞行器性能参数的预测。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的基于偏差分类的飞行器性能参数预测方法的步骤。
10.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的基于偏差分类的飞行器性能参数预测方法的步骤。
CN202310864752.1A 2023-07-13 2023-07-13 一种基于偏差分类的飞行器性能参数预测方法及装置 Pending CN116822059A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310864752.1A CN116822059A (zh) 2023-07-13 2023-07-13 一种基于偏差分类的飞行器性能参数预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310864752.1A CN116822059A (zh) 2023-07-13 2023-07-13 一种基于偏差分类的飞行器性能参数预测方法及装置

Publications (1)

Publication Number Publication Date
CN116822059A true CN116822059A (zh) 2023-09-29

Family

ID=88125764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310864752.1A Pending CN116822059A (zh) 2023-07-13 2023-07-13 一种基于偏差分类的飞行器性能参数预测方法及装置

Country Status (1)

Country Link
CN (1) CN116822059A (zh)

Similar Documents

Publication Publication Date Title
CN111723440B (zh) 一种薄壁件加工精度预测混合建模方法
CN113627098B (zh) 一种cfd模型确认方法及产品设计方法
CN113221263B (zh) 一种考虑分布参数不确定性的机械产品结构失效优化方法
CN111881023B (zh) 一种基于多模型对比的软件老化预测方法及装置
CN113158589B (zh) 一种电池管理系统的仿真模型校准方法以及装置
CN110501169A (zh) 车辆故障的诊断方法、装置及电子设备
CN114429090A (zh) 一种基于数据驱动的压气机叶片鲁棒性设计方法
CN104915478A (zh) 基于多参数不确定性分析的产品设计模型等效简化方法
CN108829987B (zh) 一种数据驱动型概率评估方法
CN109477140A (zh) 一种数据处理方法、装置及计算节点
CN104635206B (zh) 一种无线定位的方法及装置
CN116433050B (zh) 应用于农业大数据管理系统的异常报警方法及系统
CN116822059A (zh) 一种基于偏差分类的飞行器性能参数预测方法及装置
CN116009397A (zh) 一种制动压力模型训练方法、装置、设备及存储介质
CN115856646A (zh) 一种基于三维电压特征的锂离子电池早期寿命预测方法
CN113608410B (zh) 晶圆对准掩膜版生成方法、装置、计算机设备和存储介质
CN115455787A (zh) 工件铸造处理方法、装置、电子设备及存储介质
CN116894389A (zh) 一种飞行器性能参数预测方法及装置
CN113204742A (zh) 车辆控制参数的标定方法、装置及车辆
CN109255171B (zh) 一种自动判定数值模拟计算收敛的方法
CN106339588A (zh) 基于灰色系统理论的加速退化数据离散建模方法
CN104657534A (zh) 用于报告多部件有限元分析模型的实际动能的方法和系统
CN116894387A (zh) 飞行器性能预示模型的确定方法、装置及电子设备
CN117875222B (zh) 一种长距离级间分离轨迹数值预测方法及设备
CN116842663B (zh) 一种基于机器学习的汽车板簧非线性时变应力值测量方法

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