CN116894389A - 一种飞行器性能参数预测方法及装置 - Google Patents
一种飞行器性能参数预测方法及装置 Download PDFInfo
- Publication number
- CN116894389A CN116894389A CN202310856177.0A CN202310856177A CN116894389A CN 116894389 A CN116894389 A CN 116894389A CN 202310856177 A CN202310856177 A CN 202310856177A CN 116894389 A CN116894389 A CN 116894389A
- Authority
- CN
- China
- Prior art keywords
- training sample
- performance parameter
- prediction
- aircraft performance
- prediction model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 221
- 238000004364 calculation method Methods 0.000 claims description 31
- 239000012530 fluid Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种飞行器性能参数预测方法及装置,其中,该方法包括:获取多个训练样本;针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数;针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
Description
技术领域
本申请涉及飞行器技术领域,尤其涉及一种飞行器性能参数预测方法及装置。
背景技术
机械展开式的再入飞行器具备包络约束小、运载效率高、减速效果好等优点。再入飞行器的气动外形设计直接影响到再入飞行器在飞行过程中的性能参数,进而需要合理的设计再入飞行器的气动外形。
现有技术中,通常采用CFD(计算流体力学)进行高精度气动计算后形成CFD预测模型,通过CFD预测模型预测飞行器性能参数,提高了预测精度,但是CFD预测模型由于需要经过复杂的计算导致其计算效率较低。
发明内容
有鉴于此,本申请的目的在于至少提供一种飞行器性能参数预测方法及装置,通过工程计算公式预测模型和计算流体力学预测模型预测飞行器的性能参数,依据两个预测模型输出的性能参数之间的差异,构建新的预测模型,新的预测模型在工程计算公式预测模型的基础上还预测工程计算公式预测模型和计算流体力学预测模型之间的差异,从而使得新的预测模型输出的结果近似计算流体力学预测模型,解决了现有技术中使用计算流体力学预测模型进行预测效率较低的技术问题,达到了即保证预测精度又提高了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飞行器性能参数预测方法,方法包括:获取多个训练样本,每个训练样本包括飞行器的状态参数;针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
可选地,通过以下步骤确定每个训练样本是否满足快速预测条件:确定每个训练样本的所述第一飞行器性能参数和所述第二飞行器性能参数之间产生的偏差值;基于每个训练样本对应的偏差值与预设偏差值的比较结果,确定该训练样本是否满足快速预测条件。
可选地,通过以下步骤计算偏差值:确定每个训练样本对应的所述第二飞行器性能参数和所述第一飞行器性能参数之间的差值;将每个训练样本对应的所述差值与该训练样本对应的第二飞行器性能参数的比值的绝对值,作为该训练样本对应的偏差值。
可选地,通过以下步骤计算不满足快速预测条件的每个训练样本的第一变精度标度值和第二变精度标度值:针对不满足快速预测条件的每个训练样本,将该训练样本对应的第二飞行器性能参数与第一飞行器性能参数的差值,作为该训练样本的第一变精度标度值;针对不满足快速预测条件的每个训练样本,计算该训练样本对应的第二飞行器性能参数与第一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作为该训练样本的第二变精度标度值。
可选地,基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,包括:基于不满足快速预测条件的每个训练样本、该训练样本对应的第一变精度标度值和第二变精度标度值,分别构建第一补偿模型和第二补偿模型,其中,所述第一补偿模型用于预测同一个训练样本对应的第二飞行器性能参数和第一飞行器性能参数之间的差值,所述第二补偿模型用于预测同一个训练样本对应的第二飞行器性能参数大于第一飞行器性能参数的百分比;基于所述第一预测模型和第一补偿模型,构建第三预测模型,基于所述第一预测模型和第二补偿模型,构建第四预测模型。
可选地,基于不满足快速预测条件的每个训练样本、该训练样本对应的第一变精度标度值和第二变精度标度值,分别构建第一补偿模型和第二补偿模型,包括:将不满足快速预测条件的每个训练样本作为样本数据,将该训练样本对应的第一变精度标度值作为标签,构建第一补偿模型;将不满足快速预测条件的每个训练样本作为样本数据,将该训练样本对应的第二变精度标度值作为标签,构建第二补偿模型。
可选地,方法还包括:若满足快速预测条件,则基于该训练样本对应的第一飞行器性能参数和第二飞行器性能参数,计算第一预测模型的预测精度;在所述预测精度小于预设精度时,确定该训练样本对应的第一飞行器性能参数为该训练样本对应的预测飞行器性能参数。
第二方面,本申请实施例还提供一种飞行器性能参数预测装置,装置包括:获取模块,用于获取多个训练样本,每个训练样本包括飞行器的状态参数;第一确定模块,用于针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;第二确定模块,用于针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;计算模块,用于若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;建立模块,用于基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
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飞行器性能参数预测方法及装置,该方法包括:获取多个训练样本,每个训练样本包括飞行器的状态参数;针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。通过工程计算公式预测模型和计算流体力学预测模型预测飞行器的性能参数,依据两个预测模型输出的性能参数之间的差异,构建新的预测模型,新的预测模型在工程计算公式预测模型的基础上还预测工程计算公式预测模型和计算流体力学预测模型之间的差异,从而使得新的预测模型输出的结果近似计算流体力学预测模型,解决了现有技术中使用计算流体力学预测模型进行预测效率较低的技术问题,达到了即保证预测精度又提高了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基于第一变精度标度值和第二变精度标度值分别建立第三预测模型和第四预测模型的步骤的流程图。
图3示出了本申请实施例所提供的一种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。
现有技术中,对再入飞行器进行性能参数预测一般采用工程估算进行气动力计算,效率虽高但预测精度较低,会影响优化结果的准确性;部分通过CFD进行高精度气动计算后形成代理模型,提高了预测精度,虽缩短了后期优化时调用模型时间,但在前期需要进行大量CFD计算,且对范围外的外推结果预测精度较差。
采用基于神经网络建立代理模型,通过建立再入飞行器外形参数与气动力输出之间的非线性关系,可以大大提高计算效率,当模型训练得当时也可以具有较高精度,但也存在过分依赖数据集的问题,需要获取大量高精度数据,若数据集中某个数据偏差较大,对优化结果会有一定影响。
基于此,本申请实施例提供了一种飞行器性能参数预测方法及装置,通过工程计算公式预测模型和计算流体力学预测模型预测飞行器的性能参数,依据两个预测模型输出的性能参数之间的差异,构建新的预测模型,新的预测模型在工程计算公式预测模型的基础上还预测工程计算公式预测模型和计算流体力学预测模型之间的差异,从而使得新的预测模型输出的结果近似计算流体力学预测模型,解决了现有技术中使用计算流体力学预测模型进行预测效率较低的技术问题,达到了即保证预测精度又提高了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飞行器性能参数预测方法,包括以下步骤:
S101:获取多个训练样本。
每个训练样本包括飞行器的状态参数。飞行器的状态参数包括:外形参数与飞行工况参数。其中,外形参数包括:飞行器的半径、直径、角度;飞行工况参数包括:飞行高度、速度和攻角。
每个训练样本是通过拉丁超立方抽样得到的。
S102:针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数。
所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数。这里的第一预测模型和第二预测模型均是已经训练好的模型,第一预测模型和第二预测模型均用于通过训练样本预测飞行器性能参数。
也就是说,第一预测模型的计算效率比第二预测模型的计算效率高,而第二预测模型的计算精度比第一预测模型的计算精度高。
也就是说,将同一个训练样本分别输入至第一预测模型和第二预测模型中,得到第一预测模型输出的该训练样本对应的第一飞行器性能参数YSL,以及第二预测模型输出的该训练样本对应的第二飞行器性能参数YSH。
第一飞机器性能参数为第一预测模型预测的飞行器性能参数,第二飞机器性能参数为第二预测模型预测的飞行器性能参数。其中,飞行器性能参数包括阻力系数和热流密度。
S103:针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件。
通过以下步骤确定每个训练样本是否满足快速预测条件:确定每个训练样本的所述第一飞行器性能参数和所述第二飞行器性能参数之间产生的偏差值;基于每个训练样本对应的偏差值与预设偏差值的比较结果,确定该训练样本是否满足快速预测条件。
通过以下步骤计算偏差值:确定每个训练样本对应的所述第二飞行器性能参数和所述第一飞行器性能参数之间的差值;将每个训练样本对应的所述差值与该训练样本对应的第二飞行器性能参数的比值的绝对值,作为该训练样本对应的偏差值。
也就是说,偏差值ESL=∣1-YSL/YSH∣,其中,YSL为第一飞行器性能参数,YSH为第二飞行器性能参数。
也就是说,针对每个训练样本,若该训练样本对应的偏差值小于预设偏差值,则确定该训练样本满足快速预测条件,则认为该训练样本经过第一预测模型已经可以得到符合精度要求的飞行器性能参数,即,该训练样本对应的第一飞行器性能参数和第二飞行器性能参数之间的差异不大,进而,第一飞行器性能参数可以是该训练样本对应的飞行器性能预测参数。
预设偏差值由人为依据飞行器的任务要求进行设定,一般设置为5%。
S104:计算每个训练样本的第一变精度标度值和第二变精度标度值。
若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值。
通过以下步骤计算不满足快速预测条件的每个训练样本的第一变精度标度值和第二变精度标度值:针对不满足快速预测条件的每个训练样本,将该训练样本对应的第二飞行器性能参数与第一飞行器性能参数的差值,作为该训练样本的第一变精度标度值;针对不满足快速预测条件的每个训练样本,计算该训练样本对应的第二飞行器性能参数与第一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作为该训练样本的第二变精度标度值。
也就是说,第一变精度标度值用于衡量第二飞行器性能参数与第一飞行器性能参数之间的差值,第二变精度标度值用于衡量第二飞行器性能参数大于第一飞行器性能参数的百分比。
具体的,第一变精度标度值ΔYSP=YSH-YSL,第二变精度标度值ΔYSM=YSH/YSL-1,其中,YSL为第一飞行器性能参数,YSH为第二飞行器性能参数。
S105:基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
请参阅图2,图2为本申请实施例提供的基于第一变精度标度值和第二变精度标度值分别建立第三预测模型和第四预测模型的步骤的流程图。如图2所示,基于第一变精度标度值和第二变精度标度值分别建立第三预测模型和第四预测模型包括:
S1051:基于不满足快速预测条件的每个训练样本、该训练样本对应的第一变精度标度值和第二变精度标度值,分别构建第一补偿模型和第二补偿模型。
其中,所述第一补偿模型用于预测同一个训练样本对应的第二飞行器性能参数和第一飞行器性能参数之间的差值,所述第二补偿模型用于预测同一个训练样本对应的第二飞行器性能参数大于第一飞行器性能参数的百分比。
所述基于不满足快速预测条件的每个训练样本、该训练样本对应的第一变精度标度值和第二变精度标度值,分别构建第一补偿模型和第二补偿模型,包括:将不满足快速预测条件的每个训练样本作为样本数据,将该训练样本对应的第一变精度标度值作为标签,构建第一补偿模型;将不满足快速预测条件的每个训练样本作为样本数据,将该训练样本对应的第二变精度标度值作为标签,构建第二补偿模型。
S1052:基于所述第一预测模型和第一补偿模型,构建第三预测模型,基于所述第一预测模型和第二补偿模型,构建第四预测模型。
基于所述第一预测模型和第一补偿模型,构建第三预测模型,包括:针对不满足快速预测条件的每个训练样本,将该训练样本分别输入至第一预测模型和第一补偿模型,将第一预测模型和第一补偿模型的输出数据相加,作为该训练样本通过第三预测模型得到的输出数据。
也就是说,将不满足快速预测条件的每个训练样本分别输入至第一预测模型和第一补偿模型,得到第一预测模型输出的该训练样本对应的飞行器性能预测参数和第一补偿模型输出的该训练样本对应的预测第一补偿;将该训练样本对应的飞行器性能预测参数和预测第一补偿相加,作为第三预测模型的输出数据。
基于所述第一预测模型和第二补偿模型,构建第四预测模型,包括:针对不满足快速预测条件的每个训练样本,将该训练样本分别输入至第一预测模型和第二补偿模型,将第一预测模型和第二补偿模型的输出数据相加,作为该训练样本通过第四预测模型得到的输出数据。
也就是说,将不满足快速预测条件的每个训练样本分别输入至第一预测模型和第二补偿模型,得到第一预测模型输出的该训练样本对应的飞行器性能预测参数和第二补偿模型输出的该训练样本对应的预测第二补偿;将该训练样本对应的飞行器性能预测参数和预测第二补偿相加,作为第四预测模型的输出数据。
所述方法还包括:若满足快速预测条件,则基于该训练样本对应的第一飞行器性能参数和第二飞行器性能参数,计算第一预测模型的预测精度;在所述预测精度小于预设精度时,确定该训练样本对应的第一飞行器性能参数为该训练样本对应的预测飞行器性能参数。
基于该训练样本对应的第一飞行器性能参数和第二飞行器性能参数,计算第一预测模型的预测精度,包括:将该训练样本对应的第二飞行器性能参数与第一飞行器性能参数之间的差值,将差值与该训练样本对应的第二飞行器性能参数作比,将比值的绝对值作为该训练样本对应的第一预测模型的预测精度。
也就是说,在预测精度小于预设精度时,认为第一预测模型得到的该训练样本对应的第一飞行器性能参数符合预设精度,从而第一预测模型输出的结果为该训练样本对应的预测飞行器性能参数;若预测精度大于或者等于预设精度时,重新选择一个训练样本,继续执行步骤S102至S105。这里的预设精度与前文的预设偏差值可以是不同的。
并且,在所述预测精度小于预设精度时,将该训练样本添加至第一预测模型对应的第一样本集合中。
所述方法还包括:获取多个测试样本,所述每个测试样本包括飞行器的状态参数,其中,测试样本的获取方式与训练样本相同,均是通过拉丁超立方抽样得到的;针对每个测试样本,将该测试样本输入至第二预测模型,以获得与该测试样本对应的第三飞行器性能参数,将该测试样本输入至第三预测模型,以得到与该测试样本对应的第四飞行器性能参数,将该测试样本输入至第四预测模型,以得到与该测试样本对应的第五飞行器性能参数;基于该测试样本的第三飞行器性能参数、第四飞行器性能参数和第五飞行器性能参数,确定针对该测试样本的第一预测偏差和第二预测偏差;确定第一预测偏差是否大于或者等于第二预测偏差;若第一预测偏差小于第二预测偏差,则将该测试样本添加至第三预测模型对应的第二样本集合中;若第一预测偏差大于或者等于第二预测偏差,则确定该测试样本添加至第四预测模型对应的第三样本集合中。
其中,第一预测偏差ETP=∣1-YTP/YTH∣,第二预测偏差ETM=∣1-YTM/YTH∣,YTH为第三飞行器性能参数,YTP为第四飞行器性能参数,YTM为第五飞行器性能参数。
所述方法还包括:若第一预测偏差小于第二预测偏差,则将该测试样本对应的第三飞行器性能参数与第四飞行器性能参数之间的差值,将差值与该测试样本对应的第三飞行器性能参数作比,将比值的绝对值作为该测试样本对应的第三预测模型的预测精度,在第三预测模型的预测精度小于预设精度时,将该测试样本添加至第三预测模型对应的第二样本集合中。若第一预测偏差大于或者等于第二预测偏差,则将该测试样本对应的第三飞行器性能参数与第五飞行器性能参数之间的差值,将差值与该测试样本对应的第三飞行器性能参数作比,将比值的绝对值作为该测试样本对应的第四预测模型的预测精度,在第四预测模型的预测精度小于预设精度时,将该测试样本添加至第四预测模型对应的第三样本集合中。
也就是说,在第一预测偏差小于第二预测偏差时,认为第三预测模型的预测结果更接近第二预测模型的预测结果;在第一预测偏差大于或者等于第二预测偏差时,认为第四预测模型的预测结果更接近第二预测模型的预测结果。
所述方法还包括:依据第一样本集合中各个训练样本的状态参数的取值,确定第一样本集合对应的状态参数区间;依据第二样本集合中各个测试样本的状态参数的取值,确定第二样本集合对应的状态参数区间;依据第三样本集合中各个测试样本的状态参数的取值,确定第三样本集合对应的状态参数区间。
也就是说,第一样本集合对应第一预测模型,第二样本集合对应的第三预测模型,第三样本集合对应的第四预测模型。
从而,获取新的目标样本,确定目标样本的状态参数与第一状态参数区间、第二状态参数区间和第三状态参数区间中相匹配的目标状态参数区间,确定目标状态参数区间对应的目标预测模型,将目标样本输入至目标预测模型,得到该目标样本经由目标预测模型输出的飞行器性能预测参数。
进而,不需要通过第二预测模型进行预测,可以得到与第二预测模型的精度近似以及效率更快的飞行器性能预测参数。
本申请通过相对第二预测模型与第一预测模型之间的偏差进行分类,若第一预测模型产生该训练样本所对应的偏差较小,则直接将该训练样本作为第一预测模型对应的样本;若第一预测模型产生该训练样本所对应的偏差较大,则进行变精度模型(第三预测模型和第四预测模型)的训练。在优化过程中,通过前期大量对适用于不同模型样本点的灵敏性分析,形成了主要输入参数的范围区分,通过判定优化样本点输入变量的范围,可以将其划分到第一预测模型、变精度模型进行性能预示,以此获取精度较高的模型输,提高优化效率与精度。
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飞行器性能参数预测方法对应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飞行器性能参数预测装置的功能模块图。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、计算模块104和建立模块105。
获取模块101,用于获取多个训练样本,每个训练样本包括飞行器的状态参数;
第一确定模块102,用于针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;
第二确定模块103,用于针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;
计算模块104,用于若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;
建立模块105,用于基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
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:获取多个训练样本,每个训练样本包括飞行器的状态参数;针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
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,能够执行上述飞行器性能参数预测方法,通过工程计算公式预测模型和计算流体力学预测模型预测飞行器的性能参数,依据两个预测模型输出的性能参数之间的差异,构建新的预测模型,新的预测模型在工程计算公式预测模型的基础上还预测工程计算公式预测模型和计算流体力学预测模型之间的差异,从而使得新的预测模型输出的结果近似计算流体力学预测模型,解决了现有技术中使用计算流体力学预测模型进行预测效率较低的技术问题,达到了即保证预测精度又提高了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:
获取多个训练样本,每个训练样本包括飞行器的状态参数;
针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;
针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;
若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;
基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤确定每个训练样本是否满足快速预测条件:
确定每个训练样本的所述第一飞行器性能参数和所述第二飞行器性能参数之间产生的偏差值;
基于每个训练样本对应的偏差值与预设偏差值的比较结果,确定该训练样本是否满足快速预测条件。
3.根据权利要求2所述的方法,其特征在于,通过以下步骤计算偏差值:
确定每个训练样本对应的所述第二飞行器性能参数和所述第一飞行器性能参数之间的差值;
将每个训练样本对应的所述差值与该训练样本对应的第二飞行器性能参数的比值的绝对值,作为该训练样本对应的偏差值。
4.根据权利要求1所述的方法,其特征在于,通过以下步骤计算不满足快速预测条件的每个训练样本的第一变精度标度值和第二变精度标度值:
针对不满足快速预测条件的每个训练样本,将该训练样本对应的第二飞行器性能参数与第一飞行器性能参数的差值,作为该训练样本的第一变精度标度值;
针对不满足快速预测条件的每个训练样本,计算该训练样本对应的第二飞行器性能参数与第一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作为该训练样本的第二变精度标度值。
5.根据权利要求1所述的方法,其特征在于,所述基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,包括:
基于不满足快速预测条件的每个训练样本、该训练样本对应的第一变精度标度值和第二变精度标度值,分别构建第一补偿模型和第二补偿模型,其中,所述第一补偿模型用于预测同一个训练样本对应的第二飞行器性能参数和第一飞行器性能参数之间的差值,所述第二补偿模型用于预测同一个训练样本对应的第二飞行器性能参数大于第一飞行器性能参数的百分比;
基于所述第一预测模型和第一补偿模型,构建第三预测模型,基于所述第一预测模型和第二补偿模型,构建第四预测模型。
6.根据权利要求5所述的方法,其特征在于,所述基于不满足快速预测条件的每个训练样本、该训练样本对应的第一变精度标度值和第二变精度标度值,分别构建第一补偿模型和第二补偿模型,包括:
将不满足快速预测条件的每个训练样本作为样本数据,将该训练样本对应的第一变精度标度值作为标签,构建第一补偿模型;
将不满足快速预测条件的每个训练样本作为样本数据,将该训练样本对应的第二变精度标度值作为标签,构建第二补偿模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若满足快速预测条件,则基于该训练样本对应的第一飞行器性能参数和第二飞行器性能参数,计算第一预测模型的预测精度;
在所述预测精度小于预设精度时,确定该训练样本对应的第一飞行器性能参数为该训练样本对应的预测飞行器性能参数。
8.一种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,用于获取多个训练样本,每个训练样本包括飞行器的状态参数;
第一确定模块,用于针对每个训练样本,将该训练样本输入至第一预测模型,以获得与该训练样本对应的第一飞行器性能参数,将该训练样本输入至第二预测模型,以得到与该训练样本对应的第二飞行器性能参数,所述第一预测模型用于通过工程计算公式预测飞行器性能参数,所述第二预测模型用于通过计算流体力学预测飞行器性能参数;
第二确定模块,用于针对每个训练样本,基于该训练样本对应的所述第一飞行器性能参数和所述第二飞行器性能参数,确定该训练样本是否满足快速预测条件;
计算模块,用于若不满足快速预测条件,则计算每个训练样本的第一变精度标度值和第二变精度标度值;
建立模块,用于基于第一变精度标度值和第二变精度标度值,分别建立第三预测模型和第四预测模型,以基于所构建的第三预测模型和第四预测模型来预测飞行器性能参数。
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任一所述的飞行器性能参数预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856177.0A CN116894389A (zh) | 2023-07-12 | 2023-07-12 | 一种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 |
---|---|---|---|
CN202310856177.0A CN116894389A (zh) | 2023-07-12 | 2023-07-12 | 一种飞行器性能参数预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894389A true CN116894389A (zh) | 2023-10-17 |
Family
ID=88310360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856177.0A Pending CN116894389A (zh) | 2023-07-12 | 2023-07-12 | 一种飞行器性能参数预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894389A (zh) |
-
2023
- 2023-07-12 CN CN202310856177.0A patent/CN116894389A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8452423B2 (en) | Methods and systems for the design and implementation of optimal multivariable model predictive controllers for fast-sampling constrained dynamic systems | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
US8296112B2 (en) | Flow simulation method, flow simulation system, and computer program product | |
EP2174235A2 (en) | Distributed kernel density estimation | |
CN106446317A (zh) | 一种基于数学模型的密封式继电器贮存寿命预测方法 | |
Cai et al. | A multi-point sampling method based on kriging for global optimization | |
Kaminsky et al. | An efficient batch K-fold cross-validation voronoi adaptive sampling technique for global surrogate modeling | |
US9081091B2 (en) | Method and device for tracking the path of motion of a moving object as well as computer program and data storage media | |
CN109783918B (zh) | 基于切换序贯采样模式的减速器优化设计实现方法 | |
CN113326639B (zh) | 一种自动驾驶测试场景的确定方法、装置及电子设备 | |
CN113158589B (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
CN116842853B (zh) | 用于不确定度量化的导弹气动特性预测模型构建方法 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN116894389A (zh) | 一种飞行器性能参数预测方法及装置 | |
CN112214843A (zh) | 一种用于风洞试验机翼模型有限元刚度修正方法及装置 | |
CN116009397A (zh) | 一种制动压力模型训练方法、装置、设备及存储介质 | |
Olaizola et al. | Real-time servo press force estimation based on dual particle filter | |
EP4068137B1 (en) | Apparatus and method for optimizing control parameter of solder printing apparatus | |
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 | |
CN113887121A (zh) | 多性能最优化设计装置、以及多性能最优化设计方法 | |
Meyer et al. | Deep Surrogate for Direct Time Fluid Dynamics | |
KR101998177B1 (ko) | 타이어 정상상태 해석방법 | |
CN116894386A (zh) | 飞行器性能预示模型的动态序贯式优化方法及装置 | |
CN114048548B (zh) | 一种重载车辆空气弹簧动态载荷估计方法 | |
CN116894387A (zh) | 飞行器性能预示模型的确定方法、装置及电子设备 |
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 |