一种基于试验设计的气动数据融合建模方法

技术领域

本发明涉及试验设计与数据融合技术领域，具体涉及一种基于试验设计的气动数据融合建模方法。

背景技术

在飞行器设计中，需要针对设计外形开展数值模拟和风洞试验以分析其气动特性优劣。数值模拟和风洞试验各有优缺点，其中数值模拟可以较低成本获得任意飞行工况下的气动特性，但数值模拟结果精度较低；风洞试验可获得较高精度的数据，但是风洞试验获取成本较高。如何结合数值模拟和风洞试验的优点，以较低的成本建立较高精度的气动模型已成为学术界和工业界共同关注的热点问题。

气动数据融合建模技术通过融合多种来源的不同精度数据，共同建立一个精度较高的气动融合模型。其中高精度风洞试验数据点分布影响着融合模型的精度和融合建模成本。现阶段常用一次一因子法设置风洞试验点，这导致融合建模效率并不高。试验设计技术是一类选择对建模精度影响最大的数据点的方法，使用试验设计选择的少量数据点所建立模型的精度可达到使用原始大量数据点所建立模型精度的相同水平。如何将试验设计方法和气动数据融合建模方法结合起来，针对融合模型设计风洞试验点分布，减少融合建模对风洞试验数据的需求，已成为气动建模领域的一个关键方向。

专利CN110188378B公开了一种基于神经网络的气动数据融合方法，专利CN115619035A公开了一种基于多精度深度神经网络的气动数据融合方法及设备，但上述两个专利均是直接使用全部多精度数据训练数据融合模型，未涉及使用试验设计手段减少融合模型所需要的高精度数据数量及设计高精度数据点分布。目前尚无公开发明专利中提出在数据融合建模过程中使用试验设计方法提高建模效率。

发明内容

为了克服以上技术问题，本发明的目的在于提供一种基于试验设计的气动数据融合建模方法，首先选择神经网络作为气动数学模型；然后使用大量数值模拟数据训练初始模型，该模型虽然精度较低，但整体变化趋势与风洞数据保持一致；而后使用试验设计方法根据当前模型选择少量高精度风洞试验数据点；最后使用风洞试验数据优化部分模型参数，提高模型整体精度。能够有效降低气动融合建模对风洞数据的需求量，提高建模效率，节约风洞试验成本。

为了实现上述目的，本发明采用的技术方案是：

一种基于试验设计的气动数据融合建模方法，包括以下步骤；

步骤一：确定气动模型的形式与参数；

步骤二：使用数值模拟数据训练神经网络模型；

步骤三：最优试验设计方法选择风洞试验点；

步骤四：使用风洞试验数据再训练神经网络模型，优化部分模型参数，提高模型整体精度。

所述步骤一具体为：

(1)根据建模对象特性选择气动模型的形式，非线性较弱的问题选择RBF神经网络模型，非线性较强的问题选择多层全连接神经网络模型；

(2)神经网络输入层神经元个数n_i为飞行器飞行工况参数数目，输出层神经元个数n_o为试验测的飞行器气动性能参数数目，中间层神经元个数可根据2

所述步骤二具体为：

(1)根据飞行器设计要求确定飞行工况参数及其变化范围；

(2)随机在飞行工况参数变化区间内选择大量工况点，然后使用数值模拟获取飞行器这些工况点下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有数值模拟数据集合为低精度数据集；

(3)按照一定比例将低精度数据集分为训练集和测试集；使用训练集中的样本点数据通过最小化损失函数训练神经网络模型，直至损失函数收敛则完成训练，损失函数选择

(4)将测试集中数据点的飞行工况参数值输入到训练完成的神经网络模型，神经网络预测出对应飞行工况下的升阻力系数，将神经网络预测值与数值模拟结果对比计算出MAE或MSE作为神经网络的预测精度。

所述步骤三具体为：

(1)确定融合建模所需要的风洞试验点数n，风洞试验点数应大于用于构造结构矩阵的神经元个数；

(2)从所有待选择的风洞试验工况点中随机抽取n个试验点作为一组待选试验点，连续随机抽取多组待选试验点；

(3)将一组待选风洞试验点的飞行工况参数值输入到步骤二训练好的神经网络中，得到中间层神经元层的输出A

(4)使用同样方法计算每一组待选试验点的信息矩阵；

(5)使用D-最优、A-最优、E-最优、G-最优等中的一个最优准则选择风洞试验点，其中D-最优设计为取试验点使信息矩阵M的行列式值达到极大、A-最优设计为取试验点使tr(M

具体方法为：算出每一组待选试验点的信息矩阵的最优准则值，比较所有信息矩阵最优准则值的大小，根据最优准则选择最优的一组风洞试验点；

(6)通过风洞试验获取最优设计选择的风洞试验点飞行工况下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有风洞试验数据作为高精度数据。

所述步骤四具体为：

(1)复制步骤二中训练完成的神经网络模型及权重参数；

(2)使用高精度风洞试验数据再训练该神经网络，再训练时只改变最后一层神经元的权重值和偏置值，其余层神经元参数保持不变，神经网络训练方式与步骤二中相同；

(3)再训练完成的神经网络模型既为气动数据融合模型，能够作为预测模型获得其他飞行工况下的升阻力系数。

本发明的有益效果：

本发明提出在气动数据融合建模过程中使用最优试验设计选择建模所使用的数据点，以减少融合建模中对风洞试验数据量的需求，降低建模成本。首先使用大量数值模拟数据训练神经网络，然后使用最优试验设计方法选择对提高当前模型精度最有效的风洞试验点，最后使用试验设计选择的风洞试验数据优化神经网络模型，提高模型整体预测精度。与传统气动数据融合方法相比使用本发明建立同等精度的气动融合模型需要使用的风洞试验数据量可减少50％，可节约大量风洞试验成本。

附图说明：

图1为本发明的基于试验设计的数据融合建模方法流程示意图。

图2为使用不同手段获得的高低精度数据。

图3为最优试验设计选择的高精度样本点。

图4为融合建模结果。

具体实施方式

下面结合实施例对本发明作进一步详细说明。

如图1所示：本实施例所述的一种基于试验设计的气动数据融合建模方法，使用高低精度数据共同训练一个神经网络进行数据融合建模，在使用低精度数据训练完成神经网络之后，使用最优试验设计方法选择对提高模型精度最有效的高精度数据点，最后使用这些高精度数据再训练神经网络，完成数据融合建模；本案例针对某个2输入1输出问题进行融合建模，其中风洞试验和数值模拟获得的高低精度数据如图2所示，具体包括以下步骤：

步骤一：确定气动模型的形式与参数；

(1)根据建模对象特性选择多层全连接神经网络模型；

(2)神经网络输入层神经元个数2为飞行器飞行工况参数数目(攻角和马赫数)，输出层神经元个数1为试验测的飞行器气动性能参数数目(升力系数)，中间层神经元个数为8，最后一层使用线性激活函数，其余层使用tanh激活函数。

步骤二：使用数值模拟数据训练神经网络；

(1)根据飞行器设计要求确定飞行工况参数及其变化范围；

(2)随机在飞行工况参数变化区间内选择1000个工况点，然后使用数值模拟获取飞行器这些工况点下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有数值模拟数据集合为低精度数据集；

(3)将数值模拟数据集分为训练集和测试集，分别包含800个和200个数据；使用训练集中的样本点数据通过最小化损失函数训练神经网络模型，直至损失函数收敛则完成训练，损失函数可选择

(4)将测试集中数据点的飞行工况参数值输入到训练完成的神经网络模型，神经网络预测出对应飞行工况下的升阻力系数，将神经网络预测值与数值模拟结果对比计算出MAE或MSE作为神经网络的预测精度。

步骤三、最优试验设计方法选择风洞试验点；

(1)确定融合建模所需要的风洞试验点数n为9；

(2)从所有待选择的风洞试验工况点中随机抽取9个试验点作为一组待选试验点，连续随机抽取多组待选试验点。

(3)将一组待选风洞试验点的飞行工况参数值输入到步骤二训练好的神经网络中，得到中间层神经元层的输出A

(4)使用同样方法计算每一组待选试验点的信息矩阵；

(5)使用D-最优、A-最优、E-最优、G-最优等中的一个最优准则选择风洞试验点，其中D-最优设计为取试验点使信息矩阵M的行列式值达到极大、A-最优设计为取试验点使tr(M

(3)通过风洞试验获取最优设计选择的风洞试验点飞行工况下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有风洞试验数据作为高精度数据；

步骤四、使用风洞试验数据再训练神经网络。

(1)复制步骤二中训练完成的神经网络模型及权重参数；

(2)使用高精度风洞试验数据再训练该神经网络，再训练时只改变最后一层神经元的权重值和偏置值，其余层神经元参数保持不变，神经网络训练方式与步骤二中相同；

(3)再训练完成的神经网络模型既为气动数据融合模型，可作为预测模型获得其他飞行工况下的升阻力系数。融合模型预测结果与风洞试验数据之间误差小于5％，如图4所示，满足工程应用需求。

以上实施例仅用以说明本发明的技术方案，而非对其限制；本发明也可用于电力、交通、化工、农业等领域；任何针对本技术方案应用领域进行修改，或者对其中部分技术特征进行等同替换，并不会使相应技术方案的本质脱离本发明实施技术方案的精神和范围。