一种基于深度学习的风洞天平静态校测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114993604A(43)申请公布日2022.09.02(21)申请号202210571249.2(22)申请日2022.05.24(71)申请人中国科学院力学研究所地址100190北京市海淀区北四环西路15号(72)发明人汪运鹏聂少军姜宗林(74)专利代理机构北京和信华成知识产权代理事务所(普通合伙)11390专利代理师焦海峰(51)Int.Cl.G01M9/06(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图2页(54)发明名称一种基于深度学习的风洞天平静态校测方法(57)摘要本发明提供一种基于深度学习的风洞天平静态校测方法，选择施加载荷方向始终与天平体轴系一致的风洞天平校准设备，进行风洞试验采集样本数据；利用训练样本数据构建神经网络初始模型，结合验证样本数据优化神经网络初始模型的网络参数，得到进一步减少训练时间、节省成本的神经网络校准模型；在优化得到的神经网络校准模型的基础上，结合测试样本数据，对神经网络校准模型进行数据精准度分析，得到用于天平静态校准的神经网络校准模型。本发明通过对多分量天平公式拟合方法进行改进，解决了目前线性插值拟合方法中应变天平分量间存在较大的相互干扰的问题，提高了应变天平静态校准性能指标。CN114993604ACN114993604A权利要求书1/2页1.一种基于深度学习的风洞天平静态校测方法，其特征在于，包括如下步骤：步骤1、选择施加载荷方向始终与天平体轴系一致的风洞天平校准设备，进行风洞试验采集样本数据，将所述样本数据随机划分为训练样本、验证样本、测试样本；所述样本数据包括法向力Y、俯仰力矩Mz、轴向力X、滚转力矩Mx、侧向力Z、偏航力矩My六个载荷分量的加载过程输入信号和对应一致的应用受载过程输出信号；步骤2、将所述训练样本导入初始状态下的神经网络初始模型，基于训练样本中的数据训练更新所述神经网络初始模型的网络参数进行建模；步骤3、对步骤2训练得到的建模数据，通过判断损失函数和训练轮数是否满足要求，以判断步骤2得到的所述神经网络初始模型的质量；如果不满足要求则返回步骤2继续训练更新所述神经网络初始模型的网络参数，如果损失函数和训练轮数满足要求，进行步骤4；步骤4、输出天平载荷的预测值，得到训练完成的所述神经网络初始模型；步骤5、将所述验证样本输入步骤4构建的所述神经网络初始模型中，进行迭代优化训练，以得到较之步骤4构建的所述神经网络初始模型进一步减少训练时间、节省成本的神经网络校准模型；步骤6、对步骤5优化得到的所述神经网络校准模型，判断天平静态校准数据精准度是否满足要求；如果不满足要求则返回步骤4，继续迭代优化训练更新所述神经网络初始模型的网络参数；如果天平静态校准数据精准度满足要求，进行步骤7；步骤7、输出优化后的网络参数及优化后的网络参数构成的所述神经网络校准模型；步骤8、将所述测试样本输入步骤7得到的所述神经网络校准模型进行校准数据精准度分析，判断天平静态校准性能指标是否得到提升并满足要求；如果天平静态校准性能指标得到提升并满足要求，则得到用于天平静态校准的所述神经网络校准模型；否则，则返回步骤7继续校准数据精准度分析。2.根据权利要求1所述的一种基于深度学习的风洞天平静态校测方法，其特征在于，步骤5中的所述迭代优化训练内容为：在训练过程中，改变网络参数中的一个参数，控制其他参数不变，记录训练结果，通过判断天平静态校准数据精准度是否满足要求选择此参数的最适应值；逐个更换网络参数，重复上述步骤，直至所有网络参数都找到最适应值，优化训练结束，得到神经网络校准模型。3.根据权利要求1所述的一种基于深度学习的风洞天平静态校测方法，其特征在于，步骤1中的所述风洞天平校准设备具备体轴系加载复位功能以自动调整加载系统保证加载状态不变，进行风洞试验采集的样本数据中校准施加载荷方向与天平体轴坐标系一致。4.根据权利要求1所述的一种基于深度学习的风洞天平静态校测方法，其特征在于，所述损失函数为均方误差函数MSE，公式为式中，m是样本总数，yi和分别是天平载荷的真实值和预测值。5.根据权利要求1所述的一种基于深度学习的风洞天平静态校测方法，其特征在于，所述神经网络初始模型为卷积神经网络模型或长短期记忆网络模型或双向长短期记忆网络模型中的一种。2CN114993604A权利要求书2/2页6.根据权利要求5所述的一种基于深度学习的风洞天平静态校测方法，其特征在于，所述卷积神经网络校准模型的网络参数为：卷积层数为4，训练轮数为50000，学习率为10‑5。7.根据权利要求1所述的一种基于深度学习的风洞天平静态校测方法，其特征在于，步骤8中的所述校准数据精准度分析，选择天平校准数