基于人工神经网络的飞机翼型优化设计方法技术

本发明专利技术属于机械设计技术领域，具体为一种基于人工神经网络的飞机翼型优化设计方法。本发明专利技术是在基于人工神经网络的翼型参数化反设计的基础上，进一步提出新型翼型优化方法，以此技术进行翼型数据库的扩充，增加设计人员的可利用技术资源。本发明专利技术通过分析研究参数化翼型数据的结构与人工神经网络的联系，寻找实现优化方向的手段；从理论和实验比较不同的学习关系对于人工神经网络的优化工作的影响，最终建构适合应用人工神经网络的翼型新型优化方法，使人工神经网络的智能化特点体现在满足更理想气动要求的翼型生成上。本发明专利技术将智能化地生成具备比原有的翼型更优良的气动性能的新翼型，形成设计工作的良性循环。

【技术实现步骤摘要】

本专利技术属于机械设计
，具体涉及一种飞机翼型优化设计方法。
技术介绍
飞机设计过程中，尤其在初始设计阶段，往往采取利用现成的飞机部件(如翼型） 的数据库的信息进行代入式的设计；在翼型设计方面，由此知道设计的质量和效率取决于 翼型的数据库的质量。如何在现有的给定的翼型的数据(包括描述其外形的几何数据和气 动性能数据）之上，快速简洁、较为准确地进行其关于气动性能的几何数据的优化，是一个 值得研宄的工作。 同领域的研宄思路常常局限在性能低劣和高级的翼型之间的简单映射，其采用智 能算法得到的结果的成功率往往很低。然而由于翼型是个高维的数据载体，难以用简单的 映射关系予以框架，故这方面的建树不多。 飞机翼型的反设计，就是根据气动性能要求直接得到符合要求的翼型的飞机翼型 设计方案。在基于人工神经网络的翼型参数化反设计工作的基础上，本专利技术提出一种新型 翼型优化方法：以反设计技术进行翼型优化工作，实现翼型数据库的扩充，从而增加设计人 员的可利用技术资源。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种基于人工神经网络的飞机翼型优 化设计方法。 本专利技术提供的，具体步骤为： (1)首先，参考一般机翼/翼型反设计的方法，建立翼型参数化数据库。 具体是用 PARSEC 参数化方法（Sobieczky H. Parametric airfoils and wings//Recent Development of Aerodynamic Design Methodologies. Vieweg+ Teubner Verlag, 1999: 71-87.)描述飞机翼型，建立飞机翼型表达方式，即以11个 Parsec参数(前缘半径r7e、上/下翼面最大厚度Z i45和上/下翼面最大厚度对应位置 和乙^上/下翼面顶点曲率&胃和后缘宽度Z 后缘垂直高度后缘楔角 后缘方向角α E)模拟翼型几何状况，用6个气动性能参数(升力系数CU阻力系数CD、力矩 系数CM、巡航效率MCL/CD、摩擦阻力系数CDF、激波阻力系数CDW)概括翼型气动性能。 于是，上翼面和下翼面曲线参数化表达式为式（1)所示：【主权项】1. 一种，其特征在于具体步骤为： (1)首先，参考一般机翼/翼型反设计的方法，建立翼型参数化数据库 采用PARSEC参数化方法描述飞机翼型，建立飞机翼型表达方式，即以11个Parsec参 数：前缘半径4、上/下翼面最大厚度和屯、上/下翼面最大厚度对应位置和&、上 /下翼面顶点曲率和么^、后缘宽度ZZe、后缘垂直高度后缘楔角后缘方向 角aj莫拟翼型几何状况，用6个气动性能参数：升力系数CL、阻力系数CD、力矩系数CM、 巡航效率MCL/CD、摩擦阻力系数CDF、激波阻力系数CDW概括翼型气动性能； 于是，上翼面和下翼面曲线参数化表达式为式（1)所示：4为多项式系数，对于上翼面，系数4由矩阵方程（2)给出：对于下翼面，系数&由矩阵方程（3)给出：获得拟合系数，便建立几何参数与实际翼型外形的联系； 在PARSEC几何参数化方法的基础上，对翼型/机翼反设计以几何参数为优化对象； (2) 对于建立的数据库进行分类 分类方法采用SOM人工神经网络算法，进行SOM网络训练；SOM网络训练结束后，输出 层各神经元与各输入模式类的特定关系就被完全确定，因此可用作模式分类器；当输入一 个模式时，网络输出层代表该模式类的特定神经元将产生最大响应，从而将该输入自动归 类； (3) 建立训练相关的人工神经网络 通过人工神经网络算法，深入地利用参数化翼型数据的结构与人工神经网络的联系； 具体采用BP算法；BP算法的基本过程是，学习过程由信号的正向传播与误差的反向传播两 个过程组成： 正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的 实际输出与期望的输出不符，则转入误差的反向传播阶段； 误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊 给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的 依据； 这种信号正向传播与误差反向传播的各层权值调整过程，周而复始地进行；权值不断 调整的过程，也就是网络的学习训练过程；此过程一直进行到网络输出的误差减少到可接 受的程度，或进行到预先设定的学习次数为止； 其中，通过利用"固定步长"的概念寻找实现优化方向的手段，作为设置神经网络训练 方式中输入端和输出端的配置依据；具体说明如下： 针对一个翼型进行空气动力学分析时，对于某个给定的翼型，对其做某个确切的气动 要求下的优化改进，这一系列的改进总是趋近于某个确定的外形，称其优化的"上限"；因 此，优化前后的情形可以描述为：设计人员手中拥有的翼型中的性能与上限的距离是待定 的；待优化的翼型和目标的翼型由事先指定，所以整个优化性扩充，作为一个翼型优化过程 /结果，看成是待优化的翼型向目标翼型"学习"的过程/结果；每一类翼型中，假设优化过 程中所使用的是某种较好的"学习方法"，那么在一定的距离开外，"学习方法"将不再适用， 这一"新上限"应该低于上一条所说的"上限"；以这里的"新上限"作为"上限"；如果优化 的气动性能差的值过大使得优化目标超过了"上限"，那么置信度分析得到的关联度将会发 生质变，不再适用； 翼型优化的问题在于，如何实现高评价和低评价翼型之间的联系以便新型翼型设计优 化方法获知；对于某一类翼型，由于几何相似的关系，几何数据对应气动数据的相关性一 致；通过比较翼型实验数据的任意两个翼型的置信度便获得优化方向； 在进行新型翼型优化方法的时候，人工神经网络起着计算置信度的作用；并且将数据 进行归一化处理，以排除数量值大的参数在人工神经网络训练中对于其他参数的干扰；运 用BP算法，输入集合数据，得到一个具备更佳气动特征的翼型的数据。2.根据权利要求1所述的，其特征在于： 所述"固定步长"在基于人工神经网络的翼型优化设计中的作用通过以下方式体现：对于每 个翼型，选择与其本身的气动性能差距最接近固定步长的那一个翼型作为人工神经网络的 学习目标，以此类推，逐个形成人工神经网络的输入端和输出端； 翼型实验数据中的一类翼型，按照设定的气动性能标准从最差到最好即上限分类，每 一个气动评价对应着一个几何数据向量，11维几何向量和气动性能评价参数，两者构成 12维的空间#:在此翼型实验数据空间中，翼型优化工作相当于现有的数量较小的数据点上的曲线拟 合，以此找到在更好的气动性能评价下所对应的几何数据；故应有一个映射f，满足：其中/;组合构成的f为一个向量值映射，i= 1，2,…，11 ; 翼型实验数据优化性扩充是11 + 1 = 12维度向量朝向11维向量的投影，因此可将 翼型实验数据优化性扩充视作函数逼近；利用Hilbert空间中的射影定理，将随着优化标 准升高而变化的翼型几何数据，看作是一个最佳外推逼近元；这个最佳外推逼近元对应在 已经降低维度的翼型数据空间和一维优化指标向量直接和的空间中的理想的优化指标；因 此无需具体的解法，知道问题的解存在；对于一个给定的已经按照要求的气动性能评价参 数排列的系列翼型数据：其中，指代翼型；本文档来自技高网...

【技术保护点】
一种基于人工神经网络的飞机翼型优化设计方法，其特征在于具体步骤为：（1）首先，参考一般机翼/翼型反设计的方法，建立翼型参数化数据库采用PARSEC参数化方法描述飞机翼型，建立飞机翼型表达方式，即以11个Parsec参数：前缘半径rle、上/下翼面最大厚度Xup和Xlo、上/下翼面最大厚度对应位置Zup和Zlo、上/下翼面顶点曲率Zxxup和Zxxlo、后缘宽度△ZTE、后缘垂直高度ZTE、后缘楔角βTE、后缘方向角αTE模拟翼型几何状况，用6个气动性能参数：升力系数CL、阻力系数CD、力矩系数CM、巡航效率MCL/CD、摩擦阻力系数CDF、激波阻力系数CDW概括翼型气动性能；于是，上翼面和下翼面曲线参数化表达式为式（1）所示：（1）an为多项式系数，对于上翼面，系数 an由矩阵方程（2）给出：（2）对于下翼面，系数 an由矩阵方程（3）给出：（3）获得拟合系数，便建立几何参数与实际翼型外形的联系；在PARSEC几何参数化方法的基础上，对翼型/机翼反设计以几何参数为优化对象；（2）对于建立的数据库进行分类分类方法采用SOM 人工神经网络算法，进行SOM网络训练；SOM网络训练结束后，输出层各神经元与各输入模式类的特定关系就被完全确定，因此可用作模式分类器；当输入一个模式时，网络输出层代表该模式类的特定神经元将产生最大响应，从而将该输入自动归类；(3)建立训练相关的人工神经网络通过人工神经网络算法，深入地利用参数化翼型数据的结构与人工神经网络的联系；具体采用BP算法；BP算法的基本过程是，学习过程由信号的正向传播与误差的反向传播两个过程组成:正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；这种信号正向传播与误差反向传播的各层权值调整过程，周而复始地进行；权值不断调整的过程，也就是网络的学习训练过程；此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止；其中，通过利用“固定步长”的概念寻找实现优化方向的手段，作为设置神经网络训练方式中输入端和输出端的配置依据；具体说明如下：针对一个翼型进行空气动力学分析时，对于某个给定的翼型，对其做某个确切的气动要求下的优化改进，这一系列的改进总是趋近于某个确定的外形，称其优化的“上限”；因此，优化前后的情形可以描述为：设计人员手中拥有的翼型中的性能与上限的距离是待定的；待优化的翼型和目标的翼型由事先指定，所以整个优化性扩充，作为一个翼型优化过程/结果，看成是待优化的翼型向目标翼型“学习”的过程/结果；每一类翼型中，假设优化过程中所使用的是某种较好的“学习方法”，那么在一定的距离开外，“学习方法”将不再适用，这一“新上限”应该低于上一条所说的“上限”；以这里的“新上限”作为“上限”；如果优化的气动性能差的值过大使得优化目标超过了“上限”，那么置信度分析得到的关联度将会发生质变，不再适用；翼型优化的问题在于，如何实现高评价和低评价翼型之间的联系以便新型翼型设计优化方法获知；对于某一类翼型，由于几何相似的关系，几何数据对应气动数据的相关性一致；通过比较翼型实验数据的任意两个翼型的置信度便获得优化方向；在进行新型翼型优化方法的时候，人工神经网络起着计算置信度的作用；并且将数据进行归一化处理，以排除数量值大的参数在人工神经网络训练中对于其他参数的干扰；运用 BP 算法，输入集合数据，得到一个具备更佳气动特征的翼型的数据。...

【技术特征摘要】

【专利技术属性】
技术研发人员：孙刚，王舒悦，孙燕杰，陶俊，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31