一种亚跨超声速风洞流场稳定性的集成学习评估系统技术方案

本发明专利技术提供了一种亚跨超声速风洞流场稳定性的集成学习评估系统，包括数据采集模块、数据分发模块、数据清洗模块、数据评价模块以及模型管理模块，将专家知识，集成学习和感知机进行深度融合，形成多种试验模式下的集成学习算法框架，为亚跨超声速风洞各种试验条件的特征数据配置感知机参数和专家知识，为风洞流场稳定性检测系统提供风洞核心部段的流场稳定性实时与历史分析结果，提高风洞流场稳定性检测的准确率和有效性，形成风洞核心部段的流场稳定性特征数据，减少对专家的依赖。减少对专家的依赖。减少对专家的依赖。

【技术实现步骤摘要】
一种亚跨超声速风洞流场稳定性的集成学习评估系统


[0001]本专利技术涉及风洞试验稳定性评估领域，特别涉及一种亚跨超声速风洞流场稳定性的集成学习评估系统。

技术介绍

[0002]目前，在亚跨超声速风洞进行试验时，对风洞试验段流场性能的判定通常根据驻室参考点马赫数（亚跨声速单变量控制的风洞），或稳定段总压（超声速单变量控制的风洞）或者同时对风洞稳定段总压和驻室马赫数（亚跨声速双变量控制的风洞）来判断的，该判断方法主要依赖于风洞控制系统中的稳定段总压和驻室静压的压强信息，该判断方法已被众多风洞试验运行控制系统所采用。但是，此种流场稳定性判定方法存在以下几个问题:1)控制系统采集的总压及驻室静压只是风洞核心部段流场流动中的某一个空间点的压强随时间的分布信息，并根据稳定段总压及驻室静压根据马赫数计算公式得到风洞试验段核心流的马赫数信息，对风洞核心部段来流流场性能的有效刻画信息偏少。当风洞整个系统工作稳定时，通过上述信息可以获得流场的稳定性，如果风洞核心部段某系统存在偏差，如果仍旧只通过上述两个压强信息，很难确保风洞试验段流场的稳定性，可能会造成风洞试验数据可靠性降低或者产生不可靠试验数据的风险；2)风洞运行关键信息单一，无法实时分析流场出现不稳定的原因；3)过度依赖风洞试验运行控制系统的参数，出现流场不稳定的数据依赖人工经验进行判断，无法结合试验情况进行自动分析和问题的快速定位；4)无法确定压强传感器中数据关联性，数据关系利用率低。

技术实现思路

[0003]为解决现有亚跨超声速风洞核心部段流场稳定性检测过程中不稳定信息丢失、智能化分析程度不高、过度依赖人工经验等问题，基于集成学习提出一种基于感知机模型的核心部段流场稳定性评估系统，将专家知识，集成学习和感知机进行深度融合，形成多种试验模式下的集成学习算法框架，为亚跨超声速风洞各种试验条件的特征数据配置感知机参数和专家知识，为风洞流场稳定性检测系统提供风洞核心部段的流场稳定性实时与历史分析结果，提高风洞流场稳定性检测的准确率和有效性，形成风洞核心部段的流场稳定性特征数据，减少对专家的依赖。
[0004]本专利技术采用的技术方案如下：一种亚跨超声速风洞流场稳定性的集成学习评估系统，包括：数据采集模块：对风洞试验系统核心部段来流性能监测子系统的数据进行实时采集，包括传感器数据以及获试验条件数据；数据分发模块：保存采集的数据至数据库以及完成数据分发；数据清洗模块：根据试验条件数据选择对应的历史传感器数据，并对历史传感器数据进行清洗，对清洗后的历史传感器数据以及采集实时传感器数据进行特征值提取；数据评价模块：包括多个感知机模型，将历史传感器数据的特征值作为训练数据
进行感知机模型训练；将采集的实时传感器数据的特征值分别输入训练好的感知机模型，生成分析结果，通过集成学习分析模型对各感知机的分析结果进行集成学习分析，得到最终的核心部段流场稳定性分析结果；模型管理模块：提供集成学习分析模型优化策略接口，根据优化策略进行优化训练；提供集成学习分析模型的准确率优化接口。
[0005]进一步的，所述数据分发模块将传感器数据保存至时序数据库，将试验车次条件信息保存至关系数据库，并同时对外提供数据接口。
[0006]进一步的，所述数据分发模块还将压强传感器数据发送至MQTT，同时为车次内的数据提供webapi接口，供前端实时界面调用获取数据后进行显示。
[0007]进一步的，数据清洗模块的清洗过程为：对原始数据进行可信度校验，再进行异常值和缺失值处理，之后采用主成分分析完成特征数据的提取。
[0008]进一步的，所述可信度校验具体过程为：针对压强传感器不同的工作模式，提取历史数据在不同模式下的特征数据，将其保存为相应试验条件下的传感器配置信息，每次试验开始后，完成传感器工作模式的识别，随后加载传感器配置信息与传感器时序数据异常检测模型完成对试验中的传感器数据工作状态校验功能，完成其可信度校验。
[0009]进一步的，对于异常值直接舍弃，对缺失值根据各部段数据特性趋势进行插值后均值填充。
[0010]进一步的，数据采集模块在采集之前需要对传感器、串口服务器、移测机构进行自检，确认设备的工作状态正常后再进行数据采集。
[0011]进一步的，所述主成分分析包括建立协方差矩阵，计算对应的特征向量，降维度后计算投影的方差和均值，得到最终的特征列，即可得到特征数据。
[0012]进一步的，集成学习分析模型优化过程为：增加专家提供的判断关键传感器数据的方法及经验数据，经过故障标签分类、历史训练数据清洗、算法模型训练接口和算法模型准确度验证处理，形成新的集成学习分析模型。
[0013]进一步的，集成学习分析模型的准确度优化方式为对清洗后的训练数据进行交叉验证。
[0014]与现有技术相比，采用上述技术方案的有益效果为：本专利技术有效的克服了现有风洞流场稳定性判断过程中灵活性差、实时性不高、高度依赖专家的经验知识等问题，对实现风洞试验控制系统合理、快速、高效的风洞试验资源配置具有较高意义和实际使用价值。
附图说明
[0015]图1为本专利技术提出的基于集成学习的高速风洞核心段流场稳定性评估系统示意图。
[0016]图2为本专利技术一实施例的数据采集原理示意图图3为本专利技术一实施例的数据分发原理示意图。
[0017]图4为本专利技术一实施例的模型管理原理示意图。
[0018]图5为本专利技术一实施例的数据清洗原理示意图。
具体实施方式
[0019]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
[0020]如图1所示，本实施例提出了一种亚跨超声速风洞流场稳定性的集成学习评估系统，包括：数据采集模块：对风洞试验系统核心部段来流性能监测子系统的数据进行实时采集，包括传感器数据以及试验条件数据；数据分发模块：保存采集的数据至数据库以及完成数据分发；数据清洗模块：根据试验条件数据选择对应的历史传感器数据，并对历史传感器数据进行清洗，对清洗后的历史传感器数据以及采集实时传感器数据进行特征值提取；数据评价模块：包括多个感知机模型，将历史传感器数据的特征值作为训练数据进行感知机模型训练；将采集的实时压强传感器数据的特征值分别输入训练好的感知机模型，生成分析结果，通过集成学习分析模型对各感知机的分析结果进行集成学习分析，得到最终的核心部段流场稳定性分析结果；其中，集成学习分析通过集成学习分析模型进行。
[0021]模型管理模块：提供集成学习分析模型优化策略接口，根据优化策略进行优化训练，提供集成学习分析模型准确率优化接口。
[0022]还包括用于显示的前端界面，能够实时显示采集的传感器数据以及数据评价模块得到的核心部段流场稳定性分析结果；具体的，如图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，包括：数据采集模块：对风洞试验系统核心部段来流性能监测子系统的数据进行实时采集，包括实时传感器数据以及试验条件数据；数据分发模块：保存采集的数据至数据库以及完成数据分发；数据清洗模块：根据试验条件数据选择对应的历史传感器数据，并对历史传感器数据进行清洗，对清洗后的历史传感器数据以及采集实时传感器数据进行特征值提取；数据评价模块：包括多个感知机模型，将历史传感器数据的特征值作为训练数据进行感知机模型训练；将采集的实时传感器数据的特征值分别输入训练好的感知机模型，生成分析结果，通过集成学习分析模型对各感知机的分析结果进行集成学习分析，得到最终的核心部段流场稳定性分析结果；模型管理模块：提供集成学习分析模型优化策略接口，根据优化策略进行优化训练；提供集成学习分析模型的准确率优化接口。2.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，所述数据分发模块将压强传感器数据保存至时序数据库，将试验车次条件信息保存至关系数据库，并同时对外提供数据接口。3.根据权利要求1或2所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，所述数据分发模块还将压强传感器数据发送至MQTT，同时为车次内的数据提供webapi接口，供前端实时界面调用获取数据后进行显示。4.根据权利要求1所述的亚跨超声速风洞流场稳定性的集成学习评估系统，其特征在于，数据清洗模块的清洗过程为：对原始数据进行可信度校验，再进行异常值和缺失值处理，之后采用主成分分析完成特征数据的提...

【专利技术属性】
技术研发人员：熊波，黄辉，李聪健，邓晓曼，阎成，范金磊，杜钰峰，张胜，陈海峰，汪路路，贺振阳，王亮，
申请(专利权)人：中国空气动力研究与发展中心高速空气动力研究所，
类型：发明
国别省市：