高超声速风洞的温度场预测方法、电子设备及存储介质技术

高超声速风洞的温度场预测方法、电子设备及存储介质，属于风洞测量与控制技术领域。为解决高超声速风洞温度场控制效果不佳的问题。本发明专利技术采集高超声速风洞的工况数据，将原始数据样本集合中的输入样本进行相空间重构，得到用于模型训练的输入样本、输出样本，组成样本训练数据集、样本测试数据集，分别使用贝叶斯回归方法、支持向量回归方法、BP神经网络方法建立高超声速风洞的温度场的出口温度预测模型，将样本训练数据集对建立的三种高超声速风洞的温度场的出口温度预测模型进行训练，将样本测试数据集对建立的三种高超声速风洞的温度场的出口温度预测模型进行模型测试，得到最优的高超声速风洞的温度场的出口温度预测模型。本发明专利技术预测精确。本发明专利技术预测精确。本发明专利技术预测精确。

【技术实现步骤摘要】
高超声速风洞的温度场预测方法、电子设备及存储介质


[0001]本专利技术属于风洞测量与控制
，具体涉及高超声速风洞的温度场预测方法、电子设备及存储介质。

技术介绍

[0002]高超声速风洞运行方式为下吹引射式，采用自由射流试验，高超声速风洞运行马赫数不低于4，运行总压范围一般从几bar到几十bar不等。为了实现高超声速风洞运行气流不冷凝或复现实际飞行总温的目的，高超声速风洞一般在稳定段前设置加热器进行风洞内气流的加热，实现对风洞试验段温度场的控制。高超声速风洞根据运行工况不同，所需要的加热器最高加热能力范围从几百K到上千K，加热器形式包括电加热器、燃烧加热器。电加热器由若干个电加热模块组成，使用电加热管作为加热元件，由于其稳定性好、安全性高，气流纯净的优点被广泛应用于高超声速风洞设计与建设中。对于设置电加热器的高超声速风洞，在温度调节过程中，需要根据不同的进口温度和进口压力，对电加热模块的加热温度进行调节，以达到出口温度的有效控制，进而实现高超声速风洞试验段温度场的控制。影响高超声速风洞试验段温度场控制的因素主要包括：温度效应的延迟特性、风洞压力温度的耦合影响、风洞试验过程的短时性以及受环境温度的影响，目前现有高超声速风洞的温度场控制主要依赖人工经验，温度场控制效果不佳，很难完全满足试验需求。

技术实现思路

[0003]本专利技术旨在解决高超声速风洞温度场控制效果不佳的问题，进而提出一种高超声速风洞的温度场预测方法、电子设备及存储介质。
[0004]为实现上述目的，本专利技术通过以下技术方案实现：
[0005]一种高超声速风洞的温度场预测方法，包括如下步骤：
[0006]S1、采集高超声速风洞的工况数据，包括风洞加热器出口温度y
i
、风洞加热器的h个加热模块的温度[T
i
×1,T
i
×2,...,T
i
×
h
]、风洞加热器进口气流压力P
i
、风洞加热器进口气流温度q
i
，然后设置风洞加热器的h个加热模块的温度[T
i
×1,T
i
×2,...,T
i
×
h
]、风洞加热器进口气流压力P
i
、风洞加热器进口气流温度q
i
为输入样本x
i
，设置风洞加热器出口温度y
i
为输出样本，得到原始数据样本集合i＝1,2...n，n为原始数据样本的个数，i为n中的任意一个；
[0007]S2、将步骤S1得到的原始数据样本集合中的输入样本进行相空间重构，得到用于模型训练的输入样本、输出样本，组成样本训练数据集、样本测试数据集；
[0008]S3、分别使用贝叶斯回归方法、支持向量回归方法、BP神经网络方法建立高超声速风洞的温度场的出口温度预测模型，将步骤S2得到的样本训练数据集对建立的三种高超声速风洞的温度场的出口温度预测模型进行训练；
[0009]S4、将步骤S2得到的样本测试数据集对步骤S3建立的三种高超声速风洞的温度场的出口温度预测模型进行模型测试，得到最优的高超声速风洞的温度场的出口温度预测模
型。
[0010]进一步的，步骤S1中输入样本x
i
＝[T
i
×1,T
i
×2,...,T
i
×
h
,P
i
,q
i
]，对输入样本x
i
进行数据形式改写，最终得到：
[0011][0012]其中，d为输入样本中数据的维数，d＝h+2，x
id
为第i个样本的第d维特征。
[0013]进一步的，步骤S2的具体实现方法包括如下步骤：
[0014]S2.1、设置输入样本x
i
的第j维延迟时间和嵌入维数分别为τ
j
和m
j
，j＝1,2,...,d，经相空间重构得到的时间序列X(k)为：
[0015]X(k)＝[x1(k),x1(k
‑
τ1),...,x1(k
‑
(m1‑
2)τ1),x1(k
‑
(m1‑
1)τ1),
[0016]x2(k),x2(k
‑
τ2),...,x2(k
‑
(m2‑
2)τ2,x2(k
‑
(m2‑
1)τ2),
[0017]...
[0018]x
d
(k),x
d
(k
‑
τ
d
),...,x
d
(k
‑
(m
d
‑
2)τ
d
,x
d
(k
‑
(m
d
‑
1)τ
d
)][0019]其中，k为第k个样本，x
d
(k)为第k个样本的第d维特征；
[0020]S2.2、建立单步预测的映射关系，设置F为映射，则对于相空间重构得到的时间序列有如下公式：
[0021]x
d
(k+1)＝F
d
(X(k))
[0022]其中，x
d
(k+1)为第k+1个样本的第d维特征；
[0023]S2.3、利用步骤S2.2的公式生成相空间重构后的时间序列，作为预测模型的输入样本，输入样本的维数为D＝m1+m2+...+m
d
；
[0024]S2.4、通过互信息方法确定延迟时间τ
j
和嵌入维数m
j
，当相空间重构后的时间序列与样本输出序列互信息最大时，相应的τ
j
和m
j
作为高超声速风洞的温度场预测模型采用的延迟时间和嵌入维数，得到高超声速风洞的温度场预测模型训练的输入输出样本数据集为组成样本训练数据集、样本测试数据集。
[0025]进一步的，步骤S3中贝叶斯回归方法建立高超声速风洞的温度场的出口温度预测模型具体实现方法包括如下步骤：
[0026]S3.1、对步骤S2中样本训练数据集贝叶斯回归方法假设学习误差独立且服从零均值高斯分布，则训练数据的似然函数p(Y|w,β)的计算公式为：
[0027][0028]其中，N为数据数量，w为待定贝叶斯回归模型参数，β为似然函数的方差参数，p(Y|w,β)表示给定参数w后变量Y的发生概率；
[0029]S3.2、设置贝叶斯网络输出权值的先验分布p(w|α)为：
[0030][0031]其中，α为输出权值的方差参数；
[0032]S3.3、设置待定贝叶斯回归模型参数的后验分布为高斯分布,其均值和方差矩阵
分别表示为m
N...

【技术保护点】

【技术特征摘要】
1.一种高超声速风洞的温度场预测方法，其特征在于，包括如下步骤：S1、采集高超声速风洞的工况数据，包括风洞加热器出口温度y
i
、风洞加热器的h个加热模块的温度[T
i
×1,T
i
×2,...,T
i
×
h
]、风洞加热器进口气流压力P
i
、风洞加热器进口气流温度q
i
，然后设置风洞加热器的h个加热模块的温度[T
i
×1,T
i
×2,...,T
i
×
h
]、风洞加热器进口气流压力P
i
、风洞加热器进口气流温度q
i
为输入样本x
i
，设置风洞加热器出口温度y
i
为输出样本，得到原始数据样本集合i＝1,2...n，n为原始数据样本的个数，i为n中的任意一个；S2、将步骤S1得到的原始数据样本集合中的输入样本进行相空间重构，得到用于模型训练的输入样本、输出样本，组成样本训练数据集、样本测试数据集；S3、分别使用贝叶斯回归方法、支持向量回归方法、BP神经网络方法建立高超声速风洞的温度场的出口温度预测模型，将步骤S2得到的样本训练数据集对建立的三种高超声速风洞的温度场的出口温度预测模型进行训练；S4、将步骤S2得到的样本测试数据集对步骤S3建立的三种高超声速风洞的温度场的出口温度预测模型进行模型测试，得到最优的高超声速风洞的温度场的出口温度预测模型。2.根据权利要求1所述的一种高超声速风洞的温度场预测方法，其特征在于，步骤S1中输入样本x
i
＝[T
i
×1,T
i
×2,...,T
i
×
h
,P
i
,q
i
]，对输入样本x
i
进行数据形式改写，最终得到：x
i
＝[x
i1
,x
i2
,...,x
id
]
T
∈R
d
其中，d为输入样本中数据的维数，d＝h+2，x
id
为第i个样本的第d维特征。3.根据权利要求2所述的一种高超声速风洞的温度场预测方法，其特征在于，步骤S2的具体实现方法包括如下步骤：S2.1、设置输入样本x
i
的第j维延迟时间和嵌入维数分别为τ
j
和m
j
，j＝1,2,...,d，经相空间重构得到的时间序列X(k)为：X(k)＝[x1(k),x1(k
‑
τ1),...,x1(k
‑
(m1‑
2)τ1),x1(k
‑
(m1‑
1)τ1),x2(k),x2(k
‑
τ2),...,x2(k
‑
(m2‑
2)τ2,x2(k
‑
(m2‑
1)τ2),...x
d
(k),x
d
(k
‑
τ
d
),...,x
d
(k
‑
(m
d
‑
2)τ
d
,x
d
(k
‑
(m
d
‑
1)τ
d
)]其中，k为第k个样本，x
d
(k)为第k个样本的第d维特征；S2.2、建立单步预测的映射关系，设置F为映射，则对于相空间重构得到的时间序列有如下公式：x
d
(k+1)＝F
d
(X(k))其中，x
d
(k+1)为第...

【专利技术属性】
技术研发人员：李强，钱战森，鲍树语，高亮杰，辛亚楠，
申请(专利权)人：中国航空工业集团公司沈阳空气动力研究所，
类型：发明
国别省市：