一种航空气动球阀流速场智能云图预测方法技术

本发明专利技术提供了一种航空气动球阀流速场智能云图预测方法，包括：对航空气动球阀流速场进行有限元仿真，获取仿真结果；将仿真结果转换为基于三维坐标的流速场点云数据；选取跨中心纵向截面上的流速场点云数据，构建航空气动球阀流速场的点云仿真数据集；建立航空气动球阀流速场智能云图预测模型；依据气动球阀流速场的点云仿真数据集绘制云图网格并进行网格划分；利用迭代最近点算法完成点云坐标的配准，在云图网格位置坐标X与点云坐标x间形成映射关系；对航空气动球阀的流速场进行预测，将预测结果转化为RBG值映射至云图网格，对云图网格节点着色，完成流速场云图的可视化渲染。完成流速场云图的可视化渲染。完成流速场云图的可视化渲染。

【技术实现步骤摘要】
一种航空气动球阀流速场智能云图预测方法


[0001]本专利技术涉及一种气动球阀流速场预测方法，特别是一种航空气动球阀流速场智能云图预测方法。

技术介绍

[0002]在航空装备中，气动球阀被用来节流和控制管路系统中的流量和压力，同时，航空机电装备的服役环境十分复杂，其大量应用于液压、燃油、环控等飞机重要系统，因此对阀门的流动特性及流阻压降的要求也越来越高。当气动球阀的内部构型或者气动球阀所在的外部环境改变时，气动球阀的流速、流量、流阻压降等参数都会随着改变。阀门内部参数过大可能会造成阀门内部破坏，从而导致整个管路系统陷入瘫痪。因此，为了保证气动球阀的安全性和可靠性，需要研究气动球阀在不同情况下的流速场特性。
[0003]对于获取在不同工况下的流速场的云图，现有的常用方法是利用计算流体力学软件计算所得，主要通过计算机利用数值方法求解控制流体动力学的微分方程对流体力学模型进行建模，通过在分析区域建立虚拟的网格表示，将所考虑的区域划分成许多小的体积或单元格建立离散方程组，通过数值方法求解扩散到网格节点上的流场控制方程，得到流场离散的定量描述，对应工况计算完成后输出云图，实现模型对应流速场的可视化。
[0004]然而，由于气动球阀内部流场的复杂强耦合、高度非线性和大时滞特性，计算流体力学软件计算会产生庞大的模型数据和结果数据，导致计算成本大、分析速度慢，现有的求解方法难以保证良好的实时性，已无法满足航空机电装备日益增长的现实研究需求。随着计算机技术的进步，机器学习算法也被应用到工业领域，但大部分单一的神经网络预测模型存在模型不易收敛，容易陷入局部极小值等缺点，且针对航空机电装备对气动球阀流速场进行流场分析的研究较少，无法满足实时直观地对流速场进行观察。

技术实现思路

[0005]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种航空气动球阀流速场智能云图预测方法。
[0006]为了解决上述技术问题，本专利技术公开了一种航空气动球阀流速场智能云图预测方法，包含以下步骤：
[0007]步骤1、对航空气动球阀流速场进行有限元仿真分析，获取在不同工况下的流速场仿真结果；
[0008]进一步的，所述的对航空气动球阀流速场进行有限元仿真分析，是对气动球阀几何模型的开度进行更改，形成新的开度下的流速场的网格结构，再根据实际工况变化进行有限元仿真，得到每个网格节点对应的流速值数据集合，形成基于网格的流速场仿真数据。
[0009]步骤2、将流速场仿真结果即基于网格的流速场数据转换为基于三维坐标的流速场点云数据；选取流速场仿真结果的跨中心纵向截面上的流速场点云数据，构建航空气动球阀流速场的点云仿真数据集；
[0010]进一步的，所述的将流速场仿真结果即基于网格的流速场数据转换为基于三维坐标的流速场点云数据，即流速场在基于网格的流速场数据上均匀批量取点，生成基于三维坐标的流速场点云数据，其中，控制量为M个工况变量ω1,ω2,ω3,
…
,ω
M
和N维点云坐标x1,x2,x3,
…
,x
N
，观测量为流速场数据标记值y。
[0011]步骤3、建立航空气动球阀流速场智能云图预测模型：采用多层感知器MLP搭建网络结构，将点云仿真数据集进行预处理，并输入上述网络结构，通过训练拟合出航空气动球阀流速场点云坐标、工况变量以及流速场之间的映射关系，得到航空气动球阀流速场的智能云图预测模型；
[0012]进一步的，所述的建立航空气动球阀流速场智能云图预测模型，具体包括：
[0013]步骤3.1、基于所构建的航空气动球阀流速场点云仿真数据集，对无效数据﹑离群点数据和缺失数据进行逐条整理和筛选并进行滤波，之后将数据集进行随机打乱，利用Z
‑
score标准化方法计算数据集的均值和标准差进行数据的标准化，把数据映射到0～1范围之内，经过处理后的数据符合标准正态分布；按比例划分训练集、测试集和验证集；
[0014]步骤3.2、网络初始化，建立航空气动球阀流速场智能云图预测模型：
[0015][0016]其中，f(
·
)为航空气动球阀流速场智能云图预测模型结构即拟合函数，输入ω为气动球阀的工况变量，x为气动球阀点云坐标，输出为此工况与坐标下的流速场数据值，初始化权重值W和偏置项的值b为最佳拟合参数向量；
[0017]所述航空气动球阀流速场智能云图预测模型的网络结构为多层感知器MLP结构，采用有向图的连接方式，由顺次排布的输入层、隐藏层和输出层构成，每层的节点都全连接到下一层；输出层为线性传递函数，采用两个隐藏层的结构，隐藏层为连续非线性正切S型传递函数；
[0018]步骤3.3、利用步骤3.1划分的训练集和测试集，使用LM
‑
BP神经网络反向传播的监督学习方法对构建的智能云图预测模型进行训练与验证，拟合出航空气动球阀流速场点云坐标、工况变量和流速场数据之间的映射关系。
[0019]进一步的，所述的使用LM
‑
BP神经网络反向传播的监督学习方法对构建的智能云图预测模型进行训练，具体方法包括：
[0020]步骤3.3.1，初始化权重参数W、偏置项的值b、学习率η和训练误差的允许值ε；
[0021]步骤3.3.2，利用均方差损失值方法计算观测值与标记值y之间的损失值Loss；
[0022]进一步的，所述的利用均方差损失值方法计算观测值与标记值y之间的损失值Loss，具体方法如下：
[0023]根据给定训练数据集T
train
(ω，x)，寻找拟合函数f(ω，x|W，b)与观测量y之差所形成的损失值Loss＝E(W)的全局极小值点，其求解方法为：
[0024][0025]其中，E(W)为拟合函数f(ω，x|W，b)与观测量y之差所形成的损失值，表示输出层第i个节点的误差值。
[0026]步骤3.3.3，计算权值增量ΔW，利用LM算法反向传播对权重参数W进行调整；当每次迭代后，若损失值Loss增加，则拒绝本次迭代，并减小步长ΔW，进行下次迭代；若损失值Loss＝E(W
m
)＜ε，则训练结束，得到最终权重参数W和偏置项的值b。
[0027]进一步的，所述的计算权值增量ΔW，具体方法如下：
[0028]设第m+1次迭代的权值组成的向量W
m+1
＝W
m
+ΔW，权值增量ΔW的计算方法如下：
[0029]ΔW＝[J
T
(W)J(W)+μI]‑1J
T
(W)e(W)
[0030]式中，J(W)为权值的Jacobian矩阵，μ为惩罚因子，I表示单位矩阵，e(W)表示误差向量；采用信赖域法求解惩罚因子μ。
[0031]步骤4、依据气动球阀流速场的点云仿真数据集绘制云图网格并进行网格划分：载入航空气动球阀流速场点云数据的位置坐标，根据顶点位置的分布绘制云图网格，利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空气动球阀流速场智能云图预测方法，其特征在于，包含以下步骤：步骤1、对航空气动球阀流速场进行有限元仿真分析，获取在不同工况下的流速场仿真结果；步骤2、将流速场仿真结果即基于网格的流速场数据转换为基于三维坐标的流速场点云数据；选取流速场仿真结果的跨中心纵向截面上的流速场点云数据，构建航空气动球阀流速场的点云仿真数据集；步骤3、建立航空气动球阀流速场智能云图预测模型：采用多层感知器MLP搭建网络结构，将点云仿真数据集进行预处理，并输入上述网络结构，通过训练拟合出航空气动球阀流速场点云坐标、工况变量以及流速场之间的映射关系，得到航空气动球阀流速场的智能云图预测模型；步骤4、依据气动球阀流速场的点云仿真数据集绘制云图网格并进行网格划分：载入航空气动球阀流速场点云数据的位置坐标，根据顶点位置的分布绘制云图网格，利用区域增长的方法对整个云图进行非结构化三角形网格划分；步骤5、利用迭代最近点算法完成点云坐标的配准，在云图网格位置坐标X与点云坐标x间形成映射关系；步骤6、利用航空气动球阀流速场智能云图预测模型对航空气动球阀的流速场进行预测，将预测结果转化为RBG值映射至云图网格，对云图网格节点着色，完成流速场云图的可视化渲染。2.根据权利要求1所述的一种航空气动球阀流速场智能云图预测方法，其特征在于，步骤1中所述的对航空气动球阀流速场进行有限元仿真分析，是对气动球阀几何模型的开度进行更改，形成新的开度下的流速场的网格结构，再根据实际工况变化进行有限元仿真，得到每个网格节点对应的流速值数据集合，形成基于网格的流速场仿真数据。3.根据权利要求2所述的一种航空气动球阀流速场智能云图预测方法，其特征在于，步骤2中所述的将流速场仿真结果即基于网格的流速场数据转换为基于三维坐标的流速场点云数据，即流速场在基于网格的流速场数据上均匀批量取点，生成基于三维坐标的流速场点云数据，其中，控制量为M个工况变量ω1,ω2,ω3,
…
,ω
M
和N维点云坐标x1,x2,x3,
…
,x
N
，观测量为流速场数据标记值y。4.根据权利要求3所述的一种航空气动球阀流速场智能云图预测方法，其特征在于，步骤3中所述的建立航空气动球阀流速场智能云图预测模型，具体包括：步骤3.1、基于所构建的航空气动球阀流速场点云仿真数据集，对无效数据﹑离群点数据和缺失数据进行逐条整理和筛选并进行滤波，之后将数据集进行随机打乱，利用Z
‑
score标准化方法计算数据集的均值和标准差进行数据的标准化，把数据映射到0～1范围之内，经过处理后的数据符合标准正态分布；按比例划分训练集、测试集和验证集；步骤3.2、网络初始化，建立航空气动球阀流速场智能云图预测模型：其中，f(
·
)为航空气动球阀流速场智能云图预测模型结构即拟合函数，输入ω为气动球阀的工况变量，x为气动球阀点云坐标，输出为此工况与坐标下的流速场数据值，初始化权重值W和偏置项的值b为最佳拟合参数向量；
所述航空气动球阀流速场智能云图预测模型的网络结构为多层感知器MLP结构，采用有向图的连接方式，由顺次排布的输入层、隐藏层和输出层构成，每层的节点都全连接到下一层；输出层为线性传递函数，采用两个隐藏层的结构，隐藏层为连续非线性正切S型传递函数；步骤3.3、利用步骤3.1划分的训练集和测试集，使用LM
‑
BP神经网络反向传播的监督学习方法对构建的智能云图预测模型进行训练与验证，拟合出航空气动球阀流速场点云坐标、工况变量和流速场数据之间的映射关系。5.根据权利要求4所述的一种航空气动球阀流速场智能云图预测方法，其特征在于，步骤3.3中所述的使用LM
‑
BP神经网络反向传播的监督学习方法对构建的智能云图预测模型进行训练，具体方法包括：步骤3.3.1，初始化权重参数W、偏置项的值b、学习率η和训练误差的允许值ε；步骤3.3.2，利用均方差损失值方法计算观测值与标记值y之间的损失值Loss；步骤3.3.3，计算权值增量ΔW，利用LM算法反向传播对权重参数W进行调整；当每次迭代后，...

【专利技术属性】
技术研发人员：彭聪，朱佳音，施苏牧，吴雨玥，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：