【技术实现步骤摘要】
一种基于神经网络的低速风洞支架干扰量预测方法及设备
[0001]本专利技术属于风洞试验领域,具体涉及一种基于神经网络的低速风洞支架干扰量预测方法及设备
。
技术介绍
[0002]在风洞试验时,为了得到风洞支撑装置对试验模型带来的气动力干扰,通常要在正式试验前进行支架干扰测量试验,能够进行支架干扰试验的,为了保险起见要做较多状态的支架干扰试验,涉及到真假支杆的安装
、
模型的翻身,耗时费力,试验成本高,而且同一支杆相同布局试验模型也要完全重复进行支架干扰试验,代价大;不能进行支架干扰试验或者不进行支架干扰修正的模型,试验结果影响数据准度和质量,以往有采用
CFD
等其他手段获得部分状态支架干扰数据,但数据准度有待验证,尚未形成工程应用
。
[0003]目前大量支架干扰试验数据处于孤立状态,使用率低下,因此利用已有的支架干扰试验测得的干扰量,建立支架干扰智能预测模型,能够节约试验时间
、
减少人力物力,并对不能进行支架干扰试验的模型提供干扰量评估
。
技术实现思路
[0004]为解决上述问题,本专利技术提供了一种基于神经网络的低速风洞支架干扰量预测方法,利用已有的风洞试验支架干扰量数据,运用神经网络建立支架干扰量预测模型,从而得到不同模型
、
不同支杆的支架干扰量数据,对于不能进行支架干扰试验的飞行器,能够给出其支撑系统对气动力数据的干扰量大小,提高风洞试验的数据准度
。
[0005]本专利技术 ...
【技术保护点】
【技术特征摘要】
1.
一种基于神经网络的低速风洞支架干扰量预测方法,其特征在于,步骤如下:
S01、
获取低速风洞已有支架干扰试验数据,数据包括如下:风洞试验模型的特征尺寸和姿态角数据,包括:参考面积
、
平均气动弦长
、
展长
、
迎角
、
侧滑角,支架的特征尺寸数据,包括:支架横截面的长和宽,风洞试验的运行风速数据,风洞试验模型的支架干扰量数据,包括:升力
、
阻力
、
俯仰力矩
、
滚转力矩
、
偏航力矩和侧向力;
S02、
对已有所述的支架干扰试验数据进行预处理
:
获取已有的除风洞试验模型的支架干扰量数据之外的所有干扰试验数据的最大值和最小值,通过如下公式进行归一化处理:获得包含输入值和支架干扰量输出值的神经网络训练数据集;
S03、
利用所述神经网络训练数据集输入神经网络学习模型并进行训练,得到支架干扰预测模型,其中,神经网络学习模型的结构如下:第一层为输入层,共有7个神经元,包括风洞试验模型的特征尺寸和姿态角数据
、
支架的特征尺寸数据
、
风洞试验的运行风速;第二层与第三层为隐含层,分别有
15
个和
10
个神经元;最后一层为输出层,共有6个神经元,即6个风洞试验模型的支架干扰量;训练过程分为如下几步:
S31、
前馈神经网络根据当前神经元权重,对输入进行如下变换:神经网络根据当前神经元权重,对输入进行如下变换:神经网络根据当前神经元权重,对输入进行如下变换:神经网络根据当前神经元权重,对输入进行如下变换:其中
:
表示第层的输出
;
为
relu
激活函数,
;
为第层的权重
;
为第层的偏置;为神经网络学习模型输出的风洞试验模型的支架干扰量的预测值;
S32、
误差计...
【专利技术属性】
技术研发人员:刘明远,杨凯,陈宝,焦仁山,陈文军,
申请(专利权)人:中国航空工业集团公司哈尔滨空气动力研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。