【技术实现步骤摘要】
本专利技术属于航空发动机测量，涉及一种基于数值数据挖掘的内流场测量传感器布局优化方法。
技术介绍
1、航空发动机测量采用传感器对内流场进行实验测量时，受到几何约束、结构强度和对流场干扰的限制，不仅对传感器空间位置有限制，而且数量/测量位置有限。在传统的内流场测量(如压气机叶顶间隙静压、发动机进口马赫数、叶片表面静压、发动机进口畸变)中，传感器通常均匀分布，或者根据经验在某一特定位置安装传感器进行单点测量。近些年，随着对飞行器机动性能需求的提升，对航空发动机在恶劣工况下气动性能和进口畸变环境下的性能提出较高要求，促使研究人员关注对进口畸变、大分离、激波等非均匀流场细节的捕捉。然而，传统的传感器均匀布局方案和单点测量都难以满足这一需求。为了解决这一矛盾，以尽量少的传感器获得尽可能多的流场信息成为关键，因此内流场传感器布局的优化成为亟待解决的技术问题之一。
2、传感器布局优化问题在室内环境监测、结构健康监测、农业环境监测、机器人传感、航天器姿态调整和生物医学工程等领域受到高度关注。从优化目标的角度可以归结为两类：一类是通过优化传感器布置位置获得可靠性更高的信号。例如在火箭运行姿态控制研究中，采用双速率陀螺传感器布局优化方法，达到抑制弹性振动干扰，提升测量准确性的目的；在航空发动机振动研究中，以测点振动幅值和各方向振动分量提出优化准则，使得传感器布置于对各个轴承位置的激励响应敏感的位置，提升振动测量的准确性。另一类是通过优化传感器布置位置以尽可能少的传感器获得尽可能多的信息。例如自动驾驶领域，采用粒子群算法和遗传算法解决传感
3、本专利技术的目的与后者相近，然而不同的是，上述实则为覆盖问题，换而言之，保证传感器所探测/采集的范围重叠尽可能少即可保证有限数量的传感器采集到的信息量尽可能多；而本专利技术所述领域(航空发动机内流场物理量空间分布实验测量)中信息量的多寡取决于对流动分离、激波、尾迹等复杂物理现象捕捉的丰富程度。因此有必要根据需求发展适用于航空发动机内流场物理量空间分布实验测量的领域的传感器布局优化方法。
4、基于高斯过程回归的优化计算方法给传感器布局位置的选取提供了可借鉴思路，即基于已有的实验测点数据作为输入，通过高斯过程回归拟合物理场的空间分布，并采用贪心算法求解出一组最佳传感器位置集合，例如在专利201410223460.0中所述。然而，在航空发动机测量领域中还存在三个难点：其一，难以有丰富的实验数据作为输入数据；其二，如何定量评估传感器测点所携带的信息量；其三，由于航空发动机内流场对来流工况的变化非常敏感，基于数据挖掘得到的传感器布局方案的鲁棒性如何保证。
技术实现思路
1、本专利技术解决技术问题所采取的技术方案是：一种基于数值数据挖掘的内流场测量传感器布局优化方法，包括以下步骤：
2、步骤s1：获取多个工况下待测截面数值数据，采用数值模拟方法对d个不同来流条件下(即工况)的待测流场进行数值模拟，并提取待测截面网格中心点的几何坐标和对应的物理量，对于工况i，i∈[1,d]的待测截面网格中心点坐标集合和物理量集合分别用qi和f(qi)表示；网格中心点数量，即qi中元素个数，用q表示，即|qi|＝qi；
3、步骤s2：基于高斯过程回归的特征点提取，以步骤s1中待测截面数值模拟数据作为输入数据来解决难以有丰富的实验数据作为输入的问题；特征点提取的是从q中采用贪心算法选择子空间位置集合c作为特征点空间集合，特征点个数为m，即|c|＝m，基于c和c对应的物理量集合f(c)建立的高斯过程回归模型，使得该模型对q个空间点物理量预测的面积加权均方根误差rmse降低到ε0以内；rmse的定义如下：
4、
5、式(1)中：
6、wj表示网格中心点j处的网格面积，fj和分别表示网格中心点j处的数值计算结果和预测结果；ε0的选择根据想要达到的精度灵活确定；
7、步骤s3：基于互信息准则的单一工况传感器布局；根据在内流场测量中，在多壁面、结构强度的影响下，对传感器的放置位置的几何上的约束，将上述得到的特征点空间集合c分解为传感器可以放置的空间位置集合p和无法放置传感器的空间集合n，即：c＝p∪n；从p中选择一组y，使得i(fy；fc\y)达到最大值，见式(8)：
8、
9、将i(fy；fc\y)简化表述表示为mi(y)，采用贪心算法求解，逐个选择传感器位置使得互信息的增加最大化，下一个传感器的位置a应满足：
10、a＝argmaxa∈p\y[mi(y∪a)-mi(y)] (9)
11、根据信息论，式(9)中的目标函数由式(10)计算得到；其中h(fa|fy)和分别表示给定fy和前提下fa的条件熵；表示m\(y∪a)；
12、
13、采用高斯过程回归技术，基于传感器所在位置处的物理量建立回归模型，并通过预测得到没有放置传感器位置处的物理量；式(9)的最优化问题表达为：
14、
15、
16、步骤s4：基于k均值聚类算法的最优传感器布局；采用聚类算法从多个工况得到的传感器位置中得到鲁棒性较高的传感器最优化布局。
17、优选的，所述步骤s1中的数值模拟方法包含但不局限于雷诺平均方法rans、大涡模拟方法les和混合rans-les方法。
18、优选的，所述步骤s2中，ε0的选择范围在1％～5％之间。
19、优选的，所述步骤s2中，具体步骤如下：
20、步骤s2-1：初始化c集合：选择待测截面上数值数据中物理量的最大值和最小值对应的位置作为初始特征位置集合，即：
21、
22、步骤s2-2：基于空间位置集合c和其对应的物理量f(c)建立高斯过程回归模型；高斯过程回归模型用均值函数m(·)和核函数k(·,·)唯一确定，即：
23、
24、式(3)中，cj∈c，j∈[1,2,…,m]，简化符号，将式(3)简化表述为式(4)，即对于一组空间位置集合c，其平均值向量用μc表示，其中每个元素由m(·)确定，协方差矩阵用σcc表示，每个元素由k(·,·)计算得到：
25、f(c)～gp(μc,σcc) (4)
26、步骤s2-3：基于高斯过程回归模型的流场物理量预测：
27、基于上述建立的高斯过程模型可预测待测面上q个网格中心点的物理量，即对于集合q中的任意一本文档来自技高网...
【技术保护点】
1.一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤S1中的数值模拟方法包含但不局限于雷诺平均方法RANS、大涡模拟方法LES和混合RANS-LES方法。
3.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤S2中，ε0的选择范围在1％～5％之间。
4.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤S2中，具体步骤如下：
5.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤S3中，具体步骤如下：
6.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤S4中，考虑d个工况的结果，每个工况下最优传感器数量为ni，其中i∈[1,d]；对于d个工况得到的位置集合其中采用k均值聚类算法将上述d个工况的位置集合分为k簇，表示为S＝{S
7.根据权利要求6所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤S4中，式中，将这N个空间位置分为k簇，表示为S＝{S1,S2,…,Sk}，使得簇内平方和最小；即：
...【技术特征摘要】
1.一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤s1中的数值模拟方法包含但不局限于雷诺平均方法rans、大涡模拟方法les和混合rans-les方法。
3.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤s2中，ε0的选择范围在1％～5％之间。
4.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器布局优化方法，其特征在于，所述步骤s2中，具体步骤如下：
5.根据权利要求1所述的一种基于数值数据挖掘的内流场测量传感器...
【专利技术属性】
技术研发人员：李瑞宇，马冠中，倪明玖，高丽敏，
申请(专利权)人：西北工业大学，
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。