[发明专利]一种基于双级人工神经网络的五孔气动探针标定方法

说明书

本发明公开了一种基于双级人工神经网络的五孔气动探针标定技术方法，利用人工神经网络来预测五孔气动多孔探针的校准参数，通过构建第一、二基准人工神经网络ANN1、ANN2，输入的特征参数均为气动探针测量得到的特征参数k_Ma、k_α、k_γ，ANN1输出的标定参数为Ma_ct、α_ct、γ_ct、k_pt、k_ps的无误差预测值，ANN2输出的标定参数为Ma_ct、α_ct、γ_ct、k_pt、k_ps的误差预测值，使用五孔气动探针测量的校准数据分别训练和测试ANN1、ANN2，分别通过网络隐含层数量、训练算法、激活函数和神经元数量的不同组合进行系统分析，以找到与基准网络相比的最优网络参数解；使用最佳网络结构来实现两级标定预测，两个神经网络的预测之和为预测标定值。本发明具有易于实现、泛化性好、测试精度高等优点。

技术领域

本发明涉及燃气涡轮发动机叶轮机械精细化测试技术领域，涉及一种五孔气动探针标定方法，具体涉及一种基于人工双级神经网络的五孔气动探针标定方法，用于叶轮机械测量气动探针的高精度宽范围标定，为叶轮机械精细化设计提供先进测试提供必要支撑。

背景技术

现代燃气涡轮发动机为了获得尽可能高的效率，必须在设计阶段下对叶轮机械叶片性能进行优化设计。为了设计最优叶片气动布局，需要详细测量叶片见流道流场以了解边界层、二次流发展，而多孔气动探针的测量精度则至关重要，这就需要对探针进行高精度标定。

探针安装在校准风洞中，在该风洞中，马赫数和流动角逐渐变化，并且针对不同的测试条件测量多个孔的压力，这里以五孔为例。每个马赫数和角度设置都由一组压力系数来表示。测量的压力值和流场属性之间的关系可以用归一化系数来描述。这些系数必须相互独立以显示流动特征。当得到这些系数后，需要通过一些函数映射关系以得到待标定的气动参数，这一映射过程被称为标定，可以表示为：

Y＝f(k_Ma,k_α,k_γ) (1)

其中Y为待标定的气动参数，一般为马赫数(Ma)、偏转角(α)、俯仰角(γ)。

针对此标定过程，已经提出了许多标定方法。其中，基于多项式拟合的方法得到了广泛使用。Bohn和Simon提出一种多项式方法，用于评估5孔探针的校准图。Gallington和Gerner等人提出了一个应用七孔探针的多项式方法。探针根据流向分为几个部分，定义了流动角α和γ以及总压压力系数C_pt和动压压力系数C_q四个方程。基于气流角扇区内的校准数据，对每个校准参数应用最小二乘法导出多项式系数c。这种方法的精度对于流动方向大致与探针轴对齐的中心扇形区来说是足够的，但对于扇区外部其他位置来说较差，使得扇区外部角度误差显著增加，无法满足叶轮机械内部二次流等大折转角位置的测量。

发明内容

根据以上问题，人工神经网络作为一种基于人工智能的技术，具有模式识别、非线性和自适应性等优点，利用这一特点可将其作为函数映射对探针进行标定，实现气动探针宽气流角范围标定，提供高插值能力以及针对未知数据的准确预测。人工神经网络通过构造一个将输入和输出联系起来的函数来学习数据，而这函数的构造包含了多个神经元组成的隐藏层，并且神经元中存在非线性的激活函数来实现对非线性问题的回归拟合。本发明提出利用人工神经网络来预测五孔气动多孔探针的校准参数，探索通过使用人工神经网络生成校准图来减少校准实验工作量。对不同步骤进行系统分析，以确定最佳网络结构。

为实现上述技术目的本发明所提供的技术方案为：

一种基于双级人工神经网络的五孔气动探针标定技术方法，其特征在于，所述方法至少包括如下步骤：