[发明专利]用于风洞实验的机翼全息压力系数的重构方法及装置

权利要求书

1.一种于风洞实验的机翼全息压力系数的重构方法，其特征在于，包括：

S1、接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息；

S2、利用所述风洞实验原始数据构建训练样本数据库；

S3、利用所述样本数据库训练深度学习模型；

S4、构建对应了精细度预期的全息网格节点排布；

S5、利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理，并将处理结果向所述客户端发送。

2.根据权利要求1所述的方法，其特征在于，还包括：

所述客户端通过布置在机翼模型表面的指定位置上的传感器，采集所述机翼模型表面的压力系数；

和，所述客户端获取精细度预期信息，所述精细度预期信息包括：全息压力系数重建的全息网格节点数量。

3.根据权利要求2所述的方法，其特征在于，在机翼模型表面的指定位置布置传感器的方式，包括：

从靠近机身端到翼尖间隔地选择截面，并分别在所选择的截面上间隔排布传感器，其中，所选择的截面不少于5个；

并且在每个截面中，前沿和后沿的传感器的上的密集大于截面中的其它位置。

4.根据权利要求3所述的方法，其特征在于，在每个截面中都排布有25个传感器，其中，编号1至编号13的传感器位于下翼面，编号14至编号25的传感器位于上翼面。

5.根据权利要求2-4中任意一项所述的方法，其特征在于，在利用所述风洞实验原始数据构建训练样本数据库的过程中，包括：

获取布置在机翼模型表面的各个传感器的空间坐标和压力系数值和工况条件参数，并作为传感器原始数据；

将每个截面上的传感器的划分为网格中有序的子序列，其中，以每个节点为首向后取至少4个节点，组成长度至少为5的子序列。

6.根据权利要求2所述的方法，其特征在于，所述利用所述样本数据库训练深度学习模型，包括：

将网格节点的空间三维坐标和工况条件参数做为所述深度学习模型的输入，并将网格节点对应的风洞实验压力系数测量值作为标签，得到用于模型训练的数据矩阵；

用于监督训练的损失函数为：其中，N表示子序列中的最后一个节点，y⁽ⁱ⁾表示子序列中第i个节点的真实值，即风洞实验压力系数测量值，表示子序列中第i个节点的预测值。

7.根据权利要求1或6所述的方法，其特征在于，所述深度学习模型的结构包括：三层的反卷积、三层双向LSTM和四层全连接层。

8.根据权利要求7所述的方法，其特征在于，每一层的反卷积的核大小均为3，步长均为2；

所述三层双向LSTM的隐含输出维度均为713；

所述四层全连接层的隐含输出维度分别为1426、713、356和1。

9.根据权利要求1所述的方法，其特征在于，所述构建对应了精细度预期的全息网格节点排布包括：

训练样本的数据网格排布的基础上，利用等间隔插入节点的方式，增加所述网格排布上的节点数量，其中，训练样本的数据网格排布中所增加的包括：增加截面数量和单个截面上节点的数量。

10.一种于风洞实验的机翼全息压力系数的重构装置，其特征在于，包括：

数据接收模块，用于接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息；

样本处理模块，用于利用所述风洞实验原始数据构建训练样本数据库；

训练模块，用于利用所述样本数据库训练深度学习模型；

网格调整模块，用于构建对应了精细度预期的全息网格节点排布；

数据处理模块，用于利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理；

数据发送模块，用于将处理结果向所述客户端发送。