[发明专利]一种基于试验设计的气动数据融合建模方法

权利要求书

1.一种基于试验设计的气动数据融合建模方法，其特征在于，包括以下步骤；

步骤一：确定气动模型的形式与参数；

步骤二：使用数值模拟数据训练神经网络模型；

步骤三：最优试验设计方法选择风洞试验点；

步骤四：使用风洞试验数据再训练神经网络模型，优化部分模型参数，提高模型整体精度。

2.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法，其特征在于，所述步骤一具体为：

(1)根据建模对象特性选择气动模型的形式，非线性较弱的问题选择RBF神经网络模型，非线性较强的问题选择多层全连接神经网络模型；

(2)神经网络输入层神经元个数n_i为飞行器飞行工况参数数目，输出层神经元个数n_o为试验测的飞行器气动性能参数数目，中间层神经元个数可根据2^n_i+n_o确定。

3.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法，其特征在于，所述步骤二具体为：

(1)根据飞行器设计要求确定飞行工况参数及其变化范围；

(2)随机在飞行工况参数变化区间内选择大量工况点，然后使用数值模拟获取飞行器这些工况点下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有数值模拟数据集合为低精度数据集；

(3)按照一定比例将低精度数据集分为训练集和测试集；使用训练集中的样本点数据通过最小化损失函数训练神经网络模型，直至损失函数收敛则完成训练，损失函数选择或其中n为数据点数、yⁱ为第i个数据点处数值模拟获得的升阻力系数值、为第i个数据点处神经网络预测的升阻力系数值；

(4)将测试集中数据点的飞行工况参数值输入到训练完成的神经网络模型，神经网络预测出对应飞行工况下的升阻力系数，将神经网络预测值与数值模拟结果对比计算出MAE或MSE作为神经网络的预测精度。

4.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法，其特征在于，所述步骤三具体为：

(1)确定融合建模所需要的风洞试验点数n，风洞试验点数应大于用于构造结构矩阵的神经元个数；

(2)从所有待选择的风洞试验工况点中随机抽取n个试验点作为一组待选试验点，连续随机抽取多组待选试验点；

(3)将一组待选风洞试验点的飞行工况参数值输入到步骤二训练好的神经网络中，得到中间层神经元层的输出A_mn，下标m代表神经元数目，下标n代表待选择的风洞试验点数；使用中间层神经元层的输出A_mn构造结构矩阵，表示为：计算得到当前一组待选试验点的信息矩阵M＝G^TG；

(4)使用同样方法计算每一组待选试验点的信息矩阵；

(5)使用D-最优、A-最优、E-最优、G-最优等中的一个最优准则选择风洞试验点，其中D-最优设计为取试验点使信息矩阵M的行列式值达到极大、A-最优设计为取试验点使tr(M^-1)达到极大、E-最优设计为取试验点使M^-1的最大特征根达到极小、G-最优设计为取试验点使响应预测值的最大方差达到极小；

具体方法为：算出每一组待选试验点的信息矩阵的最优准则值，比较所有信息矩阵最优准则值的大小，根据最优准则选择最优的一组风洞试验点；

(6)通过风洞试验获取最优设计选择的风洞试验点飞行工况下的升阻力系数，将每个工况点下的飞行工况参数与升阻力系数组合为一条数据，将所有风洞试验数据作为高精度数据。

5.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法，其特征在于，所述步骤四具体为：

(1)复制步骤二中训练完成的神经网络模型及权重参数；

(2)使用高精度风洞试验数据再训练该神经网络，再训练时只改变最后一层神经元的权重值和偏置值，其余层神经元参数保持不变，神经网络训练方式与步骤二中相同；

(3)再训练完成的神经网络模型既为气动数据融合模型，能够作为预测模型获得其他飞行工况下的升阻力系数。

6.基于权利要求1-5任一项所述的一种基于试验设计的气动数据融合建模方法，其特征在于，所述方法用于电力、交通、化工、农业领域。