一种具有鲁棒性的风洞天平校准载荷预测方法技术

本申请公开了一种具有鲁棒性的风洞天平校准载荷预测方法，属于航空航天气动力风洞试验技术领域。解决了现有预测方法无法规避异常数据对天平静态校准的影响，抗干扰能力低，采用求取模型系数的单一的预测模型，使得模型预测精度存在局限性的问题。技术要点：采集与获取加载数据，对不同分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并将其剔除掉；预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归、Bp神经网络对误差进行建模，实现误差补偿，获得组合优化模型，预测载荷F与实际载荷对比，判断校准精度，针对不同的天平分量，得到各天平分量天平预测模型。本申请提高了预测模型的抗干扰能力和鲁棒性。和鲁棒性。和鲁棒性。

【技术实现步骤摘要】
一种具有鲁棒性的风洞天平校准载荷预测方法


[0001]本申请涉及一种风洞天平校准载荷预测方法，尤其涉及一种具有鲁棒性的风洞天平校准载荷预测方法，属于航空航天气动力风洞试验


技术介绍

[0002]风洞天平是风洞试验中测量模型受力的传感器，是风洞试验的核心传感器。风洞天平对作用在飞行器模型上气动载荷测量的精度不仅取决于天平设计加工完成后本身具有的基本性能，更为重要的是取决于天平地面静态校准的精度，而制约天平静态校准主要因素则是风洞天平校准载荷预测方法，这直接影响了风洞试验中得到载荷的准确度，进而影响飞行器性能。风洞天平静态校准的含义是：风洞天平受载时会发生弹性变形，变形量和载荷大小有关，弹性变形改变电桥中应变片的电阻，进而改变电压，风洞天平静态校准就是标定出电压和载荷的函数关系，在后续的风洞试验中根据测量电压实现对载荷的预测。
[0003]目前通用的风洞天平载荷预测方法无论对于常规天平还是载荷不匹配天平，主要采用最小二乘法形式建立载荷计算模型，该校准模型形式及校准方法对于常规天平校准，能够满足校准精度要求。但是由于温度、压力等影响，使得输出的电压数据含有一定噪声，现有的最小二乘法极易受到噪声的干扰，这极大地影响了校准精度。
[0004]综合上述现有的风洞天平载荷预测方法无法规避异常数据对天平静态校准的影响，抗干扰能力低，采用求取模型系数的单一的预测模型，使得模型预测精度存在局限性。

技术实现思路

[0005]有鉴于此，本申请提供一种具有鲁棒性的风洞天平校准载荷预测方法，以解决现有风洞天平载荷预测方法无法规避异常数据对天平静态校准的影响，抗干扰能力低，采用求取模型系数的单一的预测模型，使得模型预测精度存在局限性的问题，本申请采用以模糊均值方法、Bp神经网络、贝叶斯回归及支持向量机方法，以天平多元加载数据为基础，去除输入电压数据的噪声，读取优化后的电压数据，得到电压数据预测结果后，与加载载荷对比得到误差，再构建映射实际载荷
‑
误差的关系，实现误差补偿，经过组合模型训练验证后，针对不同分量，选取最优的模型，进而得到一种具有鲁棒性和误差补偿能力的二阶段预测方法，从而提高预测模型的抗干扰能力和预测精度。
[0006]本申请的技术方案是这样实现的：一种具有鲁棒性的风洞天平校准载荷预测方法，包括：步骤一，采集与获取加载数据，按照如下数据格式进行分类提取校准加载数据：（,），其中，，，表示阻力分量，表示升力分量，表示侧向力分量，表示滚转力矩分量，表示偏航力矩分量，表示俯仰力矩分量，表示测量得到原始电压数据，表示组桥后每分
量电压数据，表示组桥后每组电压数据；对电压数据组桥，获得输入值：
ꢀꢀꢀꢀꢀ
（公式一）公式一中，表示组桥后阻力分量电压数据，表示组桥后升力分量电压数据，表示组桥后侧向力分量电压数据，表示组桥后滚转力矩分量电压数据，表示组桥后偏航力矩分量电压数据，表示组桥后俯仰力矩分量电压数据；步骤二，对不同天平分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并剔除掉隶属度低的数据，获得最小二乘法预测输入数据；具体地：输入数据：
ꢀꢀꢀꢀꢀꢀꢀ
（公式二）公式二中，U是由n个数据点的p个特征的值构成的矩阵，矩阵元素是输入的组桥电压数据中的电压值；将n个数据点划分成两类，为聚类中心集合，表示划分数据后的数据类的聚类中心，表示数据点隶属于为中心的类别i (i=1~c)的隶属度，定义隶属度矩阵，隶属度矩阵表示的是每个样本点属于每个类的程度；自动判别隶属度低的数据所使用的方法为模糊均值方法，模糊均值的目标函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（公式三）公式三中，表示目标函数，m表示加权指数，表示划分数据后的数据
类的中心，迭代隶属度矩阵W和聚类中心集合V，设置阈值，用表示迭代求解L轮时的隶属度矩阵，当 时，最终的隶属度矩阵W和聚类中心V，使得目标函数的值达到最小，即算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类划分；根据最终的隶属度矩阵W中元素的取值实现异常点的去除，获得最小二乘法预测的输入数据；步骤三，预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归和Bp神经网络对误差进行建模，实现误差补偿，从而获得组合优化模型；具体地：步骤3.1，完成步骤二后进行组合模型的训练，将步骤二获得的最小二乘法预测的输入数据进行最小二乘法预测，得到预测载荷值f，通过实际载荷值，求得最小二乘法预测结果的误差值；步骤3.2，使用支持向量机、贝叶斯回归、Bp神经网络智能算法，以最小二乘法预测载荷时的输入数据作为上述三种算法的输入，步骤3.1所述的最小二乘法预测结果的误差值作为上述三种算法输出，分别训练误差补偿模型，输出的误差值e，在载荷验证时，验证时预测载荷F=最小二乘法预测得到出的预测载荷值f+误差补偿模型输出的误差值e；在本申请中，由于应用了三种误差补偿的算法，最小二乘法预测+三种误差补偿的算法形成了组合优化模型，对误差进行分析，实现误差补偿，对误差的直接分析进一步增强了预测载荷的抗干扰能力。
[0007]步骤四，验证时预测载荷F与实际载荷对比，计算均方根，选择均方根误差最优结果作为最终结果，判断校准精度；步骤五，针对不同的天平分量，重复步骤一至步骤四，最终得到各天平分量天平预测模型。
[0008]本申请有益效果体现在：（1）本申请通过无监督学习模糊均值对输入数据进行筛选，去除异常数据，能够减少因震动、压力等因素造成的误差对校准结果的影响，改善天平校准载荷预测的输入数据质量，提高预测模型的抗干扰能力和鲁棒性，本申请可以很好的应用以往数据，进一步提升以往数据校准精度；（2）本申请基于首次预测载荷结果结合实际载荷值由支持向量机、贝叶斯回归、Bp神经网络对误差进行分析，实现误差补偿，对误差的直接分析进一步增强了预测载荷的抗干扰能力；（3）本申请基于组合思想，通过集成不同算法的优势，提高风洞天平校准精度。
附图说明
[0009]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是实施例的一种具有鲁棒性的风洞天平校准载荷预测方法的流程图；图2是本申请与现有最小二乘法均方根误差对比图。
具体实施方式
[0010]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。
[0011]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例
[0012]本申请实施例提供了一种具有鲁棒性的风洞天平校准载荷预测方法（参见图1），包括：步骤一，采集与获取加载数据，按照如下数据格式进行分类提取校准加载数据：（,），其中，，，表示阻力分量，表示升力分量，表示侧向力分量，表示滚转力矩分量，表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有鲁棒性的风洞天平校准载荷预测方法，其特征在于，包括：步骤一，采集与获取加载数据，按照如下数据格式进行分类提取校准加载数据：（,），其中，，，表示阻力分量，表示升力分量，表示侧向力分量，表示滚转力矩分量，表示偏航力矩分量，表示俯仰力矩分量，表示测量得到原始电压数据，表示组桥后每分量电压数据，表示组桥后每组电压数据；对电压数据组桥，获得输入值：
ꢀꢀꢀ
（公式一）公式一中，表示组桥后阻力分量电压数据，表示组桥后升力分量电压数据，表示组桥后侧向力分量电压数据，表示组桥后滚转力矩分量电压数据，表示组桥后偏航力矩分量电压数据，表示组桥后俯仰力矩分量电压数据；步骤二，对不同天平分量同一加载载荷下的数据分别建立聚类中心，自动判别隶属度低的数据，并剔除掉隶属度低的数据，获得最小二乘法预测输入数据；步骤三，预测载荷与实际载荷进行比对得到误差，采用支持向量机、贝叶斯回归和Bp神经网络对误差进行建模，实现误差补偿，从而获得组合优化模型；步骤四，验证时预测载荷F与实际载荷对比，计算均方根，选择均方根误差最优结果作为最终结果，判断校准精度；步骤五，针对不同的天平分量，重复步骤一至步骤四，最终得到各天平分量天平预测模型。2.根据权利要求1所述的一种具有鲁棒性的风洞天平校准载荷预测方法，其特征在于，所述步骤二，具体步骤为：输入数据：
ꢀꢀꢀꢀ
（公式二）公式二中，U是由n个数据点的p个特征的值构成的矩阵，矩阵元素作为
输入的组桥电压数据中的电压值；将n个数据点划分成两类，为聚类中心集合，表示划分数据后的数据类的聚类中心，表示数...

【专利技术属性】
技术研发人员：王碧玲，刘博宇，沈力华，周灏，李小刚，
申请(专利权)人：中国航空工业集团公司沈阳空气动力研究所，
类型：发明
国别省市：