[發明專利]一種基于神經網絡的氣動數據融合方法

有效

• 申請號: 201910294858.6
• 申請日: 2019-04-12
• 公開（公告）號: CN110188378B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 吳昌聚;曹世浩;江中正;吳寧
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 萬尾甜;韓介梅

本發明公開了一種基于神經網絡的氣動數據融合方法，該方法是在傳統神經網絡融合的基礎上，利用VCM融合方法修正神經網絡融合時對數據量的相關性，并針對高精度數據的融合性質，引入了影響權重參數來幫助融合，最終得到改進的VCM方法與神經網絡方法相結合的氣動數據融合方法。本發明提出的融合方法能夠有效克服傳統神經網絡融合方法與數據量的相關性，限制高精度數據的融合影響范圍，得到整體融合趨勢與大數據量數據趨勢一致，在高精度數據影響范圍與高精度數據一致的融合數據。

技術領域

本發明涉及空氣動力學中不同氣動數據源之間的融合，尤其涉及一種基于神經網絡的氣動數據融合方法，該方法可將優缺點相互補充的氣動數據源進行融合，此外也可應用于傳感器等其它存在多數據源的領域。

背景技術

在空氣動力學常采用風洞實驗、數值計算和飛行試驗(模型飛行試驗)三種方法來獲取飛行器氣動數據，但是每種方法都有其優缺點。風洞實驗的數據精度高，但存在洞壁干擾、支架干擾真實效應等影響，與真實飛行情況有很大差異；數值計算方便靈活，但對網格依賴性較大，對硬件軟件都有一定要求，而且計算精度有待進一步提高；飛行試驗可以模擬真實飛行狀態，但仍受限于傳感器精度和大氣擾動等，而且實驗數據有限，飛行成本高。

在短時間內，很難通過單一方式來較大程度地提高氣動數據的精度。但如果只是針對于某個飛行器的話，通過前面所述的三種手段獲得的數據是針對同一對象的多源數據，三種信息相互之間有一定冗余性和互補性，因此從理論上來說，使用氣動數據融合的方式是完全可行的。

與現有的數據融合技術相比，氣動數據誤差來源比較復雜，往往不知其真值，很難建立描述氣動數據誤差傳遞的數學模型，因此直接將現有數據融合技術應用于氣動領域是非常困難的。如果按照傳統的數據融合分類方式進行劃分，氣動數據融合應屬于數據級融合，其主要任務是將多源數據融合為一可靠性高、精度高，數據充足的數據源。在氣動數據融合中，可以將各種實驗數據認為是高精度數據源，將各種數值模擬數據認為是低精度數據源。

針對不同氣動數據源之間的融合，國內外發展了大量的研究方法。在2001年NASA的蘭利研究中心與Dryden飛行研究中心進行了合作，針對F-16XL-1飛機的梯形機翼，在亞音速和跨音速下，對其飛行試驗、風洞實驗以及數值模擬條件計算得到的可視化結果進行了比較分析，從而獲得機翼表面準確的流動結果。其融合過程主要通過人為的比較分析，來獲取最終的結果，難免會在其中引入人為因素。此外還有NASA的蘭利研究中心與布朗大學合作對波音757飛機的試驗結果進行融合，主要通過三維變換及重建技術，將不同相機獲取的二維可視化流動結果融合至原模型的三維流動結構。

2003年南安普頓大學的A.J.Keane通過數據融合的方法將DOE(Design ofExperiment)數據與CFD數據進行了融合，來進行機翼的氣動優化數據獲取。其采用的融合方法為Kriging 相應曲面法，并且融合結果明顯比采用單一的結果更加精確。同期NASA內部ELORET組織的ChungTang等人，使用了VCM算法來融合DOE數據以及CFD數據，其融合的研究對象為氣動力系數隨攻角的變化，并將該方法構建至專家系統來獲取氣動數據。

由于神經網絡在函數擬合功能上的任意逼近性、多維性，2004年威廉馬什賴斯大學的J.A. Navarrete等人將神經網絡中的RBF網絡引入到氣動數據融合領域，同樣其研究對象為氣動力系數隨攻角變化的實驗數據和CFD數據，并對神經網絡方法在融合中的局限性和潛力提出了研究建議。

在2018年的AIAA會議上，韓國大學的Maxim Tyan等人為構建飛行模擬的氣動數據庫，采用綜合的數據融合技術來構建氣動數據。在融合過程中，使用了Kriging方法、自適應采樣法以及VFM方法(Variable Fidelity Modeling)，三種方法，然后根據融合時的設置進行算法的選取。