[发明专利]基于Bagging‑FSE算法的风洞马赫数混合模型建模方法

说明书

技术领域

本发明属于计算机应用技术领域，具体涉及基于Bagging-FSE算法的风洞马赫数混合模型建模方法。

背景技术

风洞(wind tunnel)是按特定要求设计的管道系统，它采用空气压缩器(compressor)、引射器(injector)、风扇等动力装置，驱动产生均匀可控气流。基于运动的相对性和相似性原理，风洞在地面条件下模拟特定气流环境，进行各种气动力(aerodynamic)试验(measurement)^[1,2]。风洞试验是获取测试物体(test objects，如飞行器、火箭等)气动力特性，评估其结构设计、布局方案合理性，检测飞行器飞行性能优良等的主要手段。风洞试验主要在试验段中进行，试验段马赫数(Mach number)作为试验过程最主要的性能指标之一，它的稳定性对风洞流场品质有着重要影响，而流场品质直接影响着测试物体布局方案的优化选择、飞行性能的准确分析等，关系到飞行器等的研制质量与水平^[3]。

面向高速风洞流场先进控制算法的研究，是一项探索有效解决目前新风洞和新工况调试难度大、流场控制精度要求高、试验效率亟需提升等问题的重要课题，也是适于我国风洞试验领域智能化、绿色化与高效低耗的必由之路。通常先进控制算法的有效实现依赖于高精度的被控对象模型，对被控对象全面而深刻的了解是提高控制精度的前提，尤其对于精度要求高的控制系统，被控对象的准确建模显得尤为重要。建立预测速度快、精度高的马赫数模型不仅有利于提升马赫数控制的精度及水平，更有利于实现试验的节能降耗，促进我国新型工业化道路的可持续发展。

随着计算机、检测、数据采集等技术的进步，风洞试验累积了海量、高维且信息充实的数据，使得面向数据驱动的试验段马赫数建模方法的研究具有更好的发展前景。2013年，宋佳佳^[4]使用NARMAX(Nonlinear Auto-Regressive Moving Average with Exogenous Variables，带外部输入的非线性自回归滑动平均)辨识方法描述风洞流场的动态特性，分阶段(i.e.,起动充压阶段、稳压阶段和稳马赫数阶段)建立马赫数局部模型。实验表明马赫数的预测精度有所提高，但在同一试验过程中需要切换使用三个阶段的马赫数局部模型，切换时刻难以把握，切换点附近的马赫数预测误差过大。

2015-2016年，王晓军等^[5,6]选用NARX(Nonlinear Auto-Regressive with Exogenous Variable，带外部输入的非线性自回归)方法辨识风洞流场的动态特性，NARX只包含输入、输出变量的高阶时间序列，具有逼近精度高、结构简单、收敛速度快等优点，对于先进控制算法具有很好的适应性。作者针对试验的海量数据，采用集成学习算法拟合NARX模型的非线性函数，先后提出了基于样本子集的Random Forest(随机森林)马赫数模型^[5]和基于多元模糊泰勒定理的FSE(Feature Subsets Ensemble，特征子集集成)马赫数模型^[6]。实验表明FSE马赫数模型的均方根误差低于0.2％，在预测速度及精度上都优于Random Forest马赫数模型。

然而，风洞试验数据存在着数据分布不均衡的现象，主要表现在不同试验工况下采集的样本个数不尽相同且差异较大。FSE算法的设计是基于数据分布大致平衡这一假设的，而这一基本假设在风洞试验数据中并不成立，存在着学习算法与数据分布规律“不匹配”的问题：使用均衡数据的学习算法建立不均衡数据的模型，难以进一步提高各试验工况下马赫数的预测精度。

另外，现存的风洞马赫数模型都属于统一模型(unified model)，即将多种工况的试验数据混合在一起构造统一的训练集，并对其进行学习建立马赫数模型。马赫数统一模型除了存在学习算法与数据分布规律“不匹配”的问题外，还缺乏在线更新的灵活性，难以应对新工况的马赫数预测任务。主要体现在新工况数据加入后，新旧工况数据重新构造训练集建立新的统一模型，数据规模进一步扩大，加剧马赫数建模难度，而且旧工况数据重新训练会带来不必要的时间和资源的浪费。

发明内容