[发明专利]基于递归Pseudo-NARX和NARX的两阶段时间序列的马赫数预测方法

说明书

本发明公开了风洞试验中基于递归Pseudo‑NARX和NARX的两阶段时间序列的马赫数预测方法，属于计算机应用技术领域。本发明包括，第一步:根据每种工况的第一次试验中获得的总压、静压和马赫数随时间的变化曲线和数值分布情况，确定时间阈值τ。第二步：每次试验的样本会根据τ划分为冲压和稳压两个阶段的批次样本。第三步：使用冲压阶段的多批次样本建立基于递归Pseudo‑NARX的马赫数模型。第四步：使用稳压阶段的多批次样本建立基于NARX的马赫数模型。本发明利用时间阈值τ将整个试验分为冲压和稳压两阶段，分别建立马赫数模型，克服了相同工况的数据不均衡问题，处理了冲压阶段的高噪声和特征冗余问题。实验结果表明所申请技术能够提高各阶段马赫数的预测精度，满足项目指标。

技术领域

本发明涉及序列数据学习、递归学习算法和不均衡数据的处理技术，属于计算机应用技术领域。

背景技术

本发明以中国空气动力学研究与发展中心的跨音速风洞为研究对象。在风洞试验中，试验段马赫数是关键的变量之一，它代表气流速度。马赫数的稳定性与试验的整体效果直接相关。精确地、实时地预测马赫数可以更好地帮助风洞系统控制试验段和洞体中的气流。

然而，飞行器周围的气流很复杂，例如尾流、边界层、颤振和气动弹性等，这使得根据空气动力学定律难以开发高精度的动态马赫数模型。如果完全依靠数据驱动的方法，尤其是某些黑盒模型，建立的马赫数模型往往缺乏可解释性，难以在实践中应用。基于气流机理和数据驱动方法的混合模型是更好的选择，它不仅具有一定的可解释性，而且可以利用高级算法来提高模型精度。因此，我们专注于马赫数混合(hybrid)模型的研究。首先建立总压P_o和静压P_s的预测模型，获得估计值和后，带入基于亚音速一维等熵流理论的机理公式(1)，计算马赫数的预测值

在现存的马赫数hybrid模型中，文献[1]中提出的基于TSE-FSEs fixed-sizeLSSVM的马赫数在线混合模型(Online Mixture Model，OMM)[12]在实时计算、处理大样本、高维变量和数据分布不均衡问题上具有更好的整体性能。但是马赫数OMM主要针对不同工况下的数据分布不均衡问题进行处理，忽略了相同工况下的数据分布不均衡问题。

为了解决该问题，本发明提出了基于递归Pseudo-NARX和NARX的两阶段时间序列(Two-stages Time Series，TTS)马赫数建模方法。我们保留OMM的策略来处理大样本和不同工况下的数据不平衡问题。与之不同的是，我们对相同工况下的数据进行更详细的分析，根据每种工况的第一次试验中获得的总压、静压和马赫数随时间的变化曲线以及数值分布情况，确定时间阈值τ，将一次试验分为冲压和稳压两阶段。在冲压阶段，建立基于递归Pseudo-NARX的马赫数模型，使用基于MD-OSELM的FSE方法拟合非线性函数；在稳压阶段，建立基于NARX的马赫数模型，使用TSE-FSEs fixed-size LSSVMs拟合非线性函数。当达到时间阈值时，冲压阶段马赫数模型将自动切换到稳定阶段马赫数模型。另外，冲压阶段数据还存在高噪声和特征冗余问题，因此对冲压阶段样本进行了平滑化处理，而 Pseudo-NARX中的特征选择功能可有效处理特征冗余问题。最后，使用风洞系统的实际试验数据对所申请技术进行的验证，实验结果表明两个阶段的马赫数预测精度都得到了显著提高，满足项目指标，即冲压阶段马赫数预测值的均方根误差(Root Mean Square Error，RMSE) ≤0.0015，稳压阶段马赫数预测值的RMSE≤0.0010。

发明内容

为了解决相同工况下数据分布的不均衡问题，同时处理冲压阶段的高噪声和特征冗余问题，本发明提出了风洞试验中基于递归Pseudo-NARX和NARX的两阶段时间序列(Two-stages Time Series，TTS)的马赫数预测方法，为面向不均衡数据建立高精度的实时计算模型提供一种新的思路和方法。

本发明采取的技术方案如下：

风洞试验中基于递归Pseudo-NARX和NARX的两阶段时间序列的马赫数预测方法，包括如下步骤。