[发明专利]基于卷积神经网络的风洞的马赫数的预测方法和装置

说明书

本发明提供一种基于卷积神经网络的风洞的马赫数的预测方法和装置，所述方法包括：获取第一预设时间内的风洞数据；对风洞数据进行预处理，以将风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将待预测的风洞数据输入预测模型，以得到风洞的马赫数。本发明根据采集的风洞数据进行建模，可以快速而准确的预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于卷积神经网络的风洞的马赫数的预测方法、一种基于卷积神经网络的风洞的马赫数的预测装置、一种计算机设备和一种非临时性计算机可读存储介质。

背景技术

风洞是研究先进飞行器空气动力特性极为重要的一个设备。在风洞试验中，马赫数的稳定性和速度对风洞的质量有很大的影响。为了可以精准控制马赫数，我们对马赫数必须有快速并且精确的预测。在风洞试验中，往往会记录大量的数据，我们会根据这些数据进行建模，并预测马赫数。马赫数是反映风洞流场性能指标的重要参数。由于风洞流场的复杂性和马赫数的测量难度较大，马赫数控制和测量一直是风洞控制中的难点。

传统的预测方案，可由稳定段总压和试验段静压通过经验公式计算得到，由于实际吹风工况的不确定性以及流场参数的实时变换性，公式的局限性很大，并且很难体现流场和马赫数的真实特性，这样风洞的马赫数的可靠性和精度值得商榷。

相关技术中还利用机器学习的方法获得风洞的马赫数，即将收集的数据转换成特征向量，并将特征向量作为输入送入机器学习模型，训练模型，预测结果。但是该技术方案的参数庞大，训练较慢，且机器学习模型需要对数据进行处理，删除单一值和异常值，会降低对真实情况的拟合效果。

发明内容

本发明为解决上述技术问题，提供了一种基于卷积神经网络的风洞的马赫数的预测方法，能够根据采集的风洞数据进行建模，可以快速而准确的预测风洞的马赫数，从而脱离对经验公式的依赖，提高了马赫数测量的可靠性和精度。

本发明采用的技术方案如下：

一种基于卷积神经网络的风洞的马赫数的预测方法，包括以下步骤：获取第一预设时间内的风洞数据；对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据；通过卷积神经网络基于处理后的风洞数据进行训练，以得到预测模型；获取待预测的风洞数据，并将所述待预测的风洞数据输入所述预测模型，以得到风洞的马赫数。

根据本发明的一个实施例，所述风洞数据包括：总压信号、栅指信号、主排信号、模型迎角信号、马赫数和风速值，获取第一预设时间内的风洞数据，包括：在第一预设时间内，每隔第二预设时间获取风洞内多个面上不同数据采集点上的风速值，其中，所述第一预设时间大于所述第二预设时间。

根据本发明的一个实施例，对所述风洞数据进行预处理，以将所述风洞数据转换为三维数据，包括：对所述风速值进行归一化处理，并将处理后的风速值进行空间重建，模拟成多个二维图像；分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像；根据多个二维图像获得三维图像，并根据三维图像获得所述风洞的三维数据。

根据本发明的一个实施例，通过下述公式对所述风速值进行归一化处理：

其中，表示归一化处理后的风速值，表示N列风洞数据中的当前列中的第i个风速值，i为正整数，表示当前列中的最小风速值，表示当前列中的最大风速值。

根据本发明的一个实施例，分别根据所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号模拟成多个二维图像，包括：分别对所述总压信号、所述栅指信号、所述主排信号和所述模型迎角信号进行复制处理，以使模拟出的二维图像与根据所述风速值模拟出的二维图像的像素值相同。