法律状态公告日
法律状态信息
法律状态
2017-07-28
未缴年费专利权终止 IPC(主分类):G01M9/02 授权公告日:20150527 终止日期:20160609 申请日:20130609
专利权的终止
2015-05-27
授权
授权
2013-11-06
实质审查的生效 IPC(主分类):G01M9/02 申请日:20130609
实质审查的生效
2013-10-02
公开
公开
技术领域
本发明涉及一种风洞中实验模型,吹风实验过程中风洞中实验模型倾角测量误差数据修正系统及修正方法。
背景技术
目前,超音速和跨音速风洞模型的测量技术,越来越多地被运用于民品的生产和测试中,对测试技术的要求和精度也越来越高。由于风洞测试过程是一项复杂的空气动力实验,测试过程环节多,受测试工具和测试环境及测试人员的技术掌握水平等多方因素影响,对测试结论、测试精度及准确性都带来影响和误差。如何能得到准确的测试数据,剔除环境造成的精度影响,这对超音速和跨音速风洞的测量技术本身至关重要。
风洞模型中固定在支架上与水平面有个夹角α,称之为倾角,可以使用模型内部的重力传感器测量出来。倾角传感器用于测量模型在加载后的实际攻角,位于检测系统的最前端。攻角测量值是检测系统其它数值运算的基础数据之一,其准确度直接影响到检测系统测试数据的准确度。而在实际的风洞测试中,模型会受到来自前后左右外力影响,外力影响产生的力矩作用在模型上,会使模型倾角的重力传感器测量产生误差。也就是在各种外力因素的影响下,倾角传感器所测得的数据存在误差。经分析,这误差主要是由于模型受到了不同方向上的振动力矩,以至于倾角传感器的工作环境不再稳定,所以通过该传感器所得到的数字信号存在误差,并不能真实的反映模型的攻角值。因此,通过倾角传感器得到的原始数字信号不能直接用于其他数值计算,需要对这个信号进行修正补偿,以保证测试数据能够真实反映受测情况。
为了减少误差量,在补偿系统建模时,常常采用非线性的数学模型,而一般不采用线性模型。在非线性模型系统中,常用的数据误差补偿方法有逐次逼近法、最小二乘多项式曲线拟合方法、自适应滤波方法、拟合误差补偿公式法,三次样条插值以及用神经网络的方法等。
由于模型受风产生振动所产生力矩的复杂性和必然性,倾角传感器数据因模型振动所产生的误差总是存在,并且这个误差通常是多个变量的复杂函数或模型。如果用常规的数学拟合方法去求得这个函数,那么要解决的关键问题除了要对可能的变量进行合理的数学描述,更要对环境中存在的变量尽可能多地发掘,另外还需要精确的数学模型来描述这些变量之间的关系,对风洞中振动误差拟合模型进行人为精确定义是很困难的,且模型的扩展能力也得不到保证。近期,数据误差修正技术领域提出采用神经网络技术进行误差补偿值拟合的新技术。由于神经网络不需要精确的数学模型,非线性映射能力好,擅长从输入输出数据中学习有用的知识,揭示数据特征,处理随机因素。利用神经网络的方法来解决如何描述数据环境与数据误差之间的关系,通过对神经网络充分的训练,利用神经网络自组织优化建模的能力,不断的以训练数据进行自组织优化,从而形成最优的且适应能力强的误差补偿模型,提升精确误差数据修正能力。
发明内容
本发明的目的在于改进现有误差补偿技术的性能,提供一种能有效修正倾角传感器实测数据中由于振动而引起的非线性误差,并且倾角值修正误差可控在0角度附近0.004~0.01精度之内的风洞中实验模型倾角测量误差数据修正系统及修正方法。
本发明的目的是通过以下技术方案来实现的:风洞中实验模型倾角测量误差数据修正系统,它包括以下模块:
数据预处理模块:对输入数据进行预处理,提取震动误差特征向量,系统误差修正模型训练过程与数据修正过程都包含数据预处理模块,但是在误差修正模型训练过程与数据修正过程中预处理模块完成不同工作;
模型训练模块:根据事先采集得到的训练数据与目标数据建立以角度、频率和振幅为输入变量参数,误差修正值为输出的联合误差修正模型,该模块包括模型特征向量提取子模块和模型训练子模块;
数据修正模块:根据误差修正过程中数据预处理模块获得的各段输入数据,提取各段输入数据的特征向量,并将特征向量输入事先训练得到的联合误差修正模型,获得误差修正值,将修正值加到原始输入,得到修正后的数据。
风洞中实验模型倾角测量误差数据的修正方法,它包括数据预处理、模型训练和数据修正三个步骤,模型训练和数据修正都包含数据预处理模块,但是在模型训练与数据修正中预处理模块完成不同工作;
所述的模型训练步骤中数据预处理包括以下子步骤:
S101:加载目标数据和训练数据至修正系统,并对目标数据曲线和训练数据曲线进行下采样;
S102:分别对目标数据曲线和训练数据的曲线进行小波变换及平滑处理,得到它们的高频和低频数据;
S103:对目标数据曲线的高低频数据分别与所有训练数据曲线的高低频求差,得到用于训练模型的输入(高频之差)和(低频之差)输出数据集合;
所述的数据修正步骤中数据预处理包括以下子步骤:
S201:加载目标数据及各个待修正数据至系统,并对目标曲线和待修正曲线进行下采样;
S202:分别对目标曲线和待修正曲线进行小波变换及平滑处理,得到它们的高频和低频数据;
S203:对目标曲线的高低频数据分别与待修正曲线的高低频求差,得到误差修正模型的输入(高频之差)数据和参考曲线;
S204:根据端点检测的结果对获得的输入数据进行分段;
所述的模型训练步骤包括以下子步骤:
S301:根据模型训练步骤中预处理获得的输入数据,提取修正特征;
S302:以模型训练过程中预处理模块获得的输出数据为输出值,S301中获得的修正特征为输入值,构成训练数据集合,系统以修正特征向量值的每一维作为一单元变量,将训练数据集合中表征每一个单元变量数据变化的训练数据子集划分为该单元变量的模型训练集合,分别训练以各个单元变量为输入变量参数,输出数据为输出值的N个(N=单元变量个数)单元变化模型,并存储为中间结果;
S303:以S302划分得到的各个单位变量训练数据子集中各特征值为中心点,在一定范围内对其插值,分别获得插之后的各个单元变量的新的特征值集合;
S304:将S303中获得的各个单元变量新的特征值集合,分别带入S302获得的单元变化模型获得各个模型的输出值,并将新的各个单元变量特征值集合和各个模型输出值,一同构成一维变化训练数据集合,并存储用于后续的模型训练;
S305:利用S304得到的一维变化训练数据集合,基于Krging曲面拟合算法,分别拟合以任意两个单元变量值和对应模型输出值为三维坐标的M(M= )个空间曲面,曲面中每个点为由2维单元变量值和对应模型输出值构成的一向量;
S306:在S305中生成的M各空间曲面中每个曲面上各抽样K个点,构成KxM个元素的误差数据训练集合,集合中每个点为一四维向量,用该误差数据训练集合训练误差修正模型Q,并保存于系统用于误差数据修正过程;
所述的数据修正包括以下子步骤:
S401:提取数据修正步骤中数据预处理获得的输入数据,并对各个输入分段,将数据组织成列长一定的矩阵;
S402:同S301采用相同方法提取每段数据的特征值,并将各段数据的特征值带入训练好的误差修正模型获得各段数据的误差修正值;
S403 :将各段数据的误差修正值连接,组成完整的误差修正值,并进行上采样形成最终的误差修正量;
S404:最终的误差修正量与原始带修正的数据相加获得修正后的倾角传感器数据。
所述的模型训练步骤中的单元变量为包括频率h、幅度f和角度a。
本发明的优点在于:
1.基于神经网络模型构建多阶段、多模型融合误差修正方法,所构建的模型具有快速学习并能逼近任意的内部模型和内部模型控制器,从而很好的对倾角传感器数据进行误差修正,使模型拟合度更高,误差补偿结果更准确。
2.通过训练多种振动频率与振动强度下的神经网络修正模型,在输入倾角传感器数据时,基于多模型与多阶段数据修正算法对误差倾角传感器数据进行修正;能够有效修正倾角传感器实测数据中由于振动而引起的非线性误差,并且倾角误差修正值可控在0角度附近0.004~0.01精度之内。
附图说明
图1为本发明系统框架图;
图2系统模型训练过程中数据预处理流程图;
图3系统数据修正过程中数据预处理流程图;
图4为本发明的模型训练方法流程图;
图5为误差数据修正模型的神经网络结构示意图;
图6为本发明数据修正流程图。
具体实施方式
训练数据集:事先通过击震装置,在不同频率、振幅和倾角条件下对实验模型进行击励震动,采集获得的在不同频率、不同振幅和不同倾角下的个倾角传感器数据。
目标数据:人为认定的无误差的倾角传感器数据。
下面结合附图进一步说明本发明的技术方案,但本发明所保护的内容不局限于以下所述。
如图1所示,风洞中实验模型倾角测量误差数据修正系统,它包括以下模块:
数据预处理模块:对输入数据进行预处理,提取震动误差特征向量,系统误差修正模型训练过程与数据修正过程都包含数据预处理模块,但是在误差修正模型训练过程与数据修正过程中预处理模块完成不同工作;
模型训练模块:根据事先采集得到的训练数据与目标数据建立以角度、频率和振幅为输入变量参数,误差修正值为输出的联合误差修正模型,该模块包括模型特征向量提取子模块和模型训练子模块;
数据修正模块:根据误差修正过程中数据预处理模块获得的各段输入数据,提取各段输入数据的特征向量,并将特征向量输入事先训练得到的联合误差修正模型,获得误差修正值,将修正值加到原始输入,得到修正后的数据。
风洞中实验模型倾角测量误差数据的修正方法,它包括数据预处理、模型训练和数据修正三个步骤,模型训练和数据修正都包含数据预处理模块,但是在模型训练与数据修正中预处理模块完成不同工作;
如图2所示,所述的模型训练步骤中数据预处理包括以下子步骤:
S101:加载目标数据和训练数据至修正系统,对目标数据曲线和训练数据曲线进行倍下采样,获得下采样后的目标数据和各个训练数据的压缩数据;
S102:分别对每个压缩数据进行连续小波变换,然后进行平滑滤波处理,得到每个压缩数据的高频和低频两部分频率数据;
S103:对目标数据曲线的高低频数据分别与所有训练数据曲线的高低频求差,得到用于训练模型的输入(高频之差)和(低频之差)( )输出数据集合;
如图3所示,数据修正步骤中数据预处理包括以下子步骤:
S201:加载目标数据及各个待修正数据至系统,并对目标曲线和待修正曲线进行倍下采样,获得下采样后的目标数据和待修正数据的压缩数据;
S202:分别对目标数据和待修正数据的压缩数据进行连续小波变换,然后进行平滑滤波处理,得到它们的高频和低频两部分数据;
S203:将目标数据的高低频曲线分别与待修正数据的高低频求差,得到误差修正模型的输入(高频之差) 数据和参考曲线。
S204:根据端点检测的结果将分为 段,并对每段后续分别进行补偿;
如图4所示,修正模型训练步骤包括以下子步骤:
S301:根据模型训练步骤中预处理获得的输入数据获得( ),提取修正特征,具体步骤如下:
S3011:对进行短时傅里叶变换,获得每个点的频率数据;
S3012:特征提取:构建P个3维特征向量={, , }, ,P=的点数。其中为对应的频率数据的第 点数值,为对应的幅度数据的第点数值,为对应的第 个训练数据的倾角值;
S302:以模型训练步骤中预处理获得的( )为输出数据,S301中获得的修正特征( )为输入值,构成训练数据集合,系统以修正特征向量值的每一维作为一单元变量,将训练数据集合中表征每一个单元变量数据变化的训练数据子集划分为该单元变量的模型训练集合,即 变化训练数据子集{,|属于变化}、 变化训练数据子集{,|属于变化}和 变化训练数据子集{,|属于变化},分别训练以为输入变量参数,输出数据为输出值的3个单元变化模型 ,并存储为中间结果;
S303:以S302划分得到的各个单位变量训练数据子集中各特征值为中心点,用以下公式,在一定范围内对其插值,分别获得插之后的各个单元变量的新的特征值集合:
=
=
=
S304:将S303中获得的各个单元变量新的特征值集合分别带入S302获得的单元变化模型获得各个模型的输出值,并将新的各个单元变量特征值集合和各个模型输出值,一同构成一维变化训练数据集合{,},并存储用于后续的模型训练;
S305:利用S304得到的一维变化训练数据集合,基于Krging曲面拟合算法,分别拟合任意确定一维单元变量情况下,其它两个单元变量值和对应模型输出值为三维坐标,即(,, )、(,, )(,,)3个空间曲面,曲面中每个点为由2维单元变量值和对应模型输出值构成的一向量;
S306:在S305中生成的3个空间曲面中,每个曲面上各抽样 个点(),构成个元素的误差数据训练集合,集合中每个点为一四维向量{,,,},用该误差数据训练集合,训练如图5所示的{,,}为3元输入,为一元输出的神经网络误差修正模型,并保存于系统用于误差数据修正过程;
如图6所示,数据修正包括以下子步骤:
S404:最终的误差修正量与原始带修正的数据相加获得修正后的倾角传感器数据。
S401:对数据修正步骤中数据预处理模块获得的输入数据的各个分段进行规整为长度为 的矩阵;
S402:同S301采用相同方法提取每段数据每个点的特征值( )( ),并将特征值带入训练好的误差修正模型获得各点数据的误差修正值;
S403:将各段数据的各点误差修正值进行连接,组成完整的误差修正值,并进行倍上采样形成最终的误差修正量;
S404:最终的误差修正量与原始带修正的数据相加获得修正后的倾角传感器数据。
所述的模型训练步骤中的单元变量为包括频率h、幅度f和角度a。
机译: 用于远程监视和控制风洞模型和空气动力学现象的交互式教学系统和方法,旨在通过Internet远程提供实验。
机译: 用于制造相同,实验系统和透明实验方法的三维孔结构模型及其在岩石结构中复制流体位移过程的透明实验方法
机译: 三维孔隙结构模型及其制作方法,在岩石孔隙结构中复制流体驱替过程的实验系统和透明实验方法