一种基于深度学习的风洞天平静态校测方法

摘要

本发明提供一种基于深度学习的风洞天平静态校测方法，选择施加载荷方向始终与天平体轴系一致的风洞天平校准设备，进行风洞试验采集样本数据；利用训练样本数据构建神经网络初始模型，结合验证样本数据优化神经网络初始模型的网络参数，得到进一步减少训练时间、节省成本的神经网络校准模型；在优化得到的神经网络校准模型的基础上，结合测试样本数据，对神经网络校准模型进行数据精准度分析，得到用于天平静态校准的神经网络校准模型。本发明通过对多分量天平公式拟合方法进行改进，解决了目前线性插值拟合方法中应变天平分量间存在较大的相互干扰的问题，提高了应变天平静态校准性能指标。