一种相似准则失配嵌入的高速气动天地换算方法
本发明涉及高速空气动力学、飞行器气动数据工程与人工智能交叉,尤其涉及一种相似准则失配嵌入的高速气动天地换算方法。
背景技术:
1、高速飞行器的气动特性主要依靠地面风洞试验获取,而型号设计所需的是飞行状态下的真实气动特性。由地面试验数据推算飞行气动特性的过程称为天地换算,其准确程度直接决定飞行控制律的设计裕度、载荷包络与飞行安全。现有技术在此环节存在以下固有难点:
2、1.地面设备无法同时满足全部相似准则:受加热功率、储气压力与设备尺度限制,风洞难以同时复现飞行状态的马赫数、雷诺数、壁温比与来流总焓,模型缩比与支架的存在又引入附加干扰,天地差异因而是系统性的、不可回避的。
3、2.传统换算依赖经验修正因子:工程上普遍采用按设备与外形整理的修正曲线或修正因子,其取值来自历史型号的统计,对新外形、新包线与新设备的外推能力差,且不同来源的修正因子彼此不自洽。
4、3.纯数据驱动直接回归飞行系数不可行:飞行试验次数极为有限,单一型号可用的飞行气动数据通常仅数十个状态点,直接以其训练模型回归飞行气动系数将严重过拟合,且模型在无飞行数据覆盖的包线区域完全失去约束。
5、4.天地偏差无法归因:现有方法即使给出了换算结果,也无法说明偏差由哪一相似准则的失配引起,一旦出现天地不符,既不能判断应当加强哪一项地面试验,也无法指导飞行测点的补充布置,改进只能依靠反复试凑。
6、5.换算结果缺乏不确定度输出:多数方法只给出确定性的换算值,无法为控制律设计与载荷包络提供有依据的裕度边界,工程上只能以经验安全系数弥补,造成控制裕度冗余与结构重量代价。
7、因此,亟需一种既不依赖经验修正因子、又能在飞行样本极少的条件下保持物理一致性,并能将天地偏差归因到具体物理源项、同时给出不确定度区间的高速气动天地换算方法。
技术实现思路
1、本发明的目的在于克服现有技术的不足,提供一种相似准则失配嵌入的高速气动天地换算方法,通过将相似准则的失配量而非状态量本身作为网络输入、以天地修正量而非气动系数绝对值作为网络输出,并按物理机理将修正量分解为若干可归因源项分支,在飞行样本极少的条件下实现物理一致的天地换算,同时输出偏差的源项分解结论与换算结果的不确定度区间。
2、为实现上述目的,本发明提供了一种相似准则失配嵌入的高速气动天地换算方法,包括以下步骤:
3、s1、基于地面风洞试验气动数据与飞行试验气动数据,通过名义状态配对入库,记录各自的相似准则参数与气动系数,并进行坐标系统一、参考量归一与状态对齐处理,得到天地配对气动数据集;
4、s2、基于天地配对气动数据集,通过计算每组配对样本中飞行状态与地面状态在各相似准则上的失配量并按物理影响机理归类,得到失配特征向量与若干类可归因源项;
5、s3、基于失配特征向量与基准地面气动系数,通过构建源项分支结构的失配—修正量映射网络,得到对应各类可归因源项的修正量分量与天地修正量;
6、s4、基于失配—修正量映射网络,通过在复合损失函数中嵌入零失配一致性约束、单调性约束与源项正交性约束,得到嵌入物理约束的复合损失函数;
7、s5、基于嵌入物理约束的复合损失函数,通过地面样本预训练、天地配对样本微调、飞行样本小样本校正的分层迁移训练,并结合集成模型与蒙特卡洛dropout采样进行不确定度量化,得到训练完成的天地换算模型与修正量的不确定度量化结果;
8、s6、基于天地换算模型,通过输入待换算状态的相似准则参数与基准地面气动系数,得到飞行状态气动系数、天地偏差的源项分解结果及其不确定度区间。
9、优选的,s1具体为:
10、基于常规高速风洞、激波风洞或脉冲风洞的测力试验数据作为地面数据源,基于飞行试验遥测辨识得到的气动系数作为飞行数据源,通过外形构型与舵面状态一致、名义马赫数之差不大于0.2且名义攻角之差不大于1°的准则进行常规状态配对,并完成数据质量审查与多设备偏差配准,得到绑定设备编号、状态版本与校验和的天地配对气动数据集;其中地面数据源样本量不少于1×103条,飞行数据源样本量不少于50条,配对样本量不少于30对。
11、优选的,s2中,失配特征向量包括基础失配特征向量,基础失配特征向量按如下公式计算:
12、;
13、式中:ξ为基础失配特征向量,其五个分量依次为粘性失配量、热失配量、焓/真实气体失配量、扰动环境失配量与缩比失配量,上述五个分量统称为基础失配量;reg与ref分别为地面状态与飞行状态的单位雷诺数;τg与τf分别为地面状态与飞行状态的壁温比;hg与hf分别为地面状态与飞行状态的来流总焓;ng与nf分别为地面状态与飞行状态的来流噪声级;lg为地面试验模型的特征长度,lf为飞行器特征长度。上述基础失配量在对应地面与飞行状态完全相似时均为0。当需显式表征压缩性效应时,失配特征向量还包括马赫数失配量ξm=ln(mg/mf);当采用有效比热比表征真实气体效应时,还包括有效比热比失配量ξγ=γg-γf。基于上述失配量按物理影响机理归类,得到粘性效应源项、热/真实气体效应源项、扰动环境源项与缩比效应源项,并在采用马赫数扩展特征时增加压缩性效应源项。
14、优选的,s3中,失配—修正量映射网络包括共享编码器与源项分支解码器;基于失配特征向量与基准地面气动系数,通过共享编码器进行特征提取后输入各源项分支解码器,得到每个可归因源项对应的修正量分量,通过对全部修正量分量求和,得到天地修正量,天地修正量按如下公式计算:
15、;
16、式中:δc为天地修正量,即飞行状态气动系数cf与基准地面气动系数cg之差,飞行状态气动系数按cf=cg+δc计算;s为可归因源项的数目;s为源项序号;gs为第s个源项分支的输出映射;共享编码器由三层全连接网络构成,神经元数依次为96、192和192,激活函数采用tanh;源项分支解码器的分支数与可归因源项数相同,各分支均由两层全连接网络构成并输出一个标量修正量分量;为执行蒙特卡洛dropout采样,在共享编码器和/或源项分支的全连接层后设置dropout层。
17、优选的,s4中,嵌入物理约束的复合损失函数按如下公式计算:
18、;
19、式中:l为复合损失函数;ld为数据拟合项;lz为零失配一致性项;lm为单调性项;lo为源项正交性项;λd、λz、λm、λo分别为上述四项对应的权重系数,各约束项权重按其梯度范数的滑动平均进行自适应归一化调整;将用于训练所述失配—修正量映射网络的样本记为训练样本,并将所述训练样本按批次划分为若干训练批次,通过在每一训练批次中注入失配量全部为零的伪样本,所述伪样本的数量不少于该训练批次中训练样本数量的十分之一,并约束网络在所述伪样本上的修正量趋近于零,得到零失配一致性约束项,并以δc(ξ=0)=0作为零失配一致性目标。
20、优选的,s4中,基于修正量对各失配量的偏导数,通过约束偏导数符号与已知物理趋势一致,得到单调性约束,单调性约束满足:
21、;
22、式中:ξi为失配特征向量的第i个分量;i为失配量序号;imon为在给定气动系数、构型及状态范围内具有明确单调物理规律的失配量索引集合;σi为由已知物理趋势确定的符号,取+1或-1。仅对属于imon的失配量施加单调性约束,不对趋势可能反转或缺乏充分物理依据的组合强制施加。其中,粘性失配量的单调趋势用于摩擦阻力或具有明确粘性标度的修正分量;扰动环境失配量的单调趋势用于对边界层转捩敏感且趋势已知的气动分量。基于各源项分支的输出,通过求取每一源项分支输出对非本源失配量的雅可比矩阵,并以该矩阵的范数作为惩罚项计入复合损失函数,降低各分支对非本源失配量的交叉敏感度。
23、优选的,s5中,分层迁移训练包括三个阶段:
24、阶段一:基于不同地面设备在相同或相近名义状态下形成的地—地配对样本,以设备间气动系数差作为预训练修正量,通过全参数训练对失配—修正量映射网络进行预训练,得到预训练网络模型;
25、阶段二:基于天地配对样本,通过冻结共享编码器浅层参数、微调剩余网络参数,得到初步适配天地差异的微调网络模型;
26、阶段三:基于少量飞行样本及其对应的地面基准样本构成的天地配对小样本,通过设置不大于阶段二学习率十分之一的学习率进行小样本校正,得到训练完成的天地换算模型;每一阶段结束后在与训练样本独立的配对测试集上评价换算精度,未达标时返回补充配对样本或调整约束项权重后重新训练。
27、优选的,s5中,不确定度量化具体为:
28、基于不少于5个独立初始化的失配—修正量映射网络,通过集成训练得到集成模型;基于推理阶段的输入状态,通过保持dropout概率为0.1并进行不少于20次前向传播采样,得到修正量的采样分布;基于集成模型的输出结果与采样分布,通过统计计算得到修正量的均值、标准差及95%不确定度区间,95%不确定度区间优选由采样分布的2.5%与97.5%分位数确定;当待换算状态的失配特征超出训练样本失配特征的联合分布包络时触发外推预警。
29、优选的,s6具体为:
30、基于各源项分支输出的修正量分量,通过计算各分量的绝对贡献占比并按占比排序,得到主导偏差源项与模型偏差溯源结论;绝对贡献占比用于比较各分量幅值,不等同于因果意义上的唯一物理贡献率。基于主导偏差源项对应的相似准则,通过匹配该相似准则对应的地面试验能力缺口与飞行测点覆盖盲区,得到地面试验加强建议或飞行测点补充建议;基于不确定度区间的宽度,通过与设定阈值比对,得到区间宽度大于设定阈值的状态清单及对应的补充验证建议。其中,区间宽度为95%不确定度区间上限与下限之差;设定阈值按地面试验中该气动系数的测量标准差确定,取测量标准差的3倍至6倍,优选4倍,4倍测量标准差约等于仅由测量误差引起的95%区间宽度,即2×1.96倍测量标准差;所述测量标准差取该地面设备对该气动系数的重复性试验标准差。
31、优选的,s6还包括:
32、当新增飞行数据到达时,基于新增的天地配对样本,通过小样本再校正更新天地换算模型的参数,得到更新后的换算结果;基于再校正前后的换算结果,通过一致性偏差比对,得到一致性偏差超过设定阈值时的模型更新冻结指令与人工复核触发信号。
33、本发明相对于现有技术的优点和有益效果是:
34、1.降低对经验修正因子的依赖:以相似准则的失配量为输入、以修正量为输出建立映射,换算关系由数据与物理约束共同确定,可减少按设备与外形逐一整理经验修正曲线的工作,并可通过迁移训练适配新外形与新包线。
35、2.有利于小样本条件下训练:网络学习修正量而非气动系数绝对值,零失配一致性目标为映射提供物理锚点,有利于降低飞行样本较少时的过拟合与训练不稳定风险。
36、3.天地偏差可在模型层面分解:修正量按物理机理划分为若干源项分支,并施加非本源交叉敏感度惩罚,从而可在所设加性分解假设下给出各源项分量的幅值排序与主导偏差源,为地面试验加强与飞行测点补充提供依据。
37、4.提高物理一致性:零失配一致性约束使地面状态与飞行状态完全相似时的修正量趋近于零,条件单调性约束使具有明确物理趋势的失配量—气动系数组合保持正确变化方向,从而降低模型在样本稀疏区域出现明显非物理解的风险。
38、5.具备不确定度量化能力:同时输出修正量的均值与95%不确定度区间,并在失配特征超出训练联合分布包络时触发外推预警,为控制律设计与载荷包络提供可量化的裕度参考。
39、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com