获得压缩机压力预测模型的方法、系统、处理终端与流程

1.本发明属于结冰风洞试验领域，具体涉及一种获得压缩机压力预测模型的方法、系统、处理终端。


背景技术：

2.飞行器穿越富含过冷液滴的低温云层时，其迎风面上容易产生结冰现象，结冰严重威胁着飞机的飞行安全。飞行器结冰风洞试验是获得其结冰特性、验证机载防除冰系统性能和开展适航认证的重要手段。热流场品质是评价结冰风洞试验能力的重要技术指标，温度控制性能是结冰风洞开展飞行器结冰与防除冰研究的核心技术之一。飞行器结冰风洞试验中需要快速、精确、稳定控制试验区域的气流温度，美国联邦航空管理局及欧洲航空安全局发布了关于结冰风洞温度控制精度、稳定性和快速性指标要求。
3.目前，大型结冰风洞使用氨制冷系统控制风洞气流温度，系统主要由螺杆压缩机组、换热器、蒸发式冷凝器、氨泵、储液器和低压循环桶等设备组成，采用氨（r717）作为制冷剂。制冷系统通过控制换热器出口气流温度实现风洞热流场模拟，换热器出口气流温度控制性能决定了结冰风洞热流场品质。
4.基于此，中国专利：cn202210229816.6提出了一种结冰风洞换热器出口气流温度方法，该方法描述了换热器出口气流温度控制的具体方法。但是通过该方法控制换热器出口气流温度仍然存在如下缺陷：（1）换热器出口气流温度控制效率低；（2）能量浪费。


技术实现要素：

5.为了解决上述技术问题，本发明提出了一种获得压缩机压力预测模型的方法，通过该方法获得的预测模型能够预测压缩机实际吸气压力值，该预测的实际压力值具有更高的精确度；通过该预测的实际压力值对控制系统进行控制不仅具有对换热器出口气流温度控制效率高的优点，而且还具有节约能量的优点。
6.本发明通过下述技术方案实现：本发明一方面提出了一种获得压缩机压力预测模型的方法，包括如下步骤：s100：获取组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；s200：通过遗传算法优化随机森林得到一个最优的森林；s300：将组试验参数风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型。
7.进一步地，所述遗传算法优化随机森林包括如下步骤：s210：随机生成个染色体，个染色体为0代，每个染色体上包含4种基因，4个基因分别表示树的个数、树的最大深度、树的叶子节点最少样例数和树的分裂内部节点
最少样例数；s220：计算每个染色体的适应度，并通过适应度计算每个染色体被选择的概率值，并随机生成每个染色体对应的浮点值；s230：通过将一个染色体对应的概率值和浮点值进行比较，选出个染色体进行交叉变异；s240：重复步骤s220-s230直至迭代代为止；s250：在0代到代中所有染色体中选出适应度最大的染色体，通过该染色体得到一个最优的森林；其中：。
8.进一步地，概率值的计算方法为：步骤一：通过个染色体的基因获得个森林；步骤二：将组试验参数分为组训练集和组测试集，其中：；步骤三：将组训练集的风速、气流密度、换热器入口温度、换热器出口温度作为输入，将压缩机吸气压力作为输出，带入个森林进行训练获得个模型；步骤四：将组测试集带入个模型得到压缩机吸气压力的预测值；步骤五：通过适应度计算公式计算获得每个森林的适应度，所述适应度公式为：；步骤六：通过概率计算公式计算获得每个森林的概率值，所述概率计算公式为：；其中：，，表示第个模型中使用的组测试集中的第组试验参数中的压缩机吸气压力，表示将组测试集中第组试验参数：风速、气流密度、换热器入口温度、换热器出口温度代入第个模型中得到的预测值，表示第个模型中使用的组测试集中个压缩机吸气压力的均值。
9.进一步地，概率值与浮点值比较的方法为：若，则对应的染色体被选择，若，则对应的染色体不被
选择；其中：。
10.进一步地，染色体长度为15，以染色体的端部起依次将染色体分成4个基因，4个基因的长度分别为：4，3，3，5，长度为4的基因表示树的个数，第一个长度为3的基因表示树的最大深度，第二个长度为3的基因表示树的叶子节点最少样例数，长度为5的基因表示树的分裂内部节点最少样例数。
11.进一步地，树的个数=（长度为4的基因的二进制数对应的十进制数+1）*10；树的最大深度=第一个长度为3的基因的二进制对应的十进制数+3；树的叶子节点最少样例数=第二长度为3的基因的二进制对应的十进制数+1；分裂内部节点最少样例数=长度为5的基因的二进制对应的十进制数*19/31+0.01。
12.进一步地，长度为4的基因的二进制数对应的十进制=；第一个长度为3的基因的二进制对应的十进制数=；第二长度为3的基因的二进制对应的十进制数=；长度为5的基因的二进制对应的十进制数=；其中：表示以染色体的端部起依次编码的二进制值，。
13.进一步地，通过公式将组试验参数中的气流密度转化为高度，所述公式为：；其中：表示高度，表示气流密度。
14.本发明第二方面提供了一种获得压缩机压力预测模型的方法的系统，用于上述所述的获得压缩机压力预测模型的方法，包括：
参数获取模块：用于获取组试验参数；优化模块：用于遗传算法优化随机森林得到一个最优的森林；训练模块：用于将试验参数在最优森林里训练得到预测模型。
15.本发明第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：s100：获取组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；s200：通过遗传算法优化随机森林得到一个最优的森林；s300：将风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型。
16.本发明第四方面提供了一种压缩机压力预测模型处理终端，所述处理终端用于实现上述获得压缩机压力预测模型的方法得到的预测模型。
17.采用上述技术方案，本发明包括如下优点：1、本发明的一种获得压缩机压力预测模型的方法，通过该方法获得的预测模型能够预测实际吸气压力值，该预测的压缩机实际压力值具有更高的精确度；通过该预测的实际压力值对控制系统进行控制不仅具有对换热器出口气流温度控制效率高的优点，而且还具有节约能量的优点。
18.2、本发明通过采用遗传算法对随机森林进行优化，经过迭代代，得到一个最优解，即随机深林中所需参数的最优组合，通过该参数的最优组合得到的预测模型用于对压缩机实际吸气压力预测时具有更高的精确度和预测速度快的优点。
19.3、本发明的遗传算法优化随机森林具有方法步骤少、计算过程简单的优点。
附图说明
20.为了更清楚地说明本发明实施例技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明实施例中一种获得压缩机压力预测模型的方法的流程图；图2为本发明实施例中遗传算法优化随机森林的流程图。
具体实施方式
22.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
23.上述方法中使用到了压缩机目标吸气压力和实际吸气压力，目标吸气压力通过公式 获得，其中为实验工况下目标温度所对应的制冷剂饱和蒸
发压力，为压力变化经验值；实际吸气压力通过公式获得，其中为预设压力变化值；但是上述公式中存在、等通过经验设定的值，所以最后获得的实际吸气压力存在误差，具有精确度低的缺点。基于此，发现造成（1）换热器出口气流温度控制效率低，（2）能量浪费的原因是因为实际吸气压力精度低。
24.具体为：得到的实际吸气压力值向上偏差（即过大）时，则会导致换热器出口气流温度比实际需要的换热器出口气流温度低，则需要等换热器出口气流温度吸热为实际需要的换热器出口气流温度后，再将该出口气流通入风洞试验段内；所以会造成能量浪费。
25.而得到的实际吸气压力值向下偏差（即过小）时，则会导致换热器出口气流温度要达到实际需要的换热器出口气流温度需要更长的时间；所以换热器出口气流温度控制效率低。
26.实施例1如图1所示，为了解决现有技术中存在的上述技术问题，本实施提供了一种获得压缩机压力预测模型的方法，包括如下步骤：s100：获取组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；其中：。
27.本实施例中的组试验参数通过现有技术中的温度控制系统测量获得，在压缩机的吸气端设置压力传感器，在换热器的入口和出口均设置温度传感器。风速和气流密度则通过在风洞试验段中测量获得，当然风速和气流密度（即飞机飞行高度）也可以直接根据飞机实际飞行速度和飞行高度获得。
28.s120：通过公式将气流密度转化为高度，所述公式为：；其中：表示高度，表示气流密度。
29.在风洞试验中需要模拟真实的外部环境，本实施例中的组试验参数是在风洞试验中通过测量获得，其中的气流密度用于模拟高度，而在结冰风洞试验前是先获得的高度，然后通过控制气流密度来模拟高度，所以如果通过气流密度用于模型训练得到的训练模型，在预测压缩机实际吸气压力时，需要先将高度转化为气流密度，具有操作复杂、预测效率慢的缺点。
30.本实施例中将气流密度转化为高度，将高度用于模型训练得到的预测模型，在使用预测模型预测压缩机实际吸气压力时，就省略了将高度转化为气流密度的步骤，提高了预测效率。
31.需要说明的是，当然气流密度也可以直接用于模型训练，只是在预测压缩机实际吸气压力时需要先将高度转化为气流密度。
32.s200：通过遗传算法优化随机森林得到一个最优的森林；
对于遗传算法优化随机森林的方法，现有技术中也有很多优化过程，对于现有技术中的遗传算法优化随机森林本实施例也同样适用；下面具体介绍本实施例提出的一种新的优化过程。
33.如图2所示，所述遗传算法优化随机森林包括如下步骤：s210：随机生成个染色体，个染色体为0代，每个染色体上包含4种基因，4个基因分别表示树的个数、树的最大深度、树的叶子节点最少样例数和树的分裂内部节点最少样例数；其中：；s220：计算每个染色体的适应度，并通过适应度值计算每个染色体选择的概率值，并随机生成每个染色体对应的浮点值；染色体长度为15，以染色体的端部起依次将染色体分成4个基因，4个基因的长度分别为：4，3，3，5，长度为4的基因表示树的个数，第一个长度为3的基因表示树的最大深度，第二个长度为3的基因表示树的叶子节点最少样例数，长度为5的基因表示树的分裂内部节点最少样例数；即树的个数用染色体上的编码表示为：0，1，0，1；树的最大深度用染色体上的编码表示为：0，1，0；树的叶子节点最少样例数用染色体上的编码表示为：1，0，1；树的分裂内部节点最少样例数用染色体上的编码表示为：0，1，0，1，0。
34.概率值的计算方法为：步骤一：通过个染色体的基因获得个森林；将染色体上二进制编码转化为十进制的编码：长度为4的基因的二进制数对应的十进制=；其中；第一个长度为3的基因的二进制对应的十进制数=，其中；第二长度为3的基因的二进制对应的十进制数=，其中；长度为5的基因的二进制对应的十进制数=，；其中：表示以染色体的端部起依次编码的二进制值，即0或1，；染色体长度为15，即染色体上有15个编码位置，遗传算法随机生成的染色体是通过二进制进行的编码，即染色体上的编码可以是：0，1，0，1，0，1，0，1，0，1，0，1，
0，1，0；对应的，，，，，，，，，，，，，，。或染色体上的编码可以是：1，0，1，0，1，0，1，0，1，0，1，0，1，0，1；对应的，，，，，，，，，，，，，，。
35.树的个数=（长度为4的基因的二进制数对应的十进制数+1）*10；树的最大深度=第一个长度为3的基因的二进制对应的十进制数+3；树的叶子节点最少样例数=第二长度为3的基因的二进制对应的十进制数+1；分裂内部节点最少样例数=长度为5的基因的二进制对应的十进制数*19/31+0.01。
36.计算出来一个染色体对应的树的个数、树的最大深度、树的叶子节点最少样例数和分裂内部节点最少样例数即得到一个森林。个染色体则可以得到个森林。
37.步骤二：将组试验参数分为组训练集和组测试集，其中：；步骤三：将组训练集的风速、气流密度、换热器入口温度、换热器出口温度作为输入，将压缩机吸气压力作为输出，带入个森林进行训练获得个模型；步骤四：将组测试集带入个模型得到压缩机吸气压力的预测值；步骤五：通过适应度计算公式计算获得每个森林的适应度，所述适应度公式为：；步骤六：通过概率计算公式计算获得每个森林的概率值，所述概率计算公式为：；其中：，，表示第个模型中使用的组测试集中的第组试验参数中的压缩机吸气压力，表示将组测试集中第组试验参数：风速、气流密度、换热器入口温度、换热器出口温度代入第个模型中得到的预测值，表示第个模型中使用的组测试集中个压缩机吸气压力的均值。
38.s230：通过将一个染色体对应的概率值和浮点值进行比较；概率值与浮点值比较的方法为：若，则对应的染色体被选择，若，则对应的染色体不被选择；其中：。
39.选出个染色体进行交叉变异；；设置变异概率为0.01，交叉概率为0.8。
40.s240：重复步骤s220-s230直至迭代代为止；选出的个染色体交叉变异后即为第一代，。
41.s250：在0代（即随机生成的个染色体）到代（选择、交叉、变异一次为一代）中所有染色体中选出适应度最大的染色体，通过该染色体得到一个最优的森林；s300：将组试验参数风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型。
42.实施例2本实施例提供了一种获得压缩机压力预测模型的方法的系统，用于实施例1所述的获得压缩机压力预测模型的方法，包括：参数获取模块：用于获取组试验参数；优化模块：用于遗传算法优化随机森林得到一个最优的森林；训练模块：用于将试验参数在最优森林里训练得到预测模型。
43.实施例3本实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：s100：获取组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；s120：通过公式将气流密度转化为高度，所述公式为：；s300：通过遗传算法优化随机森林得到一个最优的森林；s400：将风速、高度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型；其中：表示高度，表示气流密度，。
44.实施例4
本实施例提供了一种压缩机压力预测模型处理终端，所述处理终端用于实施例1所述获得压缩机压力预测模型的方法得到的预测模型。