一种提高风洞传感器测量稳定性和精准度的方法与流程

本发明属航空航天工业空气动力学风洞试验技术领域，尤其涉及一种提高风洞传感器测量稳定性和精准度的方法。

背景技术：

风洞试验时，传感器是测量飞行器模型力、力矩、压力等重要试验数据的仪器设备，其自身的稳定性和测量精准度直接影响到试验数据的可靠性、精确性和试验效率：一方面，风洞传感器具有高稳定性和高精准度是确保风洞试验信号实时精确测量和控制的重要前提，是影响风洞试验数据可靠性和精准度的重要因素；另一方面，风洞传感器的稳定性也是影响风洞试验效率的重要因素。随着先进飞行器研制要求的不断提高和研发周期的日益缩短，对风洞系统中传感器的精准度、稳定性的要求也越来越高。然而，在风洞试验时，传感器的精准度、稳定性极容易受到自身性能、环境温度、电磁干扰等因素的影响，使得自身稳定性、精准度降低，从而造成通过常规测量方法获取的试验数据的可靠性、精准度达不到先进飞行器研制的要求。

技术实现要素：

本发明的目的是提供一种提高风洞传感器测量稳定性和精准度的方法。该方法首先在静态时，给同量程、同类型的多个传感器输入多组标准值并得到其对应的测量值数组，随后程序判断测量值是否在风洞试验要求的测量精度范围内，若在精度范围内则将测量值作为神经网络训练样本数据的输入，将对应的多组测量值之间的相互差值的绝对值作为神经网络的输出对神经网络进行训练，从而建立固化的传感器神经网络差值预测模型。在试验状态下，采集同量程、同类型多个传感器的多组实时测值，通过神经网络差值预测模型，得到预测差值数据，再将其与计算实时差值数据进行比较判断，实行表决法，将超过神经网络模型预测结果的值进行否决，对符合预测标准的测量值进行求和取平均，得到传感器测量最优值，从而提高传感器测量稳定性和精准度。

为实现上述目的，本发明采用如下技术方案：

一种提高风洞传感器测量稳定性和精准度的方法，包括以下步骤：

步骤一：针对不同的风洞待测对象，选择对应的能测量其数值的同量程、同型号的传感器，在硬件上组成三组（或三组以上）传感器同时对待测对象进行采集。

步骤二：在静态时，给同量程的同组传感器输入多个标准值Standard=（Std1，Std2，……，Stdi）（Stdi代表第i个标准值）并分别得到各传感器对应的测量值Measure=（Mea_i1，Mea_i2，……，Mea_ij）（Mea_ij代表第i个传感器的对应于第j个标准值得到的测量值）。

步骤三：根据标准值Standard及实际测量值Measure计算测量值数组Measure中的数据是否都符合待测物理量的风洞试验测量精度要求。将符合精度范围要求的测量值重新组合成数组Netinput=(Netinput_i1，Netinput_i2，……，Netinput_ij)（Netinput_ij代表第i个传感器的第j个标准值的测量数据）。

步骤四：将Netinput作为神经网络训练样本数据的输入，将同一标准值下各传感器对应测量值之间的相互差值的绝对值数组作为神经网络的输出对神经网络进行训练,从而建立固化的传感器神经网络差值预测模型。

步骤五：在试验条件下，在某一时刻，各个传感器将同时采集到待测对象的测值Test(Test1，Test2，……，Testj)（Testj代表第j个传感器在此时刻的测值），将Test作为传感器神经网络差值预测模型的输入，则网络将自动生成预测输出数组Forecast(Forecast_12，Forecast_13，……，Forecast_j-1，j)（Forecast_j-1，j代表神经网络预测的第j-1个传感器和第j个传感器测量值之间的相互差值的绝对值）。

步骤六：计算各个传感器在同一时刻的测值的相互差值的绝对值Realout(Realout_12，Realout_13，……，Realout_j-1，j)（Realout_j-1，j代表实际试验时第j-1个传感器和第j个传感器测量值之间的相互差值的绝对值）。将神经网络预测输出数组Forecast与实际的数组Realout比较判断，根据各组数据的判断结果进行逻辑表决，若Forecast_ij<Realout_ij且Forecast_ik <Realout_ik（i，j，k为任意数字）则认为第i个传感器测值出现误差将其否决掉，根据表决法结果，将符合要求的数据重组创建该时刻的传感器测量值数组Real (Real1，Real2，……，Realj)（Realj代表第j个符合表决法要求的传感器数值），将真值数据组Real进行求和取平均得到此时刻待测对象的值Realtest；

在步骤一中，需增加三组或以上的同种量程、同种标定等级的传感器，在步骤六中，采用比较神经网络特征参数预测模型输出数组和实时输出数组，进行逻辑判断表决，经表决法后，对真值进行求和取平均。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本方案通过增加多组同种标定等级的同量程的传感器，利用标准设备输出性能参数的标准值后，经由检定过的传感器测试后进行真值预判，将真值用于构建神经网络特征参数预测模型；在风洞试验时，将采集到的表征风洞性能参数的传感器的状态监测值作为模型的输入，利用已建立的神经网络特征参数预测模型以程序自动表决真值的方式来获取特征参数的测量高精度值。解决了传统的单个传感器出现故障时，吹风当次数据报废或测量值精度低，以及排查故障时间周期长，严重影响试验的质量和进度，采用新的测量策略和数据处理方法，保障了测量设备的稳定性和数据的精准度，达到先进飞行器研制的要求。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明实施的流程图；

图2是神经网络的基本结构示意图。

具体实施方式

本发明提出的这种提高风洞传感器测量稳定性和精准度的方法，测量策略上使用多个同量程、同等级精度的传感器，数据处理上利用了创建神经网络特征参数预测模型及实时测量监测计算差值及后期的表决法。神经网络是一种模仿动物神经网络行为特征，基于统计学进行并行信息处理的算法数学模型。基于该理论，我们通过设置科学合理的标准特征参数试验条件，让其在精度范围内的数据组通过神经网络模型，然后将训练好的神经网络特征参数预测模型投入风洞试验中，通过后期的数据实时监测计算差值数组和预测模型的输出数组进行表决，达到了提高传感器测量精度及稳定性的目的。

如图1所示为本发明方法的一个实施例的处理流程图（针对风洞试验中总压的测量），该流程包括以下几个步骤：

步骤一：根据风洞总压的工作压力范围，合理选择合适的同量程、同精度、同型号的压力传感器3只。

步骤二：将总压测量气路从同一现场测量位置接入到相同量程的3个传感器。

步骤三：在静态时，给各个量程的同组传感器加多组标准压力并通过传感器测得对应的测量值A、B、C， （A、B、C分别代表各传感器在多组标准压力下对应的测量值）。

步骤四：判断测量值A、B、C是否在精度范围内，若在精度范围内则将其作为神经网络训练样本数据的输入，将对应的三组数值数组|A-B|、|A-C|、|B-C|（|A-B|,|A-C|,|B-C|分别代表对应传感器的输出值经神经网络训练后输出的阈值）作为神经网络输出对神经网络进行训练，从而建立固化的神经网络模型（其网络结程图如图2所示）。

步骤五：若风洞试验时，同量程三个传感器的测量值为A´,B´,C´,将其作为神经网络输入，通过已建立好的神经网络误差预测模型则可得到其预测输出|A´-B´|´,|A´-C´|´,|B´-C´|´。

步骤六：将网络预测结果|A´-B´|´,|A´-C´|´,|B´-C´|´与输出实际的|A´-B´|,|A´-C´|,|B´-C´|测值进行对比，实行“三选二”表决法对数据进行判决,将超过网络模型预测结果的值进行表决予以否决。若|A´-B´|<|A´-B´|´,|A´-C´|<|A´-C´|´,|B´-C´|<|B´-C´|´，则A´,B´,C´均符合精度要求。若|A´-B´|<|A´-B´|´,|A´-C´|>|A´-C´|´,|B´-C´|>|B´-C´|´，则A´,B´符合精度要求。若|A´-B´|>|A´-B´|´,|A´-C´|>|A´-C´|´,|B´-C´|<|B´-C´|´，则B´,C´符合精度要求。若|A´-B´|>|A´-B´|´,|A´-C´|<|A´-C´|´,|B´-C´|>|B´-C´|´，则A´,C´符合精度要求。

步骤七：对经“三选二”表决法判别后符合精度要求的测量实际值进行求和取平均值，得到总压测量优化后的结果，参与后续风洞流场参数的迭代与计算。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。