一种基于智能优化算法的风洞天平校准数据处理方法与流程

技术特征：

1.一种基于智能优化算法的风洞天平校准数据处理方法，其特征在于：包括如下步骤：

步骤一、对当前拟合的天平分量公式，按照如下数据格式分类提取校准加载数据：

(F_ij,ΔU_ij,F_mj(m＝1～6,m≠i))，其中，F_ij表示需要优化拟合的天平分量某次加载的载荷，ΔU_ij表示与F_ij对应的输出信号，F_mj(m＝1～6,m≠i)表示除F_ij外的同一次加载的其他分量载荷；

步骤二、将步骤一提取的数据读入如下所示的天平公式中形成以天平公式各项系数为自变量的方程组：

$\begin{array}{c}{F_{ij}}^{\′}=\\ {\mathrm{\ΔU}}_{ij}{K}_{ii}+{\mathrm{\Σ}}_{n=1,n\≠i}^6{F}_{nj}{K}_{in}+F_{1j}{\mathrm{\Σ}}_{m=1}^6{F}_{mj}{K}_{i\left(m+6\right)}+F_{2j}{\mathrm{\Σ}}_{m=2}^6{F}_{mj}{K}_{i\left(m+11\right)}+\\ F_{3j}{\mathrm{\Σ}}_{m=3}^6{F}_{mj}{K}_{i\left(m+15\right)}+F_{4j}{\mathrm{\Σ}}_{m=4}^6{F}_{mj}{K}_{i\left(m+18\right)}+F_{5j}{\mathrm{\Σ}}_{m=5}^6{F}_{mj}{K}_{i\left(m+20\right)}+\\ F_{6j}{F}_{6j}{K}_{i27};\end{array}$

步骤三、对步骤二形成的方程组中的自变量进行智能优化，得到优化后的天平公式；

步骤四、改变智能优化算法的输入条件及参数设置，重复步骤三，得到新的优化后的天平公式；

步骤五、对比两次优化结果，验证优化结果的可靠性：如果两次优化结果可靠，则进入步骤六，否则对校准数据、拟合过程进行核查后返回步骤三；

步骤六、针对不同的天平分量，重复步骤一至步骤五，得到天平各分量的优化公式，最终得到天平吹风公式；

步骤七、对天平进行检验加载，判断天平公式是否符合校准不确定度要求：如果不符合，则对校准加载数据进行核查后返回步骤一，直至符合为止。

2.根据权利要求1所述的一种基于智能优化算法的风洞天平校准数据处理方法，其特征在于：步骤三所述对步骤二形成的方程组中的自变量进行智能优化，得到优化后的天平公式的方法为：

(1)随机产生一定数量的系数向量(K_i1，K_i2…K_i27)作为智能优化算法的第一代父代；

(2)将父代代入步骤二形成的方程组中，计算得到F_ij′，并计算不确定度找到其中最小的不确定度作为σ_i父；

(3)对父代进行智能优化运算产生一组基于父代的新的系数向量，将这些新的系数向量带入方程组中计算不确定度，找到其中最小的不确定度作为σ_i子；然后判断是否满足σ_i父>σ_i子：如果是，则进入第(4)步；如果否，则再次进行第(3)步；

(4)将这些新产生的系数向量作为新的父代再次循环第(2)、(3)步父代产生子代的过程，直至满足设定的停止条件；

(5)将最后一代中的最小不确定度所对应的天平公式作为优化公式。

3.根据权利要求2所述的一种基于智能优化算法的风洞天平校准数据处理方法，其特征在于：第(4)步所述设定的停止条件包括：设定的最大循环次数，或设定为在最近的500次循环中最小不确定度的变化量小于0.05％且对应的天平公式主项系数的变化量小于0.005％。

4.根据权利要求1所述的一种基于智能优化算法的风洞天平校准数据处理方法，其特征在于：步骤五所述的两次优化结果可靠是指：两次天平优化公式的主项系数的相对变化量小于0.05％。

5.根据权利要求1所述的一种基于智能优化算法的风洞天平校准数据处理方法，其特征在于：步骤七所述符合校准不确定度的要求是指各分量不确定度均小于设定的标准。

6.根据权利要求1所述的一种基于智能优化算法的风洞天平校准数据处理方法，其特征在于：所述智能优化算法包括遗传算法、粒子群优化算法、差异演化算法、模拟植物生长算法、果蝇算法等。