一种基于神经网络模型的试验设计方法

本发明涉及试验设计与建模，具体涉及一种基于神经网络模型的试验设计方法。

背景技术：

1、在飞行器设计中，飞行器外形确定后需要通过风洞试验分析其气动特性。传统的试验方法需要在多个主要飞行工况下进行风洞试验，如不同马赫数、不同攻角、不同侧滑角等，得到这些工况下飞行器的升阻力系数。然后通过线性插值方法获得所有工况下的升阻力系数，以分析此飞行器气动外形优劣。以数学模型为基础的试验方法则是使用试验数据优化模型参数以建立精度较高的气动数学模型，然后使用该气动数学模型预测所有工况下的升阻力系数。相比之下，基于数学模型的试验方法可减少大量试验点、降低试验成本。

2、神经网络模型由于其强大的非线性拟合能力，比传统数学模型有更强的表达能力。神经网络可以自动从训练数据中挖掘出输入数据与输出数据之间底层相关性，从而建立输入与输出之间精确映射模型。但是训练神经网络需要大量的数据作为支撑，而许多数据(如风洞试验)的获取成本较高，无法提供大量的数据用于训练神经网络。如何使用少量的数据完成神经网络的训练已成为学术界和工业界共同关注的热点问题。

3、专利cn113901594b公开了一种飞行器表面的气动热环境智能预测方法，专利cn115619035a公开了一种基于神经网络的碳电强度预测方法，但上述两个专利均是直接使用大量数据训练神经网络模型，未涉及使用试验设计手段减少训练神经网络所需要的样本量。专利cn106021865b公开了一种基于d-最优设计的逐批投入试验设计方法，专利cn107368649a公开了一种基于增量kriging的序列优化试验设计方法。上述试验设计方法适用于针对多项式模型或者kriging，目前尚无公开发明专利中提出针对神经网络模型的试验设计方法。

技术实现思路

1、为了克服以上现有技术存在的问题，本发明的目的在于提供一种基于神经网络模型的试验设计方法，基于神经网络模型进行序贯增加试验点，以逐步提高神经网络气动模型精度。选择的新增试验工况点均是对提高模型精度最有效的点，因此建立同等精度的神经网络气动模型仅需要进行最少量的试验，提高了试验效率、节约了气动分析成本。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于神经网络模型的试验设计方法，包括以下步骤；

4、步骤一：初始试验设计选择试验工况点，构建包含所有初始试验样本点处飞行工况参数和升阻力系数的试验数据集；

5、步骤二：构建神经网络气动模型，并使用所述试验数据进行训练；

6、步骤三：判断训练完成的神经网络气动模型预测精度是否满足要求；

7、步骤四：若预测精度不满足要求，则基于训练完成的神经网络气动模型构造信息矩阵；

8、步骤五：使用最优试验设计方法选择新增试验工况点，将新增试验点数据纳入试验数据集中；

9、步骤六：重复步骤二至五，直至步骤三中预测精度满足要求，则停止加点，当前神经网络模型作为预测模型预测所有飞行工况下的升阻力系数。

10、所述步骤一具体为：

11、(1)根据飞行工况参数数目确定初始试验点数，初始试验点数至少为十倍的工况参数数目；

12、(2)在目标飞行器各个飞行工况参数变化范围内随机选择初始试验样本点，多次进行初始选点设计，使用最大化样本点之间距离作为准则在这些初始选点设计中选择最优的一个；

13、(3)通过风洞试验获得飞行器在所有初始试验点处的升阻力系数；

14、(4)将每个试验点处的飞行工况参数和升阻力系数一一对应组合为一条数据，所有初始试验点处数据共同构建试验数据集。

15、所述步骤二具体为：

16、(1)按照一定比例将试验数据集及中的数据点分为训练集和测试集；

17、(2)确定神经网络模型的形式及超参数，如果输入为一维数据则选用全连接神经网络；如果输入为二维数据则选择卷积神经网络，神经网络中超参数的数量应小于试验数据的数量；

18、(3)使用训练集中的试验数据通过最小化损失函数训练神经网络模型，直至损失函数收敛则完成训练，损失函数可选择或其中n为试验数据点数、yi为第i个试验点处风洞试验获得的升阻力系数真实值、为第i个试验点处神经网络的升阻力系数预测值。

19、所述步骤三具体为：

20、(1)将测试集中每个试验数据中的飞行工况参数值传给训练完成的神经网络模型，神经网络则可预测得到每个测试数据点处对应的升阻力系数；

21、(2)对比测试数据点处风洞试验获得的升阻力系数真实值与神经网络模型预测的升阻力系数预测值，计算mae损失或mse损失作为预测精度；

22、(3)判断预测精度是否小于5％，如满足要求则停止流程，如不满足则继续进行后续步骤。

23、所述步骤四具体为：

24、(1)将所有已选择和一个待选择的试验点处的飞行工况参数值传给训练完成的神经网络模型，获得输出层前一层神经元的输出amn，其中下标m代表神经元数目，下标n代表风洞试验点数，已选择的试验数据点为n-1个，待选择的试验数据点为1个；使用所有amn构造当前模型的结构矩阵，可表示为：

25、(2)构造信息矩阵m＝gtg。

26、所述步骤四中，结构矩阵g能够使用输出层前一层神经元的输出构造、也可增加其他层神经元的输出构造。构造方法为：在结构矩阵中新增列，新增列的内容为所有待选择的试验点在新增加的神经元处的输出值，增加神经元后的结构矩阵可表示为：其中k＝m+a为当前结构矩阵中神经元数目，m为输出层前一层神经元数目，a为新增加的神经元数目。

27、所述步骤五具体为：

28、(1)确定每次新增试验点数，一般为1或2；

29、(2)使用d-最优、a-最优、e-最优、g-最优等中的一个最优准则选择新增试验点，其中d-最优设计为取试验点使信息矩阵m的行列式值达到极大、a-最优设计为取试验点使tr(m-1)达到极大、e-最优设计为取试验点使m-1的最大特征根达到极小、g-最优设计为取试验点使响应预测值的最大方差达到极小。具体方法为：取不同待选试验点构造信息矩阵m，算出每个信息矩阵的最优准则值，比较所有信息矩阵最优准则值的大小，根据最优准则选择最优的新增试验点；

30、(3)使用风洞试验获得新增试验点处升阻力系数值；

31、(4)将每个新增试验点处的飞行工况参数值和风洞测得升阻力系数值一一对应组合为一条数据，添加至试验数据集。

32、本发明的有益效果：

33、本发明提出在神经网络建模过程中使用最优试验设计方法进行序贯增加试验数据，逐步提高建模精度。基于神经网络模型构造信息矩阵，通过选择新增试验点使得信息矩阵包含更多信息，得到对提高神经网络建模精度最有效的新增试验点。与传统方法相比使用本发明建立同等精度的神经网络模型需要使用的数据量可减少一半以上，可节约大量风洞试验成本、提高气动分析效率。

技术特征：

1.一种基于神经网络模型的试验设计方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于神经网络模型的试验设计方法，其特征在于，所述步骤一具体为：

3.根据权利要求1所述的一种基于神经网络模型的试验设计方法，其特征在于，所述步骤二具体为：

4.根据权利要求1所述的一种基于神经网络模型的试验设计方法，其特征在于，所述步骤三具体为：

5.根据权利要求1所述的一种基于神经网络模型的试验设计方法，其特征在于，所述步骤四具体为：

6.根据权利要求1所述的一种基于神经网络模型的试验设计方法，其特征在于，所述步骤四中，结构矩阵g能够使用输出层前一层神经元的输出构造、也可增加其他层神经元的输出构造。构造方法为：在结构矩阵中新增列，新增列的内容为所有待选择的试验点在新增加的神经元处的输出值，增加神经元后的结构矩阵可表示为：其中k＝m+a为当前结构矩阵中神经元数目，m为输出层前一层神经元数目，a为新增加的神经元数目。

7.根据权利要求1所述的一种基于神经网络模型的试验设计方法，其特征在于，所述步骤五具体为：

8.基于权利要求1-7任一项所述的一种基于神经网络模型的试验设计方法，其特征在于，所述方法用于电力、交通、化工、农业。

技术总结
一种基于神经网络模型的试验设计方法，包括以下步骤；初始试验设计选择试验工况点，构建包含所有初始试验样本点处飞行工况参数和升阻力系数的试验数据集；构建神经网络气动模型，并使用所述试验数据进行训练；判断训练完成的神经网络气动模型预测精度是否满足要求；若预测精度不满足要求，则基于训练完成的神经网络气动模型构造信息矩阵；使用最优试验设计方法选择新增试验工况点，将新增试验点数据纳入试验数据集中；重复步骤，直至预测精度满足要求，则停止加点，当前神经网络模型作为预测模型预测所有飞行工况下的升阻力系数。本发明基于神经网络模型进行序贯采样，逐步增加样本量以提高神经网络建模精度。提高了试验效率，节约建模成本。

技术研发人员：陈刚,韩仁坤,钱炜祺,孔轶男
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/1/13