一种基于卷积神经网络的螺旋桨水动力性能快速预报方法

本发明涉及船舶，特别涉及一种基于卷积神经网络的螺旋桨水动力性能快速预报方法。

背景技术：

1、螺旋桨是一种广泛应用于船体的推进器，螺旋桨在水中运动时产生的推力及其性能的优劣问题是螺旋桨设计、优化、管理、维护等环节中的研究重点。研究螺旋桨水动力性能快速精确预报的方法，对螺旋桨性能优化设计、评估诊断、维护维修都具有重要意义。

2、传统的采用cfd仿真方法虽然能够获得较为可靠的螺旋桨的水动性能数据，但步骤繁多，耗费时间，难以满足快速预测的要求；面元法较cfd仿真方法耗时大大减少，但依然难以满足快速、实时预测的要求，而且针对复杂海况下的螺旋桨水动力性能预报时间花费更大。

技术实现思路

1、本发明提供一种基于卷积神经网络的螺旋桨水动力性能快速预报方法，以克服现有螺旋桨的水动性能数据的方式存在耗费时间长，且难以满足快速预测的技术问题。

2、为了实现上述目的，本发明的技术方案是：

3、一种基于卷积神经网络的螺旋桨水动力性能快速预报方法，包括以下步骤：

4、s1：获取螺旋桨样本数据集；并将螺旋桨样本数据集随机划分为螺旋桨训练集与螺旋桨验证集；

5、所述螺旋桨样本数据集包括螺旋桨的几何特征参数数据、计算工况参数数据以及水动力性能数据；且所述几何特征参数数据包括沿径向分布数据与弦向分布数据；

6、所述径向分布数据包括桨叶弦长比、螺距比、叶厚比、拱度比、纵倾以及侧斜角；

7、所述弦向分布数据包括桨叶最大拱度与最大厚度；

8、所述螺旋桨的计算工况参数包括螺旋桨转速与螺旋桨进速系数；

9、所述水动力性能数据包括螺旋桨推力系数kt、扭矩系数kq以及敞水效率η0；

10、s2：对所述螺旋桨训练集与螺旋桨验证集数据进行数据预处理，并确定螺旋桨水动力性能卷积神经网络预报模型的输入与输出变量；

11、s3：构建螺旋桨水动力性能卷积神经网络预报模型；

12、s4：基于所述螺旋桨训练集对螺旋桨水动力性能卷积神经网络预报模型进行训练，并基于螺旋桨验证集对训练后的螺旋桨水动力性能卷积神经网络预报模型的泛化能力进行评估，获得优化螺旋桨水动力性能卷积神经网络预报模型；

13、s5：通过优化螺旋桨水动力性能卷积神经网络预报模型，对螺旋桨样本数据集之外的螺旋桨进行水动力性能预测。

14、进一步的，s2中对所述螺旋桨训练集与螺旋桨验证集数据进行数据预处理，并确定螺旋桨水动力性能卷积神经网络预报模型的输入与输出变量，具体为

15、s2.1：对所述螺旋桨训练集与螺旋桨验证集进行归一化处理，获取归一化后的螺旋桨几何特征参数数据的二维张量、螺旋桨的计算工况参数数据的一维张量以及螺旋桨水动力性能数据的一维张量；

16、s2.2：定义所述归一化后的螺旋桨几何特征参数数据的二维张量与螺旋桨的计算工况参数数据的一维张量作为螺旋桨水动力性能卷积神经网络预报模型的输入变量；

17、定义所述归一化后的螺旋桨水动力性能数据的一维张量作为螺旋桨水动力性能卷积神经网络预报模型的输出变量。

18、进一步的，s3中构建的所述螺旋桨水动力性能卷积神经网络预报模型，包括输入层、与所述输入层连接的支路分支以及输出层；且所述支路分支包括第一网络分支与第二网络分支；

19、所述输入层用于将螺旋桨的几何特征参数数据的二维张量与螺旋桨的计算工况参数数据的一维张量分别输入至所述第一网络分支与第二网络分支；

20、所述第一网络分支上设有第一处理单元；且所述第一处理单元包括依次连接的卷积层1、激活函数a、池化层1、卷积层2、激活函数b、池化层2、展平层以及全连接层1；

21、所述卷积层1用于对几何特征参数数据的二维张量进行卷积运算，且所述卷积层1的一侧与所述输入层连接，另一侧与所述激活函数层a连接；

22、所述激活函数层a用于对所述卷积层1卷积运算后的几何特征参数数据进行非线性激活并输出；所述池化层1用于对所述激活函数层a的激活输出数据进行最大池化操作，降低特征数量；

23、所述卷积层2用于对所述池化层1的输出数据进行卷积运算，所述激活函数层b用于对所述卷积层2卷积运算后的几何特征参数数据进行非线性激活并输出；所述池化层2用于对所述激活函数层b的激活输出数据进行最大池化操作；

24、所述展平层用于对池化层2的输出数据进行数据特征压缩，输出压缩后的几何特征参数数据的一维张量；

25、所述全连接层1用于对所述展平层的输出数据进行全连接运算；

26、所述第二网络分支上设有第二处理单元，且所述第二处理单元包括依次连接的全连接层2、激活函数层2以及全连接层3；且全连接层2的输入端连接至所述输入层的输出端；

27、所述全连接层2用于对所述输入层输出的计算工况参数数据的一维张量进行全连接运算，所述全连接层2的输出端与所述激活函数层2的一侧连接；

28、所述激活函数层2用于对所述全连接层2全连接运算后的计算工况参数数据的一维张量进行非线性激活输出；且所述激活函数层2的另一侧与全连接层3的一侧连接；所述全连接层3用于对所述激活函数层2的输出数据进行全连接运算；

29、所述第一网络分支与第二网络分支的输出端连接至用于数据拼接的全连接层4的输入端，所述全连接层4的输出端连接至随机丢弃层的输入端，所述随机丢弃层的输出端连接至第三处理单元的输入端；

30、所述随机丢弃层用于对全连接层4的输出数据进行抑制过拟合处理；

31、所述第三处理单元与所述第二处理单元结构相同，用于对所述随机丢弃层的输出数据进行非线性激活操作与全连接运算；且所述第三处理单元的输出端与所述输出层连接。

32、进一步的，s4中基于所述螺旋桨训练集对螺旋桨水动力性能卷积神经网络预报模型进行训练具体为

33、s4.1：根据所述螺旋桨样本数据集获取螺旋桨的几何特征参数数据训练集、计算工况参数数据训练集以及水动力性能数据训练集；并设置螺旋桨水动力性能卷积神经网络预报模型的初始超参数；所述超参数包括批次大小、迭代次数以及学习率；

34、s4.2：将所述螺旋桨几何特征参数数据训练集内的几何特征参数数据通过输入层输入至第一网络分支，同时将几何特征参数数据训练集内的计算工况参数数据训练集的数据通过输入层输入至第二网络分支；对螺旋桨水动力性能卷积神经网络预报模型进行训练，通过输出层输出螺旋桨的水动力性能数据；

35、s4.3：提取对应几何特征参数数据与计算工况参数数据的所述水动力性能数据训练集内的水动力性能数据；并将提取的水动力性能数据与所述输出层输出螺旋桨的水动力性能数据采用均方误差函数mse，获取螺旋桨训练集误差值；并根据所述螺旋桨训练集误差值由adam优化算法更新神经网络的权重与偏置；

36、通过螺旋桨验证集对训练完成后的螺旋桨水动力性能卷积神经网络预报模型进行验证输出水动力性能数据，将验证输出的水动力性能数据与所述螺旋桨验证集中对应螺旋桨几何特征参数数据与计算工况参数数据的水动力性能数据采用均方误差函数mse，获取螺旋桨验证集误差值；

37、重复执行s4.2至s4.3，直至达到最大迭代次数，获取训练迭代过程中各次的螺旋桨训练集误差值与螺旋桨验证集误差值；

38、s4.4：根据所述各次的螺旋桨训练集误差值与螺旋桨验证集误差值绘制螺旋桨训练集误差曲线与螺旋桨验证集误差曲线；

39、且当所述螺旋桨训练集误差曲线与螺旋桨验证集误差曲线均收敛，且所述螺旋桨验证集误差曲线的收敛结果小于等于预设精度误差值，则模型训练结束，获得优化的所述螺旋桨水动力性能卷积神经网络预报模型；

40、当所述螺旋桨训练集误差曲线与螺旋桨验证集误差曲线均收敛，且所述螺旋桨验证集误差曲线的收敛结果大于预设精度误差值，则重新调整模型超参数，重复执行s4.2至s4.4；

41、当所述螺旋桨训练集误差曲线与螺旋桨验证集误差曲线至少一条曲线不收敛，则重复执行s4.2至s4.4。

42、进一步的，s4.3中所述均方误差函数mse的计算公式为

43、

44、式中：yk表示螺旋桨水动力性能卷积神经网络预报模型的输出；tk表示螺旋桨训练集/验证集中的水动力性能数据真实值；n表示螺旋桨训练集/验证集中的样本个数。

45、进一步的，s4.3中所述由adam优化算法更新神经网络的权重与偏置的计算公式为

46、

47、式中：θ表示螺旋桨水动力性能卷积神经网络预报模型中要更新的参数；t表示时间步长；η表示卷积神经网络的学习率；表示梯度的第一时刻修正平均值，表示梯度的第二时刻非中心修正方差值；ε表示默认参数值取10-8。

48、进一步的，所述s1具体包括以下步骤：

49、s1.1：获取母型螺旋桨桨叶几何特征参数的分布数据；所述分布数据包括沿径向分布数据与弦向分布数据；

50、所述径向分布数据包括桨叶弦长比、螺距比、叶厚比、拱度比、纵倾以及侧斜角；

51、所述弦向分布数据包括桨叶弦向剖面处的最大拱度与最大厚度；

52、s1.2：利用三阶贝塞尔曲线对螺旋桨的径向分布数据与弦向分布数据进行拟合，获取对应螺旋桨桨叶几何参数的三阶贝塞曲线的形状控制点；

53、所述形状控制点包括曲线首控制点、第一中间控制点、第二中间控制点以及曲线尾控制点；

54、s1.3：定义所述第一中间控制点的坐标与第二中间控制点的坐标为优化变量，构建中间控制点优化目标函数，并基于控制点约束条件优化所述形状控制点；

55、s1.4：根据控制点坐标调整规则对优化的所述形状控制点进行调整，获取更新形状控制点；

56、并根据所述更新后的形状控制点结合贝塞尔曲线方程反向输出贝塞尔曲线上的点，获取不同螺旋桨桨叶的几何特征参数分布数据；

57、s1.5：基于面元法对获取的所述不同螺旋桨桨叶几何特征参数的分布数据，计算螺旋桨水动力性能获取水动力性能数据；

58、s1.6：根据所述螺旋桨桨叶的几何特征参数分布数据、更新形状控制点以及对应的所述水动力性能数据，建立螺旋桨水动力性能数据库；

59、并根据所述螺旋桨水动力性能数据库随机获取螺旋桨样本数据集。

60、进一步的，s1.3中所述构建中间控制点优化目标函数的计算公式为

61、f(n1,n2)＝sum(abs(fp(xi)-p(xi)))

62、其中，p(xi)表示螺旋桨桨叶几何特征参数在xi处的值；fp(xi)表示三阶贝塞尔曲线在xi处的拟合值；n1表示第一中间控制点；n2表示第二中间控制点；f(n1,n2)表示中间控制点优化目标函数；

63、所述控制点约束条件为

64、对曲线首控制点与曲线尾控制点进行等式约束：

65、n0-p(0)＝0；n3-p(end)＝0

66、式中，n0表示三阶贝塞尔曲线的首控制点；n3表示三阶贝塞尔曲线的尾控制点；p(0)表示螺旋桨桨叶几何特征参数分布的第一个散点数据，p(end)表示螺旋桨桨叶几何特征参数分布的最后一个散点数据；

67、对螺旋桨桨叶几何参数的三阶贝塞曲线的控制点的横坐标，设置非线性不等式约束：

68、n0(x)＜n1(x)＜n2(x)＜n3(x)

69、式中，n0(x)表示三阶贝塞曲线首控制点的横坐标；n1(x)表示三阶贝塞曲线的第一中间控制点横坐标、n2(x)表示三阶贝塞曲线的第二中间控制点横坐标；n3(x)表示三阶贝塞曲线尾控制点的横坐标。

70、进一步的，s1.4中所述根据更新后的形状控制点结合贝塞尔曲线方程反向输出贝塞尔曲线上的点，计算公式为

71、x＝(1-t)3mi0(x)+3t(1-t)2mi1(x)+3t2(1-t)mi2(x)+t3mi3(x),t∈[0,1]

72、y＝(1-t)3mi0(y)+3t(1-t)2mi1(y)+3t2(1-t)mi2(y)+t3mi3(y),t∈[0,1]

73、式中，mi0(x)、mi1(x)、mi2(x)、mi3(x)分别表示更新的曲线首控制点mi0、更新的第一中间控制点mi1、更新的第二中间控制点mi2、更新的曲线尾控制点mi3对应的横坐标值；mi0(y)、mi1(y)、mi2(y)、mi3(y)分别表示更新的曲线首控制点mi0、更新的第一中间控制点mi1、更新的第二中间控制点mi2、更新的曲线尾控制点mi3对应的纵坐标值；t表示中间参数变量；x表示螺旋桨桨叶横向剖面的位置参量或螺旋桨桨叶纵向剖面的位置参量；y表示螺旋桨桨叶参数分布在x处的参数值。

74、有益效果：本发明提供了一种基于卷积神经网络的螺旋桨水动力性能快速预报方法，结合贝塞尔曲线参数化设计技术和面元法水动力性能预报程序获取螺旋桨水动力性能预报样本数据集，解决现有人工智能预报方法存在的小样本学习量问题；再通过构建螺旋桨水动力性能卷积神经网络预报模型，模型拥有同时处理不同维度数据的能力，通过对模型进行训练与验证获取优化的螺旋桨水动力性能卷积神经网络预报模型，实现不同几何特征参数的螺旋桨在不同计算工况下的水动力性能快速预报，大大提高了现有螺旋桨水动力性能预报在准确性和快速性，对匹配定制不同船型的优化以及复杂海况下船后桨水动力性能预报有益。