一种连续学习的飞行器气动性能预测方法、系统和装置与流程

1.本发明涉及飞行器气动性能预测领域，具体涉及一种连续学习的飞行器气动性能预测方法、系统和装置。


背景技术：

2.飞行器气动外形设计结果不仅对飞行器的飞行性能起着决定性的作用，同时影响着飞行器飞行品质、气动噪声、动力响应等。优秀的气动外形不仅仅能够很大程度上提高飞行器的气动性能和飞行品质，而且对飞行器的结构设计、机械系统设计以及机载设备设计也有着重要的影响。
3.飞行器气动外形设计离不开对气动性能的计算分析。早期气动外形设计主要依赖风洞试验以及飞行试验，但是风洞试验尤其飞行试验的成本巨大，这就导致了整个设计周期巨长、费用消耗巨大。20世纪中叶依赖，计算流体力学(computational fluid dynamics,cfd)应运而生，cfd结合cad(computational aid design)技术，已经可以进行半自动化的飞行器气动外形设计。但cfd分析仍是一个比较耗时的过程，在飞行器设计中需要反复调用cfd分析模块，计算量很大。
4.随着科学技术的发展，对现代飞行器的飞行效率、飞行性能与飞行品质等设计要求越来越多，性能目标越来越高。费用高昂的风洞试验和计算耗时的cfd计算已难以满足高要求的飞行器气动外形设计需求，亟需发展一种高效的气动性能预测手段。


技术实现要素：

5.本发明提供一种连续学习的飞行器气动性能预测方法、系统和装置，用以解决在常规飞行器设计需要反复调用cfd分析模块且计算量大的问题。
6.为实现上述目的，本发明采用如下技术方案：
7.本发明提供了一种连续学习的飞行器气动性能预测方法，包括：
8.采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；
9.基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；
10.再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；
11.基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；
12.获取飞行器实时来流参数和实时外形特征参数，基于所述连续训练神经网络模型进行飞行器气动性能预测。
13.可选的，
14.通过cfd数值仿真获取不同来流参数和不同外形特征参数下的气动特性。
15.可选的，
16.飞行器飞行的迎角、飞行器的来流马赫数和飞行器的雷诺数。
17.可选的，
18.飞行器的外形特征参数采用图片和/或数据的形式构建数据集。
19.可选的，
20.通过情景信息依赖算法将对数据集进行编码，从而数据集中获取控制信号；
21.基于控制信号调制神经网络模型。
22.可选的，
23.基于所述第二数据集继续训练所述神经网络模型时，只在所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，使得新增神经网络权重不覆盖预训练神经网络权重，从而获得连续训练神经网络模型。
24.可选的，
25.通过正交投影矩阵所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，具体公式如下：
[0026][0027]
其中，a为特征向量，a
t
为特征向量的转置，i为单位矩阵，α为正交投影的正交程度，若特征向量a个数大于其维数，则特征向量a可逆。
[0028]
本发明还提供了一种连续学习的飞行器气动性能预测系统，包括：
[0029]
第一采集模块、采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；
[0030]
预训练模块、基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；
[0031]
第二采集模块、再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；
[0032]
正交训练模块、基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；
[0033]
预测模块、获取飞行器实时来流参数和实时外形特征参数，基于所述神经网络模型进行飞行器气动性能预测。
[0034]
本发明还提供了一种连续学习的飞行器气动性能预测装置，包括：
[0035]
处理器，以及
[0036]
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法的步骤。
[0037]
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
[0038]
将神经网络设计为具有连续学习能力的模型，该模型可替代费用高昂的风洞试验、计算耗时的cfd仿真模拟，实现飞行器气动性能的高效智能预测。并且与现有气动力建模方法相比，具备连续学习的能力，可有效解决现有气动外形设计约束多、要求高与计算量
大、成本高之间的矛盾，缩短设计周期，实现飞行器气动外形设计的快速迭代。
附图说明
[0039]
图1为本说明书一实施例提供的一种连续学习的飞行器气动性能预测方法流程示意图；
[0040]
图2为本说明书一种连续学习的飞行器气动性能预测系统流程示意图；
[0041]
图3为本说明书一种连续学习的飞行器气动性能预测装置示意图。
具体实施方式
[0042]
为使本说明书的目的，技术方案和优点更加的清楚，下面结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚，完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于此本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护范围。
[0043]
以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0044]
图1为本说明书一实施例提供的一种连续学习的飞行器气动性能预测方法流程示意图，所述方法具体可以包括以下步骤：
[0045]
步骤102、采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；
[0046]
需要说明的是，步骤102的一种实施方式可以为
[0047]
首先，通过飞行的迎角、飞行器的来流马赫数和飞行器的雷诺数构建来流参数，再根据飞行器的几何形状图片或几何形状数据构建外形特征参数；
[0048]
其次，根据来流参数和外形特征参数，进行cfd数值仿真计算，从而得到来流参数和外形特征参数对应的气动特性；
[0049]
再次，将来流参数和外形特征参数，及对应的气动特性构建第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系。
[0050]
在一实施例中，
[0051]
还可以采集风洞试验的试验数据，从而构建第一数据集。
[0052]
在一实施例中，
[0053]
气动特性相对应的升力系数和阻力系数。
[0054]
在一实施例中，
[0055]
本方法的数据集按照一定比例划分为训练集、验证集、测试集。其中，训练集用于训练神经网络模型，更新网络模型参数；验证集用于进一步校正网络的超参数；测试集用于检验神经网络模型预测的可行性和精确性。
[0056]
基于此，通过cfd数值仿真方法可以快速获取大量准确的来流参数和外形特征参数对应的气动特性。
[0057]
步骤104、基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；
[0058]
需要说明的是，步骤104的一种实施方式可以为
[0059]
首先，在预训练神经网络模型之前，还需要通过情景信息依赖算法(cdp)，将数据
集转化为情景信号，具体过程为：
[0060]
情景信息依赖算法(cdp)。其包含两个部分：第一部分是编码模块，界定数据集中的情景信号和非情景信号，并直接将情景信号编码为一个随机控制信号；第二部分是调制模块，其使用编码模块输出的控制信号直接调整神经元权重并旋转输入信号在输入空间的表示，从而实现对神经网络模型的输入的调制。
[0061]
其次，向神经网络模型输入来流参数和外形特征参数，并计算神经网络模型的预测气动特性与cfd数值仿真结果值之间的差距；基于所述差距，采用反向传播算法和梯度下降思想，调整神经网络权重，直至神经网络模型的预测气动特性与cfd数值仿真结果值之间的差距小于理想值，从而得到预训练神经网络权重。
[0062]
在一实施例中，
[0063]
神经网络模型可以是cnn，vgg16，gan，resnet。
[0064]
在一实施例中，
[0065]
通过寻优算法设置合适的epoch次数，学习率，和激活函数，可以提高神经网络预测精度。
[0066]
步骤106、再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；
[0067]
需要说明的是，步骤106的一种实施方式可以为
[0068]
再次采集额外的飞行器数据是指，从额外的cfd数值仿真计算结果，额外的风洞试验结果和预训练神经网络模型使用过程中收集的飞行器数据，将上述数据构建为第二数据集。
[0069]
基于此，通过实时采集新的数据集，可使神经网络模型获取新的训练样本，使得神经网络模型可根据新数据集更新权重，获得新映射关系，提高神经网络模型的实用性。
[0070]
步骤108、基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；
[0071]
需要说明的是，步骤108的一种实施方式可以为
[0072]
基于所述第二数据集继续训练所述神经网络模型时，只在所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，使得新增神经网络权重不覆盖预训练神经网络权重，从而获得连续训练神经网络模型。
[0073]
在一实施例中，
[0074]
正交权重修改算法使得神经网络模型在新任务连续训练过程中，其权重只允许在与旧任务输入空间正交的方向上修改。所谓旧任务的输入空间，是指以往所有训练任务中神经网络各层的所有输入向量张成的空间。对于神经网络的每一层，都有这样的一个空间。这样的操作确保了新任务的权重更新不会干扰已经学到的任务。因为正交性意味着整个网络的权重增量几乎不会与旧的输入发生相互作用，因此在输入旧任务数据时，即便网络结构已发生变化，其输出几乎保存不变。在正交权重修改算法(owm)中，上述正交操作是用正交投影矩阵实现的。其定义为
[0075]
p＝i-a(a
t
a+αi)-1a[0076]
其中，a为特征向量，a
t
为特征向量的转置，i为单位矩阵，α为正交投影的正交程
度，若特征向量a个数大于其维数，则特征向量a可逆。
[0077]
基于此，常规的气动特性建模方法之所以只能适用于特定的研究问题，本质是由于其只能学习固定的输入输出映射关系。当给定新的输入输出之间的映射发生变化，原有模型便无法正确预测气动特性输出结果，因此需要重新针对新的映射关系建立模型。而一旦针对新的映射关系建立模型后，原有映射关系便会被新的映射关系覆盖，导致该模型又只能预测新问题的气动特性，忘记了旧问题的映射关系。
[0078]
类脑情景自适应方法通过正交权重修改算法(owm)算法和情景信息依赖算法(cdp)有效的解决了上述问题，使得模型在学习新的映射关系的同时可以保留旧的映射关系学习结果，从而实现模型的连续学习能力。owm算法可以保护模型在第一阶段学到的给定流动状态下飞行器与对应气动力之间的映射关系，从而使模型在学习后续样本中额外的流动状态下飞行器与对应气动力之间的映射关系时，之前的映射关系不会被覆盖。cdp模块能够根据输入的飞行器型以及流动状态选择其相对应的特征表示，从而找到其与气动力之间的映射关系。
[0079]
在一实施例中，
[0080]
通过述第二数据集继续训练神经网络模型，这过程并不是一次性，可以持续收集新的cfd数值仿真计算结果，新的风洞试验结果和神经网络模型使用过程中使用的飞行器数据，构建新的第二数据集，并通过新的第二数据集，对神经网络模型进行持续的训练，从而获得连续学习的神经网络模型。
[0081]
步骤110、获取飞行器实时来流参数和实时外形特征参数，基于所述连续训练神经网络模型进行飞行器气动性能预测。
[0082]
由此可知，将神经网络设计为具有连续学习能力的模型，该模型可替代费用高昂的风洞试验、计算耗时的cfd仿真模拟，实现飞行器气动性能的高效智能预测。并且与现有气动力建模方法相比，具备连续学习的能力，可有效解决现有气动外形设计约束多、要求高与计算量大、成本高之间的矛盾，缩短设计周期，实现飞行器气动外形设计的快速迭代。
[0083]
图2为本说明书一种连续学习的飞行器气动性能预测系统示意图，包括：
[0084]
步骤202、第一采集模块、采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；
[0085]
步骤204、预训练模块、基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；
[0086]
步骤206、第二采集模块、再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；
[0087]
步骤208、正交训练模块、基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；
[0088]
步骤210、预测模块、获取飞行器实时来流参数和实时外形特征参数，基于所述连续训练神经网络模型进行飞行器气动性能预测。
[0089]
可选的，第一采集模块具体用于：
[0090]
通过cfd数值仿真获取不同来流参数和不同外形特征参数下的气动特性；
[0091]
通过飞行器飞行的迎角、飞行器的来流马赫数和飞行器的雷诺数构建来流参数；
[0092]
通过飞行器的外形特征参数采用图片和/或数据的形式表示外形特征参数。
[0093]
可选的，预训练模块具体用于：
[0094]
通过情景信息依赖算法将对数据集进行编码，从而数据集中获取控制信号；
[0095]
基于控制信号调制神经网络模型；
[0096]
基于控制信号，第一数据集预训练神经网络模型得到预训练神经网络权重。
[0097]
可选的，正交训练模块具体用于：
[0098]
基于所述第二数据集继续训练所述神经网络模型时，只在所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，使得新增神经网络权重不覆盖预训练神经网络权重，从而获得连续训练神经网络模型；
[0099]
通过正交投影矩阵所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，具体公式如下：
[0100]
p＝i-a(a
t
a+αi)-1a[0101]
其中，a为特征向量，a
t
为特征向量的转置，i为单位矩阵，α为正交投影的正交程度，若特征向量a个数大于其维数，则特征向量a可逆。
[0102]
由此可知，将神经网络设计为具有连续学习能力的模型，该模型可替代费用高昂的风洞试验、计算耗时的cfd仿真模拟，实现飞行器气动性能的高效智能预测。并且与现有气动力建模方法相比，具备连续学习的能力，可有效解决现有气动外形设计约束多、要求高与计算量大、成本高之间的矛盾，缩短设计周期，实现飞行器气动外形设计的快速迭代。
[0103]
图3为本说明书一种连续学习的飞行器气动性能预测装置示意图，包括：
[0104]
处理器，以及
[0105]
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如下步骤：
[0106]
步骤1、采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；
[0107]
步骤2、基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；
[0108]
步骤3、再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；
[0109]
步骤4、基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；
[0110]
步骤5、获取飞行器实时来流参数和实时外形特征参数，基于所述神经网络模型进行飞行器气动性能预测。
[0111]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等均应包含在本技术的权利要求范围内。

技术特征：
1.一种连续学习的飞行器气动性能预测方法，其特征在于，包括：采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；获取飞行器实时来流参数和实时外形特征参数，基于所述连续训练神经网络模型进行飞行器气动性能预测。2.根据权利要求1所述方法，其特征在于，所述采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集之前，还包括：通过cfd数值仿真获取不同来流参数和不同外形特征参数下的气动特性。3.根据权利要求1所述的方法，其特征在于，所述来流参数，包括：飞行器飞行的迎角、飞行器的来流马赫数和飞行器的雷诺数。4.根据权利要求1所述的方法，其特征在于，所述外形特征参数，包括：飞行器的外形特征参数采用图片和/或数据的形式表示。5.根据权利要求1所述方法，其特征在于，所述基于所述数据集预训练神经网络模型得到预训练神经网络权重之前，还包括：通过情景信息依赖算法将对数据集进行编码，从而数据集中获取控制信号；基于控制信号调制神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述通过情景信息依赖算法将对数据集进行编码，从而数据集中获取控制信号，包括：界定所述数据集中的情景信号和非情景信号，并对情景信号进行编码；将情景信号的编码结果转化为控制信号。7.根据权利要求1所述的方法，其特征在于，所述基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型，包括：基于所述第二数据集继续训练所述神经网络模型时，只在所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，使得新增神经网络权重不覆盖预训练神经网络权重，从而获得连续训练神经网络模型。8.根据权利要求7所述的方法，其特征在于，通过正交投影矩阵所述预训练神经网络权重的空间正交方向上增加新的神经网络权重，具体公式如下：p＝i-a(a
t
a+αi)-1
a其中，a为特征向量，a
t
为特征向量的转置，i为单位矩阵，α为正交投影的正交程度，若特征向量a个数大于其维数，则特征向量a可逆。9.一种连续学习的飞行器气动性能预测系统，其特征在于，包括：第一采集模块、采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生
成第一数据集，所述第一数据集用于初步建立来流参数和外形特征参数与气动特性之间的映射关系；预训练模块、基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；第二采集模块、再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集，所述第二数据集用于建立来流参数和外形特征参数与气动特性之间的新映射关系；正交训练模块、基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；预测模块、获取飞行器实时来流参数和实时外形特征参数，基于所述神经网络模型进行飞行器气动性能预测。10.一种连续学习的飞行器气动性能预测装置，其特征在于，包括:处理器，以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的步骤。

技术总结
本说明书公开了一种连续学习的飞行器气动性能预测方法、系统和装置，涉及飞行器气动性能预测，包括：采集飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第一数据集；基于所述第一数据集预训练神经网络模型得到预训练神经网络权重；再次采集额外的飞行器在不同来流参数和不同外形特征参数下的气动特性，并生成第二数据集；基于正交权重修改算法，根据所述第二数据集继续训练所述神经网络模型，获得连续训练神经网络模型；获取飞行器实时来流参数和实时外形特征参数，基于所述连续训练神经网络模型进行飞行器气动性能预测。基于此，与现有气动力建模方法相比，具备连续学习的能力，可有效解决计算量大、成本高之间的矛盾。间的矛盾。间的矛盾。


技术研发人员：李静
受保护的技术使用者：中国长峰机电技术研究设计院
技术研发日：2023.05.24
技术公布日：2023/9/20