基于人工神經網絡的風洞動態測壓試驗結果預測

劉苗鑫，雷 杰，原正庭

（中國飛行試驗研究院，西安 710000）

機翼的動態失速是一種強烈的非線性、非定常空氣動力效應，是一個振蕩（或做其他非定常運動）過程中壓力面在超過其臨界迎角時繞流流場發生非定常分離和失速的現象[1]，為了充分了解機翼的動態特性，需要進行風洞的動態測壓試驗，但由于動態測壓試驗中試驗狀態組合眾多，包括迎角、側滑角、舵偏角等等，無法對每一個試驗狀態進行吹風試驗，并且由于試驗結果數據與飛行器氣動外形、試驗工況（迎角、偏航角、舵偏角等）之間存在著復雜的非線性關系，無法通過已測工況的試驗結果按照數學理論推導出未測工況的結果。

近年來，人工智能和機器學習的高速發展為風洞動態測壓試驗帶來了新的發展方向。BP 人工神經網絡，也稱為反向傳播網絡，可以通過反向傳播算法高效可靠地進行數據的訓練及挖掘，其最大的特點是可以不涉及非線性函數的具體性質，只要有足夠訓練樣本進行相關訓練即可預測所需試驗工況的相關數據。單潮龍等[2]研究了BP 人工神經網絡的應用及其實現技術；通過利用BP 人工神經網絡工具，曹為午等[3]實現了其在滑行艇阻力的估算；曹靜等[4]實現了對基坑變形預測的應用；徐黎明等[5]實現了對泥石流平均流速的預測；許揚等[6]實現了對氣熱除冰溫度影響因素研究；王彩玲等[7]實現了對水體生化需氧量的估算。

由此可見，BP 人工神經網絡已經廣泛應用于多種領域，因此基于BP 人工神經網絡處理非線性數據的特點，本文將采用BP 神經網絡對風洞機翼動態測壓試驗結果進行預測與估算。

1 試驗模型與設備

1.1 試驗模型

圖1 是試驗模型的示意圖，圖中A-A是傳感器安裝截面，與來流平行。

圖1 試驗模型的示意圖

1.2 動態測壓傳感器

采用美國kulite 標準小型XCQ-093 動態壓力傳感器，直徑2.4 mm，長度9.5 mm，量程2 psid 和5 psid，精度0.1%，固有頻率150 kHz。

1.3 動態傳感器安裝位置

在模型的不同位置安裝動態壓傳感器以測量此處的壓力脈動值，傳感器的安裝截面及安裝站位（1—8號傳感器）如圖2 所示。

圖2 傳感器的安裝情況示意圖

1.4 數據采集系統

動態壓力由Aglient VXI 并行數據采集系統完成。系統共48 個通道，16 位A/D，最高采樣速率100 kHz。為滿足試驗要求，本次試驗采樣速率設定為5 000 Hz，濾波頻率1 000 Hz，采樣時長10 s[8]。

2 試驗工況

試驗在某低速風洞進行，來流風速50 m/s。模型狀態：①迎角0°、3°、6°；②偏航角-20°、-16°、-12°、-8°、-4°、0°、4°、8°、12°、16°和20°；③舵偏角0°、5°、10°、15°、20°和-25°，因此總的組合狀態為3×11×6＝198 個。

3 BP 神經網絡的建立與預測

3.1 BP 網絡參數設置

3.1.1 確定相關函數

訓練函數：trainlm。

傳輸函數：tansig。

仿真函數：sim。

歸一化函數：premnmx，postmnmx。

3.1.2 確定BP 神經網絡的結構

本文的BP 神經網絡采用了2 層隱含層，其中2 個隱含層的節點均為10 個，輸入層節點數為3 個，輸出層節點數為2 個。

3.1.3 確定訓練樣本與測試樣本

從198 個試驗狀態中選出180 個作為訓練樣本，其余18 個作為測試樣本。

3.1.4 確定輸入向量與輸出向量

輸入向量為180 組3 維向量[x，y，z]，代表了180個訓練樣本，其中x 為迎角；y 為舵偏角；z 為側滑角。輸出向量為2 維向量[m，r]，其中m 表示壓力平均值，r表示壓力標準差。

3.1.5 設定訓練的參數

訓練誤差目標為10-7；系統學習參數為0.04；系統訓練步長為500。訓練的總誤差平方△E的收斂曲線如圖3所示[9-11]。

圖3 總平均誤差△E 的收斂曲線

3.2 BP 神經網絡對動態壓力值的預測

將BP 網絡預測的18 組結果與原試驗結果進行對比，圖4 是壓力標準差的對比結果，圖5 是壓力平均值的對比結果。

圖4 壓力標準差的預測結果與試驗結果的比較

圖5 壓力平均值的預測結果與試驗結果的比較

通過計算預測結果與試驗結果的相對誤差，均基本保持小于±5%。結果表明：BP 神經網絡對壓力值的預測結果誤差較小，能夠通過有限數據進行壓力值的預測。

3.3 BP 神經網絡對波動值的預測

波動度指在某個試驗狀態下，標準差除以平均值的百分比結果，即

以此來表示此處的氣流分離程度，數值越大表明波動度越強，氣流分離程度越大。選擇試驗工況為迎角0°，舵偏角0°，偏航角從-20°到20°，1—8 號傳感器的波動度的試驗結果，見表1。

表1 傳感器的波動度

其中，1—4 號傳感器波動曲線如圖6 所示，5—8號傳感器波動曲線如圖7 所示。

圖6 1—4 號傳感器的波動曲線圖

圖7 5—8 號傳感器的波動曲線圖

由表1 的數據與圖6、圖7 給出的波動曲線圖可以看出，1—4 號傳感器在偏航16°到20°之間波動度發生突變，流動產生分離；5—8 號傳感器在偏航-16°到-20°之間波動度發生突變，流動產生分離。但因為試驗資源限制，導致偏航角間隔設置較大，無法準確確定分離發生在哪一角度，此處用BP 人工神經網絡對分離區（即1—4 號傳感器的16°到20°，5—8 號傳感器的-16°到-20°）的情況進行預測。

同3.1 參數設置過程一樣，先確定網絡輸出量與輸入量及各個參數，其次進行人工神經網絡訓練，最后用訓練好的網絡預測分離區內每隔1°的波動值結果，預測的波動度結果見表2、表3，預測的波動值曲線如圖8、圖9 所示。

表2 1—4 號傳感器的預測結果

表3 5—8 號傳感器的預測結果

圖8 1—4 號傳感器預測波動曲線圖

圖9 5—8 號傳感器預測波動曲線圖

通過表2、表3 與圖8、圖9 中的預測波動值可以看出，1—4 號傳感器在16°到17°波動曲線斜率增大，波動度變大，此處流動已經開始分離，同理，5—8 號傳感器在-17°到-18°波動曲線斜率增大，波動度變大，此處流動已經開始分離。且在同一角度下，位置越靠前緣的傳感器波動度越小，波動曲線斜率變化越小；對同一傳感器，隨著角度的增大，波動度逐漸增加，波動曲線斜率變化越大。上述預測結果與實際理論是相對吻合的，因此BP 神經網絡在細化試驗工況來預測氣流分離的波動度上，能夠提供相對準確的數據支持。

4 結論

通過本文研究，可以得到以下結論。

1）針對風洞試驗動態測壓數據的非線性，采用BP人工神經網絡算法對180 組試驗結果進行訓練，并用18 組樣本進行預測對比，將預測結果與實際結果進行對比發現，BP 神經網絡可以有效地對動態測量的壓力值及波動值進行預測，結果誤差小。

2）在有限的試驗數據下，BP 神經網絡對大的分離流動的預測較為準確，通過預測分離區內的壓力值及波動度，能夠更加清楚地得到氣流分離具體發生的角度，可以為得到機翼的動態性能參數并了解動態失速的特點提供全面、可靠的預測數據。