(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210561316.2 (22)申请日 2022.05.23 (71)申请人 中国航空工业 集团公司哈尔滨空气 动力研究所 地址 150001 黑龙江省哈尔滨市南岗区一 曼街2号 (72)发明人 刘博雅　王建锋　刘明远　谭浩　 刘实　 (74)专利代理 机构 哈尔滨市哈科专利事务所有 限责任公司 23101 专利代理师 孟策 (51)Int.Cl. G01M 9/08(2006.01) G01M 9/06(2006.01) G06F 30/23(2020.01)G06F 30/15(2020.01) (54)发明名称 基于机器学习的风洞测力试验数据智能诊 断与分析方法 (57)摘要 本发明公开一种基于机器学习的风洞测力 试验数据智能诊断与分析方法， 属于空气动力学 领域。 用于在大型低速风洞测力试验试验进行 前， 中， 后三个阶段对试验数据进行结果预测、 异 常预警等智能化辅助分析。 方法是将适配于风洞 测力试验的若干种算法进行 组合， 由其自行对比 内部每种算法的拟合度和误差评价指标， 挑选适 配于当前试验 数据的最优算法， 进而为气动试验 的可靠性和稳定性提供智能化的技术辅助分析。 本发明能够为大型低速风洞测力试验的六元力 系数进行精 准预测与分析， 为大型低速风洞气动 试验的可靠性和稳定性提供智能化的技术辅助 分析手段。 权利要求书2页 说明书4页 附图2页 CN 114754973 A 2022.07.15 CN 114754973 A 1.一种基于机器学习的风洞测力试验数据智能诊断与分析方法， 其特征在于， 方法包 括如下步骤： 步骤一： 根据大型低速风洞测力试验气动特性， 辨识出影响模型六元力系数的全部特 征变量， 并提取 大量的风洞试验历史数据， 并对数据进行 数据处理作为算法的训练数据； 步骤二： 利用处理后的历史数据建立基于机器学习的深度 学习算法的大型低速风洞试 验的预测学习机； 步骤三： 利用所述的预测学习机对风洞试验结果进行结果预测、 异常预警的智能化分 析。 2.根据权利要求1所述的一种基于机器学习的风洞测力试验数据智能分析与预警方 法， 其特征是， 步骤(1)具体如下： 根据大型低速风洞测力试验的气动特性， 对试验参数进 行 辨识， 确定迎角、 侧滑角、 副翼、 襟翼、 缝翼、 平尾、 升降舵、 方向舵为算法的输入特征， 模 型的 升力、 阻力、 俯仰力矩、 侧力、 偏航力矩以及滚转力矩的六元力系数作为预测学习机的输出 特征， 根据辨识出的算法输入和输出变量， 从试验历史数据库中获取预测学习机训练数据， 对获取的历史训练数据集进行数据处理的操作， 并将训练数据按输入和输出划分并合成训 练用数据集， 采用数据标准 化分析对所需数据进行 预处理， 公式如下： 式中： 表示第k个样本在n维数据标准化下的生产参 数， 表示第k个样本按时间序列 排列n维元数据， K为数据集个数， N为样 本数量； 然后对数据处理数据进 行数据清洗， 包括缺 失值处理和异常值处 理。 3.根据权利要求2所述的一种基于机器学习的风洞测力试验数据智能分析与预警方 法， 其特征是， 步骤(2)具体如下： 选择支持向量机、 Lasso回归、 高斯过程回归、 岭回归和深 度神经网络， 这 五种机器学习算法， 建立预测学习机； 利用处理好的数据对预测学习机中的 算法进行训练， 在进 行算法训练 时， 预测学习机形成五种不同的算法模型； 采用均方差作为 误差评价指标， 公式如下： 式中： i为训练样本标签， n为训练样本实例个数， yi为训练集输出值， xij为训练集输入 值， βj为回归系数， p为训练集特 征个数； 选择拟合度作为 算法输出的拟合度评价指标， 公式如下： 式中： ESS为回归平方和， TSS为总 离差平方和， 为算法预测输出， 为训练样本均值， yi为训练样本； 将预测学习机输出的五组拟合度和均方差评价指标排序， 由学习机自主评 判拟合度、 均方根误差这一统计学指标， 择优选择拟合度最高、 误差最小的算法作为最 终预权　利　要　求　书 1/2 页 2 CN 114754973 A 2测算法。 4.根据权利要求3所述的一种基于机器学习的风洞测力试验数据智能分析与预警方 法， 其特征在于， 步骤(3)具体如下： 将实时采集辨识出的算法输入数据， 输送到预测学习机 中进行实时预测运算， 将预测学习机实时预测 值与传感器真实采集值相比， 当出现误差允 许范围以外的差值时， 系统触发 故障预警。权　利　要　求　书 2/2 页 3 CN 114754973 A 3