[发明专利]基于深度学习的应变天平温度梯度误差补偿方法及系统

说明书

本发明公开了一种基于深度学习的应变天平温度梯度误差补偿方法及系统，该方法通过在天平上布置温度传感器获取天平的温度数据以及温度梯度误差数据；然后根据天平温度梯度误差数据选取关键温度测点；最后建立深度置信网络DBN，设置初始参数，以关键温度测点的温度数据作为深度置信网络DBN的输入值，以温度梯度误差数据作为网络的输出值，进行深度置信网络DBN训练和温度梯度误差预测。本发明提出的方法，解决了天平温度梯度误差补偿方法精度不够高、鲁棒性及泛化能力不好的问题。通过选取出了天平上的关键温度测点，减少了温度传感器个数，降低了模型复杂程度；二是该温度梯度误差补偿方法预测精度高、鲁棒性和泛化能力较好。

技术领域

本发明涉及航空航天测力试验气动力测量技术领域，特别是一种基于深度学习的应变天平温度梯度误差补偿方法及系统。

背景技术

应变天平的温度效应可分为两个不同的领域，即温度变化导致天平上的等温温度条件和导致天平体温度梯度的变化。风洞试验中，这两种条件同时存在于不同的水平上。对于等温温度条件的热补偿，在应变计电桥的适当支桥上安装一段温度敏感线，以补偿温度对天平测量的影响，在物理补偿完成后，用数学模型对剩余等温温度影响进行补偿。这种补偿方法只适用于稳态等温温度变化，而不适用于稳态或瞬态温度梯度分布的情况。

此外天平上的温度梯度会在天平的各个部分产生应变，并且与外力作用产生的应变无法区分，其中对天平测量影响最大、最难解决的问题就是温度梯度引起的轴向力测量误差，影响天平测量精准度且不容易补偿修正。已有的研究是通过在天平上布置一定数量的温度传感器采集天平温度分布信息，然后采用数学模型的方法或遗传算法对数据进行处理来对温度梯度误差进行补偿，但该方法的鲁棒性和泛化能力较差。

目前的温度梯度误差补偿技术都不能完全补偿对轴向力测量的任何梯度剖面或幅度的影响，残余温度梯度效应目前还没有得到补偿，直接影响到风洞试验的效率和数据质量。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的应变天平温度梯度误差补偿方法及系统，该方法采用建立DBN网络预测模型进行天平温度梯度误差预测补偿，具有较好的鲁棒性和泛化能力。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于深度学习的应变天平温度梯度误差补偿方法，包括以下步骤：

通过在天平上布置温度传感器获取天平的温度数据；

通过天平测量元件上粘贴的应变计组成的电桥获得温度梯度误差数据；

根据天平温度数据及温度梯度误差数据选取关键温度测点；

建立深度置信网络DBN，设置初始参数，以关键温度测点的温度数据作为深度置信网络DBN的输入值，以温度梯度误差数据作为网络的输出值，进行深度置信网络DBN训练和温度梯度误差预测。

进一步，所述温度梯度误差数据是通过应变计电桥获得的。

进一步，所述关键温度测点是通过以下步骤来实现：

初始化参数后对温度数据进行减法聚类分析，得到初始聚类数及初始聚类中心；

将减法聚类得到的初始数据作为模糊C均值聚类算法的初始参数，进行聚类分析，得到温度数据的模糊划分矩阵，完成温度测点的分类；

计算温度测点与温度梯度误差之间的相关性，选出天平的关键温度测点。

进一步，所述深度置信网络DBN训练是按照以下步骤进行的：

确定DBN网络的结构和参数；

将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出，进行受限的玻尔兹曼机无监督预训练；