[发明专利]基于人工神经网络的飞机翼型优化设计方法

摘要

本发明属于机械设计技术领域，具体为一种基于人工神经网络的飞机翼型优化设计方法。本发明是在基于人工神经网络的翼型参数化反设计的基础上，进一步提出新型翼型优化方法，以此技术进行翼型数据库的扩充，增加设计人员的可利用技术资源。本发明通过分析研究参数化翼型数据的结构与人工神经网络的联系，寻找实现优化方向的手段；从理论和实验比较不同的学习关系对于人工神经网络的优化工作的影响，最终建构适合应用人工神经网络的翼型新型优化方法，使人工神经网络的智能化特点体现在满足更理想气动要求的翼型生成上。本发明将智能化地生成具备比原有的翼型更优良的气动性能的新翼型，形成设计工作的良性循环。

主权项

一种基于人工神经网络的飞机翼型优化设计方法，其特征在于具体步骤为：(1)首先，建立翼型参数化数据库采用PARSEC参数化方法描述飞机翼型，建立飞机翼型表达方式，即以11个Parsec参数：前缘半径rle、上/下翼面最大厚度xup和xlo、上/下翼面最大厚度对应位置zup和zlo、上/下翼面顶点曲率zxxup和zxxlo、后缘宽度△zte、后缘垂直高度zte、后缘楔角βte、后缘方向角αte模拟翼型几何状况，用6个气动性能参数：升力系数CL、阻力系数CD、力矩系数CM、巡航效率M(CL/CD)、摩擦阻力系数CDF、激波阻力系数CDW概括翼型气动性能；于是，上翼面和下翼面曲线参数化表达式为式(1)所示：an为多项式系数，对于上翼面，系数an由矩阵方程(2)给出：对于下翼面，系数an由矩阵方程(3)给出：获得拟合系数，便建立几何参数与实际翼型外形的联系；在PARSEC几何参数化方法的基础上，对翼型/机翼反设计以几何参数为优化对象；(2)对于建立的数据库进行分类分类方法采用SOM人工神经网络算法，进行SOM网络训练；SOM网络训练结束后，输出层各神经元与各输入模式类的特定关系就被完全确定，因此可用作模式分类器；当输入一个模式时，网络输出层代表该模式类的特定神经元将产生最大响应，从而将该输入自动归类；(3)建立训练相关的人工神经网络通过人工神经网络算法，深入地利用参数化翼型数据的结构与人工神经网络的联系；具体采用BP算法；BP算法的基本过程是，学习过程由信号的正向传播与误差的反向传播两个过程组成:正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层；若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段；误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据；这种信号正向传播与误差反向传播的各层权值调整过程，周而复始地进行；权值不断调整的过程，也就是网络的学习训练过程；此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止；其中，通过利用“固定步长”的概念寻找实现优化方向的手段，作为设置神经网络训练方式中输入端和输出端的配置依据；具体说明如下：针对一个翼型进行空气动力学分析时，对于一个给定的翼型，对其做一个确切的气动要求下的优化改进，这一系列的改进总是趋近于一个确定的外形，称其优化的“上限”；因此，优化前后的情形可以描述为：设计人员手中拥有的翼型中的性能与上限的距离是待定的；待优化的翼型和目标的翼型由事先指定，所以整个优化性扩充，作为一个翼型优化过程/结果，看成是待优化的翼型向目标翼型“学习”的过程/结果；每一类翼型中，假设优化过程中所使用的是一种“学习方法”，那么在一定的距离开外，该“学习方法”将不再适用，将该一定的距离作为“新上限”，这一“新上限”应该低于上一条所说的“上限”；以这里的“新上限”作为“上限”；如果优化的气动性能差的值过大使得优化目标超过了“上限”，那么置信度分析得到的关联度将会发生质变，不再适用；翼型优化的问题在于，如何实现高评价和低评价翼型之间的联系以便基于人工神经网络的飞机翼型优化设计方法获知；对于每一类翼型，由于几何相似的关系，几何数据对应气动数据的相关性一致；通过比较翼型实验数据的任意两个翼型的置信度便获得优化方向；在进行基于人工神经网络的飞机翼型优化设计方法的时候，人工神经网络起着计算置信度的作用；并且将数据进行归一化处理，以排除数量值大的参数在人工神经网络训练中对于其他参数的干扰；运用BP算法，输入集合数据，得到一个具备更佳气动特征的翼型的数据。