(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 202211394843.5 (22)申请日 2022.11.09 (71)申请人 中国航空工业 集团公司沈阳空气动 力研究所 地址 110000 辽宁省沈阳市皇姑区阳山路1 号 (72)发明人 王碧玲　刘博宇　沈力华　周灏　 李小刚　 (74)专利代理 机构 哈尔滨市伟晨专利代理事务 所(普通合伙) 23209 专利代理师 李晓敏 (51)Int.Cl. G06K 9/62(2022.01) G06N 7/00(2006.01) G06N 3/08(2006.01) (54)发明名称 一种具有鲁棒性的风洞天平校准载荷预测 方法 (57)摘要 本申请公开了一种具有鲁棒性的风洞天平 校准载荷预测方法， 属于航空航天气动力风洞试 验技术领域。 解决了现有预测方法无法规避异常 数据对天平静态校准的影响， 抗干扰能力低， 采 用求取模型系数的单一的预测模 型， 使得模型预 测精度存在局限性的问题。 技术要点： 采集与获 取加载数据， 对不同分量同一加载载荷下的数据 分别建立聚类中心， 自动判别隶属度低的数据， 并将其剔除掉； 预测载荷与实际载荷进行比对 得 到误差， 采用支持向量机、 贝叶斯回归、 Bp神经网 络对误差进行建模， 实现误差补偿， 获得组合优 化模型， 预测载荷F与实际载荷对比， 判断校准精 度， 针对不同的天平分量， 得到各天平分量天平 预测模型。 本申请提高了预测模 型的抗干扰能力 和鲁棒性。 权利要求书2页 说明书6页 附图2页 CN 115526276 A 2022.12.27 CN 115526276 A 1.一种具有鲁棒 性的风洞天平校准载荷预测方法， 其特 征在于， 包括： 步骤一， 采集与获取加载数据， 按照如 下数据格式进行分类提取校准加载数据： （ , ） ， 其中， ， ， 表示阻力分量， 表示升力 分量， 表示侧向力分量， 表示滚转力矩分量， 表示偏航力矩分量， 表示俯仰力 矩分量， 表示测量 得到原始电压数据， 表示组桥后每分量电压数据， 表示组桥 后每组电压数据； 对电压数据组桥， 获得输入值：    （公式一） 公式一中， 表示组桥后阻力分量电压数据， 表示组桥后升力分量电压数据， 表示组桥后侧向力分量电压数据， 表示组桥后滚转力矩分量电压数据， 表示组桥后偏航力矩分量电压数据， 表示组桥后俯仰力矩分量电压数据； 步骤二， 对不同天平分量同一加载载荷下的数据分别建立聚类中心， 自动判别隶属度 低的数据， 并剔除掉隶属度低的数据， 获得最小二乘法预测输入数据； 步骤三， 预测载荷与实际载荷进行比对得到误差， 采用支持向量机、 贝叶斯回归和Bp神 经网络对误差进行建模， 实现误差补偿， 从而获得组合优化模型； 步骤四， 验证时预测载荷F与实际载荷对比， 计算均方根， 选择均方根误差最优结果作 为最终结果， 判断校准精度； 步骤五， 针对不同的天平分量， 重复步骤一至步骤四， 最终得到各天平分量天平预测模 型。 2.根据权利要求1所述的一种具有鲁棒性的风洞天平校准载荷预测方法， 其特征在于， 所述步骤二， 具体步骤为： 输入数据：     （公式二） 公式二中， U是由n个数据点 的p个特征的值构成的矩阵， 矩阵元素作为权　利　要　求　书 1/2 页 2 CN 115526276 A 2输入的组桥电压数据中的电压值； 将n个数据点划分成两类， 为聚类中心集合， 表示划分数据 后的数据类的聚类中心， 表示数据点隶属 于 为中心的类别i的隶属度， 定义隶属度矩 阵 ， 隶属度矩阵表示的是每 个样本点属于每 个类的程度； 自动判别隶属度低的数据所使用的方法为模糊均值方法， 模糊均值的目标函数为：                 （公式三） 公式三中， 表示目标函数， m表示加权指数， 表示划分数据后的数据类的 中心， 迭代隶属度矩阵 W和聚类中心集合 V， 设置阈值 ， 用 表示迭代求解L轮 时的隶属度矩阵， 当   时， 最终的隶属度矩阵 W和聚类中心 V， 使得目 标函数 的值达到 最小， 即算法收敛时， 得到各类的聚类中心和各个样本对 于各类 的隶属度值， 完成模糊聚类划分； 根据最终的隶属度矩阵 W中元素的取值实现异常点的去 除， 获得最小二乘法预测的输入数据。 3.根据权利要求2所述的一种具有鲁棒性的风洞天平校准载荷预测方法， 其特征在于， 所述步骤三， 具体步骤为： 步骤3.1， 完成步骤二后进行组合模型的训练， 将步骤二获得的最小二乘法预测的输入 数据进行最小二乘法预测， 得到预测载荷值f， 通过实际载荷值， 求得最小二乘法预测结果 的误差值； 步骤3.2， 使用支持 向量机、 贝叶斯回归、 Bp神经网络智能算法， 以最小二乘法预测载荷 时的输入数据作为上述三种算法的输入， 步骤3.1所述的最小二乘法预测结果的误差值作 为上述三种算法输出， 分别训练误差补偿模型， 输出的误差值e， 在载荷 验证时， 验证时预测 载荷F=最小二乘法预测得到出的预测载荷值f+误差补偿模型输出的误差值e； 在本申请中， 由于应用了三种误差补偿的算法， 最小二乘法预测+三种误差补偿的算法形成了组合优化 模型， 对误差进行分析， 实现误差补偿， 对误差的直接 分析进一步增强了预测载荷的抗干扰 能力。权　利　要　求　书 2/2 页 3 CN 115526276 A 3