基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

基于神经网络的航空发动机进口总压畸变重构研究

为建立适用于畸变容限控制技术的航空发动机进气总压畸变估算方法,采用基于神经网络方法,以飞机试飞测量数据为基础,分别开展了发动机进口总压流场和稳态周向畸变指数重构方法研究。以壁面静压、发动机进口面中心点总压以及攻角、侧滑角数据分别构建了三种不同输入参数组合的神经网络模型,并对比分析了各模型的重构精度和适用性。结果表明:采用神经网络方法可以较好地建立壁面静压、飞行参数与发动机进口总压分布和稳态周向畸变指数的映射模型;以壁面静压、发动机进口面中心总压、攻角和侧滑角为输入的神经网络模型,对于总压流场重构和稳态周向畸变指数重构都具有最佳的重构精度;采用先重构流场总压分布再计算稳态周向畸变指数的间接方法相对于直接重构稳态周向畸变指数的方法具有更高的重构准确性;对于与建模飞机具有相同进气道结构和布局的飞机,训练完成的神经网络模型对总压流场重构具有一定的适应性,对稳态周向畸变指数重构适用性差。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

超燃冲压发动机燃烧室流场超分辨率重建

超声速燃烧室受限空间内复杂流场波系结构的获取受到光学测量装置精度的制约。为提升流场时空分辨率特征，本文应用中国空气动力研究与发展中心地面脉冲燃烧风洞获取的试验数据，在发动机入口马赫数2.5的条件下，构建了6种不同当量比下基于压力数据重构的燃烧室流场低分辨率图像数据集，研究了三种提高图像分辨率的方法来提升超燃冲压发动机燃烧室流场重构图像的分辨率。结果表明，本文所提出的流场超分辨率稠密网络（Flow-field Super-Resolution Dense Network, FSRDN）、流场超分辨率生成对抗网络（Flow-field Super-Resolution Generative Adversarial Network, FSRGAN）、传统的双三次插值法（Bicubic interpolation,Bicubic）对流场图像分辨率都提高了42倍。FSRDN网络所得流场图像结果的峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）、相关性系数（Correlation coefficient,CORR）、感知指数（Perceptual Index,PI）指标...     

基于卷积神经网络的图像识别综述

随着工业化进程的迅猛发展，产生了大量的图像信息，传统的图像识别技术难以处理如此庞大的图像数据以及满足速度和精度上的要求，大数据及深度学习技术应运而生，基于卷积神经网络的图像识别方法成为目前图像识别的主流算法。文中首先介绍了传统图像识别技术及存在的问题，引入了卷积神经网络的深度学习方法，重点说明了卷积网络中间层的结构和特点，然后介绍图像识别中经典的卷积神经网络模型及相互间的区别，最后简要综述卷积神经网络在图像识别中的应用，指出了有监督的卷积网络学习缺点及无监督学习的研究方向。     

基于压缩感知的高频响流场重构方法及其应用

粒子图像测速（PIV）方法具有高空间分辨率的优势,但是往往受到采样频率的限制（一般在15 Hz以下）,难以完成高频响测量。压缩感知（CS）能够基于稀疏采样数据获得高频信息,但如果直接应用于所有的数据点则计算量过大。基于亚采样（sub-Nyquist）PIV数据,本文提出了基于压缩感知和本征正交分解（POD）的高频响流场重构方法。首先采用POD对数据降维,同时获取空间模态和相应的亚采样时间系数,将亚采样时间系数作为观测值,选取适当的稀疏基,通过求解基追踪问题来计算高频响的模态系数。结合空间模态和所得到的时间分辨模态系数,可以重构高频响的非定常流场。利用该方法分别对周期性的振荡器流场和非周期性的不同直径圆柱流场进行重构,检测该方法的适应性。结果表明,压缩感知方法无需侵入式的辅助测量,可以为周期性流场提供准确的重构,重构误差低于3%,而对于非周期性复杂流场,则出现较大的高频噪声。因此,本文所提出的方法可以应用到周期性流场中以提高测量数据的时间分辨率。     

基于深度学习的PIV流场图像修复技术

粒子图像测速技术（PIV）是空天动力装置研究中常用的流场测试方法。但对具有复杂流动特征的燃烧室,通过传统互相关算法处理得到的流场结果往往具有一定缺陷。本文将深度学习应用于PIV后处理中,以实现流场数据的异常检测和修复。在甲烷预混对冲火焰数据集上,将异常划分为两种类型,并搭建U-Net卷积神经网络架构。经过训练和优化,模型以较高置信水平识别两类异常并使用不同策略自适应修复,过滤噪声并保留原始正常数据。同时模型具有较好的可迁移性,可以为其它种类的流场数据修复提供参考。与POD迭代法和中值滤波相比,神经网络强大的非线性特征具有明显的优势,这种方法不仅修复率高,而且在不同工况下鲁棒性好。     

耦合POD重构舰面流场的直升机舰面起降数值模拟

为解决舰面非定常流场数据量过大的问题,采用本征正交分解(POD)方法对舰面流场进行重构,发展了一种耦合POD重构流场的直升机舰面起降数值模拟方法。首先采用计算流体力学(CFD)方法计算舰面非定常流场,获得离散数据样本;然后提取流场的POD模态,并截取能够捕捉到原流场主要特征的少量模态对原流场进行重构;最后建立耦合重构舰面流场的直升机高阶飞行动力学模型。以直升机返航进场为例进行数值模拟,并将计算得到的操纵量和飞行状态与飞行试验结果进行对比。结果表明:使用POD方法重构后的舰面流场数据约为原始样本数据的8.5%,且重构流场与原始流场吻合良好,POD方法能够解决舰面非定常流场数据量过大的问题。与飞行试验数据的对比表明,本文方法捕捉到了舰面非定常流场对直升机的影响,可用于直升机舰面起降研究。     

基于深度神经网络的含运动边界非定常流场预测方法研究

针对飞行器设计过程中对流固耦合系统快速预测的需求,探索基于数据驱动的非定常流场建模策略,缩短流场演化求解耗时,从而加快流固耦合系统模拟速度。流固耦合系统中流场演化求解部分等价于含运动边界的非定常流场演化。本文提出了一种基于神经网络的流场预测模型,来学习并预测运动边界附近的非定常流场演化过程。此神经网络可以基于当前流场状态及边界运动信息预测出下一个时刻的流场状态。通过不同振动频率及振幅下的运动圆柱绕流问题,测试了本文提出的神经网络模型的预测精度及泛化能力。神经网络的预测结果和计算流体力学仿真结果中流场结构吻合度较高,且通过对预测的流场数据中边界上的压力积分得到的气动力也具有较高的精度。测试结果展示了该神经网络模型具有良好的预测性能,因此该方法可以用于快速、准确获得运动边界周围非定常流场状态。     

基于深度学习的非定常周期性流动预测方法

为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

基于特征正交分解的跨声速流场重构和翼型反设计方法研究

在二维流场的重构问题中应用特征正交分解(Proper Orthogonal Decomposition,POD)数据处理方法。利用CFD技术计算得到的流场快照对气动力模型进行降阶,然后利用基于POD的降阶模型(Reduced Order Model,ROM)对所需的流场参数进行重构,在快照范围内可以得到高精度的结果,且具有一定的外插能力。在翼型反设计问题中该方法仍然是成功的,通过修正快照向量,利用基于POD降阶模型的数据重构方法,由已知的翼型表面压力分布通过反设计就能够高效精确地得到对应的最优翼型形状,这极大地简化了翼型反设计问题。本文分别在跨声速范围对RAE 2822翼型的流场重构和Korn翼型及NACA 63212翼型的反设计进行了验证,证明了基于POD的流场重构和翼型反设计方法的有效性和高效性。     

基于神经网络的超机动飞机自适应重构控制

 讨论了一种基于神经网络的超机动飞机直接自适应重构控制方法。飞机的基本控制律采用非线性动态逆方法设计,对于模型不准确和舵面故障等因素导致的逆误差采用神经网络进行在线补偿。通过仿真表明,在飞机发生舵面故障时,神经网络通过自适应地补偿逆误差,可以快速在线重构控制律,保持飞机稳定和一定的操纵品质。     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法，首先回顾了图像分类技术的发展历程，接着介绍了图像识别技术中的分类器，并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用，详细阐述了多种图像分类技术，具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时，对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后，从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

受限空间欠采样条件下航空发动机关键截面流场重构方法研究进展

由于受整机环境下几何特征对探针位置的限制以及3维流动等因素影响，通过有限的测点数据准确获取整机关键测试 截面参数非常困难。为解决这一难题，综合关键截面流场重构项目的研究成果，针对航空发动机内强3维、强不均匀流场，介绍了 一种受限空间欠采样条件下航空发动机复杂流场重构技术。基于航空发动机内流场近周期分布的特征，利用离散的探针数据通 过“多波束近似”的方法来精确重构发动机内部的周向流场。相关技术在重构多级压气机出口截面总压分布、燃烧室出口热斑分 布、高压涡轮出口截面总温分布的测试中进行了初步试验验证，结果表明：重构结果与真实试验结果的误差分别小于0.1%、0.5%、 0.3%。与传统均布或等节距探针布局方案及均值数据处理方法相比，采用新的探针布局方案及流场重构方法可以实现航空发动 机压气机出口总压场、燃烧室及高压涡轮出口总温场的精确重构。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题，气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法，采用深度神经网络直接逼近流场偏微分方程的解，因此适用于气动数据的建模。然而训练PINN时，损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差，对于复杂的非线性偏微分方程，这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差，而且用神经网络拟合初始条件和边界条件时，不可避免存在拟合误差，误差随空间和时间累计，这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题，本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合，在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差，从而提高了神经网络的建模精度。根据CFD仿真时使用的模型，融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。     

超燃冲压发动机燃烧流场纹影图像无监督分割方法

超燃冲压发动机燃烧室流场纹影图像常存在大量噪声信号,如何高效、准确提取燃烧流场图像的主要波系结构成为当前亟需探索的问题。以超燃冲压发动机燃烧室内冷流到氢燃料点火阶段流场为研究对象,基于深度神经网络方法,发展一种燃烧室内流场的关键波系结构快速识别方法。首先,采用基于图论的超像素分割方法对纹影图像进行聚类分割,为语义信息明显相同区域分配伪标签;其次,设计了一种全卷积特征提取神经网络,并使用残差结构对各个通道进行加权,提取纹影图像高级语义特征;最后,使用交叉熵目标函数优化网络模型,并通过阈值滤波操作去除噪声像素点,提升语义分割效果。结果表明：与K-means及自适应高斯阈值方法相比,本文提出方法在准确率、召回率、F1分数和交并比指标性能明显是最优的,能够准确完成燃烧流场纹影图像语义分割任务,可以更加清晰地反应流场内的主要波系和剪切层结构     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于神经网络的翼盒结构响应重构方法应用

翼盒结构复杂，航行中承载条件恶劣，利用有限测点信息重构其它位置响应对于实时健康监测具有很强的现实意义。通过误差反向传播神经网络训练得到响应之间的非线性关系，建立基于神经网络的响应重构方法，开展有限元分析对其进行数值仿真验证，并将该方法应用于实测随机激励环境下翼盒典型承力结构的响应重构及损伤定位与判断分析。结果表明：采用该方法重构出的预测响应功率谱密度的均方根相对误差不超过1.90 dB，主要频点误差小于10%；判断出翼盒关键测点e 的损伤或故障发生在所截取片段数据3 s 后，其故障特征频率为240 Hz 左右，该方法应用于响应重构预示及健康监测分析具有可行性。     

基于模糊模型的鲁棒自适应重构飞行控制

提出了一种基于模糊模型的歼击机鲁棒自适应重构控制方案。整个控制方案基于T S模糊模型,将歼击机各飞行状态的局部线性调节器与鲁棒自适应神经网络重构控制器相结合,避免了传统的增益预置方法中控制律在不同工作点之间切换造成的参数突变对系统性能的影响,可以保证系统在全局上拥有局部工作点具有的期望性能,证明了重构系统的全局闭环渐近稳定性。所提出的带有补偿项的完全自适应RBF神经网络,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,同时通过自适应补偿项来在线估计神经网络的近似误差边界,可以有效地在线修正建模误差、外扰及操纵面故障等因素的影响,保证系统的操纵品质。仿真结果表明了所提出方法的有效性。