王文正鄭鹍鵬陳 功何開鋒

(1.中國空氣動力研究與發(fā)展中心空氣動力學(xué)國家重點實驗室,四川綿陽 621000; 2.洛陽光電技術(shù)發(fā)展中心,河南洛陽 471009)

數(shù)據(jù)挖掘技術(shù)在飛行試驗數(shù)據(jù)分析和氣動參數(shù)辨識中的應(yīng)用研究

王文正1,鄭鹍鵬2,陳 功1,*,何開鋒1

(1.中國空氣動力研究與發(fā)展中心空氣動力學(xué)國家重點實驗室,四川綿陽 621000; 2.洛陽光電技術(shù)發(fā)展中心,河南洛陽 471009)

為了檢驗飛行試驗辨識結(jié)果的可信度,首次將數(shù)據(jù)挖掘技術(shù)用于飛行試驗數(shù)據(jù)的分析和氣動參數(shù)辨識,初步解決了試驗數(shù)據(jù)有限、數(shù)據(jù)信息含量差別較大給聚類、分類、回歸等分析處理帶來的問題;提出了利用不同時間段、不同飛行批次的飛行數(shù)據(jù)在劃分區(qū)間的氣動特性分布來檢驗辨識結(jié)果可信度的方法;以某飛行器為對象,利用數(shù)據(jù)挖掘技術(shù),建立了基于飛行試驗數(shù)據(jù)的氣動力數(shù)學(xué)模型,檢驗了辨識結(jié)果的一致性和可信度,并與地面試驗結(jié)果進行了比較分析,給出了地面試驗預(yù)測誤差。多批次飛行試驗數(shù)據(jù)的整體辨識結(jié)果表明,所發(fā)展的方法是可行和有效的。該項研究為驗證辨識結(jié)果的可信度、建立基于飛行試驗數(shù)據(jù)的氣動模型提供了新的途徑,并可應(yīng)用于CFD和風(fēng)洞試驗的驗證與確認。

數(shù)據(jù)挖掘;飛行試驗;氣動參數(shù)辨識;風(fēng)洞試驗;氣動建模

0 引 言

隨著電子技術(shù)、計算機技術(shù)、通信技術(shù)等先進技術(shù)的發(fā)展,實際工程中會采集到海量的業(yè)務(wù)數(shù)據(jù)。數(shù)據(jù)挖掘技術(shù)作為一項新的知識獲取技術(shù),在故障診斷、生產(chǎn)優(yōu)化、豐富知識庫、決策支持等工程領(lǐng)域有著廣泛的應(yīng)用[1-3]。數(shù)據(jù)挖掘技術(shù)在航空航天領(lǐng)域也開始應(yīng)用。已經(jīng)建立一些用于航空航天領(lǐng)域的數(shù)據(jù)挖掘工具[4],在結(jié)構(gòu)模態(tài)分析[5]和飛行安全分析[6]中得到初步應(yīng)用。在氣動研究領(lǐng)域中,數(shù)據(jù)挖掘已應(yīng)用于氣動優(yōu)化設(shè)計[7]、流場分析[8]等方面。但數(shù)據(jù)挖掘技術(shù)用于飛行試驗數(shù)據(jù)分析、基于飛行試驗數(shù)據(jù)的氣動建模和氣動參數(shù)辨識結(jié)果可信度的確認等方面,還未見報道。

現(xiàn)有的氣動建模和氣動參數(shù)辨識方法主要存在以下兩類問題:

(1)基于飛行試驗數(shù)據(jù)的建模問題?，F(xiàn)有氣動建模主要基于計算或者風(fēng)洞試驗數(shù)據(jù)[9-11]。由于飛行試驗數(shù)據(jù)有限、氣動力隨飛行參數(shù)變化的非線性較強,采用常規(guī)方法建立基于飛行試驗數(shù)據(jù)的氣動數(shù)學(xué)模型難度較大。

(2)飛行試驗數(shù)據(jù)辨識結(jié)果可信度的確認問題。由于數(shù)值模擬理論和方法以及風(fēng)洞試驗技術(shù)的局限,氣動力的地面預(yù)測結(jié)果還需要飛行試驗驗證。在飛行試驗中,氣動力不能直接測量,需要通過飛行試驗數(shù)據(jù)對氣動力進行辨識[12-15]。但由于飛行試驗數(shù)據(jù)存在測量誤差以及氣動參數(shù)辨識存在方法誤差等原因,使得氣動參數(shù)辨識結(jié)果存在不確定性,當辨識結(jié)果與地面預(yù)測結(jié)果不一致時,二者不能互相確認,辨識結(jié)果與地面預(yù)測結(jié)果的可信度都不能判斷。

為此,進行了數(shù)據(jù)挖掘技術(shù)在飛行試驗數(shù)據(jù)分析和氣動參數(shù)辨識中的應(yīng)用研究。初步解決了數(shù)據(jù)挖掘技術(shù)應(yīng)用于飛行試驗數(shù)據(jù)處理分析中存在的部分問題,提出了利用不同時間段、不同飛行批次的飛行數(shù)據(jù)在某一劃分區(qū)間的氣動特性分布來檢驗辨識結(jié)果可信度的方法,完成了對多次飛行試驗數(shù)據(jù)的整體辨識和對辨識結(jié)果的確認,初步建立了基于飛行試驗數(shù)據(jù)的氣動模型,為挖掘氣動特性規(guī)律、開展氣動特性的天地換算提供了可行的思路。

1 數(shù)據(jù)挖掘方法

1.1 數(shù)據(jù)挖掘定義

數(shù)據(jù)挖掘,也稱從數(shù)據(jù)庫中發(fā)現(xiàn)知識(Knowledge Discovery in Database,簡稱KDD),它是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中,提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數(shù)據(jù)挖掘要解決的問題就是在龐大的數(shù)據(jù)中尋找有價值的隱藏信息,加以分析,并將這些有意義的信息歸納成結(jié)構(gòu)模式,以深化對數(shù)據(jù)的理解或預(yù)測未知數(shù)據(jù)。數(shù)據(jù)挖掘可以獲得以下知識:

概念知識:概念知識指類別特征的概括性描述;

關(guān)聯(lián)知識:反映一個事件和其他事件之間依賴或關(guān)聯(lián)的知識;

分類知識:它反映同類事物共同性質(zhì)的特征型知識和不向事物之間的差異型特征知識;

預(yù)測型知識:由歷史和當前的數(shù)據(jù)推測未來的數(shù)據(jù);

偏差型知識:是對差異和極端特例的描述。

1.2 數(shù)據(jù)挖掘方法

當前流行的數(shù)據(jù)挖掘方法或技術(shù)可分為以下七大類:

信息論方法(決策樹方法):利用信息論的原理建立決策樹;

聚類方法:按照樣本之間的距離進行分類;

統(tǒng)計分析方法:利用統(tǒng)計學(xué)原理分析;

仿生物技術(shù):包括神經(jīng)網(wǎng)絡(luò)方法和遺傳算法;

可視化技術(shù):對傳統(tǒng)的圖表功能進行拓展;

模糊數(shù)學(xué)方法;

其他方法:如邏輯回歸和關(guān)聯(lián)規(guī)則方法等。

1.3 數(shù)據(jù)挖掘流程

數(shù)據(jù)挖掘的一般流程見圖1,其中預(yù)處理包括數(shù)據(jù)清理、壓縮、變換等,并將原始數(shù)據(jù)轉(zhuǎn)化為挖掘算法所接受的操作數(shù)據(jù)類型;挖掘提取是采用合理的分析模型及挖掘算法,從數(shù)據(jù)中提取出有意義的結(jié)構(gòu)模式(規(guī)則、模型等);后處理包括對結(jié)果的分析及評價,并將挖掘算法結(jié)果轉(zhuǎn)化為知識。

圖1 數(shù)據(jù)挖掘通用流程Fig.1 General flow of data mining

2 在飛行試驗數(shù)據(jù)分析和氣動參數(shù)辨識中的應(yīng)用研究

某飛行器在一段時間先后進行了幾十次飛行試驗,以其中15次飛行試驗為例,對數(shù)據(jù)挖掘技術(shù)在飛行試驗數(shù)據(jù)分析和氣動參數(shù)辨識中的應(yīng)用進行了研究,并給出相應(yīng)的方法。

先采用聚類方法,對飛行試驗數(shù)據(jù)進行了劃分,以獲得飛行試驗數(shù)據(jù)分布特性的初步認識;然后采用分類方法建立基于飛行試驗數(shù)據(jù)的氣動模型;再進行辨識結(jié)果的一致性檢驗,以及辨識結(jié)果與地面試驗結(jié)果比較分析。

2.1 聚類分析

針對飛行試驗數(shù)據(jù),在聚類分析中,按照飛行條件(初步選取馬赫數(shù)、攻角、氣流滾轉(zhuǎn)角、高度作為屬性因素),將不同數(shù)據(jù)之間的差異根據(jù)數(shù)據(jù)屬性加以量化,按照量化距離的大小將數(shù)據(jù)歸化到不同的類別中。采用k-means算法,對飛行試驗數(shù)據(jù)進行了處理,針對不同飛行條件,得到了聚類分析結(jié)果,如表1所示。

從表1中可以看出,所有飛行試驗數(shù)據(jù)按照不同飛行條件(馬赫數(shù)Ma、攻角α、氣流滾轉(zhuǎn)角φ、高度H)被劃分為6個區(qū)域(類):(1)低空小攻角區(qū)域;(2)低空大攻角區(qū)域;(3)高空小攻角區(qū)域;(4)低空中等攻角區(qū)域;(5)高空大攻角區(qū)域;(6)中空小攻角區(qū)域。在各區(qū)域內(nèi),數(shù)據(jù)具有相似的飛行條件屬性?？梢?飛行試驗數(shù)據(jù)主要分布在低空小攻角區(qū)域和中空小攻角區(qū)域。通過上述分析可以獲得對試驗數(shù)據(jù)所涵蓋空域的定性認識,從而為分類分析等提供支持。

表1 飛行數(shù)據(jù)聚類分析結(jié)果Table 1 Result of clustering analysis for flight data

2.2 分類分析

由于飛行試驗數(shù)據(jù)有限、氣動力隨飛行參數(shù)變化的非線性較強,采用常規(guī)方法建立基于飛行試驗數(shù)據(jù)的氣動數(shù)學(xué)模型難度較大。為此,先從飛行試驗數(shù)據(jù)中辨識氣動力系數(shù),再利用數(shù)據(jù)挖掘中的分類學(xué)習(xí)算法,構(gòu)造針對氣動力系數(shù)的分類器,建立氣動數(shù)學(xué)模型。下面以滾轉(zhuǎn)力矩系數(shù)Cmx建模為例,給出了采用決策樹學(xué)習(xí)算法和最鄰近算法得到的分類模型。

2.2.1 決策樹學(xué)習(xí)算法

圖2中給出了采用決策樹算法得到的Cmx決策樹模型。決策樹的每一個分支節(jié)點代表一個屬性判斷條件,每一個最底端葉節(jié)點則代表一個類值(即Cmx值)。以該決策樹為例,當處理一組新的飛行條件參數(shù)時,從該決策樹最頂端開始,首先判斷滾轉(zhuǎn)舵偏Dx屬性值,當Dx＜2.34依循左分支到達下一節(jié)點,反之則為右分支。每到達一個新節(jié)點便根據(jù)該節(jié)點的判斷條件來決定下一分支,直至到達一個底端葉節(jié)點,便得到了該飛行條件下的滾轉(zhuǎn)力矩系數(shù)。

圖2 滾轉(zhuǎn)力矩系數(shù)的決策樹模型Fig.2 Decision tree model of roll moment coefficient

圖3給出了Cmx真實值與模型預(yù)測值的對比,交叉驗證表明,該模型的預(yù)測均差為0.01,均方差根為0.02,預(yù)測值與真實值的相關(guān)系數(shù)為0.9。由圖3可見,該模型存在一定的預(yù)測散布,但誤差均值較小,相關(guān)系數(shù)較高,表明模型預(yù)測準確度較高。

圖3 決策樹模型預(yù)測值分布Fig.3 Prediction value dispersion of decision tree model

2.2.2 最近鄰算法

最近鄰算法是基于類比學(xué)習(xí)的數(shù)據(jù)挖掘算法。它在實現(xiàn)上首先采用有效索引技術(shù)存放所有的訓(xùn)練樣本數(shù)據(jù),當需要處理未知樣本時,最近鄰算法在已有樣本數(shù)據(jù)中尋找與其最為接近的已知數(shù)據(jù)實例,并將其類值指定給該未知樣本。采用K-最近鄰算法得到了Cmx真實值與模型預(yù)測值的對比,如圖4所示。交叉驗證表明,該算法的預(yù)測均差為0.009,均方差根為0.02,預(yù)測值與真實值的相關(guān)系數(shù)為0.9。該方法在準確度上與決策樹模型相當。

圖4 K-最近鄰算法預(yù)測值分布Fig.4 Prediction value dispersion of K-nearest model

2.3 辨識結(jié)果的一致性檢驗

由于不同批次的飛行試驗往往包含相近的飛行條件,通過對相近飛行條件的判斷,從飛行試驗數(shù)據(jù)中提取數(shù)據(jù)集,對相應(yīng)數(shù)據(jù)集的辨識結(jié)果進行統(tǒng)計分析,若辨識結(jié)果具有一致性,則表明辨識結(jié)果整體可信度較高。圖5和圖6分別給出了法向力和滾轉(zhuǎn)力矩辨識結(jié)果分布。其中Ave表平均值,Sd表標準差, Min為最小值,Max為最大值,橫坐標為Ave,縱坐標包括Sd、Min、Max。由圖可見,法向力辨識結(jié)果的標準差非常小,表明一致性非常好,辨識結(jié)果具有很高可靠性;滾轉(zhuǎn)力矩辨識結(jié)果標準差在接近0附近標準差相對較大(但小于0.1),其余情況標準差較小,表明一致性較好,辨識結(jié)果具有較高的可靠性。這個結(jié)果與常規(guī)辨識中積累的經(jīng)驗是一致性的,即法向力辨識精度很高,滾轉(zhuǎn)力矩要稍差一些?？梢?數(shù)據(jù)挖掘技術(shù)用于飛行試驗處理分析是可行和正確的,同時,數(shù)據(jù)挖掘技術(shù)給出的區(qū)間(由最大值和最小值構(gòu)成)的大小表征了辨識結(jié)果可信度的高低——區(qū)間越大,可信度越低;區(qū)間越小,可信度越高。

圖5 法向力辨識結(jié)果分布Fig.5 Identification result distribution of normal force

圖6 滾轉(zhuǎn)力矩辨識結(jié)果分布Fig.6 Identification result distribution of roll moment

2.4 基于數(shù)據(jù)挖掘的舵效確認

舵效是控制系統(tǒng)設(shè)計的關(guān)鍵參數(shù),數(shù)據(jù)挖掘技術(shù)同樣可以用于舵效分析。采取與2.3節(jié)中同樣的方法,從飛行試驗數(shù)據(jù)中提取數(shù)據(jù)集。但在試驗數(shù)據(jù)樣本的選取上,由于舵效表征的是舵偏引起的力矩變化量,因此選取樣本時應(yīng)保證樣本數(shù)據(jù)舵偏變化率大于一定值,滿足這一條件的試驗數(shù)據(jù)通常分布在飛行狀態(tài)發(fā)生劇烈變化的過程,如過載拉起或卸載過程,舵面偏轉(zhuǎn)與姿態(tài)變化明顯。采取如下標準進行選擇:

式中C為一角速率常數(shù)。

采用回歸分析方法,對舵效進行辨識。采用的力矩系數(shù)回歸模型如下:

式中,回歸系數(shù)b1表示舵效。

圖7給出了俯仰舵效分析結(jié)果,圖中橫坐標是風(fēng)洞試驗結(jié)果,縱坐標是辨識結(jié)果。如果圖中的點越靠近對角線,表明風(fēng)洞試驗與飛行試驗的結(jié)果越一致。由圖7可見,大多數(shù)點靠近對角線,表明在多數(shù)飛行區(qū)間下,辨識舵效與風(fēng)洞試驗結(jié)果具有較好的一致性。在全部區(qū)間下統(tǒng)計均值,辨識舵效約為風(fēng)洞試驗舵效的80%左右,處于控制系統(tǒng)可以穩(wěn)定的范圍內(nèi)。

圖7 俯仰舵效分析結(jié)果Fig.7 Analysis of pitch rudder efficiency

3 結(jié) 論

本文探討了數(shù)據(jù)挖掘技術(shù)應(yīng)用于飛行試驗數(shù)據(jù)分析和氣動參數(shù)辨識中存在的區(qū)間劃分條件、數(shù)據(jù)挖掘方法和步驟等問題,初步建立了基于飛行試驗數(shù)據(jù)的建模方法、辨識結(jié)果一致性檢驗方法和舵效確認方法。多批次飛行試驗數(shù)據(jù)分析處理表明,所發(fā)展的方法是基本可行和有效的。為進一步提高數(shù)據(jù)挖掘技術(shù)在飛行試驗數(shù)據(jù)分析中的應(yīng)用水平,未來還應(yīng)加強數(shù)據(jù)預(yù)處理方法、區(qū)間劃分原則和方法以及更適合于飛行試驗數(shù)據(jù)分析的數(shù)據(jù)挖掘方法等方面的研究,為CFD和風(fēng)洞試驗數(shù)據(jù)的驗證與確認提供基準。

[1]Zhu M.Data mining[M].Hefei:Press of University of Science and Technology of China,2008.(in Chinese)朱明.數(shù)據(jù)挖掘[M].合肥:中國科學(xué)技術(shù)大學(xué)出版社,2008.

[2]Wang M X.Survey of data mining[J].Software Guide,2013, 12(10):135-137.(in Chinese)王夢雪.數(shù)據(jù)挖掘綜述[J].軟件導(dǎo)刊,2013,12(10):135-137.

[3]Jeong S,Shimoyama K.Review of data mining for multidisciplinary design optimization[C]//Proceedings of the Institution of Mechanical Engineers,Part G.Journal of Aerospace Engineering,2011,225(5):469-479.

[4]Monroe G A,Freeman K,Jones K L.IT data mining tool uses in aerospace[R].NASA ARC-E-DAA-TN 4694,2012.

[5]Butterfield A J.Data mining of NASA Boeing 737 flight data: frequency analysis of in-flight recorded data[R].NASA CR-2001-210641,2001.

[6]Bryan M.Discovering anomalous aviation safety events using scalable data mining algorithms[J].Journal of Aerospace Information Systems,2014,11(7):482-482.

[7]Jeong S.Data mining for aerodynamic design space[R].AIAA 2005-5079,2005.

[8]Oyama A,Verburg P C,Nonomura T,et al.Flow field data mining of pareto-optimal airfoils using proper orthogonal decomposition[R].AIAA 2010-1140,2010.

[9]Murch A,Foster J.Recent NASA research on aerodynamic modeling of post-stall and spin dynamics of large transport airplanes[R].AIAA 2007-463 2007.

[10]Mackman T J,Allen C B.Aerodynamic data modeling using multi-criteria adaptive sampling[R].AIAA 2010-9194,2010.

[11]He K F,Wang W Z,Qian W Q.Mathematic modeling for the missile aerodynamics with tail-wing according to wind-tunnel test results[J].Experiments and Measurements in Fluid Mechanics,2004,18(4),18(4):62-66.(in Chinese)何開鋒,王文正,錢煒祺.根據(jù)風(fēng)洞試驗結(jié)果建立有尾翼導(dǎo)彈數(shù)學(xué)模型[J].流體力學(xué)實驗與測量,2004,18(4):62-66.

[12]Cai J S,Wang Q,Wang W Z.Identification for flying vehicle [M].Beijing:National Defense Industry Press,2003.(in Chinese)蔡金獅,汪清,王文正.飛行器系統(tǒng)辨識學(xué)[M].北京:國防工業(yè)出版社,2003.

[13]Smith M,Moes T,Morelli E.Real-time stability and control derivative extraction from F-15 flight data[R].NASA TM-2003-212027,2003.

[14]Wang G D,Cui E J,Chen Z L.Study on aerodynamic parameter identification method for aircraft with jet thruster control[J].Acta Aerodynamica Sinica,2011,29(4):433-438. (in Chinese)王貴東,崔爾杰,陳則霖.噴流控制飛行器氣動參數(shù)辨識方法研究[J].空氣動力學(xué)學(xué)報,2011,29(4):433-438.

[15]Wang Q,Wan Z G,Qian W Q,et al.Aerodynamic parameter identification of rapid self-rotating flight vehicle[J].Acta Aerodynamica Sinica,2004,22(1):1-6.(in Chinese)汪清,萬宗國,錢煒祺,等.高速自旋飛行器氣動參數(shù)辨識[J].空氣動力學(xué)學(xué)報,2004,22(1):1-6.

Application research of data-mining method to flight test data analysis and aerodynamic parameter identification

Wang Wenzheng1,Zheng Kunpeng2,Chen Gong1,*,He Kaifeng1
(1.State Key Laboratory of Aerodynamics,China Aerodynamics Research and Development Center,Mianyang621000,China; 2.Luoyang Optoelectro Technology Development Center,Luoyang471009,China)

In order to effectively verify the reliability of identification result of flight data, data-mining method is successfully applied to flight test data analysis and aerodynamic parameter identification in this paper for the first time.Problems existing in clustering,assorting, regression because of insufficient number of flight test data and big differences of information among flight test have preliminarily been resolved.A new way of reliability test of identification result is presented according to aerodynamic characteristic distribution in some certain range of different time and different flights.Through dealing with and analyzing groups of flight data of a certain flying vehicle using this proposed data mining technique,aerodynamic model based on flight data is constructed,coherence of the identification results is checked,it’s reliability is evaluated,and the prediction error is given by comparing identification result with ground test data.The whole identification results of groups of flight data of a certain flying vehicle indicate that the method developed in this paper is feasible and effective.This research gives a new way to test reliability of identification result and construct aerodynamic model based on flight data,and it is also useful for verification and validation of CFD and wind tunnel test.

data-mining;flight test;aerodynamic parameter identification;wind tunnel test; aerodynamic modeling

V212.1;TP18

Adoi:10.7638/kqdlxxb-2015.0032

0258-1825(2016)06-0778-05

2015-03-16;

2015-09-15

國家自然科學(xué)基金(912162001)

王文正(1968-),男,四川簡陽人,研究員,主要從事飛行力學(xué)、氣動參數(shù)辨識、飛行性能評估等研究.E-mail:wwz_163@163.com

通信作作:陳功*(1985-),湖北黃崗人,工程師,主要從事飛行力學(xué)及控制研究.E-mail:success850012@163.com

王文正,鄭鹍鵬,陳功,等.數(shù)據(jù)挖掘技術(shù)在飛行試驗數(shù)據(jù)分析和氣動參數(shù)辨識中的應(yīng)用研究[J].空氣動力學(xué)學(xué)報,2016,34 (6):778-782.

10.7638/kqdlxxb-2015.0032 Wang W Z,Zheng K P,Chen G,et al.Application research of data-mining method to flight test data analysis and aerodynamic parameter identification[J].Acta Aerodynamica Sinica,2016,34(6):778-782.