基于多模态融合的结冰风洞云雾参数辨识方法

谢腾; 熊浩; 彭博; 易贤

doi:10.11729/syltlx20220077

基于多模态融合的结冰风洞云雾参数辨识方法

谢腾^{1, 2,},
熊浩²,
彭博¹,
易贤^{2, 3, ,}

1.
西南石油大学计算机科学学院，成都　610500
2.
中国空气动力研究与发展中心结冰与防/除冰重点实验室，绵阳　621000
3.
中国空气动力研究与发展中心空气动力学国家重点实验室，绵阳　621000

基金项目: 国家自然科学基金重点基金（12132019）；国家重大科技专项（J2019-III-0010-0054）；国家自然科学基金面上项目（12172372）

详细信息

作者简介:
谢腾: （1999—），男，四川德阳人，硕士研究生。研究方向：深度学习技术，结冰风洞云雾参数辨识技术。通信地址：四川省绵阳市涪城区二环路南段6号（621000）。E-mail：oxteng@qq.com

通讯作者:
易贤: E-mail：yixian_2000@163.com

中图分类号: V211.753
计量
- 文章访问数: 258
- HTML全文浏览量: 160
- PDF下载量: 19
出版历程
- 收稿日期: 2022-08-15
- 修回日期: 2022-09-19
- 录用日期: 2022-09-26
- 网络出版日期: 2022-11-02

Ice cloud parameter identification method in icing wind tunnel based on multimodal fusion

XIE Teng^{1, 2,},
XIONG Hao²,
PENG Bo¹,
YI Xian^{2, 3, ,}

1.
School of Computer Science, Southwest Petroleum University, Chengdu　610500, China
2.
Key Laboratory of Icing and Anti/Deicing, China Aerodynamics Research and Development Center, Mianyang　621000, China
3.
State Key Laboratory of Aerodynamics, China Aerodynamics Research and Development Center, Mianyang　621000, China

摘要

摘要: 结冰风洞云雾场校测通常存在仪器依赖度高的问题。针对该问题，提出了一种基于多模态融合的结冰风洞云雾参数辨识方法，该方法以试验模型结冰图像及迎角、来流速度、来流温度、结冰时长等参数作为输入，提取并融合两者特征参数，以液态水含量和水滴平均体积直径作为输出训练神经网络模型，进而实现对结冰风洞云雾参数的快速辨识。为验证该方法的有效性和可行性，以NACA0012标准翼型结冰为研究对象，开发了结冰风洞云雾参数辨识程序，分析了融合比例的影响，获得了适用于结冰风洞云雾参数辨识的最佳网络模型。在此基础上，开展了仿真和试验评估，结果表明：所提出的方法对液态水含量和水滴平均体积直径的辨识满度误差均小于12%，具有较高的辨识精度与良好的泛化性能，可为结冰风洞云雾参数辨识提供补充。
- 结冰风洞 /
- 云雾场测量 /
- 结冰工况 /
- 结冰图像 /
- 多模态融合 /
- 参数辨识
Abstract: The cloud field calibration of icing wind tunnels usually has the disadvantage of high instrument dependence. To solve this problem, this paper proposes a method for identifying the parameters of cloud fields in icing wind tunnels based on multi-modal fusion. This method takes the icing image of the test model together with the parameters such as the angle of attack, air velocity, air temperature, and icing duration of the model as input, extracts and fuses the two characteristic parameters, and takes the liquid water content （LWC） and the average volume diameter of water droplets （MVD） as the output to train the neural network model. And then the rapid identification of icing cloud parameters is realized. In order to verify the effectiveness and feasibility of the proposed method, the paper takes NACA0012 airfoil icing as the research object, develops the cloud field identification program of the icing wind tunnel, analyzes the influence of the fusion proportion, and obtains the best network model suitable for ice parameter identification. On this basis, simulation and experimental evaluation are carried out. The full scale error of the proposed method for LWC and MVD is less than 12%, which has high identification accuracy and good generalization performance, and can provide an important supplement for the identification of cloud fields in the icing wind tunnel.
- icing wind tunnel /
- cloud and fog field measurement /
- icing condition /
- icing image /
- multimodal fusion /
- parameter identification

HTML全文

0 引　言

飞机结冰广泛存在且危害严重。作为一种复杂的物理过程，飞机结冰不仅受飞机外形、飞行状态、来流条件等因素的影响，还与飞行过程中液态水含量（Liquid Water Content, LWC）和水滴平均体积直径（Median Volume Diameter, MVD）等云雾参数相关。结冰风洞是开展飞机结冰与防除冰研究的主要地面设备，LWC与MVD的测量，关系到结冰风洞试验条件与试验结果的准确性，是开展飞机结冰与防除冰试验研究的一项关键基础性工作^[1]。为确定风洞云雾场与自然结冰云条件的符合性，通常在进行结冰试验之前，需要对结冰风洞的LWC、MVD等云雾参数开展校测^{[2, 3]}。

目前，结冰风洞云雾参数测量方法可分为间接法和直接法两种^[4]。间接法主要依托冰刀或旋转多圆柱开展，通过测量冰刀或旋转多圆柱上的覆冰质量，结合结冰生长规律等反推云雾参数^[5]。直接法则通过专用仪器设备实现对LWC或MVD的直接测量，如热线^[6]、前向散射分光测量仪^[7]、相位多普勒干涉测量仪、马尔文粒径测量仪^[8]等。不同方法的测量精度、测量范围及应用条件不同。通过综合使用上述测量方法，目前已经可以实现结冰风洞LWC与MVD的精确校测^[9]。但结冰风洞特别是大型结冰风洞的运行成本较高，在进行云雾场校测时，通常只能选用风洞云雾包线内特定水气压对应的LWC和MVD参数进行校测，云雾参数测量范围相对有限。随着结冰风洞运行时间增加，云雾参数真实值会逐渐偏离初始校测值。因此，根据Calibration and acceptance of icing wind tunnels（SAE ARP 5905）标准要求^[10]，需对结冰风洞进行周期性校测，以保证结冰风洞云雾参数的准确性，但周期性校测又势必增加结冰风洞运行成本。一种可行的方法是在结冰试验过程中直接采用专用测量设备测量云雾参数，但相位多普勒干涉测量仪等尺寸和体积较大的设备会对结冰试验过程中的流场造成干扰，影响试验结果的准确性。

针对上述问题，本文提出一种基于多模态融合^[11]的结冰风洞云雾参数辨识方法。该方法以迎角、来流速度、来流温度、结冰时长等参数及模型结冰图像作为输入，通过特征参数提取实现多模态数据融合，在此基础上训练神经网络模型，进而实现对LWC和MVD的快速辨识。以NACA0012标准翼型结冰为研究对象，对参与多模态融合的网络节点数比例进行了分析，以获得可用于云雾参数辨识的最佳网络结构。在此基础上，开展仿真和结冰风洞试验验证，以评估所提出方法的可行性和有效性。

1 多模态融合辨识方法总体流程

基于多模态融合的结冰风洞云雾参数辨识方法流程如图1所示。

图 1 基于多模态融合的结冰风洞云雾参数辨识方法流程图

Fig. 1 Flow block diagram of cloud parameter identification method based on multimodal fusion

下载: 全尺寸图片幻灯片

流程主要包括数据生成及预处理、多模态特征融合、训练神经网络和结冰风洞云雾参数辨识等，步骤如下：

1）数据生成及预处理。计算试验模型在不同结冰条件下的结冰情况，建立结冰数据库。为使构建的结冰数据库便于计算机处理，对冰形图像采用填充和灰度化处理。冰形图像填充可以提高冰形与无关区域的差异，提升模型辨识效果，而图像灰度化处理可以减少计算量，提高模型训练速度。此外，在数据预处理过程中，将结冰工况参数按照均值标准差进行归一化处理，以提高不同量纲数据的可比性，进而提升模型辨识效果^[12]。

2）多模态特征融合。多模态特征融合能够拟合多个模态的信息进行机器学习，弥补单个模态信息覆盖较少的缺陷，提升模型辨识精度及鲁棒性。本文采用混合多模态融合方法，即先对结冰图像和结冰工况参数进行相应特征提取，而后基于所提取的特征进行融合。

3）训练神经网络。在多模态特征融合的基础上，将提取的特征输入至神经网络进行训练，根据辨识误差反馈逐渐调整网络参数，进而构建结冰风洞云雾参数与飞行状态、来流温度、结冰时长及结冰图像等之间的关联特征。

4）结冰风洞云雾参数辨识。基于步骤3中已经训练好的神经网络，将飞行状态、来流温度、结冰时长及结冰图像作为输入，即可完成LWC和MVD的辨识。

2 仿真分析

为验证本文方法的可行性与有效性，以NACA0012标准翼型结冰作为研究对象，对结冰风洞云雾参数的辨识效果进行仿真分析。

2.1 数据生成、预处理及网络设置

2.1.1 数据生成

仿真中使用的NACA0012标准翼型结冰数据库采用IRC2D数值计算软件^[13]构建。该软件由中国空气动力研究与发展中心发布，包括流场、液态水收集、结冰相变及网格变形等计算模块。在该软件中，首先以SIMPLE算法求解Naiver–Stokes（N–S）方程获得流场分布，以拉格朗日方法获得水滴运动轨迹及水收集系数。在此基础上，采用改进Messinger结冰热力学模型计算获得模型结冰图像。如图2所示，根据文献[14]的验证，计算结果与试验结果较为一致，误差在合理范围内，说明该仿真方法具有可行性。仿真中用于生成结冰图像的工况参数见表1。

图 2 数值计算与试验方法对比^[14]

Fig. 2 Comparison of numerical and experimental methods^[14]

下载: 全尺寸图片幻灯片

表 1 结冰工况参数设置

Table 1 Icing parameter setting

参数	取值
迎角α/（°）	0，3
来流速度v/（m·s⁻¹）	80，100
来流温度T/（℃）	−30，−20，−10
液态水含量LWC/（g·m⁻³）	0.1～1.0
水滴平均体积直径MVD/μm	20～100
结冰时长t/s	1350

下载: 导出CSV

| 显示表格

液态水含量采样间隔为0.03 g/m³，水滴平均体积直径采样间隔为3 μm，总计算条次9720条。最后将所有样本数据随机打乱，按7∶2∶1的比例划分训练集验证集和测试集，用于训练网络和验证网络性能。

2.1.2 数据预处理

按上节方法生成的带冰翼型样本由直角坐标系下的冰形和翼型的坐标向量组成。由于卷积神经网络CNN（Convolutional Neural Networks）的输入要求为图像或二维矩阵，在数据预处理时，使用文献[12]的方法将结冰样本数据转换为如图3所示的灰度图像，将其作为多模态融合方法中CNN模型的输入。图像尺寸设置为100像素×100像素，图像宽度对应的x坐标轴取值范围固定为[−0.15, 0.25]，图像高度对应的y坐标轴取值范围固定为[−0.2, 0.2]。同时，对LWC和MVD进行归一化处理，以提升网络模型训练效果。图3为随机选取的数据预处理后的翼型结冰图片。

图 3 随机选取的9张冰形灰度图片

Fig. 3 Nine randomly selected images of ice-shaped grayscale

下载: 全尺寸图片幻灯片

2.1.3 网络训练及参数设置

作为常用的特征提取网络，CNN能够在将图像降维的同时有效保留图像特征，目前被广泛应用于计算机视觉领域，在飞机结冰方面也有应用^[14]。多层感知机MLP（Multilayer Perceptron）^[15]通过层间的隐藏层与损失函数也可实现对线性数据的特征提取。本文拟采用CNN对冰形图像进行特征提取，使用MLP对来流参数进行特征提取。

多模态融合辨识方法采用的网络结构如图4所示。通过CNN卷积池化等前向传播计算提取图像特征，经全连接层展平为一维冰形特征向量，与MLP信号前向传播提取的来流参数特征融合，输入至全连接层，通过相关激活函数得到预测结果。根据预测结果与真实结果的误差损失函数，利用误差优化算法进行优化，不断反向更新权重和偏置，直至误差减小到设置的阈值或达到设置的训练迭代次数。

图 4 多模态融合辨识方法网络结构

Fig. 4 Network architecture of multimodal fusion methods

下载: 全尺寸图片幻灯片

训练得到误差最小的网络结构如下：在图像特征提取模块中，尺寸为100像素×100像素的冰形图像输入至3个卷积块中，历经3次卷积池化操作，展平后经全连接层映射输出为一维向量，将该向量记为“冰形图像特征向量”。其中，3个卷积块所包含的卷积核数量分别为16、32和8，卷积核大小均为3像素×3像素。第1个与第3个卷积层的卷积核步长为2像素×2像素；为提取更多图像特征，将第2个卷积层的卷积核步长设置为1像素。池化层均采用最大池化法，尺寸为2像素×2像素，步长为2像素×2像素，层间激活函数采用Sigmoid激活函数。

在来流参数特征提取模块中，将1×4的迎角、来流速度、来流温度及结冰时长等参数进行均值标准差归一化，输入至2个全连接层，通过输出层映射为一维向量，将该向量记为“结冰工况特征向量”。层间采用的激活函数为ReLU激活函数。

最后，将“冰形图像特征向量”和“结冰工况特征向量”进行融合。融合方式为拼接融合，即将结冰工况特征向量添加在冰形图像特征向量之后，结合为输入参数向量。进一步通过多层感知机训练，辨识得到维数为1×2的辨识结果向量。

模型中的其他参数设置如下：学习率为1×10⁻³，学习率指数衰减因子为0.98，权值衰减为1×10⁻⁸；优化器选用Adam，参数$\;{\beta _1}$设置为0.9，$\;{\beta _2}$设置为0.999。batch size设置为100，epoch设置为200。

此外，本文采用Huber损失函数（Huber Loss）对多模态融合模型进行了优化。该损失函数由统计学家Huber^[16]提出，James等^[17]对其进行了改进，使其更适用于深度学习。Huber损失对数据中异常值的敏感程度较低，是回归任务中常用的一种损失函数。

$$ {L_\delta }[y - {\hat y_i}] = \left\{ {\begin{array}{*{20}{c}} {\dfrac{1}{2}{{[y - {{\hat y}_i}]}^2},|y - {{\hat y}_i}| \leqslant \delta } \\ {\delta |y - {{\hat y}_i}| - \dfrac{1}{2}{\delta ^2},|y - {{\hat y}_i}| > \delta } \end{array}} \right. $$

(1)

式中：L_δ[y−$ {\hat y_i} $]表示真实值y与辨识值$ {\hat y_i} $的Huber损失值；δ为Huber损失中的自定义参数，本文取值为初始学习率与每批次学习率的比值。如式（1）所示：当辨识值与真实值的偏差小于等于δ时，采用平方误差；当偏差大于δ时，采用线性误差。

2.2 融合比例影响分析

本节使用未参与训练的972条测试集数据对参与融合的2种特征提取网络输出节点数融合比例的影响进行评估，以获得最佳的融合比例。主要评估指标包括均方根误差（E_RMS）、平均绝对误差（E_MA）及决定系数（R²）等：

$$ E_{\text{RMS}} = \sqrt {\frac{1}{m}\sum\limits_{i = 1}^m {{{（{y_i} - {{\hat y}_i}）}^2}} } $$

(2)

$$ E_{\rm{MA}} = \frac{1}{m}\sum\limits_{i = 1}^m {|（{y_i} - {{\hat y}_i}）|} $$

(3)

$$ {R^2} = 1 - \frac{{\displaystyle\sum\limits_{i = 1}^m {{{（{y_i} - {{\hat y}_i}）}^2}} }}{{\displaystyle\sum\limits_{i = 1}^m {{{（{y_i} - {{\bar y}_i}）}^2}} }} $$

(4)

式中，$y$为真实值，$ {\hat y_i} $为辨识值，${\bar y_i}$为真实值均值。

2.2.1 融合比例影响规律分析

设置参与融合的图像特征提取网络输出节点数与来流参数特征提取网络节点数的融合比例分别为192∶32，128∶32，64∶32，32∶32，32∶64，32∶128和32:192，即6∶1，4∶1，2∶1，1∶1，1∶2，1∶4和1∶6。结合式（2）～（4）获得的结冰风洞云雾参数辨识结果如图5所示。

图 5 不同融合比例下的辨识结果对比

Fig. 5 Comparison of results for different fusion weights

下载: 全尺寸图片幻灯片

由图5（a）可知：对于LWC，融合比例为2∶1时的辨识效果最好，R²系数为0.9979；其次为4∶1，R²系数为0.9976。由图5（b）可知：对于MVD，融合比例为4∶1时的辨识效果最好，R²系数为0.9985。融合比例大于1时的辨识效果明显优于融合比例小于1时。

本文选取R²系数作为主要评判标准，以模型辨识结果的R²系数均值进行比较，最后得到当融合比例为4∶1时，辨识效果最好。

2.3 仿真验证

为验证多模态辨识方法的辨识效果，在上节得到的最优融合比例的基础上，随机选取2.1.1节所述测试集内9个算例与测试集外3个算例，分别记为测试集1与测试集2。表2为测试集1的9种结冰工况。表3为测试集2的3种结冰工况。

表 2 测试集1的结冰工况

Table 2 Test set 1 icing conditions

算例	迎角 /（°）	来流速度 /（m·s⁻¹）	来流温度/（℃）	结冰时长/s	水滴平均体积直径/μm	液态水含量 /（g·m⁻³）
a	0	80	−20	1350	20	0.25
b	3	80	−30	1350	26	0.61
c	0	100	−20	1350	26	0.76
d	3	80	−20	1350	38	0.91
e	0	80	−10	1350	47	0.76
f	0	80	−20	1350	56	0.94
g	3	100	−10	1350	65	0.25
h	0	80	−30	1350	74	0.40
i	3	80	−30	1350	89	0.22

下载: 导出CSV

| 显示表格

表 3 测试集2的结冰工况

Table 3 Test set 2 icing conditions

算例	迎角 /（°）	来流速度 /（m·s⁻¹）	来流温度/（℃）	结冰时长/s	水滴平均体积直径/μm	液态水含量 /（g·m⁻³）
a	0	67.1	−23	1500	20	0.50
b	3	67.1	−23	1500	20	0.50
c	3	67.1	−7	1500	20	0.50

下载: 导出CSV

| 显示表格

表4和5为多模态融合结冰风洞云雾参数辨识结果。LWC_T和MVD_T表示随机算例对应的IRC2D软件结冰风洞云雾参数输入，LWC_P和MVD_P则为相应的多模态融合方法的辨识结果。表中还给出了结冰风洞云雾参数辨识结果的满度误差（即样本绝对误差与最大绝对误差的比值）LWC_e和MVD_e。其中，MVD的最大绝对误差取为80（从表1中的MVD预测范围中选取）；同理，LWC最大绝对误差取为0.9。

表 4 测试集1的MVD与LWC辨识结果及满度误差

Table 4 Test set 1 MVD and LWC identification results and errors

算例	MVD_T/μm	MVD_P/μm	MVD_e	LWC_T/（g·m⁻³）	LWC_P/（g·m⁻³）	LWC_e
a	20	20.410	0.51%	0.25	0.251	0.11%
b	26	27.891	2.36%	0.61	0.612	0.22%
c	26	27.699	2.12%	0.76	0.756	0.44%
d	38	38.634	0.79%	0.91	0.898	1.33%
e	47	46.579	0.53%	0.76	0.745	1.67%
f	56	56.677	0.85%	0.94	0.921	2.11%
g	65	65.396	0.50%	0.25	0.251	0.11%
h	74	74.582	0.73%	0.40	0.392	0.89%
i	89	89.623	0.78%	0.22	0.224	0.44%

下载: 导出CSV

| 显示表格

表 5 测试集2的MVD与LWC辨识结果及满度误差

Table 5 Test set 2 MVD and LWC identification results and errors

算例	MVD_T/μm	MVD_P/μm	MVD_e	LWC_T/（g·m⁻³）	LWC_P/（g·m⁻³）	LWC_e
a	20	22.713	3.39%	0.50	0.528	3.11%
b	20	23.504	4.38%	0.50	0.562	6.89%
c	20	23.269	4.08%	0.50	0.541	4.56%

下载: 导出CSV

| 显示表格

由表4及5可知：在测试集1的9组算例中，MVD、LWC辨识结果满度误差最大值分别为2.36%、2.11%；在测试集2的3组算例中，MVD和LWC辨识结果满度误差均不超过7%。由于测试集2各算例的结冰工况参数不在训练集和测试集1所设置的参数范围内，故其辨识误差比测试集1略有增大，但仍处于合理范围内。

3 试验验证

为进一步验证本文方法的有效性及可行性，开展了试验验证。以NACA0012标准翼型为试验模型，于2022年3月在中国空气动力研究与发展中心3 m×2 m结冰风洞中开展结冰试验^[18]。试验中，NACA0012翼型固定于结冰风洞主试验段，模型迎角通过风洞上下转盘编码器进行控制，温度通过风洞制冷系统控制，结冰风洞云雾参数则通过风洞喷雾系统调整。试验之前，对风洞进行了例行云雾场校测。图6和7分别为试验模型及翼型结冰情况。

图 6 NACA0012试验模型

Fig. 6 NACA0012 test model

下载: 全尺寸图片幻灯片

与测试集2的结冰工况参数保持一致（如表6所示，记为测试集3），开展了3种工况的结冰试验。图8为结冰试验得到的冰形图像。

表 6 测试集3的试验工况

Table 6 Test set 3 icing conditions

工况	迎角/（°）	来流速度/（m·s⁻¹）	来流温度/（℃）	结冰时长/s	水滴平均体积直径/μm	液态水含量/（g·m⁻³）
a	0	67.1	−23	1500	20	0.50
b	3	67.1	−23	1500	20	0.50
c	3	67.1	−7	1500	20	0.50

下载: 导出CSV

| 显示表格

图 7 NACA0012翼型结冰情况

Fig. 7 NACA0012 Airfoil icing

下载: 全尺寸图片幻灯片

图 8 3种工况下的NACA0012翼型结冰冰形图像

Fig. 8 The NACA0012 airfoil is frozen in 3 operating conditions

下载: 全尺寸图片幻灯片

为便于开展云雾参数辨识，本文使用滑动平均滤波法对图8所示的冰形图像进行平滑处理。与仿真分析类似，对NACA0012翼形结冰数据进行预处理，根据弦长将翼型按比例归一化至[0, 1]，并对冰形图像进行填充和灰度化操作，最终获得100像素×100像素的冰形灰度图像。在此基础上，将图像输入至前期得到的训练模型，获得结冰风洞云雾参数辨识结果。

结冰试验算例的LWC和MVD辨识结果见表7，表中误差计算方式与前文相同。3组算例的MVD辨识结果满度误差最大为6.41%，LWC辨识结果满度误差最大为11.20%。测试集3的结冰工况参数与测试集2相同，与测试集2相比，测试集3中各算例的冰形图像二级尺度更加丰富，而基于仿真数据训练的神经网络模型缺乏对二级尺度细节的捕捉能力，故测试集3的误差相较于测试集2有所增大，但平均满度误差增大幅度小于3%，仍处于合理范围内，进一步表明本文模型对于仿真数据与风洞试验数据均具有良好的泛化性能。

表 7 测试集3的MVD与LWC辨识结果及满度误差

Table 7 Test set 3 MVD and LWC identification results and errors

算例	MVD_T/μm	MVD_P/μm	MVD_e	LWC_T/（g·m⁻³）	LWC_P/（g·m⁻³）	LWC_e
a	20	24.142	5.17%	0.50	0.552	5.78%
b	20	25.129	6.41%	0.50	0.601	11.20%
c	20	23.864	4.83%	0.50	0.578	8.67%

下载: 导出CSV

| 显示表格

4 结　论

1）本文提出的基于多模态融合的深度神经网络方法，融合冰形图像与迎角、来流速度、来流温度等参数作为输入训练神经网络，实现了对液态水含量和水滴平均体积直径的辨识，仿真评估与试验评估的辨识结果误差小，表明该方法对云雾参数辨识具有可行性及有效性。

2）不同的融合比例会影响模型的辨识精度，在本文研究范围内，融合比例为4∶1时的辨识效果最优。

图 5 不同融合比例下的辨识结果对比

Fig. 5 Comparison of results for different fusion weights

下载: 全尺寸图片幻灯片

图 1 基于多模态融合的结冰风洞云雾参数辨识方法流程图

Fig. 1 Flow block diagram of cloud parameter identification method based on multimodal fusion

下载: 全尺寸图片幻灯片

图 2 数值计算与试验方法对比^[14]

Fig. 2 Comparison of numerical and experimental methods^[14]

下载: 全尺寸图片幻灯片

图 3 随机选取的9张冰形灰度图片

Fig. 3 Nine randomly selected images of ice-shaped grayscale

下载: 全尺寸图片幻灯片

图 4 多模态融合辨识方法网络结构

Fig. 4 Network architecture of multimodal fusion methods

下载: 全尺寸图片幻灯片

图 6 NACA0012试验模型

Fig. 6 NACA0012 test model

下载: 全尺寸图片幻灯片

图 7 NACA0012翼型结冰情况

Fig. 7 NACA0012 Airfoil icing

下载: 全尺寸图片幻灯片

图 8 3种工况下的NACA0012翼型结冰冰形图像

Fig. 8 The NACA0012 airfoil is frozen in 3 operating conditions

下载: 全尺寸图片幻灯片

表 1 结冰工况参数设置

Table 1 Icing parameter setting

参数	取值
迎角α/（°）	0，3
来流速度v/（m·s⁻¹）	80，100
来流温度T/（℃）	−30，−20，−10
液态水含量LWC/（g·m⁻³）	0.1～1.0
水滴平均体积直径MVD/μm	20～100
结冰时长t/s	1350

下载: 导出CSV

表 2 测试集1的结冰工况

Table 2 Test set 1 icing conditions

算例	迎角 /（°）	来流速度 /（m·s⁻¹）	来流温度/（℃）	结冰时长/s	水滴平均体积直径/μm	液态水含量 /（g·m⁻³）
a	0	80	−20	1350	20	0.25
b	3	80	−30	1350	26	0.61
c	0	100	−20	1350	26	0.76
d	3	80	−20	1350	38	0.91
e	0	80	−10	1350	47	0.76
f	0	80	−20	1350	56	0.94
g	3	100	−10	1350	65	0.25
h	0	80	−30	1350	74	0.40
i	3	80	−30	1350	89	0.22

下载: 导出CSV

表 3 测试集2的结冰工况

Table 3 Test set 2 icing conditions

算例	迎角 /（°）	来流速度 /（m·s⁻¹）	来流温度/（℃）	结冰时长/s	水滴平均体积直径/μm	液态水含量 /（g·m⁻³）
a	0	67.1	−23	1500	20	0.50
b	3	67.1	−23	1500	20	0.50
c	3	67.1	−7	1500	20	0.50

下载: 导出CSV

表 4 测试集1的MVD与LWC辨识结果及满度误差

Table 4 Test set 1 MVD and LWC identification results and errors

算例	MVD_T/μm	MVD_P/μm	MVD_e	LWC_T/（g·m⁻³）	LWC_P/（g·m⁻³）	LWC_e
a	20	20.410	0.51%	0.25	0.251	0.11%
b	26	27.891	2.36%	0.61	0.612	0.22%
c	26	27.699	2.12%	0.76	0.756	0.44%
d	38	38.634	0.79%	0.91	0.898	1.33%
e	47	46.579	0.53%	0.76	0.745	1.67%
f	56	56.677	0.85%	0.94	0.921	2.11%
g	65	65.396	0.50%	0.25	0.251	0.11%
h	74	74.582	0.73%	0.40	0.392	0.89%
i	89	89.623	0.78%	0.22	0.224	0.44%

下载: 导出CSV

表 5 测试集2的MVD与LWC辨识结果及满度误差

Table 5 Test set 2 MVD and LWC identification results and errors

算例	MVD_T/μm	MVD_P/μm	MVD_e	LWC_T/（g·m⁻³）	LWC_P/（g·m⁻³）	LWC_e
a	20	22.713	3.39%	0.50	0.528	3.11%
b	20	23.504	4.38%	0.50	0.562	6.89%
c	20	23.269	4.08%	0.50	0.541	4.56%

下载: 导出CSV

表 6 测试集3的试验工况

Table 6 Test set 3 icing conditions

工况	迎角/（°）	来流速度/（m·s⁻¹）	来流温度/（℃）	结冰时长/s	水滴平均体积直径/μm	液态水含量/（g·m⁻³）
a	0	67.1	−23	1500	20	0.50
b	3	67.1	−23	1500	20	0.50
c	3	67.1	−7	1500	20	0.50

下载: 导出CSV

表 7 测试集3的MVD与LWC辨识结果及满度误差

Table 7 Test set 3 MVD and LWC identification results and errors

算例	MVD_T/μm	MVD_P/μm	MVD_e	LWC_T/（g·m⁻³）	LWC_P/（g·m⁻³）	LWC_e
a	20	24.142	5.17%	0.50	0.552	5.78%
b	20	25.129	6.41%	0.50	0.601	11.20%
c	20	23.864	4.83%	0.50	0.578	8.67%

下载: 导出CSV

参考文献(18)

[1]	郭向东,张平涛,赵照,等. 大型结冰风洞云雾场适航应用符合性验证[J]. 航空学报,2020,41(10):123879. DOI: 10.7527/S1000-6893.2020.23879 GUO X D,ZHANG P T,ZHAO Z,et al. Airworthiness application compliance verification of cloud flowfield in large icing wind tunnel[J]. Acta Aeronautica et Astronautica Sinica,2020,41(10):123879. doi: 10.7527/S1000-6893.2020.23879
[2]	战培国. 结冰风洞校准标准研究[J]. 标准科学,2020(5):87-90. DOI: 10.3969/j.issn.1674-5698.2020.05.014 ZHAN P G. Research on standards of icing wind tunnel calibration[J]. Standard Science,2020(5):87-90. doi: 10.3969/j.issn.1674-5698.2020.05.014
[3]	周靓,战培国,王梓旭. 结冰风洞云雾场校准标准初探[J]. 标准科学,2020(9):94-98. DOI: 10.3969/j.issn.1674-5698.2020.09.019 ZHOU L,ZHAN P G,WANG Z X. Preliminary study on calibration standard of cloud field in icing wind tunnel[J]. Standard Science,2020(9):94-98. doi: 10.3969/j.issn.1674-5698.2020.09.019
[4]	易贤,桂业伟,肖春华,等. 结冰风洞液态水含量测量方法研究[J]. 科技导报,2009,27(21):86-90. DOI: 10.3321/j.issn:1000-7857.2009.21.018 YI X,GUI Y W,XIAO C H,et al. A method of liquid water content measurement in icing wind tunnel[J]. Science & Technology Review,2009,27(21):86-90. doi: 10.3321/j.issn:1000-7857.2009.21.018
[5]	赖庆仁,郭龙,李明,等. 结冰风洞液态水含量测量装置设计与实现[J]. 空气动力学学报,2016,34(6):750-755. DOI: 10.7638/kqdlxxb-2015.0137 LAI Q R,GUO L,LI M,et al. Design and implementation of the device for liquid water content measurement in icing wind tunnel[J]. Acta Aerodynamica Sinica,2016,34(6):750-755. doi: 10.7638/kqdlxxb-2015.0137
[6]	战培国. 结冰云小水滴粒径测量设备综述[J]. 测控技术,2020,39(6):1-7. DOI: 10.19708/j.ckjs.2020.04.217 ZHAN P G. Review of measuring instruments for water droplet sizing in icing clouds[J]. Measurement & Control Technology,2020,39(6):1-7. doi: 10.19708/j.ckjs.2020.04.217
[7]	HOVENAC E, IDE R. Performance of the forward scattering spectrometer probe in NASA's Icing Research Tunnel[C]// Proc of the 27th Aerospace Sciences Meeting. 1989: 769. doi: 10.2514/6.1989-769
[8]	VECCHIONE L, DE MATTEIS P. An overview of the CIRA icing wind tunnel[C]//Proc of the 41st Aerospace Sciences Meeting and Exhibit. 2003: 900. doi: 10.2514/6.2003-900
[9]	王梓旭,沈浩,郭龙,等. 3m×2m结冰风洞云雾参数校测方法[J]. 实验流体力学,2018,32(2):61-67. DOI: 10.11729/syltlx20170163 WANG Z X,SHEN H,GUO L,et al. Cloud calibration method of 3m×2m icing wind tunnel[J]. Journal of Experiments in Fluid Mechanics,2018,32(2):61-67. doi: 10.11729/syltlx20170163
[10]	AC-9C Aircraft Icing Technology Committee. Calibration and acceptance of icing wind tunnels[R/OL]. SAE International[2022-06-24]. https://www.sae.org/content/arp5905. doi: 10.4271/ARP5905
[11]	何俊,张彩庆,李小珍,等. 面向深度学习的多模态融合技术研究综述[J]. 计算机工程,2020,46(5):1-11. DOI: 10.19678/j.issn.1000-3428.0057370 HE J,ZHANG C Q,LI X Z,et al. Survey of research on multimodal fusion technology for deep learning[J]. Computer Engineering,2020,46(5):1-11. doi: 10.19678/j.issn.1000-3428.0057370
[12]	易贤,王强,柴聪聪,等. 基于深度神经网络的飞机结冰冰形预测模型[J]. 南京航空航天大学学报(英文版),2021,38(4):535-544. DOI: 10.16356/j.1005-1120.2021.04.001 YI X,WANG Q,CHAI C C,et al. Prediction model of aircraft icing based on deep neural network[J]. Transactions of Nanjing University of Aeronautics and Astronautics,2021,38(4):535-544. doi: 10.16356/j.1005-1120.2021.04.001
[13]	易贤,朱国林,王开春,等. 翼型积冰的数值模拟[J]. 空气动力学学报,2002,20(4):428-433. DOI: 10.3969/j.issn.0258-1825.2002.04.009 YI X,ZHU G L,WANG K C,et al. Numerically simulating of ice accretion on airfoil[J]. Acta Aerodynamica Sinica,2002,20(4):428-433. doi: 10.3969/j.issn.0258-1825.2002.04.009
[14]	柴聪聪,王强,易贤,等. 基于卷积神经网络的结冰翼型气动参数预测[J]. 飞行力学,2021,39(5):13-18. DOI: 10.13645/j.cnki.f.d.20210811.001 CHAI C C,WANG Q,YI X,et al. Aerodynamic parameters prediction of airfoil ice accretion based on convolutional neural network[J]. Flight Dynamics,2021,39(5):13-18. doi: 10.13645/j.cnki.f.d.20210811.001
[15]	柴聪聪,易贤,郭磊,等. 基于BP神经网络的冰形特征参数预测[J]. 实验流体力学,2021,35(3):16-21. DOI: 10.11729/syltlx20200016 CHAI C C,YI X,GUO L,et al. Prediction of ice shape characteristic parameters based on BP nerual network[J]. Journal of Experiments in Fluid Mechanics,2021,35(3):16-21. doi: 10.11729/syltlx20200016
[16]	HUBER P J. Robust estimation of a location parameter[J]. The Annals of Mathematical Statistics,1964,35(1):73-101. doi: 10.1214/aoms/1177703732
[17]	JAMES G, WITTEN D, HASTIE T, et al. An introduction to statistical learning: with Applications in R[M]. New York: Springer, 2013.
[18]	易贤,郭龙,符澄,等. 结冰风洞试验段水滴分布特性分析[J]. 实验流体力学,2016,30(3):2-7,1. DOI: 10.11729/syltlx20160034 YI X,GUO L,FU C,et al. Analysis of water droplets distribution in the test section of an icing wind tunnel[J]. Journal of Experiments in Fluid Mechanics,2016,30(3):2-7,1. doi: 10.11729/syltlx20160034

施引文献

资源附件(0)

图(8) / 表(7)

计量

文章访问数: 258
HTML全文浏览量: 160
PDF下载量: 19
被引次数: 0

0 引　言
1 多模态融合辨识方法总体流程
2 仿真分析
2.1 数据生成、预处理及网络设置
2.1.1 数据生成
2.1.2 数据预处理
2.1.3 网络训练及参数设置
2.2 融合比例影响分析
2.2.1 融合比例影响规律分析
2.3 仿真验证
3 试验验证
4 结　论

基于多模态融合的结冰风洞云雾参数辨识方法

作者简介: 谢腾: （1999—），男，四川德阳人，硕士研究生。研究方向：深度学习技术，结冰风洞云雾参数辨识技术。通信地址：四川省绵阳市涪城区二环路南段6号（621000）。E-mail：oxteng@qq.com

通讯作者: 易贤: E-mail：yixian_2000@163.com

计量

出版历程

Ice cloud parameter identification method in icing wind tunnel based on multimodal fusion

0 引 言

1 多模态融合辨识方法总体流程

2 仿真分析

2.1 数据生成、预处理及网络设置

2.1.1 数据生成

2.1.2 数据预处理

2.1.3 网络训练及参数设置

2.2 融合比例影响分析

2.2.1 融合比例影响规律分析

2.3 仿真验证

3 试验验证

4 结 论

计量

出版历程

目录

0 引 言

1 多模态融合辨识方法总体流程

2 仿真分析

2.1 数据生成、预处理及网络设置

2.1.1 数据生成

2.1.2 数据预处理

2.1.3 网络训练及参数设置

2.2 融合比例影响分析

2.2.1 融合比例影响规律分析

2.3 仿真验证

3 试验验证

4 结 论

作者简介:
谢腾: （1999—），男，四川德阳人，硕士研究生。研究方向：深度学习技术，结冰风洞云雾参数辨识技术。通信地址：四川省绵阳市涪城区二环路南段6号（621000）。E-mail：oxteng@qq.com

通讯作者:
易贤: E-mail：yixian_2000@163.com

0 引　言

4 结　论

0 引　言

4 结　论