一种基于深度学习的多风速仪舰面稳态风参数估计方法

1.本发明涉及的是一种水平风向、风速参数估计方法，具体地说是舰面稳态自由来流的水平风向、风速参数估计方法。


背景技术：

2.现有文献最初提出的是基于风速仪测量参数进行偏差校正的方法，需要先获取风速仪传感器测量值，计算出风参数的测量偏差，再对不同条件下的舰船风速仪测量值进行偏差校正。blanc等人从1986年开始研究应用查表法针对舰船桅杆顶部附近处的单点风速仪测量值进行修正，并验证了该方法在理想环境条件假设下的有效性。近年来，polsky等人首先利用cfd数值模拟预测舰船桅杆附近处风速仪的可用范围，进而提出了利用风速仪实测值确定指示舰载机飞行操作可用风向范围的ape策略。在此基础上，thornhill等人进而提出了abm策略，首先对风速仪偏差的量化测量数据进行质量控制，后在得到的风速仪可用风向范围内进行偏差校正，提高了舰面风场的风参数测量数据的精度。近年来也有学者提出了新的算法策略，利用风速仪实测参数进行舰面稳态自由来流的水平风向、风速参数估计。2018年，李盼飞利用cfd数值模拟仿真舰船桅杆处的气流分布情况，应用最优加权融合与神经网络算法实现了舰面稳态风参数的最优估计。2020年，孟琳琳在李盼飞研究的基础上展开了进一步的研究，首先增加仿真过程中舰船桅杆处风速仪选点，后通过多传感器融合与最小二乘法支持向量机方法进行风速风向的估计。2021年张玉莹等人提出基于雷达测风组合策略的多传感器融合风速风向估计方法，该方法引入雷达测风方法与现有多风速仪风场融合估计方法相结合，提高了风速风向的估计精度。2022年zhang等人提出faf-bc算法，该方法在abm策略的基础上再应用最优估计策略对四个风速仪的测量值进行联合估计，结果表明与双风速仪算法(dat)相比风速和风向误差精度均有明显提升。
3.现有的偏差校正组合多风速仪加权融合算法(faf-bc)未能有效提高风参数的估计精度。


技术实现要素：

4.本发明的目的在于提供在对风参数测量数据偏差校正的基础上利用bp神经网络进行舰面稳态风参数估计的一种基于深度学习的多风速仪舰面稳态风参数估计方法。
5.本发明的目的是这样实现的：
6.本发明一种基于深度学习的多风速仪舰面稳态风参数估计方法，其特征是：
7.(1)离线获取风参数偏差规律：离线展开获取风参数测量值实验，对船舶桅杆部分建立物理模型，并对该模型进行网格划分、边界条件设定以及数值仿真计算，通过cfd计算软件获取不同位置处风速仪的风参数仿真数据，在规定风向范围内对风速仪风速值以固定步长逐一分组，应用该仿真数据分析不同位置处风速仪的风速偏差与风向偏差规律，对各个风速仪所在位置处的风参数仿真数据进行风参数偏差规律拟合；
8.(2)离线进行bp神经网络模型训练：离线展开bp神经网络模型的训练，将偏差校正
后的不同位置处风速仪风场仿真数据作为bp神经网络的输入学习样本，将真风场数据作为输出学习样本，并对输入和输出量进行归一化处理，通过对网络层数、网络激励函数、各层节点数、训练次数、误差目标、学习速率参数初始化，计算各层输入和输出值，根据正向传播及误差信号的反向传播两个过程不断交替优化各层的权值、阈值，最终使输出达到预期效果，完成bp神经网络模型的训练；
9.(3)偏差校正：在线读取不同位置处风速仪风速和风向实测数据，根据测量相对风向值查找不同位置处风速仪的风速偏差与风向偏差值，将无穷远处自由来流真风速和真风向、风速偏差值、风向偏差值作为步骤(1)中离线获得的风参数偏差规律曲线的输入量，对不同位置处风速仪风参数数据偏差校正；
10.(4)风参数最优估计：将步骤(3)获取的校正后的风速和风向数据作为步骤(2)中离线已完成训练的bp神经网络模型的输入数据，根据该模型估计最优的舰面稳态风速与风向数据。
11.本发明还可以包括：
12.1、步骤1具体包括：
13.(1.1)离线通过cfd数值模拟舰面桅杆附近不同位置处风速仪风参数测量值，建立舰面桅杆部分的计算模型以及对计算模型进行网格划分，设定计算区域的入口与出口条件，作为流体力学与湍流模型的控制方程的输入，输出舰面桅杆附近不同位置处风速仪的风场仿真数据；
14.(1.2)根据步骤1.1得到舰面桅杆附近不同位置处风速仪的风速值和风向值作为偏差校正的基础数据，根据无穷远处自由来流真风向和真风速信息分析i个不同位置处风速仪的风向偏差与风速偏差规律，其中i＝1，2，...，n；
[0015][0016][0017]
(1.3)根据步骤1.2得到的不同位置处风速仪的风参数偏差规律，截取不同位置处风速仪的可用风向角度，在该角度范围内选取风速与风向偏差数据；
[0018]
(1.4)根据步骤1.3得到的风速与风向偏差数据，拟合不同位置处风速仪的测量相对风向与风速偏差、风向偏差的规律。
[0019]
2、步骤2具体包括：
[0020]
(2.1)将校正后不同位置处风速仪的仿真风参数测量值与无穷远处自由来流真风参数作为bp神经网络的输入学习样本，一组最优估计风参数作为bp神经网络的输出；
[0021]
(2.2)对bp网络结构进行设计，初始化最大训练次数、误差目标、初始学习速率，计算并选择网络层数、网络激励函数、各层节点数、误差选择，其中选用含有b个隐含层的网络，输入层节点数选取为m，输出层节点选取为l，则隐含层的节点数为q，经验公式如下式所示：
[0022][0023]
bp神经网络训练模型分为两个过程，一个是工作信号正向传递过程，另一个是误
差信号反向传递过程，其结构中包含了输入层、隐含层和输出层三层结构，节点个数分别为m、q、l；
[0024]
在正向传递过程中，每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈值以及激活函数来实现的，隐含层节点i的输入neti如下式所示：
[0025][0026]
其中，隐含层节点i到输入层节点j之间的权值为w
ij
，输入层节点j的输入为xj，隐含层节点i的阈值为θi，隐含层节点i的输出yi如下式所示：
[0027][0028]
其中，φ(x)表示隐含层的激励函数，w
ki
表示输出层节点k到隐含层节点i之间的权值，ak表示输出层节点k的阈值，ψ(x)表示输出层的激励函数，ok表示输出层节点k的输出，输出层第k个节点的输入netk和输出ok如下式所示：
[0029][0030][0031]
bp网络在误差信号反向传递过程中，通过采用误差梯度下降法反复修正权值和阈值，使得误差函数值达到最小，设样本总数为p，则第p个样本的误差e
p
如下式所示：
[0032][0033]
其中，tk为样本的期望输出，通过上式求得所有样本的误差，如下式所示：
[0034][0035]
通过对输出层权值w
ki
和隐含层权值w
ij
的修正，最终使样本总误差e满足精度要求，输出层权值的修正量δw
ki
如下式所示：
[0036]
[0037][0038]
其中，η为学习率，隐含层权值的修正量δw
ij
如下式所示：
[0039][0040]
(2.3)根据步骤(2.2)所设计的bp网络结构模型，计算输出层数据与期望数据的误差，修正各层的权值和阈值，直至输出达到预期效果，完成bp神经网络训练模型的建立。
[0041]
3、步骤3具体包括：
[0042]
(3.1)在线读取n个不同位置处风速仪风速测量值和风向测量值根据测量相对风向值查找n个不同位置处风速仪的风向偏差与风速偏差其中i＝1，2，...，n，n为不同位置处风速仪序号；
[0043]
(3.2)根据真风向风速仪风速测量值风向测量值风向偏差值风速偏差值计算校正后的风速仪风向测量值与风速测量值
[0044][0045][0046]
4、步骤4具体包括：
[0047]
(4.1)获取步骤(3.2)中计算的校正后n个不同位置处的风速仪风向测量值与风速测量值输入已完成训练的bp神经网络模型；
[0048]
(4.2)根据步骤(4.1)获取bp神经网络的输出值，将输出风向估计值作为最优风向估计输出，输出风速估计值作为本最优风速估计输出。
[0049]
本发明的优势在于：本发明不但可以很好的降低偏差校正组合四风速仪加权融合算法的风速相对误差均值，还大幅度的降低了该误差最值，而且该方法受传感器噪声的影响更小，一定程度上提高了风向和风速的估计精度，能够更加有效的进行舰面稳态风参数的估计。
附图说明
[0050]
图1为本发明的流程图；
[0051]
图2为简易物理模型结构图；
[0052]
图3为风速仪布置位置示意图；
[0053]
图4为物理模型的网格划分图；
[0054]
图5为数值模拟计算流程图；
[0055]
图6为不同位置处风速仪的风向偏差与风速偏差规律图；
[0056]
图7为不同位置处风速仪的风向偏差与风速偏差规律拟合图；
[0057]
图8为bp网络各样本均方误差及相关系数图；
[0058]
图9为理想仿真条件下偏差校正组合四风速仪加权融合算法效果图；
[0059]
图10为理想仿真条件下bp神经网络的多风速仪偏差校正算法效果图；
[0060]
图11为风速仪噪声条件下偏差校正组合四风速仪加权融合算法效果图；
[0061]
图12为风速仪噪声条件下bp神经网络的多风速仪偏差校正算法效果图。
具体实施方式
[0062]
下面结合附图举例对本发明做更详细地描述：
[0063]
结合图1-12本发明步骤如下：
[0064]
步骤1，离线获取风参数偏差规律：离线展开获取风参数测量值实验，对舰船桅杆部分建立物理模型，并对该模型进行网格划分、边界条件设定以及数值仿真计算，通过cfd计算软件获取不同位置处风速仪的风参数仿真数据。在规定风向范围内对风速仪风速值以固定步长逐一分组，应用该仿真数据分析不同位置处风速仪的风速偏差与风向偏差规律，对各个风速仪所在位置处的风参数仿真数据进行风参数偏差规律拟合。
[0065]
步骤2，离线进行bp神经网络模型训练：离线展开bp神经网络模型的训练，将偏差校正后的不同位置处风速仪风场仿真数据作为bp神经网络的输入学习样本，将真风场数据作为输出学习样本，并对输入和输出量进行归一化处理。通过对网络层数、网络激励函数、各层节点数、训练次数、误差目标、学习速率等参数初始化，计算各层输入和输出值。根据正向传播及误差信号的反向传播两个过程不断交替优化各层的权值、阈值，最终使输出达到预期效果，完成bp神经网络模型的训练。
[0066]
步骤3，偏差校正：在线读取多个不同位置处风速仪风速和风向实测数据，根据测量相对风向值查找多个不同位置处风速仪的风速偏差与风向偏差值，将无穷远处自由来流真风速和真风向、风速偏差值、风向偏差值作为步骤1中离线获得的风参数偏差规律曲线的输入量，对多个不同位置处风速仪风参数数据偏差校正。
[0067]
步骤4，风参数最优估计：将步骤3获取的校正后的风速和风向数据作为步骤2中离线已完成训练的bp神经网络模型的输入数据，根据该模型估计最优的舰面稳态风速与风向数据。
[0068]
所述步骤1包括以下步骤：
[0069]
步骤1.1，离线通过cfd数值模拟舰面桅杆附近不同位置处风速仪风参数测量值，建立舰面桅杆部分的计算模型以及对计算模型进行网格划分，设定计算区域的入口与出口条件，作为流体力学与湍流模型的控制方程的输入，输出舰面桅杆附近不同位置处风速仪的风场仿真数据；
[0070]
步骤1.2，根据步骤1.1得到舰面桅杆附近不同位置处风速仪的风速值和风向值作为偏差校正的基础数据，根据无穷远处自由来流真风向和真风速信息分析i个不同位置处风速仪的风向偏差与风速偏差规律，其中i＝1，2，...，n；
[0071]
[0072][0073]
步骤1.3，根据步骤1.2得到的不同位置处风速仪的风参数偏差规律，截取不同位置处风速仪的可用风向角度，在该角度范围内选取风速与风向偏差数据；
[0074]
步骤1.4，根据步骤1.3得到的风速与风向偏差数据，拟合不同位置处风速仪的测量相对风向与风速偏差、风向偏差的规律。
[0075]
所述步骤2包括以下步骤：
[0076]
步骤2.1，将校正后不同位置处风速仪的仿真风参数测量值与无穷远处自由来流真风参数作为bp神经网络的输入学习样本，一组最优估计风参数作为bp神经网络的输出；
[0077]
步骤2.2，对bp网络结构进行设计，初始化最大训练次数、误差目标、初始学习速率等，计算并选择网络层数、网络激励函数、各层节点数、误差选择，其中选用含有b个隐含层的网络，输入层节点数选取为m，输出层节点选取为l，则隐含层的节点数为q，经验公式如下式所示：
[0078][0079]
bp神经网络训练模型分为两个过程，一个是工作信号正向传递过程，另一个是误差信号反向传递过程。其结构中包含了输入层、隐含层和输出层三层结构，节点个数分别为m、q、l。
[0080]
在正向传递过程中，每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈值以及激活函数来实现的。隐含层节点i的输入neti如下式所示：
[0081][0082]
其中，隐含层节点i到输入层节点j之间的权值为w
ij
，输入层节点j的输入为xj，隐含层节点i的阈值为θi。隐含层节点i的输出yi如下式所示：
[0083][0084]
其中，φ(x)表示隐含层的激励函数。w
ki
表示输出层节点k到隐含层节点i之间的权值，ak表示输出层节点k的阈值，ψ(x)表示输出层的激励函数，ok表示输出层节点k的输出。输出层第k个节点的输入netk和输出ok如下式所示：
[0085][0086][0087]
然而，bp网络在误差信号反向传递过程中，通过采用误差梯度下降法反复修正权值和阈值，使得误差函数值达到最小。设样本总数为p，则第p个样本的误差e
p
如下式所示：
[0088][0089]
其中，tk为样本的期望输出。通过上式可求得所有样本的误差，如下式所示：
[0090][0091]
通过对输出层权值w
ki
和隐含层权值w
ij
的不断修正，最终使样本总误差e满足精度要求，输出层权值的修正量δw
ki
如下式所示：
[0092][0093]
其中，η为学习率。隐含层权值的修正量δw
ij
如下式所示：
[0094][0095]
步骤2.3，根据2.2所设计的bp网络结构模型，计算输出层数据与期望数据的误差，不断修正各层的权值和阈值，直至输出可达到预期效果，完成bp神经网络训练模型的建立。
[0096]
所述步骤3包括以下步骤：
[0097]
步骤3.1，在线读取n个不同位置处风速仪风速测量值和风向测量值根据测量相对风向值查找n个不同位置处风速仪的风向偏差与风速偏差其中i＝1，2，...，n，n为不同位置处风速仪序号。
[0098]
步骤3.2，根据真风向风速仪风速测量值风向测量值风向偏差值风速偏差值计算校正后的风速仪风向测量值与风速测量值其中i＝1，2，...，n。
[0099][0100][0101]
所述步骤4包括以下步骤：
[0102]
步骤4.1，获取上述步骤3.2中计算的校正后n个不同位置处的风速仪风向测量值
与风速测量值输入上述步骤2.3中已完成训练的bp神经网络模型。
[0103]
步骤4.2，根据上述步骤4.1获取bp神经网络的输出值，将输出风向估计值作为本发明方法的最优风向估计输出，输出风速估计值作为本发明方法的最优风速估计输出。
[0104]
本发明实施所用的风传感器型号是model-05103，风向偏差为3
°
，风速偏差为0.3m/s。此外，本发明使用cfd对舰船的表面风场进行数值模拟，选取x＝0.0m以及x＝-4.6m位置的横桁，并从横桁的+3m和-3m处向外扩散，以1m为间隔每侧各选取6个测风点，这样一共选取了24个测风点。将真风速从3m/s到15m/s分为工况a、b、c、d、e这5种工况，每次递增3m/s；对于每种工况，各均匀取72个风向角(从0
°
风开始每5
°
风递增直到360
°
)作为输入真风向。因此仿真数据中，每个测风点的数据为360组(每组数据包含一对风向风速值)，24个测风点共计8640组舰面稳态风场输入条件下的风场仿真数据，作为本发明中舰面稳态风向、风速估计技术的基础数据。
[0105]
第一步为离线获取风参数偏差规律：
[0106]
步骤1.1，离线通过cfd计算软件fluent 15.0数值模拟舰面桅杆附近不同位置处风速仪风参数测量值，利用proe软件建立舰面桅杆部分的简易计算物理模型，见附图2。本例采用的舰面桅杆附近处风速仪的不同位置见附图3，数量为4个。采用icem方法对计算模型进行网格划分，见附图4，其中图4(左侧)为计算区域及全体流场整体网格示意图，图4(右侧)为计算区域局部网格图。设定计算区域的入口与出口条件分别为风速入口与压力出口。计算区域的边界条件设定为无滑移壁面，其他区域设定为自由滑移壁面。上述条件作为流体力学与湍流模型的控制方程的输入，输出舰面桅杆附近不同位置处风速仪的风场仿真数据，数值模拟的计算流程见附图5；
[0107]
步骤1.2，根据步骤1.1得到舰面桅杆附近n个不同位置处风速仪的风速值和风向值作为偏差校正的基础数据，本例中n＝4。根据无穷远处自由来流真风向和真风速信息分析0
°
～360
°
的风向范围内4个不同位置处风速仪的风向偏差与风速偏差规律，其中i＝1，2，...，4。得到的风向偏差与风速偏差规律见附图6。
[0108][0109][0110]
步骤1.3，根据步骤1.2得到的n个不同位置处风速仪0
°
～360
°
的风参数偏差规律，截取n个不同位置处风速仪风速偏差与风向偏差值相对较小的可用风向角度范围，本例中n＝4。监测点a的选取范围为0
°
～225
°
，监测点b的选取范围为0
°
～220
°
，监测点c的选取范围为140
°
～360
°
，监测点d的选取范围为145
°
～360
°
，在这些角度范围内选取风速与风向偏差数据；
[0111]
步骤1.4，根据步骤1.3得到的风速与风向偏差数据，分别拟合n个不同位置处风速仪的测量相对风向与风速偏差、风向偏差的规律，见附图7，本例中n＝4。
[0112]
第二步为离线进行bp神经网络模型训练。包括以下步骤：
[0113]
步骤2.1，本例中n＝4，将步骤1校正后同一时刻内4组不同位置处风速仪的仿真风参数信息和1组无穷远处自由来流真风速和真风向信息作为一组样本，其中包含了4个测量风向输入、4个测量风速输入、1个最优估计风向输出和1个最优估计风速输出，共计365组样本。选用其中70％组数据进行训练，选用15％组数据作为验证数据，15％组数据作为测试数据。
[0114]
步骤2.2，对bp网络结构进行设计，最大训练次数设置为5000，期望均方误差mse设置为10-4
，各节点阈值和权值随机选取，采用levenberg-marquardt算法作为数值优化方法。选用含有b个隐含层的bp网络结构，b＝1，将tansing函数作为隐含层的激励函数，输出层的激励函数则选择purelin函数，两个公式如下所示：
[0115]
tansing(x)＝φ(x)＝2/(1+e-2x
)-1
[0116][0117]
bp神经网络中不同的学习算法会对网络的训练效果及输出结果产生不同的影响，常用的学习包括梯度下降法(traingd)、带动量因子的梯度下降法(traingdm)、带自适应学习率的梯度下降法(trainda)和带动量因子和自适应学习率的梯度下降法(traindx)。通过对不同训练函数的学习结果进行试验得出traingdx不仅收敛精度很好而且解决了收敛速度慢的问题，因此，本例bp神经网络模型的建立选择的训练函数为traingdx。本发明实施例中最优训练结果对应的学习速率为0.5，动量因子为0.95。
[0118]
根据2.1设定的bp网络参数，本例输入层节点数选取为m＝8，输出层节点选取为l＝2，则隐含层的节点数为q，a为经验常数，通常选取1～10之间的常数。通过多次试验，本实施例当隐含层节点数为12时拟合效果相对最优，因此本例中将隐含层节点设置为12个。经验公式如下式所示：
[0119][0120]
那么，bp神经网络正向传播过程中隐含层第i个节点的输入neti和输出yi如下式所示：
[0121][0122][0123]
输出层第k个节点的输入netk和输出ok如下式所示：
[0124][0125][0126]
bp网络中误差信号逆向传播过程中，本例设样本总数为p＝256，则第p个样本的误差e
p
如下式所示，p＝1，...，256，本发明选取均方误差mse作为衡量拟合优劣的指标。其公
式如下式所示：
[0127][0128]
通过对输出层权值w
ki
和隐含层权值w
ij
的不断修正，最终使样本总误差e满足精度要求，输出层权值的修正量δw
ki
如下式所示：
[0129][0130]
其中，η为学习率，本例η＝0.5。隐含层权值的修正量δw
ij
如下式所示：
[0131][0132]
步骤2.3，根据2.2所设计的bp网络结构模型，计算输出层数据与期望数据的误差，通过正向传播和逆向传播不断交替来修正各层的权值和阈值，直至输出可达到mse＜ε的预期效果，本例ε＝10-4
。各样本的均方误差及相关系数图见附图8，完成bp神经网络模型的建立。
[0133]
第三步为偏差校正。包括以下步骤：
[0134]
步骤3.1，在线读取n个不同位置处风速仪风速测量值和风向测量值n为不同位置处风速仪序号，本例中i＝1，2，...，n，n＝4。本例选取监测点a、b、c、d的测量相对风向值分别为139.49
°
、150.14
°
、135.39
°
、147.91
°
，测量相对风速值分别为7.87m/s、5.92m/s、7.04m/s、5.66m/s。根据不同位置处的测量相对风向值查找不同位置处风速仪的风向偏差与风速偏差本例中风向偏差分别为-5.05、4.87、-6.05、2.70，风速偏差为1.14、0.99、1.06、0.95。
[0135]
步骤3.2，根据真风向风速仪风速测量值风向测量值风向偏差值风速偏差值计算校正后的风速仪风向测量值与风速测量值其中i＝1，2，...，n，n＝4。
[0136][0137][0138]
那么，根据上式计算得到本例校正后的n个不同位置处的风向值分别为144.54
°
、145.27
°
、141.44
°
、145.21
°
，校正后的n个不同位置处的风速值分别为6.90m/s、5.98m/s、6.64m/s、5.96m/s，其中n＝4。
[0139]
第四步为风参数最优估计。包括以下步骤：
[0140]
步骤4.1，分别获取上述步骤3.2中计算的校正后n个不同位置处的风速仪风向测量值与风速测量值本例中i＝1,2,
…
,n,n＝4。输入上述步骤2.3中已完成训练的bp神经网络模型。本例中将监测点a、b、c、d已校正后的风向测量值144.54
°
、145.27
°
、141.44
°
、145.21
°
以及已校正后的风速测量值6.90m/s、5.98m/s、6.64m/s、5.96m/s作为bp神经网络的输入样本数据。
[0141]
步骤4.2，根据上述步骤4.1获取bp神经网络的输出值，本例中输出的风向估计值为145.13
°
，输出的风速估计值为6.00m/s。将该模型输出的风向估计值以及风速估计值作为本发明方法的最优风参数估计输出。
[0142]
通过仿真结果表明，本发明相较于偏差校正组合四风速仪加权融合算法的结果更好，因此利用偏差校正组合四风速仪加权融合算法与本发明在理想仿真条件与传感器噪声条件下进行了对比，选用风向绝对误差mae与风速相对误差mre的均值与最值作为验证算法性能的指标。
[0143]
附图9为在理想仿真条件下5种工况下(工况a-e的标准风速分别为3m/s、6m/s、9m/s、12m/s、15m/s)偏差校正组合四风速仪加权融合算法效果图，横坐标代表无扰动相对风向值。图9(左侧)为风速相对误差曲线图，图中可以看到在无扰动相对风向0
°
到180
°
的范围内，大部分的风速相对误差值分布在3％至10％之间，小部分的误差值分布超过10％，最大风速相对误差约为17％。此外，不同工况下，该算法的风速相对误差规律趋势保持一致。图9(右侧)为风向绝对误差曲线图，可以观察到图中在大部分无扰动相对风向角度下的风向绝对误差值分布在3
°
以下。此外，在不同工况下，该算法的风向绝对误差规律趋势也保持较好的一致性。
[0144]
附图10为在理想仿真条件下基于bp神经网络的多风速仪偏差校正算法的效果图，图10(左侧)为风速相对误差曲线图，其中风速相对误差值大部分分布在4％以下，最大风速相对误差值约为10％。然而，在不同工况下，该算法的风速相对误差规律趋势大体一致，在无扰动相对风向0
°
到90
°
的范围内，误差规律出现较为明显的离散趋势，而90
°
到180
°
的范围内，这种规律离散的趋势逐渐减弱。图10(右侧)为风向绝对误差曲线图，只有在无扰动相对风向30
°
到80
°
范围内误差值较大，其他角度下误差值均在2
°
以下(除去奇点值)。同样地，在不同工况下，风向误差规律在90
°
到180
°
的范围内的离散趋势减弱。
[0145]
表一为在理想仿真条件下偏差校正组合四风速仪加权融合算法和bp神经网络的多风速仪偏差校正算法的误差对比。对于风速误差值，bp神经网络的多风速仪偏差校正算法相较于偏差校正组合四风速仪加权融合算法的风速相对误差均值整体提升了2.94％，最小值减小了7.72％，最大值减小了3.67％。对于风向误差值，基于bp神经网络的多风速仪偏
差校正算法相较于偏差校正组合四风速仪加权融合算法的风向绝对误差均值提升了0.44
°
，最小值减小了3.59
°
，最大值减小了0.05
°
。
[0146]
表一理想仿真条件下偏差校正组合四风速仪加权融合算法和基于bp神经网络的多风速仪偏差校正算法的误差对比
[0147][0148]
附图11为加入传感器噪声情况下的偏差校正组合四风速仪加权融合算法效果图，图11(左侧)为风速相对误差曲线图，在无扰动相对风向0
°
到180
°
的范围内，大部分的风速相对误差值分布在3％至10％之间，小部分的误差值分布超过10％，最大风速相对误差约为16％。此外，不同工况下，该算法的风速相对误差规律由于引入风速仪噪声呈现离散趋势。图11(右侧)为风向绝对误差曲线图，可以观察到图中在大部分无扰动相对风向角度下的风向绝对误差值分布在3
°
以下。此外，在不同工况下，该算法的风向绝对误差规律趋势大体一致。
[0149]
附图12为加入传感器噪声情况下基于bp神经网络的多风速仪偏差校正算法效果图，图12(左侧)为风速相对误差曲线图，其中风速相对误差值大部分分布在4％以下，最大风速相对误差值约为7％。然而，在不同工况下，该算法的风速相对误差规律也同样因为加入风速仪噪声而呈现离散趋势。图12(右侧)为风向绝对误差曲线图，大部分无扰动相对风向范围内误差值在2
°
以下。同样地，在不同工况下，风向误差规律仍保持良好的一致性。
[0150]
表二为加入风速仪噪声情况下偏差校正组合四风速仪加权融合算法和基于bp神经网络的多风速仪偏差校正算法的误差对比，对于风速误差值，基于bp神经网络的多风速仪偏差校正算法相较于偏差校正组合四风速仪加权融合算法的风速相对误差均值整体提升了3.65％，最小值减小了7.39％，最大值减小了8.37％。对于风向误差值，基于bp神经网络的多风速仪偏差校正算法相较于偏差校正组合四风速仪加权融合算法的风向绝对误差均值提升了0.38
°
，最小值减小了1.17
°
，最大值减小了2.01
°
。
[0151]
表二加入风速仪噪声情况下偏差校正组合四风速仪加权融合算法和基于bp神经网络的多风速仪偏差校正算法的误差对比
[0152][0153]
本发明提出基于bp神经网络的多风速仪偏差校正算法，是针对舰面稳态风场的风参数估计方法，相较于偏差校正组合四风速仪加权融合算法，该方法不但可以很好的降低
偏差校正组合四风速仪加权融合算法的风速相对误差均值，还大幅度的降低了该误差最值，而且该方法受风速仪噪声的影响更小，提高了风向和风速的估计精度，能够更加有效的进行舰面稳态风参数的估计。

技术特征：
1.一种基于深度学习的多风速仪舰面稳态风参数估计方法，其特征是：(1)离线获取风参数偏差规律：离线展开获取风参数测量值实验，对船舶桅杆部分建立物理模型，并对该模型进行网格划分、边界条件设定以及数值仿真计算，通过cfd计算软件获取不同位置处风速仪的风参数仿真数据，在规定风向范围内对风速仪风速值以固定步长逐一分组，应用该仿真数据分析不同位置处风速仪的风速偏差与风向偏差规律，对各个风速仪所在位置处的风参数仿真数据进行风参数偏差规律拟合；(2)离线进行bp神经网络模型训练：离线展开bp神经网络模型的训练，将偏差校正后的不同位置处风速仪风场仿真数据作为bp神经网络的输入学习样本，将真风场数据作为输出学习样本，并对输入和输出量进行归一化处理，通过对网络层数、网络激励函数、各层节点数、训练次数、误差目标、学习速率参数初始化，计算各层输入和输出值，根据正向传播及误差信号的反向传播两个过程不断交替优化各层的权值、阈值，最终使输出达到预期效果，完成bp神经网络模型的训练；(3)偏差校正：在线读取不同位置处风速仪风速和风向实测数据，根据测量相对风向值查找不同位置处风速仪的风速偏差与风向偏差值，将无穷远处自由来流真风速和真风向、风速偏差值、风向偏差值作为步骤(1)中离线获得的风参数偏差规律曲线的输入量，对不同位置处风速仪风参数数据偏差校正；(4)风参数最优估计：将步骤(3)获取的校正后的风速和风向数据作为步骤(2)中离线已完成训练的bp神经网络模型的输入数据，根据该模型估计最优的舰面稳态风速与风向数据。2.根据权利要求1所述的一种基于深度学习的多风速仪舰面稳态风参数估计方法，其特征是：步骤1具体包括：(1.1)离线通过cfd数值模拟舰面桅杆附近不同位置处风速仪风参数测量值，建立舰面桅杆部分的计算模型以及对计算模型进行网格划分，设定计算区域的入口与出口条件，作为流体力学与湍流模型的控制方程的输入，输出舰面桅杆附近不同位置处风速仪的风场仿真数据；(1.2)根据步骤1.1得到舰面桅杆附近不同位置处风速仪的风速值和风向值作为偏差校正的基础数据，根据无穷远处自由来流真风向和真风速信息分析i个不同位置处风速仪的风向偏差与风速偏差规律，其中i＝1,2,
…
,n；,n；(1.3)根据步骤1.2得到的不同位置处风速仪的风参数偏差规律，截取不同位置处风速仪的可用风向角度，在该角度范围内选取风速与风向偏差数据；(1.4)根据步骤1.3得到的风速与风向偏差数据，拟合不同位置处风速仪的测量相对风向与风速偏差、风向偏差的规律。3.根据权利要求1所述的一种基于深度学习的多风速仪舰面稳态风参数估计方法，其特征是：步骤2具体包括：
(2.1)将校正后不同位置处风速仪的仿真风参数测量值与无穷远处自由来流真风参数作为bp神经网络的输入学习样本，一组最优估计风参数作为bp神经网络的输出；(2.2)对bp网络结构进行设计，初始化最大训练次数、误差目标、初始学习速率，计算并选择网络层数、网络激励函数、各层节点数、误差选择，其中选用含有b个隐含层的网络，输入层节点数选取为m，输出层节点选取为l，则隐含层的节点数为q，经验公式如下式所示：bp神经网络训练模型分为两个过程，一个是工作信号正向传递过程，另一个是误差信号反向传递过程，其结构中包含了输入层、隐含层和输出层三层结构，节点个数分别为m、q、l；在正向传递过程中，每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈值以及激活函数来实现的，隐含层节点i的输入net
i
如下式所示：其中，隐含层节点i到输入层节点j之间的权值为w
ij
，输入层节点j的输入为x
j
，隐含层节点i的阈值为θ
i
，隐含层节点i的输出y
i
如下式所示：其中，φ(x)表示隐含层的激励函数，w
ki
表示输出层节点k到隐含层节点i之间的权值，a
k
表示输出层节点k的阈值，ψ(x)表示输出层的激励函数，o
k
表示输出层节点k的输出，输出层第k个节点的输入net
k
和输出o
k
如下式所示：如下式所示：bp网络在误差信号反向传递过程中，通过采用误差梯度下降法反复修正权值和阈值，使得误差函数值达到最小，设样本总数为p，则第p个样本的误差e
p
如下式所示：其中，t
k
为样本的期望输出，通过上式求得所有样本的误差，如下式所示：通过对输出层权值w
ki
和隐含层权值w
ij
的修正，最终使样本总误差e满足精度要求，输出
层权值的修正量δw
ki
如下式所示：其中，η为学习率，隐含层权值的修正量δw
ij
如下式所示：(2.3)根据步骤(2.2)所设计的bp网络结构模型，计算输出层数据与期望数据的误差，修正各层的权值和阈值，直至输出达到预期效果，完成bp神经网络训练模型的建立。4.根据权利要求1所述的一种基于深度学习的多风速仪舰面稳态风参数估计方法，其特征是：步骤3具体包括：(3.1)在线读取n个不同位置处风速仪风速测量值和风向测量值根据测量相对风向值查找n个不同位置处风速仪的风向偏差与风速偏差其中i＝1，2，...，n，n为不同位置处风速仪序号；(3.2)根据真风向风速仪风速测量值风向测量值风向偏差值风速偏差值计算校正后的风速仪风向测量值与风速测量值与风速测量值与风速测量值5.根据权利要求4所述的一种基于深度学习的多风速仪舰面稳态风参数估计方法，其特征是：步骤4具体包括：(4.1)获取步骤(3.2)中计算的校正后n个不同位置处的风速仪风向测量值与风速测量值输入已完成训练的bp神经网络模型；(4.2)根据步骤(4.1)获取bp神经网络的输出值，将输出风向估计值作为最优风向估计输出，输出风速估计值作为本最优风速估计输出。

技术总结
本发明的目的在于提供一种基于深度学习的多风速仪舰面稳态风参数估计方法，包括如下步骤：离线获取风参数偏差规律，离线进行BP神经网络模型训练，偏差校正，风参数最优估计。本发明不但可以很好的降低偏差校正组合四风速仪加权融合算法的风速相对误差均值，还大幅度的降低了该误差最值，而且该方法受传感器噪声的影响更小，一定程度上提高了风向和风速的估计精度，能够更加有效的进行舰面稳态风参数的估计。估计。估计。


技术研发人员：卢志忠 张玉莹 文保天 张润博 孙雷 于环宇
受保护的技术使用者：哈尔滨工程大学
技术研发日：2023.02.27
技术公布日：2023/9/25