基于机器学习算法的舰面流场预警系统研究

书书书模式识别与人工智能　测控技术２０２０年第３９卷第２期收稿日期：２０１９－０９－２２基金项目：江苏高校优势学科建设工程资助项目（ＰＡＰＤ）作者简介：苏萁（１９９６—），女，硕士研究生，主要研究方向为计算流体力学、人工智能算法；王逸斌（１９８０—），男，博士，副教授，主要研究方向为计算流体力学、流动控制与优化；赵宁（１９６３—），男，博士，教授，博士生导师，主要研究方向为高精度气动力数值模拟。引用格式：苏萁，王逸斌，赵宁．基于机器学习算法的舰面流场预警系统研究［Ｊ］．测控技术，２０２０，３９（２）：１０９－１１４．ＳＵＱ，ＷＡＮＧＹＢ，ＺＨＡＯＮ．ＥａｒｌｙＷａｒｎｉｎｇＳｙｓｔｅｍｏｆＷａｒｓｈｉｐＦｌｏｗＦｉｅｌｄＢａｓｅｄｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ［Ｊ］．Ｍｅａｓｕｒｅｍｅｎｔ＆ＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙ，２０２０，３９（２）：１０９－１１４．基于机器学习算法的舰面流场预警系统研究苏　萁，王逸斌，赵　宁（南京航空航天大学非定常空气动力学与流动控制工业和信息化部重点实验室，江苏南京　２１００１６）摘要：飞行甲板是直升机海上作战的重要平台，为了提高直升机的作战效能及舰面操作的安全性，研究开发了一套舰面流场预警系统。该系统主要通过分析数值计算所得的流场数据，以舰面关键位置的压强作为输入，利用神经网络算法和支持向量机训练出一套模型，准确地预测出舰面流场的主要特征（包括来流速度大小、方向和起降点涡结构等），从而实现舰船表面危险气流场的实时预报。预测结果表明，该预警系统的预测准确性较高，能够快速地预测来流情况及旋涡的大小、位置，为飞行员的舰面安全起降提供了参考，对加强国防建设有着重要意义。关键词：神经网络；支持向量机；数值模拟；舰面流场；预警系统中图分类号：ＴＰ３９１　　文献标识码：Ａ　　文章编号：１０００－８８２９（２０２０）０２－０１０９－０６ｄｏｉ：１０．１９７０８／ｊ．ｃｋｊｓ．２０２０．０２．０１９ＥａｒｌｙＷａｒｎｉｎｇＳｙｓｔｅｍｏｆＷａｒｓｈｉｐＦｌｏｗＦｉｅｌｄＢａｓｅｄｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇＳＵＱｉ牞ＷＡＮＧＹｉｂｉｎ牞ＺＨＡＯＮｉｎｇ牗ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＵｎｓｔｅａｄｙＡｅｒｏｄｙｎａｍｉｃｓａｎｄＦｌｏｗＣｏｎｔｒｏｌｏｆＭｉｎｉｓｔｒｙｏｆＩｎｄｕｓｔｒｙａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ牞ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓ牞Ｎａｎｊｉｎｇ２１００１６牞Ｃｈｉｎａ牘Ａｂｓｔｒａｃｔ牶Ｔｈｅｆｌｉｇｈｔｄｅｃｋｉｓａｎｉｍｐｏｒｔａｎｔｐｌａｔｆｏｒｍｆｏｒｈｅｌｉｃｏｐｔｅｒｍａｒｉｔｉｍｅｏｐｅｒａｔｉｏｎｓ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｃｏｍｂａｔｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｈｅｌｉｃｏｐｔｅｒｓａｎｄｔｈｅｓａｆｅｔｙｏｆｏｐｅｒａｔｉｏｎｓｏｎｗａｒｓｈｉｐ牞ａｋｉｎｄｏｆｅａｒｌｙｗａｒｎｉｎｇｓｙｓｔｅｍｆｏｒｄａｎｇｅｒｏｕｓｆｌｏｗｆｉｅｌｄｏｎｗａｒｓｈｉｐｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｓｙｓｔｅｍｍａｉｎｌｙａｎａｌｙｚｅｓｔｈｅｆｌｏｗｆｉｅｌｄｄａｔａｏｂｔａｉｎｅｄｂｙｎｕｍｅｒｉｃａｌｃａｌｃｕｌａｔｉｏｎｓ牞ｗｈｉｃｈｔａｋｅｓｔｈｅｐｒｅｓｓｕｒｅｏｆｋｅｙｐｏｓｉｔｉｏｎｓｏｎｓｈｉｐａｓｉｎｐｕｔａｎｄｕｓｅｓｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍａｓｗｅｌｌａｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｔｏｔｒａｉｎｔｈｅｍｏｄｅｌ．Ｉｔｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅｉｍｐｏｒｔａｎｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｓｈｉｐｓｆｌｏｗｆｉｅｌｄｉｎｃｌｕｄｉｎｇｔｈｅｍａｇｎｉｔｕｄｅ牞ｄｉｒｅｃｔｉｏｎｏｆｉｎｃｏｍｉｎｇｆｌｏｗａｎｄｔｈｅｖｏｒｔｅｘｓｔｒｕｃｔｕｒｅａｒｏｕｎｄｔａｋｅｏｆｆａｎｄｌａｎｄｉｎｇｐｏｉｎｔｓ牞ｓｏａｓｔｏｒｅａｌｉｚｅｔｈｅｒｅａｌｔｉｍｅｆｏｒｅｃａｓｔｏｆｔｈｅｄａｎｇｅｒｏｕｓａｉｒｆｌｏｗｆｉｅｌｄｏｎｔｈｅｗａｒｓｈｉｐｓｕｒｆａｃｅ．Ｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｅａｒｌｙｗａｒｎｉｎｇｓｙｓｔｅｍｈａｓｈｉｇｈａｃｃｕｒａｃｙａｎｄｃａｎｑｕｉｃｋｌｙｐｒｅｄｉｃｔｔｈｅｓｉｔｕａｔｉｏｎｏｆｉｎｃｏｍｉｎｇｆｌｏｗ牞ａｎｄｔｈｅｓｉｚｅａｎｄｐｏｓｉｔｉｏｎｏｆｖｏｒｔｉｃｅｓ．Ｉｔｐｒｏｖｉｄｅｓａｒｅｆｅｒｅｎｃｅｆｏｒｐｉｌｏｔｓｔｏａｃｃｏｍｐｌｉｓｈｔｈｅｓａｆｅｔａｋｅｏｆｆａｎｄｌａｎｄｉｎｇｏｎｗａｒｓｈｉｐ牞ａｎｄｈａｓｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｓｔｒｅｎｇｔｈｅｎｉｎｇｎａｔｉｏｎａｌｄｅｆｅｎｓｅｃｏｎｓｔｒｕｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ牶ｎｅｕｒａｌｎｅｔｗｏｒｋ牷ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ牷ｎｕｍｅｒｉｃａｌｓｉｍｕｌａｔｉｏｎ牷ｗａｒｓｈｉｐｆｌｏｗｆｉｅｌｄ牷ｅａｒｌｙｗａｒｎｉｎｇｓｙｓｔｅｍ　　舰载直升机以舰船甲板为起降平台，其高度的灵活性和机动性使之成为海上作战的主要手段之一。然而复杂的海上气候条件及飞行甲板空间的限制，增加了直升机海上作业的危险系数，因此对舰面气流场的·９０１·实时监测很有必要。目前，人们对舰船空气流场的研究主要采用实船测量、风洞试验和ＣＦＤ（ＣｏｍｐｕｔａｔｉｏｎａｌＦｌｕｉｄＤｙｎａｍｉｃｓ）数值模拟方法，这３种方法都能对舰面流场做出较为准确的测量或模拟，但只针对特定来流情况下的流场，即只能获取离散的流场数据，如何整合不同工况下的流场数据，形成一套连续完整的系统，来动态地进行流场监测至关重要。随着人工智能的飞速发展，越来越多的研究领域都与人工智能相结合，且取得了显著的进展。１９９５年Ｆａｌｌｅｒ［１］等人提出神经网络技术有助于解决航空领域的各种复杂问题，如实施主动控制装置来利用或抑制不稳定的空气动力学效应等，随后基于神经网络建立模型对三维非定常分离流场的动态重附着过程进行了准确预测［２］，这表明正确利用这项技术为满足当前和未来的技术需求开辟了新思路。在舰船研究相关领域，孙文胜［３］等人运用ＢＰ神经网络算法，对甲板流场速度分布进行了实时仿真模拟，提高了直升机飞行仿真的精度。２０１５年Ｇｒａｂｏｗｓｋａ等人利用神经网络对船舶阻力进行了预测评估，并确定了对阻力影响最大的参数［４］。人工神经网络方法还被应用于船舶纵摇运动的短时预报中，Ｈｕａｎｇ等人分别用径向基函数神经网络、反向传播神经网络、埃尔曼神经网络建立了船舶纵摇运动的短时预测模型，比较结果表明，ＲＢＦ神经网络为船舶纵摇运动的预测提供了一种更为有效和准确的工具［５］。目前，人工智能应用于舰船流场研究的案例较少，但却广泛应用于嵌入式大气数据传感系统的研究中并取得了显著成果，它是一种根据传感器测得的原始信息，如静压、迎角、总温等，结合相关算法预测出其他大气数据参数的系统［６］。因此，本文结合嵌入式大气数据传感系统的思路，提出了一种基于神经网络和支持向量机的舰面流场预警系统，以舰面关键位置的压强作为输入，以来流速度大小、方向和起降点涡结构作为输出，训练一套模型对舰船表面气流场做出实时预测，从而对直升机的舰面安全起降提出建议，避免其在大风向角及危险气流场下进行作业，降低事故发生的概率。１　基于ＬＭ算法的ＢＰ神经网络１．１　ＢＰ神经网络ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络是一种按照误差反向传播算法训练的多层前馈型神经网络，１９８６年由Ｒｕｍｅｌｈａｒｔ等人提出，是目前应用最广泛的神经网络［７］。图１为ＢＰ神经网络的基本模型图，它由输入层、隐藏层和输出层３个部分组成。图１　ＢＰ神经网络模型图设ｘｉ为节点ｉ的输入，ｙｋ为节点ｋ的输出。ＢＰ神经网络的具体训练流程如下。①数据标准化。为避免变量的数量级对训练结果的影响，采用式（１）对数据进行标准化处理。（ｘｉ）ｓｔａｎ＝２（ｘｉ－ｘｍｉｎ）（ｘｍａｘ－ｘｍｉｎ）－１（１）②网络初始化。对各层连接权值阈值进行随机初始化，使其满足标准正态分布。③选取一个样本，计算各层神经元的输入和输出。本文采用的是单隐藏层的ＢＰ神经网络，隐藏层传递函数为双曲正切函数，输出层传递函数为线性传递函数。④计算误差函数ｅ对输出层各神经元的偏导数δｋ，见式（２）、式（３），其中ｖｋ＝∑ｊｗｋｊｙｊ。ｅ＝１２∑ｋ（ｄｋ－ｙｋ）２＝１２∑ｋｅ２ｋ（２）δｋ＝－ｅｖｋ＝－Ｅｅｋｅｋｙｋｙｋｖｋ＝－ｅｋ×（－１）×ｙｋｖｋ＝ｅｋｆ′（ｖｋ）（３）⑤利用输出层的δｋ计算误差函数对隐藏层各神经元的偏导数δｊ，见式（４）。δｊ＝ｆ′（ｖｊ）∑ｋδｋｗｋｊ（４）⑥按式（５）对权值进行修正。ｗｎ＋１ｋｊ＝ｗｎｋｊ＋αδｋｙｊ，ｗｎ＋１ｊｉ＝ｗｎｊｉ＋αδｊｙｉ（５）式中，α为学习率；ｎ表示第ｎ次迭代。⑦计算所有样本的全局误差，若误差达到预设精度要求或学习次数达到上限则停止学习，否则选取下一个样本，回到步骤③进入下一轮学习。１．２　ＬＭ算法ＢＰ神经网络本质上为梯度下降法，对于复杂的目标函数可能会出现“锯齿形现象”，且易出现梯度饱和，使得收敛速度很慢。ＬＭ（ＬｅｖｅｎｂｅｒｇＭａｒｑｕａｒｄｔ）算法是将梯度下降法和高斯－牛顿法结合［８］，权值更新方法为ｗｎ＋１＝ｗｎ－［ＪＴ（ｗｎ）Ｊ（ｗｎ）＋μｎＩ］－１ＪＴ（ｗｎ）ｅ（ｗｎ）（６）·０１１·《测控技术》２０２０年第３９卷第２期式中，Ｊ（ｗｎ）为Ｊａｃｏｂｉ矩阵，ＬＭ算法引入了阻尼因子μｎ（μｎ＞０），一般在使用时，先将μｎ值设置为小量，若误差函数增大，则调大μｎ使用梯度下降法快速查找，然后逐渐减小μｎ用高斯－牛顿法进行查找。因此，ＬＭ算法是一种利用标准数值优化技术的快速算法，兼顾了高斯－牛顿法的局部收敛性和梯度下降法的全局特性，且利用了近似的二阶导数信息，所以ＬＭ算法比普通梯度下降法快得多［９］。２　支持向量机支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）是一类按监督学习方式对数据进行二元分类的广义线性分类器，关键思想是引入了“间隔”的概念，其决策边界为关于学习样本的最大间距超平面［１０］。ＳＶＭ算法通过引入非线性核函数，可以将线性不可分问题从原始的特征空间映射至更高维的希尔伯特空间（Ｈ），从而转化为线性可分问题［１１－１２］，此时决策边界的超平面表示为ｗＴφ（Ｘ）＋ｂ＝０（７）式中，φ：Ｘ→Ｈ为映射函数。由于映射函数的形式复杂，其内积很难显式地进行计算，因此定义内积为核函数：κ（Ｘ１，Ｘ２）＝φ（Ｘ１）Ｔφ（Ｘ２）。常用的核函数有多项式核函数（式（８））、高斯核函数（式（９））等，高斯核函数理论上可以将数据映射到无限维空间。κ（Ｘ１，Ｘ２）＝（ＸＴ１Ｘ２）ｎ（８）κ（Ｘ１，Ｘ２）＝ｅｘｐ（－γ‖Ｘ１－Ｘ２‖２），γ＞０（９）ＳＶＭ算法是一种应用非常广泛的机器学习算法，在小样本学习上，表现出优良的泛化能力，且具有严密的理论基础，在解决模式识别和回归问题方面均表现出较好的鲁棒性。３　预警系统模型的建立３．１　样本的获取舰船计算模型以美国的ＬＨＡＲ两栖攻击舰为原型，并对船体做了适当简化，如图２所示。上层建筑位于甲板右舷侧，船体左舷为直通式甲板，是舰载直升机悬停和起降操作区域。其中，ｘ方向为船长方向，ｙ方向为船宽方向，ｚ方向为船高方向。计算网格采用混合网格，总网格数约１３００万，计算域如图３所示。数值计算的控制方程为不可压ＮＳ（ＮａｖｉｅｒＳｔｏｋｅｓ）方程，求解器为压力基求解器，湍流模型为Ｒｅａｌｉｚａｂｌｅｋε模型。通过Ｆｌｕｅｎｔ计算了舰船在１０ｍ／ｓ、１５ｍ／ｓ、２０ｍ／ｓ和２３ｍ／ｓ这４种风速下，－９０°～＋９０°（风向角每５°递增，“＋”代表右舷来流，“－”代表左舷来流）共３７种风向角下的流场数据（包括风速、静压、湍动能等），总样本数量为１４８个。图２　舰船模型图３　计算域３．２　特征选择实际工程应用中，该舰面流场实时预警系统希望通过在舰船表面的关键位置布置压强传感器，通过监