Abstract Imperfections in the manufacturing process of flow measuring probes affect their measuring behavior. Nevertheless, in order to provide the highest possible accuracy, each individual multi-hole pressure probe has to be calibrated before using them in turbomachinery. This paper presents a novel method based on artificial neural networks (ANN) to predict the flow parameters of multi-hole pressure probes. A two-stage ANN approach using multilayer perceptron (MLP) is proposed in this study. The two-stage prediction approach involves two MLP networks, which represent the calibration data and the prediction error. For a given set of inputs, outputs from both networks are combined to estimate the measured value. The calibration data of a 5-hole probe at RWTH Aachen was used to develop and validate the proposed ANN models and two-stage prediction approach. The results showed that the ANN can predict the flow parameters with high accuracy. Using the two-stage approach, the prediction accuracy was further improved compared to polynomial functions, i.e. a commonly used method in probe calibration. Furthermore, the proposed approach offers high interpolation capabilities while preventing overfitting (i.e. failure to fit new data). Unlike polynomials, it is shown that the ANN based method can provide accurate predictions at intermediate points without large oscillations.

中文翻译：

---

一种基于人工神经网络的多孔压力探头标定新方法

摘要 流量测量探头制造过程中的缺陷会影响其测量行为。尽管如此，为了提供尽可能高的精度，每个单独的多孔压力探头在用于涡轮机械之前都必须进行校准。本文提出了一种基于人工神经网络 (ANN) 的新方法来预测多孔压力探头的流动参数。本研究提出了一种使用多层感知器 (MLP) 的两阶段 ANN 方法。两阶段预测方法涉及两个 MLP 网络，分别代表校准数据和预测误差。对于给定的一组输入，来自两个网络的输出被组合以估计测量值。亚琛工业大学 5 孔探头的校准数据用于开发和验证所提出的 ANN 模型和两阶段预测方法。结果表明，人工神经网络可以高精度地预测流动参数。使用两阶段方法，与多项式函数（即探头校准中常用的方法）相比，预测精度进一步提高。此外，所提出的方法在防止过度拟合（即未能拟合新数据）的同时提供了高插值能力。与多项式不同，它表明基于 ANN 的方法可以在没有大振荡的中间点提供准确的预测。与多项式函数（即探头校准中常用的方法）相比，预测精度进一步提高。此外，所提出的方法在防止过度拟合（即未能拟合新数据）的同时提供了高插值能力。与多项式不同，它表明基于 ANN 的方法可以在没有大振荡的中间点提供准确的预测。与多项式函数（即探头校准中常用的方法）相比，预测精度进一步提高。此外，所提出的方法在防止过度拟合（即未能拟合新数据）的同时提供了高插值能力。与多项式不同，它表明基于 ANN 的方法可以在没有大振荡的中间点提供准确的预测。