风洞是进行空气动力学实验最常用、最有效的工具之一。在进行连续变攻角风洞实验时,保持实验段马赫数的稳定以测量飞行器在不同攻角下的气动性能,对于研制高性能飞行器具有重要意义。目前常用的控制方法主要有PID(Proportional Integral Differential)控制、模型预测控制和前馈与反馈解耦控制3种方法。由于PID控制存在一定时滞性,无法达到连续变攻角实验下马赫数的控制精度。模型预测控制需要在线求解约束优化问题,只适用于具备高性能计算资源的环境。因此在实际应用中,一般采用前馈与反馈解耦的控制方式。本文针对传统前馈与反馈解耦控制存在的实验次数多、控制精度低的缺点,采用机器学习的方法对风洞实验数据进行清洗与建模,从而优化整个控制流程。本文的主要研究工作如下:(1)本文针对平稳单核高斯过程不具备长程结构的弊端,基于多核学习的思想,提出利用加性高斯过程对风洞数据进行建模的方法,并且将训练好的模型作为马赫数控制系统的前馈部分,提出了新的控制系统框架。为了验证加性高斯过程对风洞数据建模的有效性,本文采用不同的方式对数据集进行划分,将加性高斯过程与传统机器学习回归模型以及单核高斯过程进行对比实验,实验结果表明加性高斯过程具有最好的预测精度。(2)当采用数据驱动的方式进行马赫数控制时,一般数据量越大,训练出的模型精度越高。但是风洞数据的获取成本很高,在实际应用中通常很难得到大量的数据。为了使用较少的实验数据就可以达到令人满意的控制效果,本文提出了一种贝叶斯导向的实验数据获取方法,并且通过实验证明了该方法的有效性。(3)在进行风洞实验时,由于操作失误或者其它未知因素的影响,会产生很多异常数据,异常数据的存在会影响模型的准确性,因此需要对这些异常数据进行检测和清洗。采用人工方式进行数据清洗十分耗时,并且当数据量较大、维度较高时,这种方式是不现实的。本文根据风洞数据按时间顺序获取的特点,将时序模型Prophet用于异常检测,并且为了缓解严重异常数据对Prophet建模的影响,提出了粗细粒度结合的异常检测框架。实验证明,该异常检测框架具备较高的召回率和AUC(Area Under ROC Curve)值。