一种基于传递率函数和飞行工况的体自由度颤振预测方法与流程

本发明属于气动弹性力学，涉及一种基于传递率函数和飞行工况的体自由度颤振预测方法。

背景技术：

1、颤振是飞机结构在气流作用下发生的一种自激振动现象，当飞行速度达到临界颤振速度时，结构会从稳定振动转变为发散振动，在极短时间内导致结构破坏，是航空航天领域最危险的气动弹性问题之一。其中，体自由度颤振是具有刚弹耦合特性的飞机，其刚体短周期模态和弹性模态耦合而产生的一种特殊颤振形式。准确预测飞机的颤振稳定性边界，对于保障飞行安全、优化飞机设计和指导飞行试验具有至关重要的意义。

2、传统的颤振预测方法主要分为理论分析方法和试验方法两大类。理论分析方法包括频域法、时域法和能量法等，这些方法依赖于精确的结构动力学模型和气动模型。然而，真实飞机结构复杂，存在大量非线性因素和不确定性，理论模型与实际物理系统之间不可避免地存在“模型失配”问题，导致理论预测结果与实际情况存在偏差。试验方法主要包括风洞试验和飞行试验。风洞试验能够在可控环境下模拟飞行条件，但无法完全复现真实的飞行环境和结构状态；飞行试验是最可靠的颤振验证手段，但成本极高、风险极大，且只能在亚临界状态下进行，无法直接获得临界颤振点。

3、近年来，基于数据驱动的机器学习方法为颤振预测提供了新的思路。这类方法通过分析结构振动响应数据，学习系统动态特性与稳定性之间的映射关系，无需依赖精确的物理模型。采用传递率函数作为机器学习的输入的颤振预测方法因其不受激励形式影响、对结构特性变化敏感等优点，受到了广泛关注。传递率函数反映了结构不同测点之间响应的比值关系，能够有效表征系统的动态传递特性。

4、然而，现有基于传递率函数的颤振预测方法仍存在以下核心技术缺陷：

5、(a)单通道输入局限性：大多采用单通道网络结构，仅将传递率函数作为输入，完全忽略了飞行工况（高度、速度）对系统动态特性的决定性影响。气动刚度和气动阻尼随飞行高度和速度呈非线性变化，单一传递率函数无法表征全飞行包线内的系统特性，导致模型泛化能力极差，只能在特定工况下有效。

6、(b)高维输入效率低下：直接使用整段传递率函数作为网络输入，数据维数高达数百甚至数千维，冗余信息多，导致网络训练时间长、计算效率低，且极易发生过拟合，难以工程化应用。

7、(c)模型失配问题严重：仅使用仿真数据训练模型，由于仿真模型无法完全复现真实飞机的制造公差、装配误差和材料特性差异，模型在实际飞行数据上的预测性能往往会显著下降，无法直接用于工程实践。

8、(d)单一指标预测可靠性差：大多只预测单一的颤振临界动压指标，缺乏对系统动态特性演化过程的表征。在复杂气动弹性耦合情况下，单一指标可能出现误判，无法提供早期预警和物理解释。

技术实现思路

1、本发明要解决的技术问题是：现有基于数据驱动的颤振预测方法存在单通道输入无法表征全飞行包线特性、高维输入计算效率低、仿真与真实系统模型失配严重以及单一指标预测可靠性差等根本性缺陷，无法满足航空工程中全飞行包线范围内高精度、高可靠性、实时性的颤振稳定性边界预测需求。本发明提出一种基于传递率函数和飞行工况的颤振预测方法，为一种将传递率函数和飞行工况嵌入至双通道神经网络的颤振预测方法，通过双通道特征融合架构、双维度稳定性指标联合预测和仿真预训练+试飞微调的迁移学习策略三大核心创新，系统性解决了现有技术存在的泛化能力不足、计算效率低、模型失配严重和预测可靠性差等问题。

2、所述技术方案如下：

3、一种基于传递率函数和飞行工况的体自由度颤振预测方法，包括以下步骤：

4、s1：构建全飞行包线仿真数据集：对每个飞行工况点，基于高置信度飞机刚弹耦合模型施加大气紊流激励进行时域动响应仿真，获取关键部位各测点的时域加速度响应信号；对时域加速度响应信号进行处理，计算选定的两个测点之间的传递率函数；基于传递率函数双稳定性指标，进而形成全飞行包线仿真数据集；

5、s2：划分数据集分层：将全飞行包线仿真数据集按飞行工况分层随机打乱，划分为训练集、验证集与测试集，确保各数据集包含相同分布的飞行工况；

6、s3：建立双通道一维卷积神经网络模型：建立包含传递率函数主通道与飞行工况辅助通道的双通道一维卷积神经网络模型；

7、s4：进行模型训练与性能验证：使用训练集对模型进行端到端训练；使用测试集对训练好的模型进行无偏性能评估；

8、s5：基于迁移学习法对模型参数进行微调：利用少量飞行试验数据微调模型参数，实现模型从仿真域到真实域的自适应；

9、s6：利用微调后的双通道一维卷积神经网络模型进行在线颤振预测与多级预警。

10、其中，s1具体为：

11、基于修正后的高置信度飞机刚弹耦合模型，在全飞行包线内选取不同高度与速度组合的飞行工况点，对每个飞行工况点，基于高置信度飞机刚弹耦合模型施加大气紊流激励进行时域动响应仿真，获取关键部位各测点的时域加速度响应信号；对时域加速度响应信号进行滑动窗口切片处理生成多段独立的时序数据片段，对每个时序数据片段，计算选定的两个测点之间的传递率函数；提取传递率函数的最大峰值对应的频率，根据飞行工况计算当前动压；通过频域颤振分析得到每个飞行工况点的理论临界颤振频率与理论颤振动压；计算频率比及动压比的双稳定性指标，并对双稳定性指标样本进行差异化标准化处理，形成全飞行包线仿真数据集。

12、其中，s3中建立包含传递率函数主通道与飞行工况辅助通道的双通道一维卷积神经网络模型，具体为：

13、将传递率函数主通道和飞行工况辅助通道输出的特征向量在通道维度拼接融合，经全连接输出层同步输出频率比与动压比的预测结果，得到双通道一维卷积神经网络模型；其中，所述传递率函数主通道由多个一维卷积层与最大池化层交替堆叠构成，用于自适应提取传递率函数中的多尺度频域特征；所述飞行工况辅助通道由全连接层构成，用于将高度与速度工况信息映射至高维特征空间。

14、其中，s4具体为：采用adam优化器与均方误差损失函数，使用训练集对模型进行端到端训练，引入早停机制防止过拟合；使用测试集对训练好的模型进行无偏性能评估，若未达到预设验收阈值则调整网络结构与超参数重新训练。

15、其中，s5具体为：基于迁移学习法对模型参数进行微调：采集真实飞机在亚临界状态下的飞行试验数据，按照与全飞行包线仿真数据完全相同的流程将飞行试验数据预处理为标准输入格式；加载预训练好的模型并冻结传递率函数主通道的特征提取层，以极低学习率利用少量飞行试验数据微调网络末端的全连接层，实现模型从仿真域到真实域的自适应。

16、其中，s6具体为：

17、实时采集飞机飞行过程中的时域加速度响应信号与飞行工况信息，对其进行预处理后输入至微调后的模型，输出频率比与动压比的实时预测值；依据双指标阈值进行稳定性判定，当任一指标达到预警阈值时发出对应级别的预警信号。

18、其中，步骤s1中所述滑动窗口切片处理为：沿时域响应以固定窗口长度、步长为进行滑动切片，生成多段独立的时序数据片段以实现数据增强；

19、其中，步骤s1中所述差异化标准化处理为：对动压比采用min-max归一化，将其缩放到[0,1]区间；对频率比采用z-score标准化，基于训练集统计其均值和方差进行标准化处理。

20、其中，步骤s6中进行多级预警具体为：当动压比≥0.85或频率比≥0.9时，发出第一预警信号；当动压比≥0.95或频率比≥0.98时，发出第二预警信号。

21、本发明的有益效果至少在于：

22、(a)全飞行包线泛化能力：通过双通道特征融合架构，同时利用传递率函数表征的结构动态特性和飞行工况表征的气动环境信息，使模型能够学习到高度和速度对系统动态特性的独立和耦合影响，能够实现全飞行包线范围内的高精度颤振预测，泛化能力优于单通道模型。

23、(b)高效计算与工程化能力：采用一维卷积神经网络自动提取传递率函数中的关键频域特征，避免了人工特征提取的主观性和局限性。通过卷积和池化操作降低输入数据维数和训练时间，能够满足实时性要求，具备工程化应用条件。

24、(c)解决模型失配问题：建立了“大规模仿真预训练+少量试飞数据微调”的迁移学习范式。利用大量低成本的仿真数据训练模型的通用特征提取能力，再用少量昂贵的试飞数据微调模型的高层特征，有效解决了仿真模型与真实系统之间的模型失配问题，同时大幅降低了对试飞数据的需求。

25、(d)高可靠性双指标预测：创新性地同时预测频率比和动压比两个互补性稳定性指标。动压比从能量层面反映了系统的稳定性裕度，频率比从动态特性层面反映了系统的演化趋势。两者结合为颤振预测提供了双重证据。

26、(e)物理可解释性强：本发明的模型结构和预测指标均具有明确的物理意义。传递率函数反映了结构的动态传递特性，飞行工况反映了气动环境，频率比和动压比分别对应系统的动态特性演化和能量变化。这使得模型的预测结果能够得到物理解释，增强了工程人员对模型的信任度。

27、本发明方法原理清晰、计算高效、预测准确、可靠性高，为飞机颤振稳定性边界预测提供了一种全新的技术途径，在航空领域具有极其重要的工程应用价值和广阔的推广前景。