一种基于深度学习的激波风洞测力信号频域分析方法与流程

技术特征：

1.一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于，包括以下步骤：

步骤100、搭建高超声速飞行器模型的激波风洞气动力测量系统，基于SVDC技术在时域内采集多个天平样本信号；

步骤200、采用小波阈值降噪方法对所述天平阶跃信号进行小波分解得到子信号，对所述子信号进行相关性分析，并滤除高频噪声信号，以得到有效特征信号；

步骤300、对时域内的所述有效特征信号进行快速傅里叶变换，得到转换至频谱图的频域信号，并对所述频域信号进行无量纲化处理；

步骤400、训练卷积神经网络模型，并应用卷积神经网络模型分别对所述频域信号进行智能建模，得到经过卷积循环后的有效输出信号；

步骤500、对所述有效输出信号进行量纲化处理以及快速傅里叶逆变换，得到时域内且完成过滤处理的气动力信号。

2.根据权利要求1所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于，在步骤100中，获取天平样本信号的实现方式为：

利用单矢量动态自校准技术对标准测力模型和测力系统进行动态校准，在所述标准测力模型的尖端悬挂钢丝加载，瞬间剪断钢丝卸载，产生阶跃载荷信号，以模拟风洞试验时对测力系统的冲击作用。

3.根据权利要求2所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于，所述步骤100获取的所述天平样本信号包括剪断钢丝前的跳变前信号以及瞬间剪断钢丝卸载的天平阶跃信号，所述天平阶跃信号包含真实气动力信号和惯性振动信号，且将所述跳变前信号和天平阶跃信号的中心值作为理想阶跃信号，所述理想阶跃信号不含惯性振动信号。

4.根据权利要求3所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于：在步骤200中，所述小波阈值降噪方法对所述天平阶跃信号进行近似分解和细节分解，分解得到低频系数和高频系数，其中，所述低频系数用于展示整个所述天平阶跃信号的趋势，所述高频系数用于展示整个所述天平阶跃信号的细节成分，所述小波阈值降噪方法进行小波分解以及过滤高频噪音的具体实现方式为：

步骤201、利用一维离散小波变换对降噪后的所述天平阶跃信号进行多级小波分解，以得到所述天平阶跃信号经过多级小波分解的低频系数和高频系数；

步骤202、对低频系数、高频系数和理想阶跃信号进行快速傅里叶变换，并计算经过快速傅里叶变换后的所述低频系数、高频系数和理想阶跃信号的99％占用带宽；

步骤203、以所述理想阶跃信号的99％占用带宽为基准，将所述高频系数和低频系数的99％占用带宽与基准对比，过滤完全不符合所述理想阶跃信号的99％占用带宽的高频系数和低频系数。

5.根据权利要求3所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于，在步骤300和步骤400中，完成卷积神经网络模型训练的实现方式为：采用快速傅里叶变换将时域内的所述天平样本信号转换成频域内的幅度相位频谱信号；

对快速傅里叶变换后的幅度相位频谱信号的实部和虚部分别进行卷积神经网络模型训练，将训练后得到的实部和虚部组合成复数；

将卷积神经网络模型训练后的复数经过快速傅里叶逆变换投影到时域内。

6.根据权利要求5所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于，对转换至频域的幅度相位频谱信号进行无量纲化处理的实现方式为：

在卷积神经网络模型训练前，确定所述幅度相位频谱信号实部和虚部中绝对值最大的数据；

将绝对值最大的数据作为特征数据，然后将所述幅度相位频谱信号实部和虚部的所有数据映射到[-1,1]之间，生成标准数据，具体的映射公式为：

在卷积神经网络模型训练结束时，采用逆变换将标准数据还原到原始区间内，具体的逆变换公式为：

x＝max(|x|)x^*；

其中，x为无量纲化前的幅度相位频谱信号，x*为无量纲化后的标准数据。

7.根据权利要求5所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于：在步骤400中，所述卷积神经网络的智能模型包含输入层、隐藏层和输出层，其中，所述隐藏层包括卷积层、池化层和全连接层；

所述输入层为所述标准测力模型的天平三分量信号，所述三分量信号依次是法向力Y、俯仰力矩MZ和轴向力X，三分量信号对应转换到频域的信号包含实部和虚部；

所述卷积层中的损失函数随着训练轮数的增加而减小，且所述三分量信号的频域信号最终达到收敛状态。

8.根据权利要求7所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于：在步骤400中，对所述卷积神经网络进行参数优化以优化筛选卷积神经网络训练模型，可优化的参数分别包括训练参数和结构参数，其中，所述训练参数包括学习率、训练轮数和批量尺寸，所述结构参数为卷积层中卷积核的数量、尺寸和移动步长，以及池化层中的池化尺寸和移动步长，优化筛选卷积神经网络训练模型的具体实现方式为：

根据步骤300得到的频谱图，获取所述有效特征信号的频域信号以及所述理想阶跃信号经过快速傅里叶逆变换的信号，生成理想频谱数据；

根据所述理想频谱数据与有效特征信号的频域信号之间的差值幅值确定惯性振动频率；

调整所述卷积神经网络训练模型的训练参数和结构参数，以使得所述卷积神经网络训练模型的有效输出信号与所述理想频谱数据重合。

9.根据权利要求8所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于：调整所述卷积神经网络训练模型的训练参数和结构参数的具体实现步骤为：

选择时域内对应天平阶跃信号的连续时段作为目标对象，并确定目标对象的有效特征信号；

以目标对象的理想阶跃信号在频域内的平均值为真实值将不同卷积层和不同训练轮数对应的卷积神经网络训练模型对所述有效特征信号处理后的频域信号的平均值为近似值

对比真实值和近似值之间的相对误差δ和相对标准偏差RSD，来确定所述卷积神经网络训练模型的卷积层和训练轮数；

其中，相对误差δ和相对标准偏差RSD的定义式分别为

式中n表示连续时段内的天平阶跃信号总数，表示所述卷积神经网络训练模型对连续时段内第i点时输出的近似值。

10.根据权利要求9所述的一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于：根据所述相对误差δ和相对标准偏差RSD的权重选择所述卷积神经网络训练模型的训练轮数和卷积层层数。

技术总结
本发明公开了一种基于深度学习的激波风洞测力信号频域分析方法，搭建激波风洞气动力测量系统，基于SVDC技术在时域内采集多个天平样本信号；采用小波变换将天平样本信号分解得到子信号，对子信号进行时频转换以得到有效特征信号；对时域内的有效特征信号进行快速傅里叶变换，得到转换至频谱图的频域信号，并对频域信号进行无量纲化处理；训练卷积神经网络模型，并应用卷积神经网络模型分别对频域信号进行智能建模，得到经过卷积循环后的有效输出信号；对所述有效输出信号进行量纲化处理以及快速傅里叶逆变换，得到时域内且完成过滤处理的气动力信号；本发明过滤惯性振动信号并获得真实气动力信号，提高脉冲风洞测力结果的可靠性和精度指标。

技术研发人员：汪运鹏;聂少军;姜宗林;
受保护的技术使用者：中国科学院力学研究所;
技术研发日：2021.10.13
技术公布日：2022.01.25