【技术实现步骤摘要】
一种基于深度学习的激波风洞测力信号频域分析方法
[0001]本专利技术涉及风洞测力信号试验
，具体涉及一种基于深度学习的激波风洞测力信号频域分析方法。
技术介绍
[0002]脉冲型应变天平的测量方式，大多为测量快速响应模型在冲击载荷作用下的变形引起应变片的电压变化，进而反映出模型载荷，因其整体结构刚度大、分量间干扰低、输出灵敏度高、稳定性强和精准度高等特点广泛应用于高超声速飞行器测力试验等。在开展测力试验时，测力系统在风洞流场瞬间起动的脉冲冲击激励作用下产生惯性振动，由于受到风洞的有效运行时间的限制和测力结构复杂性的影响，测力系统的惯性振动信号无法在短时间内快速衰减，天平的输出信号中包含了气动力信号和惯性振动干扰信号。目前为了消除惯性振动干扰发展的特种天平技术方法主要有压电天平、应力波天平、磁悬挂天平、加速度计天平和惯性自补偿型技术等。
[0003]然而当测力系统的惯性振动频率与气动力频率相近时，传统的惯性自补偿测力技术和滤波处理可能无法有效滤除干扰信号，从而影响气动力测量的精准度。
技术实现思路
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：汪运鹏，聂少军，姜宗林，
申请(专利权)人：中国科学院力学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。