一种基于小波变换和卷积自编码器的气动力载荷辨识方法技术

本发明专利技术公开了一种基于小波变换和卷积自编码器的气动力载荷辨识方法，包括以下步骤：步骤一，采集样本；步骤二，采集标签；步骤三，剔除干扰；步骤四，系统信号分类；步骤五，力载荷信号分类；步骤六，训练网络模型；步骤七，重构气动力载荷信号并进行验证；所述步骤七中，将验证数据集II和验证数据集IV输入训练好的卷积自编码器中，通过卷积自编码器的计算后，输出理想的气动力载荷信号并与真实气动力载荷信号进行对比验证，本发明专利技术可以降低变频干扰、噪声干扰和惯性振动干扰，有效重构出风洞试验过程中的气动力信号，准确的反映出风洞试验过程中气动力载荷的大小及变化过程，且能够提高气动力载荷的辨识精度。气动力载荷的辨识精度。气动力载荷的辨识精度。

【技术实现步骤摘要】
一种基于小波变换和卷积自编码器的气动力载荷辨识方法


[0001]本专利技术涉及气动力载荷辨识
，具体为一种基于小波变换和卷积自编码器的气动力载荷辨识方法。

技术介绍

[0002]风洞试验是吸气式高超声速飞行器研制的关键技术，高精度气动力测量是其中的重要部分，在风洞启动过程，高速瞬态气流会对安装在测力系统中的飞行器模型产生瞬态冲击，从而产生瞬态振动，由振动引起的模型惯性力会与气动力一同被测力系统采集，由于有效时间短暂，仅有200ms左右，惯性力难以衰减完全，最终悬挂测力系统的输出信号呈现出振荡衰减特性，在风洞试验过程中，测力系统的信号传输和采集不可避免的会产生噪声，主要为高频白噪声，此外，在试验过程中飞行器模型与测力系统连接部分的结合部会出现变频冲击，使得测力系统输出信号中会出现变频信号，影响气动力辨识精度，目前工程常用载荷辨识方法主要有：均值法、频域法、时域法和传统神经网络法，但以上方法无法有效降低变频信号的干扰，且部分方法仅能辨识一个气动力载荷常数，无法有效反映出风洞试验过程中动态气动力载荷的大小及变化过程。

技术实现思路

[0003]本专利技术的目的在于提供一种基于小波变换和卷积自编码器的气动力载荷辨识方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于小波变换和卷积自编码器的气动力载荷辨识方法，包括以下步骤：步骤一，采集样本；步骤二，采集标签；步骤三，剔除干扰；步骤四，系统信号分类；步骤五，力载荷信号分类；步骤六，训练网络模型；步骤七，重构气动力载荷信号并进行验证；其中在上述步骤一中，首先采集原始的测力系统输出信号作为网络训练样本；其中在上述步骤二中，再采集与原始测力系统输出信号相对应的力载荷信号作为网络训练标签；其中在上述步骤三中，取步骤一中的原始测力系统输出信号，通过小波变换将样本中的变频干扰信号剔除；其中在上述步骤四中，取步骤三中去除变频干扰信号的测力系统输出信号将其分为训练数据集I和验证数据集II；其中在上述步骤五中，取步骤二中相对应的力载荷信号将其分为训练数据集III和验证数据集IV；其中在上述步骤六中，利用训练数据集I和训练数据集III对卷积自编码模型进行训练，使该模型能够准确重构出力载荷信号；其中在上述步骤七中，利用验证数据集II和验证数据集IV对训练完成的卷积自编码模型进行验证，将力载荷验证结果与真实力载荷信号进行对比，判断其准确性。
[0005]优选的，所述步骤一中采集的原始测力系统输出信号与步骤二中采集的力载荷信号长度一致。
[0006]优选的，所述步骤一中采集的原始测力系统输出信号与步骤二中采集的力载荷信号长度一致。
[0007]优选的，所述步骤三中，输入快速衰减的母小波振荡波型来匹配输入的信号，其具体过程为，对原始信号进行Meyer小波逐层分解得到在不同子空间中的平滑逼近曲线，应用现有分解公式如下：其中，为尺度因子，为平移因子，为时间，为整数集，为尺度函数，称为在级子空间的平滑逼近，即在尺度时的平滑逼近，系数称为逼近系数，表达如下：其中， 表示内积运算，为 在级子空间的平滑逼近。
[0008]最终得到剔除变频干扰后的信号：最终得到剔除变频干扰后的信号：由真实气动力以及惯性力分量两部分组成，其中，为固有模态阶数， 为第阶的幅值，为第阶的频率，为第阶的相位。
[0009]优选的，所述步骤六中训练数据集I和训练数据集III一一对应。
[0010]优选的，所述步骤七中验证数据集II和验证数据集IV一一对应。
[0011]优选的，所述步骤七中，将验证数据集II和验证数据集IV输入训练好的卷积自编码器中，通过卷积自编码器的计算后，输出理想的气动力载荷信号并与真实气动力载荷信号进行对比验证。
[0012]与现有技术相比，本专利技术的有益效果是：本专利技术可以降低变频干扰、噪声干扰和惯性振动干扰，有效重构出风洞试验过程中的气动力信号，准确的反映出风洞试验过程中气动力载荷的大小及变化过程，且能够提高气动力载荷的辨识精度，效果显著。
附图说明
[0013]图1为本专利技术的方法流程图；图2为本专利技术的原理流程图；
图3为本专利技术的卷积自编码器的结构示意图；图4为本专利技术的模型训练的损失函数；图5为本专利技术的第一次气动力载荷信号辨识和重构结果；图6为本专利技术的第二次气动力载荷信号辨识和重构结果；图7为本专利技术的第三次气动力载荷信号辨识和重构结果；图8为本专利技术的第四次气动力载荷信号辨识和重构结果。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]请参阅图1
‑
8，本专利技术提供的一种实施例：一种基于小波变换和卷积自编码器的气动力载荷辨识方法，包括以下步骤：步骤一，采集样本；步骤二，采集标签；步骤三，剔除干扰；步骤四，系统信号分类；步骤五，力载荷信号分类；步骤六，训练网络模型；步骤七，重构气动力载荷信号并进行验证；其中在上述步骤一中，首先采集原始的测力系统输出信号作为网络训练样本；其中在上述步骤二中，再采集与原始测力系统输出信号相对应的力载荷信号作为网络训练标签，其中，步骤一中采集的原始测力系统输出信号与步骤二中采集的力载荷信号长度一致；其中在上述步骤三中，取步骤一中的原始测力系统输出信号，通过小波变换将样本中的变频干扰信号剔除，其中，输入快速衰减的母小波振荡波型来匹配输入的信号，其具体过程为，对原始信号进行Meyer小波逐层分解得到在不同子空间中的平滑逼近曲线，应用现有分解公式如下：其中，为尺度因子，为平移因子，为时间，为整数集，为尺度函数，称为在级子空间的平滑逼近，即在尺度时的平滑逼近，系数称为逼近系数，表达如下：最终得到剔除变频干扰后的信号：最终得到剔除变频干扰后的信号：由真实气动力以及惯性力分量
两部分组成；其中，为固有模态阶数，为第阶的幅值，为第阶的频率，为第阶的相位；其中在上述步骤四中，取步骤三中去除变频干扰信号的测力系统输出信号将其分为训练数据集I和验证数据集II；其中在上述步骤五中，取步骤二中相对应的力载荷信号将其分为训练数据集III和验证数据集IV；其中在上述步骤六中，利用训练数据集I和训练数据集III对卷积自编码模型进行训练，使该模型能够准确重构出力载荷信号，其中，训练数据集I和训练数据集III一一对应；其中在上述步骤七中，利用验证数据集II和验证数据集IV对训练完成的卷积自编码模型进行验证，验证方法为将验证数据集II和验证数据集IV输入训练好的卷积自编码器中，通过卷积自编码器的计算后，输出理想的气动力载荷信号并与真实气动力载荷信号进行对比验证，其中，验证数据集II和验证数据集IV一一对应。
[0016]基于上述，本专利技术的优点在于，该专利技术使用时，通过小波变换可以有效剔除测力系统输出信号中的变频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换和卷积自编码器的气动力载荷辨识方法，包括以下步骤：步骤一，采集样本；步骤二，采集标签；步骤三，剔除干扰；步骤四，系统信号分类；步骤五，力载荷信号分类；步骤六，训练网络模型；步骤七，重构气动力载荷信号并进行验证；其特征在于：其中在上述步骤一中，首先采集原始的测力系统输出信号作为网络训练样本；其中在上述步骤二中，再采集与原始测力系统输出信号相对应的力载荷信号作为网络训练标签；其中在上述步骤三中，取步骤一中的原始测力系统输出信号，通过小波变换将样本中的变频干扰信号剔除；其中在上述步骤四中，取步骤三中去除变频干扰信号的测力系统输出信号将其分为训练数据集I和验证数据集II；其中在上述步骤五中，取步骤二中相对应的力载荷信号将其分为训练数据集III和验证数据集IV；其中在上述步骤六中，利用训练数据集I和训练数据集III对卷积自编码模型进行训练，使该模型能够准确重构出力载荷信号；其中在上述步骤七中，利用验证数据集II和验证数据集IV对训练完成的卷积自编码模型进行验证，将力载荷验证结果与真实力载荷信号进行对比，判断其准确性。2.根据权利要求1所述的一种基于小波变换和卷积自编码器的气动力载荷辨识方法，其特征在于：所述步骤一中采集的原始测力系统输出信号与步骤二中采集的力载荷信号长度一致。3.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：马贵林，李世超，高宏力，郭亮，伍广，由智超，邓斌，潘江，刘子豪，段志琴，杨磊，王钦超，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：