[发明专利]一种基于深度学习的激波风洞测力信号频域分析方法

说明书

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。

技术领域

本发明涉及风洞测力信号试验技术领域，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。

背景技术

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。

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。

发明内容

本发明的目的在于提供一种基于深度学习的激波风洞测力信号频域分析方法，以解决现有技术中无法有效滤除干扰信号，从而影响气动力测量的精准度的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种基于深度学习的激波风洞测力信号频域分析方法，包括以下步骤：

步骤100、搭建高超声速飞行器模型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天平样本信号中的天平阶跃信号进行小波分解得到子信号，对所述子信号进行时频转换，以滤除所述天平样本信号中的高频噪声信号，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。

作为本发明的一种优选方案，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。

作为本发明的一种优选方案，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。