CN111898327B - 一种气动弹性系统颤振信号异常数据扩展方法 - Google Patents
一种气动弹性系统颤振信号异常数据扩展方法 Download PDFInfo
- Publication number
- CN111898327B CN111898327B CN202010613882.4A CN202010613882A CN111898327B CN 111898327 B CN111898327 B CN 111898327B CN 202010613882 A CN202010613882 A CN 202010613882A CN 111898327 B CN111898327 B CN 111898327B
- Authority
- CN
- China
- Prior art keywords
- flutter
- signal
- data
- generator
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及一种气动弹性系统颤振信号异常数据扩展方法,基于生成对抗网络中生成器的时间序列信号生成算法,仅需要少量气动弹性系统或飞行器的结构响应信号出现了耦合共振的颤振信号就可以通过预训练的生成器网络对颤振数据集扩展,尽可能的使正常与异常的数据达到平衡,减少方法验证过程中数据样本对于方法的影响。本发明相比现有技术:将深度学习算法引入到气动弹性系统振动信号的数据集扩展中,提供一种基于深度学习算法的颤振信号数据集扩展方法。基于预训练的生成对抗网络,通过少量耦合共振的实测风洞颤振试验颤振信号实现基于高斯分布的随机信号到具有颤振特征的颤振信号的转变,达到扩展数据集的目的。
Description
技术领域
本发明属于气动弹性系统数据处理方法,涉及一种气动弹性系统颤振信号异常数据扩展方法。
背景技术
对于气动弹性系统而言,颤振是由于气动力、弹性力等相互耦合而形成的一种气动弹性系统结构不稳定现象,正常运行的状态监测数据比较容易获得且数据量巨大。相反,对于系统异常运行下的状态监测的数据通常在数据量方面相对于正常的数据较小,这一数据不平衡现象使得诸多的基于颤振信号与数据驱动的颤振类型判定、颤振边界预测方法因为样本量不足等问题而受到影响。
现有颤振信号处理中对于颤振判定、边界预测等方法通常是基于仿真数据进行方法研究,然后通过实测的少数发生耦合的气动弹性系统颤振试验信号的进行方法验证。由于仿真信号无法完全仿真出实际系统的结构响应信号,因此,对于一些对数据敏感度比较高的数据驱动的方法而言,气动弹性系统的颤振信号异常数据与正常数据之间的不平衡问题亟待解决。
对于颤振发生情况下的气动弹性系统的颤振信号数据获取通常有两个主要的途径,一方面通过仿真环境或者风洞试验的气弹模型获取,另一方面是实际的飞行器飞行试验中人为的构建异常数据的数据库,但是通常情况下,气动弹性系统的长期异常运行具有破坏性,造成数据获取困难,因此,通过上述方法获取的数据存在以下两个方面的问题:
1、仿真数据与实际飞行器飞行试验的数据之间由于系统不同存在偏差,对于基于仿真数据研究的方法通常在实际的系统中应用时会出现鲁棒性能不够的情况。
2、由于实测的异常数据相对于正常情况下的数据量较小,总体来说,正常数据与异常数据之间不平衡,这一不平衡问题导致基于实测信号的颤振信号处理与数据驱动的研究方法通常对正常状态有比较好的效果,而异常状态由于样本量的问题难以完全有效。
对于一个设计完善的飞行器,通常是处于正常运行的状态,处于安全的原因极少人为的使其达到颤振临界速度,一般来说对于实测的处于颤振边界的颤振信号的获去通常是在风洞试验中,通过调整临界风速迫使气动弹性模型达到耦合共振以获取颤振状态的数据,但是相对而言,基于风洞试验获取的数据量较少,对于基于数据驱动的方法来说,通常表现为数据不平衡,难以达到验证方法的目的。
通常为了扩展数据集常对实测风洞试验数据采用抽样插值等方法获取。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种气动弹性系统颤振信号异常数据扩展方法。
技术方案
一种气动弹性系统颤振信号异常数据扩展方法,其特征在于步骤如下:
步骤1:通过计算机仿真生成指定采样率的服从高斯分布的时间序列信号Zlantern_vector作为预训练的生成器G的输入;
步骤2:预训练的生成器网络G对输入的时间序列信号Zlantern_vector进行特征提取与时间序列拟合,获得具有气动弹性系统结构耦合共振特征的时间序列信号;
对预训练生成器网络进行优化:
1、将风洞试验和实际的飞行试验中获取的颤振试验信号根据半功率带宽方法计算的阻尼大小进行分拣,获得处于颤振临界点的信号x(n);
2、对获得的颤振信号时间序列进行正则化预处理获得信号Yreal_data
其中,x(n)表示出现耦合共振的颤振信号时间序列,mean(x(n))与std(x(n))分别表示颤振信号x(n)的均值和标准差;
3、基于生成对抗网络的深度学习算法对生成器网络进行优化与参数更新;
其中生成对抗网络的基本原理:
其中,Yreal_data表示通过预处理的颤振信号,Zlantern_vector表示步骤一中所述仿真生成的服从高斯分布的时间序列信号。D(X)表示X通过判别器获得的判别结果,G(X)表示X通过生成器获得结果,E表示对应数据分布的期望值;
步骤3:以实测的出现耦合共振的颤振信号Yreal_data构建半监督学习的基本数据集,作为判别器D中真值类的数据;
由步骤1获得的高斯分布的同样采样率的数据Zlantern_vector作为生成器G的输入,得到通过生成器获得的具有颤振特征的时间序列信号Yfake_data;
然后通过判别器D对Yreal_data和Yfake_data分别标记为1和0进行真伪判别,其结果用于优化判别器与生成器,最终获得经过训练优化的生成器进行颤振信号数据集的扩展。
有益效果
本发明提出的一种气动弹性系统颤振信号异常数据扩展方法,基于生成对抗网络中生成器的时间序列信号生成算法,仅需要少量气动弹性系统或飞行器的结构响应信号出现了耦合共振的颤振信号就可以通过预训练的生成器网络对颤振数据集扩展,尽可能的使正常与异常的数据达到平衡,减少方法验证过程中数据样本对于方法的影响。满足数据驱动的研究方法对于数据的样本平衡性要求比较高;然而,对于任何机械系统而言,其正常运行的状态监测数据与异常状态的数据之间必然从在不平衡性的基本需求。
本发明相比现有技术:将深度学习算法引入到气动弹性系统振动信号的数据集扩展中,提供一种基于深度学习算法的颤振信号数据集扩展方法。基于预训练的生成对抗网络,通过少量耦合共振的实测风洞颤振试验颤振信号实现基于高斯分布的随机信号到具有颤振特征的颤振信号的转变,达到扩展数据集的目的。
附图说明
图1:颤振信号生成方法
具体实施方式
现结合实施例、附图对本发明作进一步描述:
实施方式分两部分,包括生成对抗网络的参数优化和生成器网络的独立应用。
首先,按照深度学习算法的训练与部署原则,针对设计的网络模型建立数据集,对模型进行优化与参数优化,其中,数据集通过分析风洞试验的气动弹性模型的数据组建数据集,网络优化的过程基于Pytorch深度学习框架实现。
另外,由于生成对抗网络包含两个网络,其中一个网络是生成器网络,另一个是判别器网络,由于本专利主要针对颤振信号的数据扩展,因此,基于生成对抗网络实现颤振试验信号的扩展,现阶段本发明主要针对颤振试验后续的数据处理过程中得数据扩展,因此,只需要基于优化完成的生成器网络在线下计算对应的颤振信号。
具体实现:
步骤1:通过计算机仿真生成指定采样率的服从高斯分布的时间序列信号Zlantern_vector作为预训练的生成器G的输入。
步骤2:通过预训练的生成器网络G对输入的时间序列信号Zlantern_vector进行特征提取与时间序列拟合,最终计算获得具有气动弹性系统结构耦合共振特征的时间序列信号,对于上述预训练生成器网络的优化具体如下:
1)基于气动弹性系统颤振的定义,即颤振是由于弹性结构在空气动力、惯性力和弹性力的耦合作用下产生的一种具有破坏性的气动弹性不稳定状态。其在颤振信号中存在明显的特征,在颤振临界点,结构动态响应信号在时域呈简谐或发散状,而同时在频域颤振模态趋于单一且能量明显增大。基于这一根本的颤振定义与颤振信号的时域与频域特征,将风洞试验和实际的飞行试验中获取的颤振试验信号根据半功率带宽方法计算的阻尼大小进行分拣,获得处于颤振临界点的信号(颤振临界点速度说明)x(n)。
2)由于风洞试验与飞行试验的实测信号通常包含有一定的数据采集误差,为了消除误差对具体方法的影响,首先对获得的颤振信号时间序列进行正则化预处理获得信号Yreal_data。具体的计算方法:
其中,x(n)表示出现耦合共振的颤振信号时间序列,mean(x(n))与std(x(n))分别表示颤振信号x(n)的均值和标准差。
3)基于生成对抗网络的深度学习算法对生成器网络进行优化与参数更新。其中生成对抗网络的基本原理如下式(2):
其中,Yreal_data表示通过预处理的颤振信号,Zlantern_vector表示步骤一中所述仿真生成的服从高斯分布的时间序列信号。D(X)表示X通过判别器获得的判别结果,G(X)表示X通过生成器获得结果,E表示对应数据分布的期望值。
本方案中设计生成对抗网络的基本算法优化思路如图1所示,实测的出现耦合共振的颤振信号Yreal_data构建半监督学习的基本数据集,作为判别器D中真值类的数据。由步骤1获得的高斯分布的同样采样率的数据Zlantern_vector作为生成器G的输入,得到通过生成器获得的具有颤振特征的时间序列信号Yfake_data,然后通过判别器D对Yreal_data和Yfake_data分别标记为1和0进行真伪判别,其结果用于优化判别器与生成器,最终获得经过训练优化的生成器进行颤振信号数据集的扩展。
步骤3:基于优化完成的颤振信号生成器G与仿真生成的高斯分布的原始时间序列信号Zlantern_vector就可以获得具有一定颤振特征的颤振信号Yfake_data,最终Yfake_data作为基于生成对抗网络计算的颤振信号数据,达到扩展数据集的目的。
Claims (1)
1.一种气动弹性系统颤振信号异常数据扩展方法,所述气动弹性系统的负载对象为飞行器,其特征在于步骤如下:
步骤1:通过计算机仿真生成指定采样率的服从高斯分布的时间序列信号Zlantern_vector作为预训练的生成器G的输入;
步骤2:预训练的生成器网络G对输入的时间序列信号Zlantern_vector进行特征提取与时间序列拟合,获得具有气动弹性系统结构耦合共振特征的时间序列信号;
对预训练生成器网络进行优化:
1) 、将风洞试验和实际的飞行试验中获取的颤振试验信号根据半功率带宽方法计算的阻尼大小进行分拣,获得处于颤振临界点的信号x(n);
2) 、对获得的颤振信号时间序列进行正则化预处理获得信号Yreal_data
其中,x(n)表示出现耦合共振的颤振信号时间序列,mean(x(n))与std(x(n))分别表示颤振信号x(n)的均值和标准差;
3) 、基于生成对抗网络的深度学习算法对生成器网络进行优化与参数更新;
其中生成对抗网络的基本原理:
其中,Yreal_data表示通过预处理的颤振信号,Zlantern_vector表示步骤一中所述仿真生成的服从高斯分布的时间序列信号;D(X)表示X通过判别器获得的判别结果,G(X)表示X通过生成器获得结果,E表示对应数据分布的期望值;
步骤3:以实测的出现耦合共振的颤振信号Yreal_data构建半监督学习的基本数据集,作为判别器D中真值类的数据;
由步骤1获得的高斯分布的同样采样率的数据Zlantern_vector作为生成器G的输入,得到通过生成器获得的具有颤振特征的时间序列信号Yfake_data;
然后通过判别器D对Yreal_data和Yfake_data分别标记为1和0进行真伪判别,其结果用于优化判别器与生成器,最终获得经过训练优化的生成器进行颤振信号数据集的扩展。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613882.4A CN111898327B (zh) | 2020-06-30 | 2020-06-30 | 一种气动弹性系统颤振信号异常数据扩展方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613882.4A CN111898327B (zh) | 2020-06-30 | 2020-06-30 | 一种气动弹性系统颤振信号异常数据扩展方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898327A CN111898327A (zh) | 2020-11-06 |
CN111898327B true CN111898327B (zh) | 2022-06-07 |
Family
ID=73207957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010613882.4A Active CN111898327B (zh) | 2020-06-30 | 2020-06-30 | 一种气动弹性系统颤振信号异常数据扩展方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898327B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408357B (zh) * | 2021-05-21 | 2024-02-13 | 西北工业大学 | 一种颤振紊流响应信号到脉冲响应信号的生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3106999A1 (en) * | 2015-06-04 | 2016-12-21 | The Boeing Company | Systems and methods for analyzing flutter test data using damped sine curve fitting with the closed form shape fit |
CN108182328A (zh) * | 2018-01-05 | 2018-06-19 | 北京航空航天大学 | 一种适用于失速颤振的大攻角非线性气动力降阶模型 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7054785B2 (en) * | 2003-06-24 | 2006-05-30 | The Boeing Company | Methods and systems for analyzing flutter test data using non-linear transfer function frequency response fitting |
CN104443427B (zh) * | 2014-10-15 | 2016-08-31 | 西北工业大学 | 飞行器颤振预测系统及方法 |
CN109086501A (zh) * | 2018-07-20 | 2018-12-25 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种颤振预测方法 |
-
2020
- 2020-06-30 CN CN202010613882.4A patent/CN111898327B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3106999A1 (en) * | 2015-06-04 | 2016-12-21 | The Boeing Company | Systems and methods for analyzing flutter test data using damped sine curve fitting with the closed form shape fit |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN108182328A (zh) * | 2018-01-05 | 2018-06-19 | 北京航空航天大学 | 一种适用于失速颤振的大攻角非线性气动力降阶模型 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
Non-Patent Citations (3)
Title |
---|
Novel Nonstationarity Assessment Method for Hypersonic Flutter Flight Tests;Hua Zheng等;《Mathematical Problems in Engineering》;20181025;1-12 * |
基于时变参数建模的连续变速飞行颤振预测;党维等;《计算机仿真》;20190430;第36卷(第4期);13-23 * |
改进的HHT及其在颤振试验数据处理中的应用;廖振洋等;《计算机仿真》;20130228;第30卷(第2期);265-268、342 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898327A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
CN113281048B (zh) | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统 | |
CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
CN116029219B (zh) | 一种飞行器气动热预测方法、装置、设备及存储介质 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN113567131A (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN111898327B (zh) | 一种气动弹性系统颤振信号异常数据扩展方法 | |
CN112989906A (zh) | 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法 | |
Fritzen et al. | Vibration-based damage detection under changing environmental and operational conditions | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN109580146B (zh) | 一种基于改进稀疏分量分析的结构振动参数识别方法 | |
CN115753002A (zh) | 飞行器抖振气动力的预测系统及方法 | |
CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统 | |
CN115033977A (zh) | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 | |
Govers et al. | Using stochastic experimental modal data for identifying stochastic finite element parameters of the AIRMOD benchmark structure | |
CN113239495A (zh) | 一种基于矢量混合代理模型的复杂结构可靠性设计方法 | |
CN113570120A (zh) | 基于改进粒子群算法的风电功率预测方法及装置 | |
Zhou et al. | A gas path fault diagnostic model for gas turbine based on deep belief network with prior information | |
WO2023173531A1 (zh) | 一种基于NExT-递归图的结构损伤检测方法及系统 | |
Chen et al. | A high-fidelity polynomial chaos modified method suitable for CFD uncertainty quantification | |
Li et al. | The identification of fatigue crack acoustic emission signal of axle based on depth belief network | |
CN113408357B (zh) | 一种颤振紊流响应信号到脉冲响应信号的生成方法 | |
Wilson et al. | Modeling Axial Compressor Systems Using Deep Learning Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |