CN111898327B - 一种气动弹性系统颤振信号异常数据扩展方法 - Google Patents

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

一种气动弹性系统颤振信号异常数据扩展方法

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Z_{lantern_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Z_{lantern_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Y_{real_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,Y_{real_data}表示通过预处理的颤振信号，Z_{lantern_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Y_{real_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Z_{lantern_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Y_{fake_data}；

然后通过判别器D对Y_{real_data}和Y_{fake_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Z_{lantern_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Z_{lantern_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Y_{real_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,Y_{real_data}表示通过预处理的颤振信号，Z_{lantern_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Y_{real_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Z_{lantern_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Y_{fake_data}，然后通过判别器D对Y_{real_data}和Y_{fake_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Z_{lantern_vector}就可以获得具有一定颤振特征的颤振信号Y_{fake_data}，最终Y_{fake_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Z_{lantern_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Z_{lantern_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Y_{real_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,Y_{real_data}表示通过预处理的颤振信号，Z_{lantern_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Y_{real_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Z_{lantern_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Y_{fake_data}；

然后通过判别器D对Y_{real_data}和Y_{fake_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。

Images