CN114444551A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114444551A
CN114444551A CN202210344080.7A CN202210344080A CN114444551A CN 114444551 A CN114444551 A CN 114444551A CN 202210344080 A CN202210344080 A CN 202210344080A CN 114444551 A CN114444551 A CN 114444551A
Authority
CN
China
Prior art keywords
data set
encoder
signal
aerodynamic
load signal
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.)
Granted
Application number
CN202210344080.7A
Other languages
English (en)
Other versions
CN114444551B (zh
Inventor
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
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210344080.7A priority Critical patent/CN114444551B/zh
Publication of CN114444551A publication Critical patent/CN114444551A/zh
Application granted granted Critical
Publication of CN114444551B publication Critical patent/CN114444551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

本发明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。

Description

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
技术领域
本发明涉及气动力载荷辨识技术领域，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。
背景技术
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。
发明内容
本发明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，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：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。
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。
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。
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
Figure 820116DEST_PATH_IMAGE001
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：
Figure 553717DEST_PATH_IMAGE002
其中，
Figure 306909DEST_PATH_IMAGE003
为尺度因子，
Figure 703124DEST_PATH_IMAGE004
为平移因子，
Figure 199965DEST_PATH_IMAGE005
为时间，
Figure 53651DEST_PATH_IMAGE006
为整数集，
Figure 961433DEST_PATH_IMAGE007
为尺度函数，
Figure 330098DEST_PATH_IMAGE008
称为
Figure 365050DEST_PATH_IMAGE009
在
Figure 135560DEST_PATH_IMAGE010
级子空间
Figure 214243DEST_PATH_IMAGE011
的平滑逼近，即
Figure 70204DEST_PATH_IMAGE009
在尺度
Figure 174426DEST_PATH_IMAGE010
时的平滑逼近，系数
Figure 720814DEST_PATH_IMAGE012
称为逼近系数，表达如下：
Figure 455552DEST_PATH_IMAGE013
其中，
Figure 985759DEST_PATH_IMAGE014
表示内积运算，
Figure 18306DEST_PATH_IMAGE015
为
Figure 956218DEST_PATH_IMAGE016
在
Figure 658595DEST_PATH_IMAGE017
级子空间
Figure 879360DEST_PATH_IMAGE018
的平滑逼近。
最终得到剔除变频干扰后的信号：
Figure 528648DEST_PATH_IMAGE019
Figure 315207DEST_PATH_IMAGE020
由真实气动力
Figure 391747DEST_PATH_IMAGE021
以及惯性力分量
Figure 958864DEST_PATH_IMAGE022
两部分组成，其中，
Figure 880683DEST_PATH_IMAGE023
为固有模态阶数，
Figure 600378DEST_PATH_IMAGE024
为第
Figure 831508DEST_PATH_IMAGE025
阶的幅值，
Figure 839915DEST_PATH_IMAGE026
为第
Figure 611431DEST_PATH_IMAGE025
阶的频率，
Figure 920052DEST_PATH_IMAGE027
为第
Figure 135133DEST_PATH_IMAGE025
阶的相位。
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。
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。
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。
与现有技术相比，本发明的有益效果是：本发明可以降低变频干扰、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
图1为本发明的方法流程图；
图2为本发明的原理流程图；
图3为本发明的卷积自编码器的结构示意图；
图4为本发明的模型训练的损失函数；
图5为本发明的第一次气动力载荷信号辨识和重构结果；
图6为本发明的第二次气动力载荷信号辨识和重构结果；
图7为本发明的第三次气动力载荷信号辨识和重构结果；
图8为本发明的第四次气动力载荷信号辨识和重构结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-8，本发明提供的一种实施例：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
Figure 896416DEST_PATH_IMAGE001
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：
Figure 471622DEST_PATH_IMAGE002
其中，
Figure 103592DEST_PATH_IMAGE003
为尺度因子，
Figure 942104DEST_PATH_IMAGE004
为平移因子，
Figure 659524DEST_PATH_IMAGE005
为时间，
Figure 259262DEST_PATH_IMAGE006
为整数集，
Figure 542476DEST_PATH_IMAGE007
为尺度函数，
Figure 302622DEST_PATH_IMAGE008
称为
Figure 287764DEST_PATH_IMAGE009
在
Figure 955506DEST_PATH_IMAGE010
级子空间
Figure 296488DEST_PATH_IMAGE011
的平滑逼近，即
Figure 539120DEST_PATH_IMAGE009
在尺度
Figure 762291DEST_PATH_IMAGE028
时的平滑逼近，系数
Figure 171407DEST_PATH_IMAGE012
称为逼近系数，表达如下：
Figure 412901DEST_PATH_IMAGE013
最终得到剔除变频干扰后的信号：
Figure 311587DEST_PATH_IMAGE019
Figure 756475DEST_PATH_IMAGE020
由真实气动力
Figure 484128DEST_PATH_IMAGE021
以及惯性力分量
Figure 596440DEST_PATH_IMAGE022
两部分组成；其中，
Figure 400448DEST_PATH_IMAGE023
为固有模态阶数，
Figure 863791DEST_PATH_IMAGE024
为第
Figure 660714DEST_PATH_IMAGE025
阶的幅值，
Figure 627533DEST_PATH_IMAGE029
为第
Figure 602443DEST_PATH_IMAGE025
阶的频率，
Figure 740032DEST_PATH_IMAGE027
为第
Figure 91379DEST_PATH_IMAGE025
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。
基于上述，本发明的优点在于，该发明使用时，通过小波变换可以有效剔除测力系统输出信号中的变频信号等干扰因素，再通过卷积自编码器可以有效对测力系统输出信号进行信号重构，从而实现对气动力载荷的有效辨识，准确反映出气动力载荷的大小及变化过程，且提高了辨识气动力载荷的精度。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

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
Figure 335613DEST_PATH_IMAGE001
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：
Figure 721595DEST_PATH_IMAGE002
其中，
Figure 970174DEST_PATH_IMAGE003
为尺度因子，
Figure 77633DEST_PATH_IMAGE004
为平移因子，
Figure 626426DEST_PATH_IMAGE005
为时间，
Figure 652151DEST_PATH_IMAGE006
为整数集，
Figure 653605DEST_PATH_IMAGE007
为尺度函数，
Figure 570614DEST_PATH_IMAGE008
称为
Figure 708335DEST_PATH_IMAGE009
在
Figure 170540DEST_PATH_IMAGE010
级子空间
Figure 393711DEST_PATH_IMAGE011
的平滑逼近，即
Figure 848832DEST_PATH_IMAGE009
在尺度
Figure 44321DEST_PATH_IMAGE010
时的平滑逼近，系数
Figure 943007DEST_PATH_IMAGE012
称为逼近系数，表达如下：
Figure 902741DEST_PATH_IMAGE013
其中，
Figure 646707DEST_PATH_IMAGE014
表示内积运算，
Figure 759019DEST_PATH_IMAGE015
为
Figure 563027DEST_PATH_IMAGE016
在
Figure 478899DEST_PATH_IMAGE017
级子空间
Figure 26555DEST_PATH_IMAGE018
的平滑逼近；
最终得到剔除变频干扰后的信号：
Figure 993374DEST_PATH_IMAGE019
Figure 483130DEST_PATH_IMAGE020
由真实气动力
Figure 902610DEST_PATH_IMAGE021
以及惯性力分量
Figure 253957DEST_PATH_IMAGE022
两部分组成，其中，
Figure 75283DEST_PATH_IMAGE023
为固有模态阶数，
Figure 735940DEST_PATH_IMAGE024
为第
Figure 642716DEST_PATH_IMAGE025
阶的幅值，
Figure 532175DEST_PATH_IMAGE026
为第
Figure 739165DEST_PATH_IMAGE025
阶的频率，
Figure 570724DEST_PATH_IMAGE027
为第
Figure 964796DEST_PATH_IMAGE025
阶的相位。
4.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：所述步骤六中训练数据集I和训练数据集III一一对应。
5.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：所述步骤七中验证数据集II和验证数据集IV一一对应。
6.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。
CN202210344080.7A 2022-04-02 2022-04-02 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 Active CN114444551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210344080.7A CN114444551B (zh) 2022-04-02 2022-04-02 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210344080.7A CN114444551B (zh) 2022-04-02 2022-04-02 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

Publications (2)

Publication Number Publication Date
CN114444551A true CN114444551A (zh) 2022-05-06
CN114444551B CN114444551B (zh) 2022-06-10

Family

ID=81358584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210344080.7A Active CN114444551B (zh) 2022-04-02 2022-04-02 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

Country Status (1)

Country Link
CN (1) CN114444551B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376214A (zh) * 2014-11-18 2015-02-25 上海大学 基于数据驱动的脉动风速模拟方法
CN107991706A (zh) * 2017-11-24 2018-05-04 华北科技学院 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法
CN110059384A (zh) * 2019-04-09 2019-07-26 同济大学 基于生成式对抗网络模拟人群跳跃荷载的方法
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法
CN110929765A (zh) * 2019-11-06 2020-03-27 北京工业大学 一种基于批次图像化的卷积自编码故障监测方法
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111473947A (zh) * 2020-05-07 2020-07-31 中国科学院力学研究所 一种脉冲风洞测力系统单矢量动态校准方法
CN111539132A (zh) * 2020-07-09 2020-08-14 南京航空航天大学 一种基于卷积神经网络的动载荷时域识别方法
CN112036042A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种基于变分模态分解的动力设备异常检测方法及系统
CN112326187A (zh) * 2020-09-15 2021-02-05 南京航空航天大学 一种应用液晶涂层和深度学习算法测量摩擦力场的方法
CN112446091A (zh) * 2020-11-19 2021-03-05 中国航天空气动力技术研究院 一种基于人工神经网络的脉动压力预测方法
CN112668104A (zh) * 2021-01-04 2021-04-16 中国人民解放军96901部队22分队 一种高超声速飞行器气动参数在线辨识方法
EP3818802A1 (en) * 2019-11-08 2021-05-12 Kverneland Group Operations Norway AS System for measuring and interpreting a force
CN113970420A (zh) * 2021-10-13 2022-01-25 中国科学院力学研究所 一种基于深度学习的激波风洞测力信号频域分析方法
CN114004023A (zh) * 2021-10-26 2022-02-01 南京航空航天大学 一种基于循环神经网络的飞行器气动参数辨识的方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376214A (zh) * 2014-11-18 2015-02-25 上海大学 基于数据驱动的脉动风速模拟方法
CN107991706A (zh) * 2017-11-24 2018-05-04 华北科技学院 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法
CN110059384A (zh) * 2019-04-09 2019-07-26 同济大学 基于生成式对抗网络模拟人群跳跃荷载的方法
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法
CN110929765A (zh) * 2019-11-06 2020-03-27 北京工业大学 一种基于批次图像化的卷积自编码故障监测方法
EP3818802A1 (en) * 2019-11-08 2021-05-12 Kverneland Group Operations Norway AS System for measuring and interpreting a force
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111473947A (zh) * 2020-05-07 2020-07-31 中国科学院力学研究所 一种脉冲风洞测力系统单矢量动态校准方法
CN111539132A (zh) * 2020-07-09 2020-08-14 南京航空航天大学 一种基于卷积神经网络的动载荷时域识别方法
CN112036042A (zh) * 2020-09-02 2020-12-04 哈尔滨工程大学 一种基于变分模态分解的动力设备异常检测方法及系统
CN112326187A (zh) * 2020-09-15 2021-02-05 南京航空航天大学 一种应用液晶涂层和深度学习算法测量摩擦力场的方法
CN112446091A (zh) * 2020-11-19 2021-03-05 中国航天空气动力技术研究院 一种基于人工神经网络的脉动压力预测方法
CN112668104A (zh) * 2021-01-04 2021-04-16 中国人民解放军96901部队22分队 一种高超声速飞行器气动参数在线辨识方法
CN113970420A (zh) * 2021-10-13 2022-01-25 中国科学院力学研究所 一种基于深度学习的激波风洞测力信号频域分析方法
CN114004023A (zh) * 2021-10-26 2022-02-01 南京航空航天大学 一种基于循环神经网络的飞行器气动参数辨识的方法

Non-Patent Citations (16)

* Cited by examiner, † Cited by third party
Title
BYUNG KWAN OH 等: "Convolutional neural network-based wind-induced response estimation model for tall buildings", 《COMPUTER-AIDED CIVIL AND INFRANSTRUCTURE ENGINEERING》 *
BYUNG KWAN OH 等: "Convolutional neural network-based wind-induced response estimation model for tall buildings", 《COMPUTER-AIDED CIVIL AND INFRANSTRUCTURE ENGINEERING》, 25 June 2019 (2019-06-25), pages 843 - 858 *
YUNPENG WANG 等: "Intelligent Force-Measurement System Use in Shock Tunnel", 《SENSORS》 *
YUNPENG WANG 等: "Intelligent Force-Measurement System Use in Shock Tunnel", 《SENSORS》, 30 October 2020 (2020-10-30), pages 1 - 14 *
张景亭 等: "Morlet组合小波在颤振试飞中的应用", 《飞行力学》 *
张景亭 等: "Morlet组合小波在颤振试飞中的应用", 《飞行力学》, vol. 26, no. 4, 31 August 2008 (2008-08-31), pages 62 - 64 *
汪运鹏 等: "基于深度学习技术的激波风洞智能测力系统研究", 《力学学报》 *
汪运鹏 等: "基于深度学习技术的激波风洞智能测力系统研究", 《力学学报》, vol. 52, no. 5, 28 July 2020 (2020-07-28), pages 1304 - 1313 *
王钦超 等: "高超声速风洞短时气动力智能辨识算法研", 《力学学报》 *
王钦超 等: "高超声速风洞短时气动力智能辨识算法研", 《力学学报》, vol. 54, no. 3, 18 March 2022 (2022-03-18), pages 688 - 696 *
王锋 等: "脉冲风洞测力系统建模与载荷辨识方法研究", 《振动与冲击》 *
王锋 等: "脉冲风洞测力系统建模与载荷辨识方法研究", 《振动与冲击》, vol. 34, no. 1, 15 January 2015 (2015-01-15), pages 94 - 103 *
聂少军 等: "基于时频变换的激波风洞天平信号分析与处理", 《力学学报》 *
聂少军 等: "基于时频变换的激波风洞天平信号分析与处理", 《力学学报》, vol. 54, no. 1, 18 January 2022 (2022-01-18), pages 232 - 243 *
马贵林 等: "考虑噪声抑制的高超声速风洞气动力识别方法", 《航空动力学报》 *
马贵林 等: "考虑噪声抑制的高超声速风洞气动力识别方法", 《航空动力学报》, 6 December 2021 (2021-12-06), pages 1 - 12 *

Also Published As

Publication number Publication date
CN114444551B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN109682561B (zh) 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法
Bin et al. Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network
Junsheng et al. A fault diagnosis approach for roller bearings based on EMD method and AR model
CN112697887B (zh) 基于神经网络的超声检测缺陷定性识别方法
CN108875170B (zh) 一种基于改进变分模态分解的噪声源识别方法
CN109033226B (zh) 基于复杂网络理论的振动传感器布置优化方法
CN102436586B (zh) 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法
CN111553877B (zh) 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法
CN106841915B (zh) 一种基于压缩感知的输电线路故障定位方法
CN112229633A (zh) 一种基于多元特征融合的风机轴承故障诊断方法
CN105588720A (zh) 基于声信号形态分量分析的滚动轴承故障诊断装置及方法
Xie et al. Fast-varying AM–FM components extraction based on an adaptive STFT
CN109241849B (zh) 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法
Zhu et al. Complex disturbances identification: A novel PQDs decomposition and modeling method
Xu et al. An adaptive spectrum segmentation method to optimize empirical wavelet transform for rolling bearings fault diagnosis
CN115238740A (zh) 一种基于时频分布和深度学习的故障诊断方法及装置
CN115494341A (zh) 基于ielm-vmd算法的配电网故障测距方法及系统
Lv et al. Gear fault feature extraction based on fuzzy function and improved Hu invariant moments
CN114444551B (zh) 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
CN110057918A (zh) 强噪声背景下的复合材料损伤定量识别方法及系统
CN113884818A (zh) 一种基于lstm的配电网故障行波到达时间精确估算方法
Song et al. Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE
Sun et al. A single-channel blind source separation technique based on AMGMF and AFEEMD for the rotor system
CN111610394A (zh) 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法
Su et al. Fault Feature Extraction of Bearings for the Petrochemical Industry and Diagnosis Based on High-Value Dimensionless Features

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