一种颤振紊流响应信号到脉冲响应信号的生成方法
技术领域
本发明属于信号处理
技术领域
，具体涉及一种脉冲响应信号的生成方法。背景技术
由于飞行器或者气动弹性结构的应用环境要求，大气紊流激励总是作用于结构系统中，因此，在气动弹性系统的试验试飞中，通过大气紊流激励的响应信号进行结构的模态分析是一种比较常见的结构模态分析方法，然而，由于紊流响应信噪比低，模态参数估计需要复杂的计算；最为理想的模态参数估计是通过脉冲响应实现的，但是，在实际的颤振试验试飞中，脉冲响应的获取难度大、风险高以及数据有效性差等问题，使得基于脉冲响应信号的模态参数辨识在实际的工程试验中难以作为唯一的模态参数辨识方法。进一步地，大气紊流激励通常表现为随机激励，在实际工程中该激励信号无法测量，因此，通过激励和响应信号对结构系统进行分析的方法在紊流激励条件下无法实现，通常需要在仅知响应的情况下进行结构系统的模态参数估计。
现阶段常见的自然激励信号模态参数识别方法主要以随机减量技术、随机子空间以及自回归建模及其扩展方法等为主，以上方法主要存在以下问题：
(1)随机减量技术对单一模态的紊流响应信号而言，可以有效计算对应信号的脉冲响应信号，但是，实际的颤振试飞试验中往往存在密集模态问题，随机减量技术难以获得有效的脉冲响应信号；
(2)随机子空间方法需要遍历多个阶数的模态参数，然后以各阶数的模态参数为特征判定稳定的模态参数(频率、阻尼)，但是，随着遍历阶数的增加，计算模态参数的算法耗时非常高，难以做到实时处理，算法的时间复杂度和空间复杂度对实时的模态参数分析该来的诸多困难，是该方法无法在线处理颤振试飞紊流响应数据的主要缺点。另一方面，由于需要通过多个阶数的模态参数进行稳定模态的分析，现阶段对于稳定模态的问题主要以聚类方法为主，但是针对稳定点的判定，基于响应信号定阶是目前该类方法的主要难点，需要通过人为的判定实现阶数的确定。
(3)自回归建模等相关的方法的主要问题是阶数如何确定，自回归建模方法首先需要确定建模的阶数，然后基于阶数建立系数方程进行参数优化，该过程的第一步便是确定要建模的阶数，目前该步骤往往是通过相关数据处理人员人为实现的。
发明内容
为了克服现有技术的不足，本发明提供了一种颤振紊流响应信号到脉冲响应信号的生成方法，首先构建基于颤振试验的脉冲响应生成系统，该系统为深度学习模型，包括encoder、middle和decoder三部分，其中encoder和decoder以一维卷积、ReLU激活函数和BatchNormal为基本结构组成，middle由LSTM网络结构组成，用于脉冲响应信号的频域特征提取；然后将新紊流响应信号和对应的脉冲响应信号作为脉冲响应生成系统的训练数据，采用Pytorch深度学习框架，得到最终的脉冲响应生成系统；最后将最终的脉冲响应生成系统部署在实际工程中。本发明在保证算法实时性的前提下可以获得较好的模态参数估计结果。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：将由颤振飞行试验采集的紊流响应信号通过频率分析区间带通滤波之后生成带通滤波后的紊流响应信号；
步骤2：构建基于颤振的脉冲响应生成系统；
步骤2-1：通过仿真生成紊流响应信号以及对应的脉冲响应信号，将紊流响应信号和对应的脉冲响应信号作为脉冲响应生成系统的训练数据；
步骤2-2：将仿真产生的紊流响应信号作为输入，依次经过encoder、middle和decoder，最终的输出与该仿真产生的紊流响应对应的脉冲响应进行误差计算；
其中encoder和decoder均以一维卷积、ReLU激活函数和BatchNormal为基本结构组成，middle由LSTM网络结构组成，用于脉冲响应信号的频域特征提取；
步骤2-3：采用Pytorch深度学习框架，以步骤2-1生成的系统训练数据对脉冲响应生成系统进行网络结构优化，得到最终的脉冲响应生成系统组成和参数信息；
步骤3：将最终的脉冲响应生成系统用于实际工程中颤振试验试飞的紊流响应数据的脉冲响应信号生成。
本发明的有益效果如下：
本发明通过数据驱动的方法，将紊流响应信号转化为对应的脉冲响应信号，通过数据驱动模型获取自然激励响应的脉冲响应信号，然后通过脉冲响应信号获取系统的模态参数，保证算法实时性的前提下可以获得较好的模态参数估计结果。
附图说明
图1为本发明方法脉冲响应信号生成系统流程图。
图2为本发明方法的脉冲响应生成系统框图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提出一种脉冲响应信号生成方法，由于结构系统的紊流响应信号与脉冲响应信号之间在数学原理上被认为是卷积过程，且脉冲响应信号很难测量，因此，通过可以测量的紊流响应信号基于生成模型生成脉冲响应信号，对于一个训练完成的生成模型，仅通过模型的加载和计算可实现对实际试验试飞的紊流响应信号生成脉冲响应信号。
如图1所示，一种颤振紊流响应信号到脉冲响应信号的生成方法，包括如下步骤：
步骤1：将由颤振飞行试验采集的紊流响应信号通过分析频率区间带通滤波之后获得带通滤波后的紊流响应信号，该步骤作为实际工程中信号处理的常见手段主要目的在于滤除无关频带的信息，获得分析频率相关的有用信息；
步骤2：构建基于颤振的脉冲响应生成系统，计算紊流响应信号对应的脉冲响应信号，其中脉冲响应信号生成系统作为深度学习模型，需要进行模型预训练，便于实际的工程应用，具体步骤如下：
步骤2-1：通过仿真生成紊流响应信号以及对应的脉冲响应信号，将仿真的紊流响应信号和对应的脉冲响应信号作为脉冲响应生成系统的训练数据；
步骤2-2：如图2所示，将仿真的紊流响应信号作为输入，依次经过encoder、middle和decoder，最终的输出与该仿真产生的紊流响应对应的脉冲响应进行误差计算；
其中encoder和decoder均以一维卷积、ReLU激活函数和BatchNormal为基本结构组成，middle由LSTM网络结构组成，用于脉冲响应信号的频域特征提取；
步骤2-3：采用Pytorch深度学习框架，以步骤2-1生成的仿真训练数据对脉冲响应生成系统进行网络结构优化，得到最终的脉冲响应生成系统组成和参数信息；
步骤3：将最终的脉冲响应生成系统用于实际工程中颤振试验试飞的紊流响应数据的脉冲响应信号生成，包括对部署脉冲响应生成系统和工程试验数据的处理。
脉冲响应信号生成系统的流程如图1所示，图中基于仿真信号训练的脉冲响应信号生成系统根据步骤2中所述的内容建立，通过仿真数据进行脉冲响应信号生成系统的模型参数确定是由于实践中工程试验数据往往不能获得理想的脉冲激励响应信号，无法作为深度学习模型的数据集进行模型的优化和训练，因此，基于仿真数据进行模型的优化，然后部署该模型用于颤振试验试飞的紊流响应信号对应的脉冲响应信号的生成。
具体的实施方式分两部分，包括脉冲响应信号生成系统的网络参数优化和模型的部署应用。
首先，按照深度学习算法的训练与部署原则，针对设计的脉冲响应信号生成系统网络模型建立数据集，对模型进行优化与参数优化，其中，数据集通过仿真建立脉冲响应与紊流响应构建数据集，用于脉冲响应生成系统的网络参数优化，网络优化的过程基于Pytorch深度学习框架实现。
其次，脉冲响应信号生成系统的应用则主要是对预训练的网络进行应该用部署，该步骤主要是在于对实际颤振试验试飞的紊流响应信号进行脉冲响应的生成，用于颤振试验试飞中的模态参数估计。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：一种基于多目标优化的车位分配系统及方法
