| 一种基于深度学习的激波风洞测力信号频域分析方法 | |
汪运鹏 ; 聂少军; 姜宗林
| |
| 2022-04-05 | |
| Rights Holder | 中国科学院力学研究所 |
| Abstract | 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。 |
| Application Date | 2021-10-13 |
| Application Number | CN202111192663.4 |
| Patent Number | CN113970420B |
| Claim | 1.一种基于深度学习的激波风洞测力信号频域分析方法，其特征在于，包括以下步骤： 步骤100、搭建高超声速飞行器模型的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，对所述子信号进行相关性分析，并滤除高频噪声信号，以得到有效特征信号； 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。 |
| Language | 中文 |
| Classification | 发明授权 |
| Status | 有效 |
| Note | 授权 |
| Country | 中国 |
| Agency | 北京和信华成知识产权代理事务所(普通合伙) |
| Document Type | 专利 |
| Identifier | http://dspace.imech.ac.cn/handle/311007/90051 |
| Collection | 高温气体动力学国家重点实验室 |
| Recommended Citation GB/T 7714 | 汪运鹏,聂少军,姜宗林. 一种基于深度学习的激波风洞测力信号频域分析方法. CN113970420B[P]. 2022-04-05. |
| Files in This Item: | Download All | |||||
| File Name/Size | DocType | Version | Access | License | ||
| 20220405_0C_CN_0 (1)（776KB） | 专利 | 开放获取 | CC BY-NC-SA | View Download | ||
Items in the repository are protected by copyright, with all rights reserved, unless otherwise indicated.
Edit Comment