基于颤振样本识别和颤振度分析的颤振边界预测方法

提出一种基于机器学习的颤振边界预测方法,能够在风速到达亚临界状态前进行颤振速度的预测。从风洞响应信号中提取颤振信号特征,根据飞行状态的不同建立分类模型;接着分别在不同颤振样本下建立回归模型,用于颤振度分析。进行预测时,根据待测数据的分类表现,将颤振度分析的结果进行加权计算,得到当前风速对应的颤振度,再计算出颤振风速。在进行机器学习的算法选择时,使用朴素贝叶斯算法、支持向量机法、K近邻算法等机器学习算法进行分类模型的构建,用线性回归、支持向量机法、高斯过程回归等进行回归模型的构建。结果显示：K近邻算法在分类算法中表现最优,而高斯过程回归算法在回归算法中表现最优。通过试验数据的交叉验证,该方法可以通过颤振样本识别和颤振度分析,在离颤振边界较远时,较为准确地预测出颤振临界速度。