Transfer learning: A new aerodynamic force identification network based on adaptive EMD and soft thresholding in hypersonic wind tunnel

The aerodynamic test in the pulse combustion wind tunnel is very important for the design, evaluation and optimization of aerodynamic characteristics of the hypersonic aircraft. The test accuracy even affects the success or failure of hypersonic aircraft development. In the aerodynamic test of pulse combustion wind tunnel, the aerodynamic signal is disturbed by the inertial force signal, which seriously affects the test accuracy of aerodynamic force. Aiming at the above problems, this paper innovatively proposes an aerodynamic intelligent identification method, that is the transfer learning network based on adaptive Empirical Modal Decomposition (EMD) and Soft Thresholding (TLN-AE&ST). Compared with the existing aerodynamic intelligent identification model based on deep learning technology, this study introduces the transfer learning idea into the aerodynamic intelligent identification model for the first time. The TLN-AE&ST effectively alleviates the problem of scarcity of training samples for intelligent models due to the high cost of wind tunnel tests, and provides a new idea for further implementation of deep learning technology in the field of wind tunnel aerodynamic testing. And this study designed residual attention block with soft threshold and dense block with adaptive EMD in TLN-AE&ST model. Residual attention block with soft threshold module can more effectively suppress the influence of instrument noise signal on model training effect. Dense block with adaptive EMD makes the deep learning model no longer a black box to a certain extent, and has certain physical significance. Finally, a series of wind tunnel tests were carried out in the Φ = 2.4 m pulse combustion wind tunnel of China Aerodynamic Research and Development Center to verify the effectiveness of TLN-AE&ST.     

考虑噪声抑制的高超声速风洞气动力识别方法

对于风洞试验中全尺寸模型试验的非平稳信号进行载荷辨识仍存在诸多问题。针对全尺度模型试验的非平稳信号载荷辨识提出了一种基于深度残差收缩网络（DRSN）深度学习技术的智能载荷辨识方法,该方法通过深度学习提取测力系统输出数据中的气动力、惯性力和噪声等特征,通过注意力机制对每组数据进行获取阈值,再通过软阈值函数对特征进行滤波降噪,有效辨识出测力系统响应信号中的惯性力分量并进行剔除,实现气动力载荷辨识。在测试验证中,均值法的辨识精度为85%以上,DRSN模型的辨识精度为94%以上,证明DRSN模型能有效降低噪声和惯性力对于载荷辨识的干扰,用于非平稳信号的载荷辨识具有精度高、可靠性好等特点。     

径向基神经网络在非线性非定常气动力建模中的应用研究

基于南航NH-2风洞中某飞机模型大迎角大振幅单自由度偏航、滚转及偏航-滚转耦合的谐波、阶跃运动实验数据,应用径向基神经网络,研究人工神经网络描述非线性非定常气动力特性的能力.研究结果表明,所建立的径向基神经网络模型的预测结果与训练数据和验证数据都符合得很好,说明神经网络建模方法可以有效地对高度非线性的气动力进行建模.研究还表明,用神经网络建立模型时所需要的风洞实验数据可以减少,从而提高风洞实验效率、减少风洞实验的时间和成本.     

An intelligentized and fast calibration method of SINS on moving base for planed missiles

In order to minish the error of inertial sensors, the technology of neural networks is attempted to on-line calibration of a slave inertial navigation system mounted on planed missiles. Based on the time-varied specialty of slave inertial navigation system on a moving base, an input–output sample structure method is proposed, and to automatically calibrate and revise the error of inertial sensors of inertial navigation system. When a missile is appended under the wing and in free-flight, in order to solve the inconsistent problem of measurement's character of the inertial sensors, the error angles between the master inertial navigation system and the slave inertial navigation system are estimated in advance, then, the input samples of a neural network can correctly simulate the free-flight state. Furthermore, in order to make a learning algorithm of neural networks can satisfy real-time calibrating on a moving base, the traditional Newton algorithm is improved by using first differential coefficient to replace the approximate matrix of second differential coefficients. As a result, the training speed and precision of neural network are enhanced. The simulation results indicate that the method and algorithm are feasible.     

激波风洞气动力试验不确定度影响因素分析

参考北大西洋公约组织和AIAA推荐的风洞试验数据不确定度计算方法,结合激波风洞运行特点,确定激波风洞气动力试验的主要误差源,计算激波风洞13-2标模气动力测量结果的不确定度。采用改变单一变量的方法计算主要误差源对测量结果不确定度的影响程度,辨析对不确定度起主要作用的基本参数。计算结果表明：皮托压力和总压的测量结果对流场参数影响显著,皮托压力的测量结果比总压测量结果对流场参数与气动力测量结果影响更大;降低皮托压力和总压的偏离极限,有利于提高激波风洞气动力试验数据的质量。     

装夹规划中确定工件定位基准的神经网络决策机制

以量化数值形式表示与工件定位装夹相关的特征向量信息 ,利用 BP神经网络的自学习和分布式信息处理能力来获取装夹定位知识 ,模拟有经验工艺人员的形象思维 ,进行并行推理 ,从而产生可行的工件定位基准方案。算例表明 ,该方法能够提高对工艺性要求高、结构复杂零件的非线性处理能力 ,以及推理过程中的容错能力 ,是一种确定工件定位基准的有效决策机制。     

双轴旋转惯导系统误差自标定技术研究

惯导系统受限于目前惯性器件长期稳定性水平,对服役期内武器装备的使用和维护提出了定期标定的保障需求。当前主要有两种标定方式：不拆卸情况下的武器装备整体标定与拆卸情况下的惯导系统单机标定。上述两种方式能够准确分离和标定的误差参数较少,且对设备、场地、人力、时间等保障条件提出了较高的要求。基于双轴旋转惯导系统开展自标定技术研究,设计了一种能够实现绝大部分误差分离和标定的转位方案,提出了一种大幅缩短标定时间的数据处理方案,实现了武器装备不拆卸、不转动条件下误差参数的快速、高精度、自动化标定,大大降低了武器装备的使用维护成本、减轻了部队的保障负担,试验结果验证了该自标定方法的正确性和有效性。     

液体火箭发动机高速涡轮泵的振动故障检测

讨论了涡轮泵故障的几个主要原因，据此提取涡轮泵振动数据的特征，用BP神经网络的方法进行故障检测。BP神经网络的训练样本集由一个具有无监督聚类功能的神经网络从原始的特征向量集获取。     

基于组合导航技术的光纤捷联系统在线标定

 将光纤捷联系统惯性测量单元（IMU）输出误差分解成零偏误差、标度因数误差、失准角误差和随机白噪声几个部分,建立了系统误差模型,基于此模型设计卡尔曼滤波器引入高精度外部信息源对IMU进行在线标定。将此方法应用于某光纤捷联系统进行跑车试验,结果表明：引入外部信息源进行在线标定与补偿后系统纯惯导精度显著提高,本文建立的系统误差模型和在线估计方式有效估计了IMU输出误差,实现了系统在线标定,提高了系统实用精度。     

智能旋翼的频域神经控制

 频域内的神经控制方法在振动主动控制中因其允许复杂的控制算法,适合于智能旋翼的控制。在建立频域智能旋翼系统模型的基础上,提出了频域内的智能旋翼神经控制方法。采用正交设计方法选取训练样本,建立频域神经模拟器,然后按照提出的算法进行控制。仿真结果表明提出的算法有效,并且具有较好的鲁棒性。     

基于神经网络的飞行科目模板样本集建立方法

为建立某一飞行科目的模板样本集,提出一套基于神经网络和卡尔曼滤波的数据处理方法。任选一次试飞样本,建立Kohonen自组织神经网络进行参数降维、聚类分析、特征提取等,使样本量缩减90%以上,得到该科目的模板样本集。用处理后的样本训练BP神经网络,对其他未经处理的试飞样本进行载荷预测,误差均在3%之内,说明处理后的样本能代表该科目的数据特点,即为模板样本集。方法可以为飞机载荷监控数据库的完善工作服务。     

基于极限学习机的黑障区智能导航算法

在黑障区飞行阶段中,惯性导航系统会因缺少辅助导航系统而持续累积误差,导致飞行器导航系统可靠性下降。针对这一问题,提出了一种新的基于极限学习机的黑障区智能导航算法,通过极限学习机(ELM)对GPS正常工作的导航信息进行学习。在黑障区,利用学习得到的模型对惯性导航系统进行误差补偿,较好地修正了当GPS失锁时惯性导航系统的误差,避免了因误差累积而导致的导航信息发散。仿真结果表明,该算法能够保证在GPS失锁的黑障区中导航系统输出的信息有较好的可靠性和精度,能够为接下来的姿态调整和着陆准备提供良好的基础。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

某型发动机支承松动故障机理分析与试车数据验证

针对某型弹用涡扇发动机振动超标问题,建立了一维有限元梁模型进行仿真与模拟,结合实际试车数据进行了故障分析和仿真,验证了故障原因在于工作转速内存在临界转速,在较大的不平衡力作用下,松动故障被激发。针对机匣加速度信号,研究了不对称刚度模型下松动故障的冲击特征,发现了松动故障所引发的机匣加速度时域波形特征的不对称性以及频谱中出现倍频特征,与实际弹用涡扇发动机试车数据非常一致。结果表明:振动故障是由于支承刚度不足,导致在临界转速附近出现松动故障。     

多个MEMS惯性姿态模块同时标定方法研究

针对MEMS 惯性姿态模块的应用需求, 根据已有的MEMS 三轴加速度计和 三轴陀螺仪的零偏、标度因子和非正交等误差及其随温度的变化模型, 设计了多个 MEMS 惯性姿态模块误差同时标定的方法,该方法可实现多个模块传感器数据的同步采 集,在常温下可对多个MEMS 惯性姿态模块的非正交误差进行批量标定,在全温度范围 内同时标定多个模块的温度漂移误差。试验表明,该方法校正了MEMS 惯性传感器的非 正交误差和温度漂移误差,提高了MEMS 惯性传感器的精度,同时提高了标定的效率, 减少了标定成本,有利于工程实现。     

信号周期分段处理法诊断单级传动齿轮副故障

为了诊断单级传动齿轮副故障,本文提出信号周期分段处理的方法。首先同步整周期采集振动信号,然后对采集的振动信号做时域平均,进行降噪和凸显故障脉冲的处理。利用周期分段处理法,将振动平均信号等距分段,分别对各段信号进行频谱分析。比较各段信号的时域波形和频谱的异同,可以准确诊断出单级传动齿轮副中同步齿轮故障位置,且还能诊断出非同步齿轮故障位置。数字仿真试验以及模拟故障实验结果都证实了信号周期分段处理法诊断齿轮故障的可行性和有效性;它为诊断单级传动齿轮副故障提供一种有效手段。      

基于LSTM和CNN的高速柱塞泵故障诊断

针对高速轴向柱塞泵容易发生空化，且目前空化故障诊断方法存在依赖手工特征提取、鲁棒性不高的问题，提出了一种基于长短时记忆（LSTM）和一维卷积神经网络（1D-CNN）相结合的空化故障诊断方法。搭建了柱塞泵故障实验台，采集柱塞泵在不同空化等级下的壳体振动信号。利用LSTM和1D-CNN搭建的分类模型对不同进口压力情况下的振动信号进行空化等级识别。实验结果表明：提出的方法能够准确地识别出4类不同的空化等级，准确率高达99.5%，同时在不附加降噪方法的情况下，具有良好的鲁棒性，在0 dB信噪比的情况下，识别准确率高达87.3%。     

风洞无线智能传感器网络及无线测量技术研究

风洞试验现场,特别是大型连续式风洞试验现场的电磁环境非常恶劣,而风洞实验中的测量信号又是毫伏级的微弱信号,采用传统测量方式难以克服恶劣的电磁环境对测量系统的干扰。对于运动物体或无法布线的试验环境进行参数测量时,传统测量方式完全不起作用。针对上述问题,笔者对风洞无线智能传感器网络和无线测量技术进行了研究,采用ZIGBEE技术实现了风洞无线智能传感器网络和基于该网络的无线测量模块。极大地增强了测量系统的抗干扰能力,提高了风洞试验的精细化程度,降低了测量系统的经济成本。     

基于深度学习驱动的L型定向热疏导机理

碳/碳（C/C）复合材料具有热导率大、比强度高、耐烧蚀和耐冲刷等优异特性,被广泛应用于飞行器的热防护系统中,其有效导热系数对于实际应用而言是重要的热物理性质,尽管可以通过有效介质理论、对热扩散方程直接求解和玻尔兹曼输运方程等传统方法计算C/C复合材料有效导热系数,但这些数值方法通常十分耗时。本文引入深度学习方法,将格子玻尔兹曼（LBM）的三维格子模型作为三维卷积神经网络（3D-CNN）微观结构,不仅解决了三维微观结构模型难以捕获的问题,还便于实现数值计算模型和CNN模型的同步简化,利用3D-CNN快速精准地预测三维三相C/C复合结构的有效导热系数,基于此对内置L型高导热碳纤维丝的定向热疏C/C复合结构的有效导热系数进行快速预测和研究。研究表明,CNN模型在LBM传热计算上表现出强大的学习能力,但在测试样本结构孔隙率过分超出训练集时预测误差将大幅增加,且当孔隙率变化范围从30%~35%变化到55%~60%时,CNN模型"内插"预测的相对误差较模型"外推"降低了0.93%~30.72%。在C/C复合结构中内置L型高导热碳纤维丝可以将高温区域的热量沿纤维方向定向疏导至低温区域。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。