循环神经网络在智能天平研究中的应用

激波风洞地面试验对高超声速飞行器高焓气动特性研究至关重要, 而高精度气动力测量是其中的关键技术. 在脉冲型激波风洞中进行测力试验时, 风洞起动时流场瞬间建立, 对测力系统会产生较大的冲击. 测力系统在瞬时冲击作用下受到激励, 系统的惯性振动信号在短时间内无法快速衰减, 天平的输出信号中会包含惯性振动干扰量, 导致脉冲型风洞测力试验精准度的进一步提高遇到瓶颈. 为了解决短试验时间内激波风洞快速准确测力问题, 发展高精度的动态校准技术是提升受惯性干扰天平性能的关键方法. 因此, 本文采用循环神经网络对天平动态校准数据进行训练和智能处理, 旨在消除输出动态信号中的振动干扰信号. 本文对该方法进行了误差分析, 验证了该方法的可靠性, 并将该方法应用于激波风洞测力试验中, 切实有效降低了惯性振动对天平输出信号的干扰影响. 根据智能模型的样本验证分析, 各分量载荷相对误差比较小, 其中高频轴向力分量处理结果的相对误差约1%. 在风洞试验数据验证中, 也得到了比较理想的结果, 同时与卷积神经网络模型处理的结果进行了对比分析.      

激波风洞高低压段钢膜片破裂特性研究

激波风洞是用于高超声速飞行器气动外形设计和优化的常用地面试验装置,基于爆轰驱动技术,激波风洞能够在短时间(毫秒级)内产生高温、高压的驱动气体来模拟高超声速试验气流.主膜片位于激波风洞中的爆轰驱动段和激波管段之间,试验时膜片在爆轰脉冲压力下打开,膜片的打开状态和脱落情况对激波风洞气流品质有很大的影响. 同时,膜片也是形成激波的先决条件. 传统的风洞采用铝质膜片进行试验,在激波风洞中需要承压能力更强的膜片, 此时铝质膜片不再适用, 需要采用钢质膜片.因此, 对激波风洞中的钢膜片破裂特性进行研究很有必要.将数值计算结果与试验结果进行比较, 发现数值计算结果与试验结果吻合得比较理想,计算结果具有可靠性. 基于膜片的应力-应变模型, 建立了膜片打开的动力学模型,根据CJ爆轰理论, 采用有限元软件计算模拟了膜片破裂的过程,分析总结了膜片破裂的机制和力学特性规律.采用控制变量法对不同厚度和凹槽长度的膜片进行分析研究,得到了膜片破膜压力和有效破膜时间的变化规律. 在激波风洞试验中,根据膜片总破膜时间设计了适用于JF-12复现风洞的膜片参数.      

基于深度学习技术的激波风洞智能测力系统研究

高焓条件气动力测量试验对高超声速飞行器气动外形设计和优化起决定性作用. 通常采用脉冲风洞(如激波风洞)产生高温、高压驱动气体以模拟高超声速高焓试验气流. 在脉冲风洞对高超飞行器模型进行测力试验时, 测力天平输出信号结果无法摆脱惯性载荷的干扰影响, 其导致的测力模型低频振动问题基本无法通过滤波彻底解决, 尤其对试验时间只有几毫秒的情况, 六分量测力天平的结构设计研究受到了极大挑战. 因此, 对实现短试验时间条件高性能测力的深入研究发现, 天平动态校准凸显重要性和必要性. 本研究提出一种新的基于人工智能深度学习技术的单矢量动态自校准方法和智能测力系统概念, 并应用于目前激波风洞测力试验中. 该动校方法的最主要特点之一是对整体测力系统的校准, 而非仅仅针对天平, 并且保证校准的测力系统即为风洞试验对象, 确保校准与应用的一致性. 在测试评估中, 测试样本和风洞试验验证均得到了较为理想的效果, 大幅度低频振动干扰基本被消除, 脉冲风洞测力的精度和可靠性得到了大幅提高.      

基于时频变换的激波风洞天平信号分析与处理

在激波风洞中开展测力试验时,测力系统在风洞流场起动瞬间会受到冲击激励,从而对天平的输出信号产生惯性干扰.天平输出信号中叠加有动态气动力信号和惯性振动信号,有可能无法直接分辨出气动力信号的规律性,信号处理结果与真实气动力之间会产生较大的误差,导致处理结果不可靠.由于模型测力天平系统结构的复杂性,在极短的有效试验时间(毫秒...