[发明专利]一种颤振紊流响应信号到脉冲响应信号的生成方法

说明书

本发明公开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。

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；