一种颤振预测方法与流程

本发明涉及气动弹性力学领域，特别涉及一种颤振预测方法。

背景技术

颤振是一种自激振动，属于气动弹性动稳定性问题，主要涉及航空航天、建筑、机械等领域。如在航空航天领域，飞行器飞行过程中达到或超过颤振边界速度时将发生等幅或发散振动，大多数会在几秒甚至更短的时间内造成解体的灾难性后果，为了保证人员和飞行器安全，必须开展相关工作，如相似模型进行风洞试验，颤振试飞等。

在颤振风洞试验和颤振试飞时，也同样面临破坏的风险，出于安全性考虑，在亚临界状态能准确预测出颤振边界是最理想的。目前的预测方法主要有以下几种：一是速度-阻尼法，该方法比较传统，主要是识别出亚临界状态的固有频率及阻尼，拟合出曲线进行外推，当阻尼为零时对应的速度为预测的颤振边界，缺点是对试验数据质量要求高，以及由于阻尼是速度的非线性函数，外插有可能造成较大误差；二是颤振裕度法，缺点是准确性依赖于模态参数识别的准确性，并需提前确定是哪两阶模态发生耦合；三是鲁棒颤振裕度法，将颤振理论计算与试验数据相结合，缺点是结果偏保守。

技术实现要素：

本发明的目的是提供了一种颤振预测方法，以解决现有颤振预测方法存在的至少一个问题。

本发明的技术方案是：

一种颤振预测方法，包括如下步骤：

步骤一、在颤振实测数据中，根据预定颤振频率，在颤振临界状态处选取预定数量的数据点以及所述数据点所对应的表达速度的参数，作为特征数据；

步骤二、建立神经网络结构，根据所述特征数据确定人工神经网络的节点数；

步骤三、将已经完成风洞试验时实际发生颤振的实测数据中的一部分作为所述神经网络结构的训练样本，进行训练，得到期望输出；

步骤四、将步骤三所述实测数据的另一部分作为所述神经网络结构验证样本，进行验证；如果验证合格，则完成所述神经网络结构的构建；如果验证不合格，增加新的实测数据，并重复步骤三和步骤四，直至验证合格。

可选的，所述数据点的预定数量至少为100个。

可选的，所述步骤二中，所述神经网络中的输入节点数为所述数据点的预定数量，输出节点数为2个，隐藏层为至少2层。

可选的，所述步骤三包括：

步骤3.1、给定神经网络的所述特征数据和期望输出；

其中，期望输出为步骤三中所述实测数据中的输出数据；

步骤3.2、计算所述神经网络的隐藏层和输出层；

步骤3.3、计算所述神经网络的实际输出与期望输出的偏差；

步骤3.4、根据所述实际输出与期望输出的偏差，对所述神经网络的权值进行调整，直至实际输出收敛。

可选的，所述实际输出为颤振边界对应的表达速度的参数及频率。

可选的，在所述步骤一中，所述表达速度的参数包括当量空速、速压以及风速。

发明效果：

本发明的颤振预测方法，能够充分利用前期试验数据，从而提高预测准确性和及时性；并且随着试验数据的增加，通过继续训练和验证，神经网络的预测能力还会逐步提高，从而可以替代颤振风洞试验时人工的紧急关车操作。

附图说明

图1是本发明颤振预测方法的流程图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

下面结合附图1对本发明颤振预测方法做进一步详细说明。

本发明的颤振预测方法主要解决的技术问题是：1)根据测试数据确定特征数据；2)建立神经网络结构来解决预测问题。

要解决上述技术问题主要是通过以下几点实现的：1)确定特征数据时要参考以往试验的测试数据，挑取与颤振边界最为相关的使用，并考虑到训练、验证和后期使用的可实现性；2)设计神经网络时主要是架构选择，确定节点数。

本发明提供了一种颤振预测方法，包括如下步骤：

步骤一、在颤振实测数据中，根据预定颤振频率f，在颤振临界状态处选取预定数量的数据点以及所述数据点所对应的表达速度的参数，作为特征数据。其中，数据点的预定数量至少为100个；表达速度的参数包括当量空速、速压以及风速。

其中，特征数据来源于以往颤振风洞试验数据，与低速风洞速度信号(或跨音速风洞速压信号)相对应的加速度传感器、应变测试的振动数据，颤振边界对应的风速(或速压)及频率。

试验时测试的采样频率一般都较高，时域数据非常多，为了简化需要对数据进行重采样，重采样依据实测或计算的颤振频率f，有四个原则，一是进行重采样的原始数据时间长度在40个周期(该数量仅为举例，并非严格界定)；二是在40个周期的时间长度内当量空速保持增加；三是原始数据时间长度距离颤振临界点较近；四是该时间长度内重采样，得到280个数据点(该数量仅为举例，并非严格界定)。将这些数据点及其对应的当量空速直接作为输入使用，分别用x1，x2，…，x280和v1，v2，…，v280表示。

颤振边界对应的当量空速及频率作为输出使用，用v和f表示。

步骤二、建立神经网络结构，根据所述特征数据确定人工神经网络的节点数。其中，神经网络中的输入节点数为所述数据点的预定数量，输出节点数为2个，隐藏层为至少2层(每层包含24个节点，或者其他数量)。本实施例中，输入节点数为280个，输出节点数为2个，隐藏层为2层，每层包含20个节点(上述数量仅为举例，并非严格界定)。

步骤三、将已经完成风洞试验时实际发生颤振的实测数据(这个数据不一定是步骤一中的数据，步骤一中的数据可以是未发生颤振的数据)中的一部分作为所述神经网络结构的训练样本，进行训练，得到期望输出。

具体地，步骤三包括：

步骤3.1、给定神经网络的所述特征数据和期望输出；

其中，期望输出为步骤三中所述实测数据中的输出数据；

步骤3.2、计算所述神经网络的隐藏层和输出层；

步骤3.3、计算所述神经网络的实际输出与期望输出的偏差；

步骤3.4、根据所述实际输出与期望输出的偏差，对所述神经网络的权值进行调整，直至实际输出收敛。其中，实际输出为颤振边界对应的表达速度的参数及频率。

步骤四、将步骤三所述实测数据的另一部分作为所述神经网络结构验证样本，进行验证；如果验证合格，则完成所述神经网络结构的构建；如果验证不合格，增加新的实测数据，并重复步骤三和步骤四，直至验证合格。

本发明的基于神经网络技术的颤振预测方法，能够充分利用前期试验数据，从而提高预测准确性和及时性；并且随着试验数据的增加，通过继续训练和验证，神经网络的预测能力还会逐步提高，从而可以替代颤振风洞试验时人工的紧急关车操作。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。