基于深度學(xué)習(xí)技術(shù)的激波風(fēng)洞智能測力系統(tǒng)研究1)

汪運(yùn)鵬 楊瑞鑫 聶少軍 姜宗林

*(中國科學(xué)院力學(xué)研究所高溫氣體動(dòng)力學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100190)

?(中國科學(xué)院大學(xué)工程科學(xué)學(xué)院,北京 100049)

引言

目前應(yīng)用激波風(fēng)洞進(jìn)行測力試驗(yàn)仍存在諸多未解決的關(guān)鍵技術(shù)問題[1-3],常規(guī)測力方法的工程應(yīng)用遇到技術(shù)瓶頸.由于流場瞬時(shí)建立,試驗(yàn)時(shí)間短,在進(jìn)行氣動(dòng)力試驗(yàn)時(shí),模型-天平-支撐系統(tǒng)受到激勵(lì),產(chǎn)生瞬態(tài)沖擊載荷,模型、測力元件、支撐系統(tǒng)及風(fēng)洞部件被激發(fā)產(chǎn)生振動(dòng),測力元件輸出產(chǎn)生干擾[4].慣性干擾力與真實(shí)氣動(dòng)力混雜在一起(見圖1),甚至完全覆蓋氣動(dòng)力,大大降低試驗(yàn)精準(zhǔn)度,導(dǎo)致天平信號出現(xiàn)無法使用的情況,給激波風(fēng)洞測力帶來了很大困難,使得試驗(yàn)?zāi)Ｐ偷某叨取①|(zhì)量也受到極大的限制[5].國外一些測力和天平專家針對這些難題,發(fā)展了特種天平技術(shù),如加速度計(jì)天平[6-8]、應(yīng)力波天平[9-11]、自由飛測力技術(shù)[12-16]、補(bǔ)償型天平[17]和脈沖型應(yīng)變天平[18-21]等.但是,均因?yàn)槌杀靖摺⒓夹g(shù)不成熟且精準(zhǔn)度低而未能在工程實(shí)際應(yīng)用,仍處于初步研究階段.

圖1 激波風(fēng)洞與傳統(tǒng)低速風(fēng)洞測力試驗(yàn)中天平有效輸出信號Fig.1 Signal processing of strain gauge balance in shock tunnel and conventional wind tunnel

近些年,工程部門越來越關(guān)注高超聲速飛行器的尺度效應(yīng)和高溫效應(yīng),對飛行器氣動(dòng)力特性的試驗(yàn)指標(biāo)也要求越來越苛刻,這就要求脈沖型風(fēng)洞要大力提高其測力試驗(yàn)的精準(zhǔn)度.這除了對脈沖風(fēng)洞設(shè)備提出更高的要求,對測力傳感器及其附加設(shè)備(支撐系統(tǒng),數(shù)據(jù)采集等) 也提出了更高要求.所以,發(fā)展精準(zhǔn)度更高、使用更穩(wěn)定可靠的測力系統(tǒng)(force measurement system,FMS)變得更加迫切,探求激波風(fēng)洞中對測力結(jié)果影響的關(guān)鍵因素也變得更為重要.

激波風(fēng)洞氣動(dòng)力測量試驗(yàn)中最主要的測量儀器是風(fēng)洞天平.其中,風(fēng)洞天平的靜態(tài)校準(zhǔn)技術(shù)研究已經(jīng)發(fā)展得非常成熟,但是動(dòng)態(tài)特性和動(dòng)態(tài)校準(zhǔn)方面的研究非常少,原因是傳統(tǒng)風(fēng)洞試驗(yàn)中動(dòng)態(tài)試驗(yàn)涉及面并不寬.關(guān)于天平動(dòng)態(tài)特性的研究多側(cè)重于天平固有頻率特性的研究,慣性力補(bǔ)償以及支撐系統(tǒng)阻尼特性對測量精度的影響,實(shí)際上慣性力補(bǔ)償不能完全去除應(yīng)變天平動(dòng)態(tài)測量誤差.常規(guī)測力試驗(yàn)對天平動(dòng)態(tài)特性的要求也逐漸提高,要求天平不僅具有良好的靜態(tài)特性,還需有很好的動(dòng)態(tài)性能,跟隨速度快、響應(yīng)時(shí)間短,從而能夠快速準(zhǔn)確跟隨動(dòng)態(tài)載荷的變化,實(shí)現(xiàn)對風(fēng)洞試驗(yàn)中動(dòng)態(tài)過程的連續(xù)測量.在目前的天平的動(dòng)態(tài)特性研究中,也鮮有涉及脈沖型風(fēng)洞瞬態(tài)或動(dòng)態(tài)測力問題及動(dòng)態(tài)校準(zhǔn)應(yīng)用,尤其是在激波風(fēng)洞測力天平動(dòng)態(tài)校準(zhǔn)方面的技術(shù)研究和工程應(yīng)用.

因此,本文提出一種新的基于深度學(xué)習(xí)技術(shù)的單矢量動(dòng)態(tài)自校準(zhǔn)方法并應(yīng)用于脈沖風(fēng)洞(尤其是高焓激波風(fēng)洞) FMS 中,力求實(shí)現(xiàn)短試驗(yàn)時(shí)間風(fēng)洞FMS 的智能化并對慣性振動(dòng)干擾的測力結(jié)果進(jìn)行智能模型處理,得到理想氣動(dòng)載荷.該技術(shù)將使得精度高、成本低、發(fā)展成熟的應(yīng)變計(jì)天平的設(shè)計(jì)難度大大降低,同時(shí)提高激波風(fēng)洞測力試驗(yàn)精度.從某種角度看,激波風(fēng)洞測力技術(shù)的進(jìn)一步發(fā)展和完善也對高溫真實(shí)氣體效應(yīng)的研究提供了更可靠數(shù)據(jù),對我國高超聲速飛行器高焓氣動(dòng)特性研究則提供關(guān)鍵技術(shù)支撐.

1 基于深度學(xué)習(xí)技術(shù)的單矢量動(dòng)態(tài)自校準(zhǔn)方法

針對脈沖型FMS,本文提出基于深度學(xué)習(xí)的單矢量動(dòng)態(tài)自校準(zhǔn)技術(shù)(deep-learning-based singlevector dynamic self-calibration,SVDC),弓入人工智能(artificial intelligence,AI) 技術(shù)對FMS 結(jié)構(gòu)進(jìn)行深度學(xué)習(xí)建模,采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN) 訓(xùn)練模型.研究目標(biāo)是通過對動(dòng)態(tài)測力信號進(jìn)行人工智能建模,從而實(shí)現(xiàn)對結(jié)構(gòu)振動(dòng)的高精度識(shí)別,使風(fēng)洞天平輸出“純”氣動(dòng)載荷信息—–不帶有慣性振動(dòng)的干擾或者干擾基本可以忽略掉,即天平輸出的僅為高超聲速飛行器測力模型的“定常”或準(zhǔn)定常氣動(dòng)力信號.

本研究針對脈沖型FMS 進(jìn)行高精度動(dòng)態(tài)校準(zhǔn),實(shí)施對象是整體FMS,并非對單一測力天平的動(dòng)態(tài)校準(zhǔn).動(dòng)校之前需對FMS 傳感器部分(風(fēng)洞天平)采用天平校準(zhǔn)系統(tǒng)進(jìn)行高精準(zhǔn)度的靜態(tài)校準(zhǔn).基于深度學(xué)習(xí)技術(shù)的SVDC 方法是采用CNN 對動(dòng)態(tài)載荷樣本進(jìn)行建模和訓(xùn)練,其動(dòng)態(tài)階躍載荷的加載則采用瞬態(tài)卸載的辦法,即剪斷鋼絲卸載的方式.載荷的大小可通過靜態(tài)校準(zhǔn)的高精度風(fēng)洞天平傳感器實(shí)時(shí)讀取(即“自校準(zhǔn)”概念),并且可以同時(shí)讀取多分量載荷信息,因此任意方向的單載荷加/卸載可實(shí)現(xiàn)多分量階躍載荷的加/卸載(即“單矢量”概念).基于SVDC 技術(shù)進(jìn)行動(dòng)態(tài)校準(zhǔn)后的FMS,我們稱之為智能測力系統(tǒng)(intelligent force measurement system,iFMS).

1.1 單矢量動(dòng)態(tài)自校準(zhǔn)概念

首先提出基于應(yīng)變天平的“單矢量” 加載方法,即針對風(fēng)洞中實(shí)際吹風(fēng)試驗(yàn)的FMS,在模型迎風(fēng)面任意位置通過一根鋼絲懸掛至十字加載支撐架上的任一懸掛點(diǎn),實(shí)現(xiàn)施加一個(gè)矢量載荷并剪斷實(shí)現(xiàn)卸載.目前的單矢量加載方法,其載荷大小、方向、作用點(diǎn)均不受一定約束,而傳統(tǒng)動(dòng)態(tài)校準(zhǔn)懸掛砝碼的方法中,施加載荷方向受到一定限制.此外,如果天平為多分量(三分量或六分量),則可實(shí)現(xiàn)多分量加載和卸載,其載荷數(shù)值由FMS 中的高精度天平實(shí)時(shí)輸出,即實(shí)現(xiàn)“自校準(zhǔn)”.該方法可不必采用固定方向懸掛砝碼,并且各分量載荷的分解是嚴(yán)格按照天平靜態(tài)校準(zhǔn)時(shí)的坐標(biāo)系進(jìn)行的.圖2 為單矢量加載階躍載荷并實(shí)現(xiàn)自校準(zhǔn)的示意圖.

圖2 單矢量動(dòng)態(tài)自校準(zhǔn)加載階躍載荷示意圖Fig.2 Loading of SVDC system

新的SVDC 方法不采用傳統(tǒng)的懸掛砝碼瞬間卸載的方式施加階躍載荷,而是采用拉線(一般采用直徑小于0.5 mm 細(xì)鋼絲)施加單矢量拉力并通過剪斷拉線卸載實(shí)現(xiàn)階躍載荷的方式,其載荷大小利用高精度靜態(tài)校準(zhǔn)的風(fēng)洞天平直接讀取,該單矢量拉力通過風(fēng)洞天平直接輸出分解為多分量力,其合力為單矢量拉力,施加的單矢量力F,由風(fēng)洞天平按照靜態(tài)校準(zhǔn)時(shí)的體軸坐標(biāo)系各個(gè)坐標(biāo)軸方向,自動(dòng)分解為多個(gè)分量力,力的大小由風(fēng)洞天平實(shí)時(shí)測量輸出,且多個(gè)分量力的合力為所述單矢量力F.圖3 展示了單矢量加載后天平輸出多分量的效果.因此,單矢量力的加載即可實(shí)現(xiàn)多分量階躍載荷同時(shí)“定量”精確加載,更接近實(shí)際風(fēng)洞吹風(fēng)試驗(yàn)時(shí)的氣動(dòng)力加載方式,且精準(zhǔn)度更高.動(dòng)態(tài)校準(zhǔn)精準(zhǔn)度取決于風(fēng)洞天平靜態(tài)校準(zhǔn)精準(zhǔn)度,而傳統(tǒng)懸掛砝碼方法受到拉力方向和砝碼精度影響較大,其帶有載荷的拉線方向一般較難做到精確重合所選的坐標(biāo)系,并且傳統(tǒng)動(dòng)態(tài)校準(zhǔn)加載階躍載荷一般只能對單個(gè)方向懸掛砝碼載荷進(jìn)行加載和卸載.

此外,SVDC 具有便捷性,裝置設(shè)備簡單易用.進(jìn)行動(dòng)態(tài)校準(zhǔn)時(shí),FMS 可位于風(fēng)洞試驗(yàn)艙內(nèi)部,也可整體置于風(fēng)洞試驗(yàn)艙外部完成校準(zhǔn)過程,保證了校準(zhǔn)后的iFMS 即為風(fēng)洞試驗(yàn)采用FMS.一般的傳統(tǒng)動(dòng)態(tài)校準(zhǔn)僅對風(fēng)洞天平(FMS 的一部分,或FMS 的相似結(jié)構(gòu))進(jìn)行動(dòng)態(tài)加載、卸載,而實(shí)際在風(fēng)洞吹風(fēng)試驗(yàn)的FMS 為測力模型、風(fēng)洞天平和支撐結(jié)構(gòu),傳統(tǒng)動(dòng)態(tài)校準(zhǔn)方法的對象與試驗(yàn)對象在組成結(jié)構(gòu)上有較大差別,甚至完全不同.眾所周知,某一結(jié)構(gòu)的振動(dòng)特性(模態(tài)頻率)與其質(zhì)量和結(jié)構(gòu)直接相關(guān),因此盡管對風(fēng)洞天平(或FMS 相似結(jié)構(gòu))進(jìn)行了高精度的動(dòng)態(tài)校準(zhǔn),但在風(fēng)洞試驗(yàn)中改變FMS 結(jié)構(gòu),將產(chǎn)生一定測量誤差,甚至對結(jié)果無法評估.本研究中,動(dòng)態(tài)校準(zhǔn)的整套系統(tǒng)連接安裝模式與風(fēng)洞試驗(yàn)時(shí)完全一致.

圖3 SVDC 概念:單次任意方向加載實(shí)現(xiàn)多分量階躍載荷加載和卸載,載荷數(shù)值由天平直接讀取Fig.3 SVDC concept:single-vector load generates multi-component step-loads measured by the balance of FMS

1.2 基于深度學(xué)習(xí)技術(shù)的動(dòng)態(tài)特征建模

1.2.1 動(dòng)態(tài)校準(zhǔn)引入深度學(xué)習(xí)技術(shù)

本研究中,采集提取的動(dòng)態(tài)特征信號后處理未采用系統(tǒng)辨識(shí)的方法,而是弓入人工智能深度學(xué)習(xí)技術(shù),采用目前相對成熟的CNN 對動(dòng)態(tài)信號樣本進(jìn)行模型訓(xùn)練,其基本的思想見圖4.深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法,觀測值可使用多種方式來表示.含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu),通過組合低層特征形成更加抽象的高層表示屬性,以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[20].CNN 是深度學(xué)習(xí)的進(jìn)一步發(fā)展,傳統(tǒng)的深度學(xué)習(xí)由于假設(shè)的函數(shù)空間過于自由,對輸入的樣本不做任何假設(shè),因此對網(wǎng)絡(luò)的參數(shù)空間不做約束,結(jié)果就是要達(dá)到一個(gè)較為理想的網(wǎng)絡(luò)模型精度,需要訓(xùn)練的網(wǎng)絡(luò)過大,需要訓(xùn)練的時(shí)間過長,在實(shí)際問題的處理上顯得有效性太低.CNN 的基本思想就是多層地提取特征,而在每一層的提取中,假設(shè)了特征是有局部性的,此時(shí)一個(gè)卷積核處理了這個(gè)特征提取中的全部數(shù)據(jù),大大減小了參數(shù)空間的量級[22].

深度學(xué)習(xí)及CNN 技術(shù)已在多個(gè)領(lǐng)域進(jìn)行了應(yīng)用和探索,相關(guān)技術(shù)方法及其開源軟件較為容易獲取和應(yīng)用,在此不做展開贅述[22-25].基本的想法是將帶有慣性振動(dòng)干擾的動(dòng)態(tài)信號作為輸入樣本,理想階躍載荷作為輸出樣本(訓(xùn)練目標(biāo)),訓(xùn)練出可以較為完整描述該FMS 動(dòng)態(tài)振動(dòng)特征的人工智能模型,并應(yīng)用于同一FMS 風(fēng)洞試驗(yàn)數(shù)據(jù)的處理(可以理解為對于輸出振動(dòng)信號的動(dòng)態(tài)補(bǔ)償,其補(bǔ)償依據(jù)是充分“掌握”了FMS 結(jié)構(gòu)動(dòng)態(tài)特征的人工智能模型).

1.2.2 CNN 網(wǎng)絡(luò)架構(gòu)

圖4 基于SVDC 技術(shù)的iFMS 動(dòng)態(tài)載荷的深度學(xué)習(xí)訓(xùn)練Fig.4 Deep learning training of iFMS based on SVDC

動(dòng)態(tài)校準(zhǔn)數(shù)據(jù)樣本訓(xùn)練中CNN 網(wǎng)絡(luò)采用單塊結(jié)構(gòu),其中包含多個(gè)不同尺寸、不同通道數(shù)的卷積核,所選取的尺寸在多次實(shí)驗(yàn)中進(jìn)行了對比驗(yàn)證.其中,每一個(gè)塊中包含多層卷積層,其尺寸不斷加大(即通道數(shù)增多),用于從細(xì)微局部到區(qū)域更廣的局部中提取振動(dòng)特征信息,最后還原回原來輸入數(shù)據(jù)的通道數(shù),完成天平數(shù)據(jù)多個(gè)維度之間的信息融合.

本文深度學(xué)習(xí)訓(xùn)練模型所采用的CNN 結(jié)構(gòu)見圖6.左側(cè)輸入數(shù)據(jù)為樣本提取測試試驗(yàn)中iFMS 的天平輸出得到的階躍載荷采集信號(帶有慣性振動(dòng)干擾).其中,N為風(fēng)洞天平分量數(shù),本研究中采用了三分量風(fēng)洞天平,即N=3; 右側(cè)輸出數(shù)據(jù)為理想階躍載荷信號,通道數(shù)須與輸入載荷一致;中間為隱含層,本文采用三層,且L1-N和L2-N均取64,即將原來的3 通道數(shù)據(jù)信號擴(kuò)展至64 通道信號;L3-N取3,即最終將64 通道信號變換成3 通道信號并輸出,從而實(shí)現(xiàn)與輸入數(shù)據(jù)通道數(shù)一致.本研究初步僅采用簡單的一維CNN 進(jìn)行建模.

基于上述CNN 網(wǎng)絡(luò)結(jié)構(gòu),利用訓(xùn)練樣本數(shù)據(jù)對動(dòng)態(tài)模型進(jìn)行訓(xùn)練,訓(xùn)練的過程是逐步提取振動(dòng)特征的過程.深度學(xué)習(xí)模型訓(xùn)練的流程見圖5.當(dāng)訓(xùn)練中計(jì)算的偏差滿足設(shè)置要求時(shí),即可結(jié)束整個(gè)建模訓(xùn)練過程,輸出模型文件.

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.5 CNN structure

圖6 深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練流程圖Fig.6 Flow chart of CNN training

通過對結(jié)果的對比分析,采用目前簡單CNN 網(wǎng)絡(luò)得到的深度學(xué)習(xí)模型,對天平動(dòng)態(tài)響應(yīng)干擾特征的提取是較為充分的.通道數(shù)的結(jié)果對比顯示,只要在多個(gè)通道中進(jìn)行了充分的融合,動(dòng)態(tài)校準(zhǔn)結(jié)果的精確度會(huì)根據(jù)融合程度較快飽和,校準(zhǔn)結(jié)果是可靠的.

2 基于SVDC 測力系統(tǒng)的智能化

2.1 iFMS 動(dòng)校裝置與樣本數(shù)據(jù)提取

用于智能模型訓(xùn)練和驗(yàn)證的樣本數(shù)據(jù)的提取方法非常重要,它決定了用于訓(xùn)練的階躍載荷樣本數(shù)據(jù)的質(zhì)量,從而會(huì)直接影響訓(xùn)練的過程和結(jié)果.為驗(yàn)證方法可行性搭建了階躍載荷加/卸載、動(dòng)態(tài)載荷信號采集簡易裝置,詳見圖7.iFMS 由半錐角10°、長750 mm 尖錐標(biāo)準(zhǔn)測力模型、三分量應(yīng)變天平、彎刀支撐系統(tǒng)三部分組成,其與風(fēng)洞測力試驗(yàn)為同一系統(tǒng),詳見圖7(a).在FMS 對面采用一個(gè)“十”字支架結(jié)構(gòu),以懸掛和固定由尖錐處施加拉力的細(xì)鋼絲,見圖7(b);圖7(c)為iFMS 系統(tǒng)中的測力傳感器——脈沖型應(yīng)變天平,該天平為iFMS 在動(dòng)態(tài)校準(zhǔn)中的關(guān)鍵部件,用于對施加載荷的實(shí)時(shí)測量.

圖7 階躍載荷加載和訓(xùn)練樣本采集裝置Fig.7 Device for step loading and training

為提取CNN 樣本訓(xùn)練所需樣本,實(shí)現(xiàn)多分量階躍載荷加載與采集,本研究基于LabVIEW 軟件二次開發(fā)并編制了動(dòng)態(tài)載荷樣本數(shù)據(jù)采集與處理軟件,可實(shí)現(xiàn)多分量動(dòng)態(tài)信號的高精度采集.階躍載荷加載裝置被設(shè)置在尖錐測力模型的前端,通過懸掛鋼絲進(jìn)行加載,剪斷鋼絲進(jìn)行卸載,進(jìn)而實(shí)現(xiàn)一組階躍載荷的施加過程.整個(gè)動(dòng)態(tài)數(shù)據(jù)提取過程大致分為4 個(gè)步驟進(jìn)行,第一步是利用數(shù)采系統(tǒng)對測力天平零載輸出作為基準(zhǔn)數(shù)據(jù)進(jìn)行記錄;第二步,鋼絲的一端與測力模型懸掛點(diǎn)連接,另一端固定到加載裝置,此時(shí)施加載荷為作用在測力模型上、方向?yàn)槔€方向的一個(gè)單矢量F,且由三分量天平實(shí)時(shí)輸出為軸向力、法向力和俯仰力矩信號,即實(shí)現(xiàn)多分量載荷加載;第三步,在“十”字加載裝置一端剪斷鋼絲,此時(shí)天平輸出的信號為三分量階躍載荷,并被數(shù)采系統(tǒng)實(shí)時(shí)記錄;最后一步為數(shù)據(jù)預(yù)處理,即將帶有慣性振動(dòng)的卸載過程信號作為輸入樣本,定常載荷信號與零載荷信號截取、疊加處理后作為輸出樣本(目標(biāo)樣本數(shù)據(jù)).同時(shí),由于數(shù)據(jù)量綱和取值范圍差異,樣本數(shù)據(jù)采用歸一化處理,使其數(shù)值在-1～1 之間變化,驗(yàn)證結(jié)果或智能模型使用時(shí),再將處理后的測力信號數(shù)據(jù)反歸一化處理.

2.2 動(dòng)態(tài)建模結(jié)果與驗(yàn)證分析

本研究采用120 組動(dòng)態(tài)載荷信號樣本進(jìn)行了基于時(shí)域特征的深度學(xué)習(xí)模型訓(xùn)練,以實(shí)現(xiàn)對同一iFMS 的單矢量動(dòng)態(tài)自校準(zhǔn),用于脈沖型風(fēng)洞測力試驗(yàn)數(shù)據(jù)的處理,解決沖擊慣性振動(dòng)干擾問題.在校準(zhǔn)測試中將120 組數(shù)據(jù)劃為訓(xùn)練集和驗(yàn)證集兩部分,使用100 組訓(xùn)練集(training set) 數(shù)據(jù)訓(xùn)練模型和學(xué)習(xí)參數(shù),20 組驗(yàn)證集(validation set)數(shù)據(jù)用來進(jìn)行驗(yàn)證測試.

2.2.1 測試驗(yàn)證結(jié)果

圖8 將CNN 模型訓(xùn)練所用的輸入和輸出樣本信號做了對比,CNN 模型訓(xùn)練的目的就是要將帶有慣性振動(dòng)干擾信號消除掉.基于篇幅限制,略去訓(xùn)練過程描述.圖9 展示了樣本振動(dòng)信號的處理結(jié)果,可以看出其效果已經(jīng)非常理想,其樣本數(shù)據(jù)曲線中的慣性振動(dòng)基本被濾掉,從某種程度上還原了階躍載荷的“本真面目”.

從某個(gè)角度看,SVDC 方法實(shí)施的過程可看作是帶有慣性振動(dòng)干擾信號的“智能濾波”過程,從以下的頻譜對比可以更加清楚的認(rèn)識(shí)這個(gè)過程.從圖10對振動(dòng)樣本信號和其經(jīng)過CNN 模型處理后的信號,進(jìn)行了快速傅里葉變換(fast Fourier transform,FFT)處理,可以非常明顯的看出,載荷卸載后的衰減振蕩信號中的主要頻率均被完全濾除掉了.

圖8 理想階躍載荷信號(輸出樣本)和卸載信號(輸入樣本)Fig.8 Ideal step loading(output data)and unloading(input data)

圖9 輸入樣本與經(jīng)過CNN 模型處理信號的對比驗(yàn)證(軸向力)Fig.9 Input sample data and validation by CNN training model(axial force)

圖10 輸入樣本與其經(jīng)過處理后信號的FFT 結(jié)果對比(軸向力)Fig.10 Data processing and comparison by Fast Fourier Transform(axial force)

圖11 輸入樣本信號與經(jīng)過處理信號的對比(法向力)Fig.11 Input sample data and validation by CNN training model(normal force)

圖12 輸入樣本信號經(jīng)過處理信號的對比(俯仰力矩)Fig.12 Input sample data and validation by CNN training model(pitching moment signal)

對于其他分量的結(jié)果驗(yàn)證,圖11 和圖12 分別給出法向力和俯仰力矩的樣本驗(yàn)證結(jié)果.由目前初步結(jié)果,效果比較理想,但目前深度學(xué)習(xí)訓(xùn)練和樣本采集方法仍需要近一步改進(jìn)和完善,諸如某些分量輸出較小而產(chǎn)生的噪聲干擾占比較大等問題,相信隨著SVDC 技術(shù)近一步深入研究完善,會(huì)得到非常理想的結(jié)果.

2.2.2 誤差分析

對深度學(xué)習(xí)模型效果的分析需要對訓(xùn)練模型在訓(xùn)練集和測試集上的表現(xiàn)進(jìn)行量化,分別采用訓(xùn)練誤差(training error)和測試誤差(test error),后者也經(jīng)常稱為泛化誤差(generalization error).因此,理想的模型就是在最小化訓(xùn)練誤差的同時(shí),使泛化誤差最小化.本文采用均方誤差指標(biāo)(mean squared error,MSE)來評估訓(xùn)練誤差和測試誤差,即評估深度學(xué)習(xí)模型的數(shù)據(jù)處理能力.MSE 反映的是模型每一次輸出結(jié)果與模型輸出期望之間的誤差,即模型的穩(wěn)定性.MSE是逐點(diǎn)誤差平方的平均值,定義如下

式中,Rs是評估值,Ra是真實(shí)值,n為數(shù)據(jù)點(diǎn)數(shù).訓(xùn)練中,將所得曲線數(shù)據(jù)與目標(biāo)曲線逐點(diǎn)作差作為誤差.訓(xùn)練中根據(jù)每輪(epochs) 計(jì)算后輸出的loss值來判斷訓(xùn)練誤差是否達(dá)到要求.圖13 給出了模型訓(xùn)練中的時(shí)序變化.經(jīng)過1000 輪的迭代周期后,值為1.88×10-3.此時(shí),CNN 卷積層開始識(shí)別到動(dòng)態(tài)校準(zhǔn)的核心特征,但對帶有高階誤差的細(xì)節(jié)特征未能充分識(shí)別; 經(jīng)過1500 輪計(jì)算后,loss值降到3.0×10-5以下,可以認(rèn)為此時(shí)的訓(xùn)練誤差足夠低,即對iFMS的結(jié)構(gòu)振動(dòng)特征達(dá)到了較為精確的識(shí)別,從而完成了有效的動(dòng)態(tài)校準(zhǔn)過程,可以實(shí)現(xiàn)iFMS 數(shù)據(jù)的智能化處理.

圖13 訓(xùn)練中Loss 隨時(shí)間的變化Fig.13 Training loss with time(epochs)

從表1 數(shù)據(jù)可以看出,訓(xùn)練模型對振動(dòng)干擾信號的處理非常理想.法向力(相對最小輸出) 數(shù)據(jù)處理的相對誤差可達(dá)到5‰左右,軸向力可達(dá)1‰.這個(gè)性能指標(biāo)與天平靜態(tài)校準(zhǔn)的數(shù)據(jù)趨勢一致,即軸向力的精準(zhǔn)度也同樣高于法向力和俯仰力矩.因此,可以認(rèn)為單矢量動(dòng)態(tài)校準(zhǔn)的精度基本取決于iFMS 中應(yīng)變天平的靜態(tài)校準(zhǔn)性能.

表1 三分量(通道)載荷驗(yàn)證數(shù)據(jù)誤差(mV)Table 1 Validation error of three components(channels)data

3 iFMS 在激波風(fēng)洞測力試驗(yàn)中的應(yīng)用

2012 年中科院力學(xué)所建成JF-12 復(fù)現(xiàn)飛行條件激波風(fēng)洞并進(jìn)行了大量的高超聲速飛行器氣動(dòng)力測量試驗(yàn),得到了大量高精度的可靠測力數(shù)據(jù).JF–12 激波風(fēng)洞的運(yùn)行特點(diǎn)為可復(fù)現(xiàn)25～50 km 高空馬赫數(shù)5～9 的飛行,噴管出口直徑為1.5 m 或2.5 m,試驗(yàn)氣體為純凈空氣并且有效試驗(yàn)時(shí)間超過了100 ms[26-29].

本文對JF-12 激波風(fēng)洞750 mm 尖錐標(biāo)模測力試驗(yàn)的天平輸出信號,通過CNN 訓(xùn)練模型進(jìn)行了再處理.從圖14 中軸向力對比結(jié)果可以看出智能模型非常理想的“濾除” 了大幅度的慣性振動(dòng)干擾,“還原”了具有階躍載荷特征的軸向氣動(dòng)力信號.對模型智能處理前后兩個(gè)信號進(jìn)行FFT 處理(見圖15)后,更為明顯地看出頻率為380 Hz 左右的振動(dòng)干擾基本被濾掉,該頻率與動(dòng)態(tài)校準(zhǔn)中階躍載荷施加后的系統(tǒng)結(jié)構(gòu)振動(dòng)頻率完全一致.因此,iFMS 智能處理后的測力信號基本可以認(rèn)為是尖錐模型在激波風(fēng)洞流場中所受到的真實(shí)氣動(dòng)力.

圖14 風(fēng)洞測力信號與經(jīng)過智能處理后信號的對比(軸向力)Fig.14 Test data and its processing by CNN training model(axial force)

圖15 風(fēng)洞測力信號與經(jīng)過處理后信號的FFT 結(jié)果對比(軸向力)Fig.15 Test data processing and comparison by fast Fourier transform(axial force)

圖16 風(fēng)洞測力信號與其經(jīng)過智能處理后信號對比(法向力)Fig.16 Test data and its processing by training model(normal force)

圖17 風(fēng)洞測力信號與其經(jīng)過智能處理后信號對比(俯仰力矩)Fig.17 Test data and its processing by CNN training model(pitching moment)

表2 三分量載荷系數(shù)風(fēng)洞數(shù)據(jù)結(jié)果Table 2 Wind tunnel test data with three-component

圖16 和17 給出了三分量天平其他兩個(gè)分量載荷(法向力和俯仰力矩) 的CNN 模型智能處理前后信號對比.顯然處理的結(jié)果消除了大幅度的振動(dòng)信號干擾.表2 給出了智能動(dòng)態(tài)校準(zhǔn)模型處理前后的數(shù)據(jù)偏差,圖中的數(shù)據(jù)選取了時(shí)間坐標(biāo)約70～110 ms區(qū)間數(shù)據(jù)進(jìn)行平均處理.圖18 給出了3 個(gè)分量信號的大致數(shù)據(jù)處理范圍(約38 ms),在這個(gè)范圍內(nèi)法向載荷(法向力和俯仰力矩) 信號為一個(gè)整周期.對軸向力信號則再通過微小區(qū)間范圍調(diào)整,實(shí)現(xiàn)整數(shù)周期處理.

此外,風(fēng)洞測力試驗(yàn)中天平輸出的原始信號數(shù)據(jù)已經(jīng)做過誤差分析,其測力試驗(yàn)數(shù)據(jù)精度均優(yōu)于于2%[21].從表中數(shù)據(jù)可以看出直接通過選取整數(shù)周期信號進(jìn)行平均處理的結(jié)果(FMS 均值)與處理后的結(jié)果(iFMS 均值)有1%～2%左右的偏差.這種偏差主要原因之一可以認(rèn)為是大幅度的FMS 結(jié)構(gòu)振動(dòng)所弓起的慣性干擾.

圖18 三分量測力信號與平均處理區(qū)間的確定Fig.18 Comparison and Range of average-processing for three-component test data

此外,處理后的數(shù)據(jù)也可以明顯看到遠(yuǎn)大于噪聲信號的振動(dòng)信號.其主要原因除了風(fēng)洞來流本身的噪聲和不均勻性以外,天平載荷信號較小的電壓輸出或載荷本身就相對偏小則可能導(dǎo)致處理數(shù)據(jù)誤差占比較高.圖18 三分量載荷信號的比較也發(fā)現(xiàn):載荷幅值差異較大,法向力輸出相對較小,信號噪聲也占比增大,一定程度上影響了動(dòng)態(tài)建模和數(shù)據(jù)處理,產(chǎn)生一定誤差.

4 結(jié)論

發(fā)展脈沖高焓風(fēng)洞測力技術(shù)、切實(shí)提高測量精度是促進(jìn)我國高超飛行器研制發(fā)展中亟待解決的最關(guān)鍵問題之一.針對脈沖風(fēng)洞極端測試條件,傳統(tǒng)風(fēng)洞天平結(jié)構(gòu)設(shè)計(jì)及其靜態(tài)校準(zhǔn)技術(shù)已經(jīng)出現(xiàn)發(fā)展瓶頸問題.本研究對高超聲速脈沖風(fēng)洞測力技術(shù)開展了深入研究和探索.為實(shí)現(xiàn)短試驗(yàn)時(shí)間(毫秒量級)高性能氣動(dòng)力測量,從性能影響因素的根源出發(fā),動(dòng)態(tài)校準(zhǔn)研究凸顯其重要性和必要性,也是高性能FMS中亟需重點(diǎn)關(guān)注和開展研究的最關(guān)鍵技術(shù)之一.本文提出一種基于深度學(xué)習(xí)的單矢量動(dòng)態(tài)自校準(zhǔn)技術(shù)SVDC 和基于該動(dòng)態(tài)校準(zhǔn)技術(shù)的智能測力系統(tǒng)概念iFMS.SVDC 擺脫了傳統(tǒng)砝碼加載階躍載荷的束縛,實(shí)現(xiàn)風(fēng)洞內(nèi)即可對同一FMS 開展高精度動(dòng)態(tài)校準(zhǔn).其中,弓入AI 技術(shù),對FMS 結(jié)構(gòu)振動(dòng)特征進(jìn)行深度學(xué)習(xí)動(dòng)態(tài)建模,實(shí)現(xiàn)對FMS 結(jié)構(gòu)振動(dòng)特性的高精度識(shí)別,實(shí)現(xiàn)風(fēng)洞天平輸出不帶有慣性振動(dòng)干擾(或干擾基本可忽略)的“純”氣動(dòng)力,進(jìn)而實(shí)現(xiàn)iFMS 技術(shù).通過采集樣本和風(fēng)洞試驗(yàn)的綜合驗(yàn)證,iFMS 智能數(shù)據(jù)處理技術(shù)得到了較為理想的效果.

高焓條件瞬態(tài)測力技術(shù)的智能化發(fā)展將有助于對高超飛行器在“復(fù)現(xiàn)”飛行條件下的高溫效應(yīng)問題開展更深入研究,揭示流動(dòng)物理規(guī)律.同時(shí)也將為我國高超聲速飛行器研發(fā)提供更可靠試驗(yàn)數(shù)據(jù),具有現(xiàn)實(shí)意義和工程實(shí)踐意義.