等離子體電磁干擾下圓柱繞流壁面壓力信號(hào)AI 實(shí)時(shí)降噪

陳杰，宗豪華，宋慧敏,*，梁華，劉詩(shī)敏，方子淇

1.空軍工程大學(xué) 航空動(dòng)力系統(tǒng)與等離子體技術(shù)全國(guó)重點(diǎn)實(shí)驗(yàn)室，西安 710038

2.西安交通大學(xué) 機(jī)械工程學(xué)院，西安 710049

0 引 言

主動(dòng)流動(dòng)控制對(duì)于解決關(guān)鍵氣動(dòng)問(wèn)題具有重要作用[1-3]。沿面介質(zhì)阻擋放電作為一種有效的等離子體流動(dòng)控制技術(shù)，具有頻帶寬、響應(yīng)迅速、結(jié)構(gòu)簡(jiǎn)單等特點(diǎn)，在湍流邊界層減阻[4-7]、旋渦控制[8-11]、分離控制[12-15]、防除冰[16-19]等方面展現(xiàn)出巨大的應(yīng)用潛力，受到了國(guó)內(nèi)外研究者的廣泛關(guān)注。當(dāng)前，等離子體流動(dòng)控制研究大都為開(kāi)環(huán)控制，基于流場(chǎng)狀態(tài)對(duì)等離子體激勵(lì)強(qiáng)度進(jìn)行閉環(huán)自適應(yīng)調(diào)節(jié)是未來(lái)研究的發(fā)展趨勢(shì)。但等離子體激勵(lì)器的高壓脈沖電流會(huì)對(duì)傳感器工作造成強(qiáng)電磁干擾，即便進(jìn)行了良好的接地，傳感器采集的信號(hào)仍會(huì)受到嚴(yán)重污染，突出表現(xiàn)為信號(hào)時(shí)均值飄移、出現(xiàn)極高幅值的“突刺”，所占據(jù)的頻譜范圍與流場(chǎng)信號(hào)重疊，很難將此類干擾信號(hào)濾除，這對(duì)等離子體流動(dòng)控制的實(shí)驗(yàn)研究與工程應(yīng)用都帶來(lái)了嚴(yán)峻挑戰(zhàn)。

近年來(lái)，隨著機(jī)器學(xué)習(xí)的不斷發(fā)展，深度學(xué)習(xí)被大量應(yīng)用于圖像降噪之中[20]。巨大的模型容量和精心設(shè)計(jì)的網(wǎng)絡(luò)架構(gòu)賦予了這些圖像去噪網(wǎng)絡(luò)極強(qiáng)的模式表達(dá)和擬合能力，使其能夠?qū)Υ笠?guī)模數(shù)據(jù)集中蘊(yùn)含的圖像恢復(fù)規(guī)律進(jìn)行學(xué)習(xí)[21-24]。借助機(jī)器學(xué)習(xí)，是否可以在大規(guī)模數(shù)據(jù)中習(xí)得含干擾噪聲信號(hào)的降噪規(guī)律，實(shí)現(xiàn)等離子體電磁干擾下流場(chǎng)信號(hào)的智能實(shí)時(shí)降噪？針對(duì)這一問(wèn)題，本文提出一種基于人工神經(jīng)網(wǎng)絡(luò)模型的實(shí)時(shí)降噪方法，以動(dòng)態(tài)壓力傳感器為對(duì)象，選取研究最為廣泛的正弦交流介質(zhì)阻擋放電（AC-DBD）與納秒脈沖介質(zhì)阻擋放電（NS-DBD）進(jìn)行實(shí)驗(yàn)研究，人工合成含干擾的流場(chǎng)壓力數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，最后將訓(xùn)練好的模型在真實(shí)流場(chǎng)壓力測(cè)量中進(jìn)行驗(yàn)證。

1 實(shí)驗(yàn)系統(tǒng)及方法

1.1 實(shí)驗(yàn)系統(tǒng)

實(shí)驗(yàn)基于圓柱繞流開(kāi)展。風(fēng)洞試驗(yàn)段尺寸為1.2 m × 1.0 m，來(lái)流風(fēng)速0～75 m/s 可調(diào)，主流區(qū)湍流度 ≤ 0.2%。圓柱模型豎直安裝于試驗(yàn)段，底部用螺絲與底壁緊固（圖1）。模型直徑D=150 mm，高度H=800 mm，材料選用ABS 工程塑料。動(dòng)態(tài)壓力傳感器安裝于模型中段，用于測(cè)量流場(chǎng)壓力變化，型號(hào)為ALX314，量程為0～2 kPa，精度為0.25% F.S.，輸出信號(hào)為0～5 V 三線制標(biāo)準(zhǔn)模擬信號(hào)，信號(hào)放大采用差動(dòng)輸入式儀表放大器。壓力信號(hào)數(shù)據(jù)由LabVIEW 程序配合NI PCI-6014 采集卡進(jìn)行采集存儲(chǔ)。

圖1 實(shí)驗(yàn)設(shè)置Fig.1 Experimental setup

等離子體激勵(lì)系統(tǒng)由介質(zhì)阻擋放電激勵(lì)器和高壓電源組成，如圖2 所示。為防止等離子體激勵(lì)改變流場(chǎng)狀態(tài)、增加壓力測(cè)量的不確定性，激勵(lì)器安裝于風(fēng)洞試驗(yàn)段底壁、圓柱模型下游200 mm（圖1）處。激勵(lì)器由高壓電極、絕緣介質(zhì)層、覆蓋電極組成，電極為5 mm 寬的銅箔膠帶，絕緣介質(zhì)層為厚0.12 mm的聚酰亞胺，介電常數(shù)為3.4。

圖2 介質(zhì)阻擋放電激勵(lì)器Fig.2 Dielectric barrier discharge actuator

根據(jù)高壓激勵(lì)電源的不同，介質(zhì)阻擋放電分為AC-DBD（由Electrofluidsystems Minipulse 2.0 高壓正弦波電源驅(qū)動(dòng)）和NS-DBD（由雙極性高性能納秒刀脈沖電源HVP-B3000/IRE 驅(qū)動(dòng)）。DPO4104示波器、P6015A 高壓探針和TCP0030A 電流探針用于測(cè)量等離子體激勵(lì)放電時(shí)的電壓、電流等參數(shù)。實(shí)驗(yàn)中測(cè)得的NS-DBD 和 AC-DBD 典型電壓、電流波形如圖3 所示。激勵(lì)電壓波形如圖4 所示，圖中Up為電壓峰值、Tpulse為脈沖電壓的脈寬時(shí)間，Tbase為正弦波電壓的載波周期，Ton為一個(gè)調(diào)制周期內(nèi)等離子體激勵(lì)時(shí)間，T 為正弦波電壓的調(diào)制周期。本文電壓峰值Up、載波頻率fbase（fbase=1/Tbase）、調(diào)制頻率fm（fm=1/T）、脈沖頻率fp（fp=1/Tpulse）均可調(diào)。占空比DC（Duty Cycle）=Ton/T，在實(shí)驗(yàn)中固定為50%。另外，為了防止產(chǎn)生共地干擾，利用隔離變壓器將等離子體激勵(lì)系統(tǒng)與數(shù)據(jù)采集系統(tǒng)隔離開(kāi)。

圖3 介質(zhì)阻擋放電的典型電壓、電流波形Fig.3 Typical voltage and current waveforms of dielectric barrier discharge

圖4 激勵(lì)電壓波形Fig.4 Excitation voltage waveform

1.2 實(shí)驗(yàn)方法

本文提出采用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)不同等離子體電磁干擾下受污染流場(chǎng)信號(hào)進(jìn)行降噪，即將電磁干擾下測(cè)得的含干擾壓力數(shù)據(jù)作為輸入，輸出真實(shí)的壓力數(shù)據(jù)。由于在實(shí)驗(yàn)過(guò)程中無(wú)法同時(shí)獲得含干擾的壓力信號(hào)和干凈的壓力信號(hào)作為標(biāo)簽進(jìn)行學(xué)習(xí)，本文基于加性噪聲模型假設(shè)，人工構(gòu)造噪聲信號(hào)和真實(shí)信號(hào)（圖5），記無(wú)干擾的干凈壓力數(shù)據(jù)（即真實(shí)信號(hào)）為S(t)，而與之對(duì)應(yīng)的干擾噪聲（即噪聲信號(hào)）為N(t)，則含干擾的壓力信號(hào)（簡(jiǎn)稱含干擾信號(hào)）可表示為：

圖5 實(shí)驗(yàn)方法Fig.5 Experimental method

通過(guò)學(xué)習(xí)提供的樣本數(shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)進(jìn)行更新，使得模型對(duì)新輸入的含干擾信號(hào)Y(t)的處理結(jié)果盡可能逼近真實(shí)信號(hào)，即對(duì)Y(t)中的噪聲信號(hào)N(t)進(jìn)行壓制并恢復(fù)其中所含的真實(shí)信號(hào)S(t)：

式中：θ表示神經(jīng)網(wǎng)絡(luò)參數(shù)，Θ表示參數(shù)的范圍域。

首先，在無(wú)來(lái)流條件下，以不同的電參數(shù)施加等離子體激勵(lì)，測(cè)得相應(yīng)的噪聲信號(hào)N(t)，采樣頻率為40 kHz，采樣時(shí)間為30 s，得到 AC-DBD “稠密峰”型干擾信號(hào)與NS-DBD “稀疏突刺”型干擾信號(hào)，如圖6 所示。隨后，關(guān)閉等離子體激勵(lì)，在不同的來(lái)流速度下隨機(jī)采集真實(shí)信號(hào)S(t)，采樣頻率和采樣時(shí)間與采集噪聲信號(hào)時(shí)相同。人工合成含干擾信號(hào)Y(t)，將Y(t)與真實(shí)信號(hào)S(t)以每組400 個(gè)采樣點(diǎn)分組進(jìn)行訓(xùn)練。

圖6 噪聲信號(hào)Fig.6 Noise signal

人工神經(jīng)網(wǎng)絡(luò)模型選用6 層網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)輸入包括電參數(shù)特征及分段的含干擾信號(hào)Y(t)，輸出為分段的真實(shí)信號(hào)S(t)。網(wǎng)絡(luò)模型參數(shù)設(shè)置如表1所示，其中輸入層節(jié)點(diǎn)數(shù)是關(guān)鍵參數(shù)之一，NS-DBD預(yù)測(cè)模型輸入層節(jié)點(diǎn)數(shù)選為402 個(gè)（脈沖電壓值Up、脈沖頻率fp和400 個(gè)含干擾信號(hào)數(shù)據(jù)點(diǎn)）； AC-DBD預(yù)測(cè)模型輸入層節(jié)點(diǎn)數(shù)選為403 個(gè)（電壓峰值Up、載波頻率fbase、調(diào)制頻率fm和400 個(gè)含干擾信號(hào)數(shù)據(jù)點(diǎn)）。

表1 人工神經(jīng)網(wǎng)絡(luò)模型參數(shù)Table 1 Parameters of artificial neural network model

2 實(shí)驗(yàn)內(nèi)容

2.1 模型訓(xùn)練

將Batch Size（一次訓(xùn)練所選取的樣本數(shù)）設(shè)置為400，Epoch（使用訓(xùn)練集全部樣本訓(xùn)練一次即為1 個(gè)Epoch）數(shù)設(shè)置為50，選取不同電參數(shù)激勵(lì)下AC-DBD 與NS-DBD 采集的動(dòng)態(tài)壓力信號(hào)進(jìn)行模型訓(xùn)練，電參數(shù)如表2、3 所示，其中NS-DBD 施加電壓上升沿時(shí)間設(shè)置為150 ns、脈寬設(shè)置為50 ns、下降沿時(shí)間設(shè)置為150 ns。

表2 AC-DBD 模型訓(xùn)練電參數(shù)Table 2 Electrical parameters of training data for AC-DBD model

表3 NS-DBD 模型訓(xùn)練電參數(shù)Table 3 Electrical parameters of training data for NS-DBD model

圖7 為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失曲線。可以看到，前10 次Epoch 損失曲線急劇下降，10 次以后網(wǎng)絡(luò)趨于收斂，網(wǎng)絡(luò)訓(xùn)練損失幾乎不再減小，NS-DBD均方根誤差最后收斂約4.426，AC-DBD 均方根誤差最后收斂于約3.54。需要指出的是，動(dòng)態(tài)壓力傳感器量程為0～2 kPa，精度0.25% F.S.，傳感器誤差允許范圍為5 Pa，若降噪后信號(hào)與真實(shí)信號(hào)的均方根誤差小于5，即認(rèn)為降噪后信號(hào)與真實(shí)信號(hào)擬合較好，在誤差允許的范圍內(nèi)。取Epoch 為50 的網(wǎng)絡(luò)作為最終模型，用于降噪測(cè)試驗(yàn)證。

圖7 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失曲線Fig.7 Artificial neural network training loss curve

2.2 模型驗(yàn)證

2.2.1 合成信號(hào)還原

采用上述訓(xùn)練好的模型對(duì)不同電參數(shù)下的含干擾信號(hào)進(jìn)行降噪還原，同時(shí)，為驗(yàn)證神經(jīng)網(wǎng)絡(luò)的泛化能力，將訓(xùn)練集中不包含的電參數(shù)用于測(cè)試。ACDBD 模型的測(cè)試參數(shù)設(shè)置如表4 所示。

表4 AC-DBD 模型測(cè)試電參數(shù)Table 4 Electrical parameters of testing data for AC-DBD model

圖8（a）為隨機(jī)截取的含干擾信號(hào)。用訓(xùn)練好的模型進(jìn)行還原后，與真實(shí)信號(hào)對(duì)比，如圖8（b）所示，降噪前的壓力信號(hào)在-30～0 Pa 之間劇烈脈動(dòng)，周期性出現(xiàn)“稠密峰”，降噪后壓力信號(hào)波形更加平滑，與真實(shí)信號(hào)擬合較好。分別計(jì)算不同激勵(lì)電參數(shù)下的降噪前后信號(hào)與真實(shí)信號(hào)的均方根誤差（記降噪前信號(hào)與真實(shí)信號(hào)的均方根誤差為RMSE1，降噪后信號(hào)與真實(shí)信號(hào)的均方根誤差為RMSE2），如表5 所示，由于電磁干擾導(dǎo)致壓力信號(hào)均值發(fā)生飄移、出現(xiàn)“稠密峰”，RMSE1 均在30 以上，且數(shù)值大小與電壓峰值Up、載波頻率fbase、調(diào)制頻率fm均正相關(guān)，數(shù)值越大表示電磁干擾越強(qiáng)；降噪后 RMSE2 均在誤差允許范圍內(nèi)。對(duì)于訓(xùn)練集中未涉及的電參數(shù)，也能夠很好地進(jìn)行還原，這表明神經(jīng)網(wǎng)絡(luò)泛化性較好，適用性更強(qiáng)。

表5 不同電參數(shù)下AC-DBD 模型降噪前后均方根誤差Table 5 RMSE value of AC-DBD model under different testing electrical parameters

圖8 AC-DBD 模型驗(yàn)證Fig.8 AC-DBD model validation

NS-DBD 模型的測(cè)試參數(shù)設(shè)置如表6 所示。隨機(jī)截取的含干擾信號(hào)如圖9（a）所示，采用訓(xùn)練好的模型進(jìn)行降噪后，與真實(shí)信號(hào)進(jìn)行對(duì)比，如圖9（b）所示，降噪前信號(hào)周期性出現(xiàn)500～700 Pa 的“突刺跳躍”，降噪后大致可以擬合出真實(shí)信號(hào)的變化趨勢(shì)，但局部還會(huì)出現(xiàn)階躍。對(duì)比不同測(cè)試參數(shù)下降噪前后信號(hào)與真實(shí)信號(hào)的均方根誤差（表7），可以看到，與 AC-DBD 類似，RMSE1 與電壓峰值Up、脈沖頻率fp正相關(guān)；降噪后RMSE2 相比AC-DBD較大，但也在誤差允許范圍內(nèi)。

表6 NS-DBD 模型測(cè)試電參數(shù)Table 6 Electrical parameters of testing data for NS-DBD model

表7 不同電參數(shù)下NS-DBD 模型降噪前后均方根誤差Table 7 RMSE value of NS-DBD model under different testing electrical parameters

圖9 NS-DBD 模型驗(yàn)證Fig.9 NS-DBD model validation

2.2.2 實(shí)測(cè)信號(hào)還原

進(jìn)一步對(duì)實(shí)測(cè)的干擾信號(hào)進(jìn)行研究，在10 m/s的穩(wěn)定來(lái)流下，分別測(cè)得含干擾的壓力信號(hào)和無(wú)干擾的壓力信號(hào)，并利用訓(xùn)練好的模型進(jìn)行降噪，對(duì)比1 s 內(nèi)降噪后的壓力平均值與干凈壓力信號(hào)的平均值，如表8 所示，NS-DBD 模型降噪后均值差大于AC-DBD 模型，但均在3 Pa 以內(nèi)，側(cè)面印證了該模型能夠有效抑制干擾噪聲，可應(yīng)用于實(shí)際測(cè)量。

表8 降噪后的壓力信號(hào)均值與干凈壓力信號(hào)均值對(duì)比Table 8 Mean value comparison between the denoised pressure signal and the clean pressure signal

3 結(jié) 論

本文基于加性噪聲模型假設(shè)，利用人工神經(jīng)網(wǎng)絡(luò)對(duì)等離子體電磁干擾下圓柱繞流壁面壓力信號(hào)進(jìn)行降噪，人工合成含干擾的流場(chǎng)壓力數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，并對(duì)模型進(jìn)行了驗(yàn)證，得到如下結(jié)論：

1）本文方法能夠有效消除等離子體激勵(lì)電磁干擾的影響，還原真實(shí)的壓力信號(hào)，且對(duì)AC-DBD 的“稠密峰”型干擾信號(hào)的降噪效果比對(duì)NS-DBD 的“稀疏突刺”型干擾信號(hào)的降噪效果更好，降噪后與原信號(hào)擬合更好，波形更加平滑。

2）使用本文提出的抑制電磁干擾的方法，需要提供相應(yīng)的電參數(shù)，還需進(jìn)一步研究普適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使其不依賴于電參數(shù)。