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(毫秒级)内,天平信号中部分高频率分量(由结构高阶模态振动、非定常气动载荷或其他流场干扰等因素引起的高频干扰)有可能无法完全衰减,此时对信号直接进行传统的滤波处理和傅里叶变换分析反而有可能增大处理结果的误差.本文采用小波变换和希尔伯特-黄变换,针对尖锥标准模型的激波风洞天平信号,开展降噪和时频变换分析处理,旨在有效辨识出天平信号中的不同干扰成分,输出可靠的气动力结果.本文将时...

高精准度气动力测量是激波风洞试验中的关键技术。在开展测力试验时,测力系统在风洞流场起动瞬间的冲击激励下产生振动,但振动信号无法在较短的有效试验时间内快速衰减,导致天平输出信号中耦合了惯性干扰。基于深度学习技术,对激波风洞天平信号在频域内开展数据处理,并针对动态信号的频域特征进行卷积神经网络建模分析,旨在消除测力信号中的惯性干扰。在频域模型训练样本和验证样本的结果分析中,天平信号的大幅惯性振动干扰被消除,达到预期的结果,验证频域建模分析方法的有效性和可靠性。此外,对处理结果进行误差分析,进一步验证该方法在激波风洞天平数据处理中具有较好的工程应用价值。

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷(力与力矩)的大小、方向和作用点的装置,测量结果的精准度与天平的静态校准性能直接相关,天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰,并且通常二次干扰和组合干扰会出现非线性特性,采用线性拟合方法会产生一定的误差,使得风洞天平静态校准性能因受到数据处理方法(线性拟合)的局限而较难进一步提高。因此,为了进一步提升应变天平静态校准的性能,本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS,对六分量应变天平开展基于卷积神经网络的静态校准研究,采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时,对人工智能建模...

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...

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...