TY - A2的歌,Zhiguang AU -郑,华盟——吴Zhenglong盟——段Shiqiang盟——周Jiangtao PY - 2021 DA - 2021/02/28 TI -特征提取方法研究颤振测试基于EMD和CNN SP - 6620368六世- 2021 AB -由于不可避免的理论计算和物理实验的结果之间的偏差,颤振试验和颤振信号分析常常扮演重要角色在设计新飞机的空气弹性。测量结构响应从气动弹性模型风洞试验和实际斗争颤振测试包含丰富的结构信息,但是传统的方法往往关注的特征提取的能力有限。受到深度学习的概念,一种新的特征提取方法建立了颤振信号分析在这项研究通过结合卷积神经网络(CNN)的经验模态分解(EMD)。人们普遍猜测,当发生颤振时,测量结构时域信号谐波或发散,而颤振模态(1)是单数,(2)其在频域能量会显著上升。被测信号特征提取和颤振标准框架构建。风洞试验的测量信号是手动标记“颤动”和“不”作为基本数据集的深度学习算法。归一化预处理后,固有模式函数(货币)的颤振测试信号通过EMD方法。imf的然后重塑,使它们适合的大小是CNN的输入。CNN参数优化虽然训练数据集,并通过测试数据集训练模型验证(即。交叉验证)。该方法的准确率达到100%的测试数据集。 The training model appears to effectively distinguish whether or not the structural response signal contains flutter. The combination of EMD and CNN provides effective feature extraction of time series signals in flutter test data. This research explores the connection between structural response signals and flutter from the perspective of artificial intelligence. The method allows for real-time, online prediction with low computational complexity. SN - 1687-5966 UR - https://doi.org/10.1155/2021/6620368 DO - 10.1155/2021/6620368 JF - International Journal of Aerospace Engineering PB - Hindawi KW - ER -