Resumen

Debido a las inevitables desviaciones entre los resultados de los cálculos teóricos y los experimentos físicos, los ensayos de flutter y el análisis de la señal de flutter suelen desempeñar un papel importante en el diseño de la aeroelasticidad de un nuevo avión. La respuesta estructural medida a partir de los modelos aeroelásticos, tanto en las pruebas de túnel de viento como en las pruebas de flutter de lucha real, contiene una gran cantidad de información estructural, pero los métodos tradicionales tienden a tener una capacidad limitada para extraer características de interés. Inspirado en conceptos de aprendizaje profundo, en este estudio se estableció un novedoso método de extracción de características para el análisis de señales de flutter mediante la combinación de la red neuronal convolucional (CNN) con la descomposición modal empírica (EMD). La hipótesis generalizada es que, cuando se produce un flutter, las señales estructurales medidas son armónicas o divergentes en el dominio del tiempo, y que el modal de flutter (1) es singular y (2) su energía aumenta significativamente en el dominio de la frecuencia. En consecuencia, se construyó un marco de extracción de características de la señal medida y del criterio de flutter. Las señales medidas de una prueba de túnel de viento se etiquetaron manualmente como "flutter" y "no flutter" como conjunto de datos fundamentales para el algoritmo de aprendizaje profundo. Tras el preprocesamiento normalizado, las funciones de modo intrínseco (IMF) de las señales de prueba de flutter se obtienen mediante el método EMD. A continuación, las FMI se reforman para que tengan el tamaño adecuado para ser introducidas en la CNN. Los parámetros de la CNN se optimizan mediante el conjunto de datos de entrenamiento, y el modelo entrenado se valida mediante el conjunto de datos de prueba (es decir, la validación cruzada). La tasa de precisión del método propuesto alcanzó el 100% en el conjunto de datos de prueba. El modelo de entrenamiento parece distinguir eficazmente si la señal de respuesta estructural contiene o no flutter. La combinación de EMD y CNN proporciona una eficaz extracción de características de las señales de series temporales en los datos de prueba de flutter. Esta investigación explora la conexión entre las señales de respuesta estructural y el flutter desde la perspectiva de la inteligencia artificial. El método permite la predicción en tiempo real y en línea con una baja complejidad computacional.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:señal de respuesta estructural, análisis de la señal de flutter, ensayo en túnel de viento, flutter, señal de series temporales, datos de ensayo de flutter, red neuronal convolucional, extracción del tiempo, respuesta estructural medida, descomposición modal empírica
• Keywords:structural response signal, flutter signal analysis, wind tunnel test, flutter, time series signal, flutter test data, convolutional neural network, extraction of time, measured structural response, empirical mode decomposition