← 返回首页

基于深度学习的非侵入式压电结构测量估算流速与车辆攻角

arXiv: 2603.23496v1

论文信息

标题: Estimating Flow Velocity and Vehicle Angle-of-Attack from Non-invasive Piezoelectric Structural Measurements Using Deep Learning

作者: Chandler B. Smith, S. Hales Swift, Andrew Steyer, et al.

发布日期: 2026-03-24

arXiv ID: 2603.23496v1

PDF链接: 下载PDF

论文背景与研究动机：从“侵入”到“感知”的范式转变

在航空航天工程领域，飞行器外部流场的精确感知是飞行控制、气动载荷预测与模型验证的基石。其中，自由来流速度（Velocity）和攻角（Angle of Attack, AoA）是两个最为关键的气动状态变量。传统上，这些参数的测量严重依赖于侵入式传感器，如空速管（皮托管）和攻角传感器。这些设备需要直接暴露在高速、高温的来流中，不仅增加了飞行器的气动阻力（寄生阻力），更在极端环境（如高超声速飞行）下面临着热防护、结构完整性和信号保真度的严峻挑战。传感器本身的故障或误差可能直接导致灾难性后果。

因此，研究界一直在探索非侵入式（Non-intrusive）或间接的测量方法。一个极具潜力的方向是利用飞行器结构本身作为“传感器”。当飞行器在空气中运动时，其表面的湍流边界层会产生随机的压力脉动，这些脉动会激励飞行器蒙皮产生微小的结构振动。这种振动信号中，理论上编码了来流速度、攻角、马赫数乃至表面压力分布等丰富的气动信息。然而，从看似杂乱无章的振动信号中，逆向解算出我们关心的特定气动参数，是一个典型的“逆向问题”（Inverse Problem）。这个问题高度非线性且病态，传统基于物理模型的分析方法往往力不从心。

本论文的研究动机正在于此：能否利用先进的数据驱动方法，特别是深度学习，直接从安装在飞行器内部蒙皮上的压电传感器阵列捕获的结构振动信号中，高精度地估计出来流速度和攻角？ 如果可行，这将实现一种完全非侵入的测量范式——传感器受到蒙皮保护，不干扰外部流场，仅通过“听”飞行器蒙皮的“声音”来感知外部世界。这为下一代飞行器的智能感知与健康监测系统开辟了全新道路。

核心方法和技术细节：深度学习驱动的振动信号解码器

本论文提出的方法是一个典型的端到端深度学习应用框架，其核心流程可概括为：数据采集 → 特征学习（CNN）→ 参数回归 → 后处理优化。

1. 数据采集与实验设置： 研究在桑迪亚国家实验室的高超声速风洞中进行，确保了数据的权威性和高保真度。实验覆盖了多种关键工况：

  • 攻角：零攻角与非零攻角构型。
  • 马赫数：Ma5 和 Ma8，代表典型的高超声速条件。
  • 运行模式：稳定的恒定条件与连续变化的动态条件。 这16次风洞运行的数据构成了研究的数据基础。关键在于，传感器是压电陶瓷片，它们密集地粘贴在飞行器模型（气动外壳）的内侧蒙皮上。这种布置使得传感器完全与恶劣的外部流场隔离，仅感知由外部压力波动传导至蒙皮的结构振动。参考的真值数据则来自风洞本身的高精度测量系统（如低通滤波后的参考速度）。

2. 网络架构与训练策略： 论文选用卷积神经网络作为核心模型，这是一个非常契合信号处理任务的选择。

  • 输入：多个压电传感器采集的、随时间变化的结构振动信号（时间序列数据）。CNN可以将其视为一维“图像”进行处理。
  • 架构优势：CNN的卷积层能自动、分层地提取振动信号中的局部特征和模式。浅层卷积可能捕捉到高频的湍流脉动特征，而更深层的网络则能将这些特征组合，抽象出与全局气动状态（如速度、攻角）相关的复杂、高维表示。
  • 输出：网络直接回归两个目标值：流速和攻角。
  • 训练与验证：作者采用了严谨的数据划分方法。在每一次风洞运行的时间序列数据中，划出一个“时间上居中”的区间作为测试集，其前后的数据分别用于训练和验证。这种“运行内时间泛化”评估方式极具挑战性，旨在测试模型对同一物理过程在未见过的时间段上的预测能力，比简单随机划分更能反映模型在实际连续运行中的性能。

3. 后处理：移动中值滤波 一个重要的技术细节是后处理步骤。研究发现，在风洞条件连续变化的动态工况下，CNN的原始预测会出现方差增大的现象（预测曲线抖动）。为了提升鲁棒性和实用性，作者引入了一个短窗口移动中值滤波器。

  • 原理：对CNN输出的原始时间序列，在一个短时间窗口内取中值作为该时刻的最终估计值。
  • 作用：中值滤波能有效滤除由于信号瞬时噪声或模型敏感度引起的“野点”或高频抖动，而保留趋势性变化。它以一种计算代价极低的方式，显著平滑了输出，降低了方差，使估计结果更稳定、可靠。这一步体现了将数据驱动模型与经典信号处理技术相结合的实用主义思想。

创新点与贡献：开辟“结构即传感器”的新途径

本论文的核心创新与贡献是多维度的：

1. 方法论创新：深度学习解决气动逆向问题 论文成功地将CNN应用于从结构振动到气动参数的复杂映射学习，为气动力学中的状态估计问题提供了一个强大的、数据驱动的解决方案。它绕过了传统方法需要精确物理建模（如流体-结构耦合方程）的难点，直接让数据“说话”。

2. 技术路径创新：完全非侵入式感知范式 提出的方法彻底摆脱了对暴露在流场中的专用传感器的依赖。利用飞行器固有结构（蒙皮）作为感知媒介，将保护完好的压电传感器阵列作为信号接收器，实现了真正的“无扰动”测量。这极大地增强了系统在极端环境下的生存能力和可靠性。

3. 实验验证的全面性与严谨性 实验设计覆盖了高超声速领域的关键工况（Ma5, Ma8，变攻角，动态变化），并在“运行内时间泛化”这一严格设定下评估性能，使结论具有很高的说服力。后处理步骤的引入也展示了从实验室原型迈向工程应用的关键考量。

4. 性能突破： 经过后处理，该方法在测试集上达到了平均速度误差低于0.21%（2.27 m/s），平均攻角误差0.44°（相对误差8.25%） 的精度。对于一种全新的、非侵入式的间接测量方法而言，这一精度在概念验证阶段已非常出色，充分证明了“基于振动的速度与攻角估计”在受控实验室环境下的可行性。

实验结果分析：验证与洞察

论文展示的结果清晰地支撑了其核心论点。

模型有效性：CNN模型在恒定和连续变化条件下，其预测趋势与参考真值均保持了高度一致性，表明网络确实学习到了振动信号与气动状态之间稳健的映射关系。

动态性能挑战：原始CNN预测在连续变化工况下方差增大，这揭示了数据驱动模型的一个常见问题：对输入数据的微小扰动可能较为敏感。这可能是由于训练数据分布未能完全覆盖所有动态瞬态特征，或是网络本身存在一定的过拟合。

后处理的威力：移动中值滤波的应用立竿见影。它几乎在不引入明显延迟的情况下，大幅平滑了预测曲线，将方差控制在可接受范围内。这个简单的步骤极大地提升了整个系统输出的工程实用价值，表明“深度学习模型 + 轻量级后处理”是一种有效的部署模式。

泛化能力暗示：模型在“运行内”未见时间段上表现良好，初步证明了其时间泛化能力。然而，论文也暗示了更广泛的泛化（如到不同几何外型、更高马赫数）可能需要更多的数据或迁移学习技术，这是未来工作的重点。

实践应用建议与未来发展方向

针对航空航天工程与状态监测领域的实践建议：

  1. 传感器网络优化：在实际应用中，需进一步研究压电传感器的最优数量、布局位置和型号，以最大化信息获取效率并降低成本。可以考虑与光纤光栅等传感器进行融合。
  2. 嵌入式系统部署：将训练好的CNN模型轻量化（如通过剪枝、量化、知识蒸馏），并部署到机载边缘计算设备上，实现实时、在线的状态估计，为飞行控制系统提供实时反馈。
  3. 数字孪生集成：将本方法作为飞行器数字孪生体的关键感知模块。实时估计的气动参数可用于更新和校准孪生体中的气动模型，实现更精准的寿命预测、故障诊断和决策支持。
  4. 跨平台迁移学习：针对新型号飞行器，可以利用在类似模型或仿真数据上预训练的模型，结合少量新环境下的实测数据进行微调，以解决真实飞行试验数据稀缺且昂贵的问题。

未来研究方向：

  1. 扩展估计参数：当前工作估计了速度和攻角。一个自然的延伸是让网络同时估计更多参数，如侧滑角、马赫数、甚至局部表面摩擦系数或热流密度，实现多任务学习。
  2. 增强物理可解释性：探索可解释AI方法，分析CNN究竟从振动信号中提取了哪些物理特征（如特定频率模态的能量、相干结构等），从而建立数据驱动结果与流体力学物理之间的桥梁，增加工程师的信任度。
  3. 应对更极端与复杂环境：在更高马赫数、真实气体效应显著、或有严重气动加热导致材料属性变化的环境下验证方法的鲁棒性。研究振动信号在高温导致的材料性能退化下的稳定性。
  4. 融合物理模型：探索物理信息神经网络或混合建模方法，将纳维-斯托克斯方程等物理约束作为正则项引入网络训练，提升模型在数据稀疏区域的外推能力和物理一致性。
  5. 从实验室到真实飞行：最终极的挑战是将此技术应用于真实飞行测试，处理更复杂的背景噪声、结构模态耦合以及长期服役带来的传感器性能漂移等问题。

总结与展望

本文成功地进行了一项突破性的概念验证：利用深度学习，特别是卷积神经网络，从受保护的非侵入式压电传感器采集的结构振动信号中，高精度地反演高超声速飞行器的关键气动状态——自由来流速度和攻角。

这项工作标志着飞行器状态感知范式的一个潜在转折点：从依赖脆弱、 intrusive 的探头，转向利用飞行器自身结构作为智能、健壮的感知实体。它巧妙地将高超声速气动力学、结构动力学与人工智能这三个前沿领域融合，为解决长期存在的工程测量难题提供了崭新的数据驱动思路。

尽管迈向实际飞行应用仍面临诸多挑战（如全工况泛化、极端环境适应性、机载实时处理等），但本论文所展示的可行性、所达到的精度以及所采用的严谨方法，无疑为这一方向注入了强大的信心。它不仅仅是一篇关于传感器技术的论文，更是一次关于如何利用人工智能赋能传统工程领域，从数据中挖掘深层物理规律的精彩示范。随着更多数据的积累、算法模型的进化以及嵌入式算力的提升，“倾听飞行器的声音以感知天空”的愿景，正从科幻走向现实。