基于LSTM-CNN的结构固有频率激励下正弦载荷识别方法研究

当外载荷频率达到或接近结构固有频率时,传统载荷识别方法(比如截断奇异值分解法)的识别精度会降低。为此,通过卷积网络的特征提取和长短期记忆网络的长时记忆功能建立LSTM-CNN载荷识别模型,提出一种基于LSTM-CNN模型的载荷识别方法,对GARTEUR飞机模型开展载荷时域波形识别研究。通过采集结构的响应数据和激励数据进行模型训练和载荷识别,并与截断奇异值分解(TSVD)方法、长短期记忆网络(LSTM)方法和深度卷积神经网络(DCNN)方法的识别结果进行对比分析。结果表明:基于LSTM-CNN模型的载荷识别方法可以有效应用于结构固有频率激励下正弦载荷识别问题,具有较高的识别精度和抗噪能力。

基于试验模态参数及结构动力学优化设计的有限元建模

准确的有限元模型是结构动力学分析强有力的工具。采用模态试验和有限元建模相结合的综合建模技术,采用结构质量最小为目标,以试验模态作为约束,分别以物理和几何参数为变量的结构动力学优化设计,对初始的有限元模型进行动力学优化。以GARTEUR飞机模型为例,在仅有试验模态参数、几何尺寸条件下,得到结构真实动力学特性的有限元模型。

参数化有限元建模及模型修正

初始有限元模型的准确程度对模型修正的准确度以及最后的成败都极为关键。为了得到与实际结构相近的准确初始有限元模型,提出了完全参数化建模的概念,针对GARTEUR飞机模型创建模型修正算例,验证了完全参数化建模对模型修正的有效性。利用试验数据修正尽可能完全参数化的GARTEUR有限元模型来说明完全参数化建模的实际工程意义。结果表明,采用完全参数化建模可以得到准确的初始有限元模型。