基于深度学习从非侵入式压电结构测量估计流速与飞行器攻角

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

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

3 分钟速览

  • 研究问题：如何不依赖传统的空速管或外部气流传感器，仅通过飞行器/测试模型结构内部的振动测量，来精确估计来流速度和攻角。
  • 核心方法：在一片锥形气动外壳内壁密布压电传感器阵列以捕获湍流边界层压力脉动引起的结构振动，训练一个卷积神经网络来从这些振动信号中反演速度和攻角。
  • 关键结果：经过滑动中值滤波后处理后，该方法在风洞实验数据上实现了平均速度误差低于 2.27 m/s（相对误差 0.21%），平均攻角误差为 0.44°。这一结果证明在受控实验室内，基于振动的速度和攻角估计是可行的。
  • 主要局限：当前研究仅限于 16 次风洞实验，模型的泛化能力尚未在不同风洞状态或外部环境扰动下得到验证；且参考速度本身存在约 7% 的系统不确定性，因此报告的误差代表与参考值的一致性，而非绝对精度。
  • 适合读者：对航空工程、结构健康监测、非侵入式传感、深度学习在物理系统反问题中应用感兴趣的研究人员和工程师。

论文背景和研究动机

在现代航空航天领域，精确获取来流速度和攻角等气动状态变量对于气动载荷预测、飞行控制和模型验证至关重要。传统的测量方法依赖于空速管、风向标或压力孔系统等外部气流传感器。然而，这些方法在某些飞行器几何外形上难以集成和校准，更关键的是，它们可能干扰所测量的局部流场。

因此，研究界一直在探索互补的、非侵入式的传感方法，希望通过测量飞行器结构内部的响应来间接推断外部流场状态。本文研究的技术路径正是基于这一动机，其核心物理前提是：湍流边界层会在飞行器表面产生随机的压力场，这些压力脉动通过流固界面的法向应力激发结构振动。数十年的理论和实验研究已经牢固建立了这种耦合关系。这意味着，结构振动信号中包含了关于外部流动的丰富信息，问题在于如何从中有效地解码出所需的气动参数。

此前已有研究利用光纤布拉格光栅传感器，通过测量机翼的应变来推断飞行载荷和攻角，并取得了成功。本研究则探索了一种替代方案：压电传感器。压电材料在承受机械变形时会产生电压信号，同样具有轻量、非侵入式的优点。作者提出的方法是将密集的压电传感器阵列安装在气动外壳内壁，以监测高频振动，然后利用深度学习模型来解决从内部振动到外部流场的这一具有挑战性的反问题。

核心方法和技术细节

该研究的核心流程可以分为三个主要阶段：数据采集、神经网络建模和后处理。

1. 问题建模与数据采集 研究在桑迪亚国家实验室的高超声速风洞中进行。测试模型是一个 0.517 米长的尖锥体，其内壁安装了 8 组压电传感器阵列，每组包含 48 个传感器。本研究现阶段仅使用了单组 48 个传感器的数据。风洞实验共进行了 16 次，涵盖马赫数 5 和 8、不同雷诺数状态、恒定和连续变化的运行条件，以及零攻角和非零攻角配置。

目标是将一个固定时长的压电传感器测量窗口 s\bm{s}（形状为 ns×ntn_s \times n_t，其中 ns=48n_s=48 为传感器数量，ntn_t 为时间采样点数）映射到一个流场状态向量 v\bm{v}。对于零攻角问题，v\bm{v} 是标量，即参考来流速度；对于非零攻角问题，v\bm{v} 是一个二维向量 (vx,vy)(v_x, v_y)，代表体坐标系下的平面速度分量，而攻角 AoAAoA 则通过 tan⁡−1(vy/vx)\tan^{-1}(v_y / v_x) 计算得出（见论文公式 2）。

2. CNN 架构设计 为了充分利用传感器阵列的时空相关性，论文选用了二维卷积神经网络。其核心设计思想是：空间上相邻的传感器由于结构连续性会产生相关运动，而响应会随时间演化。二维卷积核同时在传感器索引和时间维度上滑动，能够学习到诸如波传播特征这样的局部时空模式，这对于推断流场状态具有物理意义。

该 CNN 由三个阶段组成，卷积层的特征通道数分别为 32、64 和 128，总参数量约为 20 万个。每个阶段使用了 Leaky-ReLU 激活函数和群归一化，以增强小批量训练时的稳定性并减少对批次统计信息的敏感度。网络末端采用自适应池化层，以适应不同的测量窗口长度。

3. 训练策略与后处理 数据划分采用了 “中心块保留” 策略：对于每次风洞运行，在时间中心选择一个连续的块作为测试集，开头和结尾的部分作为训练和验证集。这确保了测试数据在时间上完全独立于训练数据，用以严格评估模型对运行内未来时刻的泛化能力。

输入数据是将压电信号分割成 16 毫秒的重叠窗口，重叠率为 80%。标签是窗口内参考速度或攻角测量值的平均值。训练收敛后，为了抑制原始 CNN 预测中的高频波动，特别是在连续变化工况下的高方差，作者采用了一个简单而有效的后处理步骤：滑动中值滤波。通过对连续 6 次 CNN 非重叠预测结果取中值，实现了输出轨迹的平滑，代价是有效刷新率从 62.5 Hz 降至约 10.4 Hz。

创新点和贡献

本研究的主要贡献在于展示了基于压电结构振动测量和深度学习进行气动状态估计的完整概念验证。其创新点体现在以下几个方面：

  1. 传感器技术与 AI 的结合：与之前依赖光纤光栅应变测量的研究不同，这项工作首次探索了使用压电传感器进行速度和攻角推断。压电传感器直接输出电压信号，省去了复杂的信号解调设备。

  2. 端到端的时空特征学习：采用 2D-CNN 直接从原始传感器阵列的时空数据中学习，避免了对特定振动模态或波数等复杂物理量进行人工特征工程的需要。这种架构能够自动捕捉由流动-结构耦合产生的相关模式。

  3. 严谨的评估方法：“中心块保留” 策略是一种针对时间序列预测任务的严格评估方式，它能有效揭示模型在未知时间区间的真实泛化能力，而非仅仅对相似的、邻近的时间片段进行记忆和重现。实验通过持续增大保留块的比例，系统地研究了模型在稳态和瞬态条件下的数据需求差异。

  4. 实用的工程解决方案：论文不仅提供了原始 CNN 预测，还引入滑动中值滤波作为后处理模块，显著提升了估计结果的鲁棒性和平滑度，使其更接近于工程可用的形式。这种 “神经网络+经典滤波” 的级联范式，在保留深度学习非线性拟合能力的同时，有效压制了输出噪声。

实验结果分析

实验结果的讨论分为零攻角和非零攻角两个部分，揭示了几个关键发现。

在零攻角速度估计中，模型在不同运行条件下表现差异显著。对于恒定工况，CNN 的速度估计非常稳定，平均误差低于 2.5 m/s。然而，在速度连续变化的运行中，原始预测的方差显著增大，平均误差升至 2-6 m/s，90 百分位误差达到 4-9 m/s（见论文图 10）。中心块保留研究进一步证实了这一点：对于恒定工况，即使将 50% 的数据作为测试集，性能也几乎不下降；而对于瞬态工况，随着保留块增大，由于训练数据无法充分代表被保留的中间速度区段，误差单调上升（见论文 4.1.1 节和图 15）。这揭示了模型性能瓶颈在于对瞬态、中间状态的泛化。

在非零攻角估计中，该模型同时预测速度大小和攻角。结果表明，模型成功地将任务难度解耦。如图 17 所示，攻角估计在恒定攻角实验中误差极低，而在连续攻角变化实验中误差增大。时间历程图（图 19）直观地展示了这一现象：尽管模型从未在训练中见过从 6°到 3°的下降过程，但它仍能大致跟踪这一趋势，但瞬时波动明显。后处理步骤（6 样本滑动中值）在此处发挥了关键作用，它将 90 百分位的攻角误差从原始 CNN 输出的 1.13°降至 1.04°，最大误差从 4.00°大幅降低至 1.59°（见论文表 2）。速度大小的估计误差也同样得到了改善。

最终的综合结果表明，该 “CNN+中值滤波” 的方案在测试集上取得了平均速度误差 2.27 m/s 和平均攻角误差 0.44°的成绩。然而，必须指出，这些精度的评估是相对于一个本身存在约 7% 系统不确定性的风洞参考速度的，它更多地反映了方法与该参考值的一致性，而非对绝对物理真值的测量精度。

实践建议

基于本研究的发现和方法特性，对于希望将此项技术付诸实践的工程师，以下几点建议可能具有价值：

  1. 充分全面的训练数据是泛化能力的基石：论文的中心块保留研究清晰地表明，模型的准确度完全依赖于训练数据对被预测工况的覆盖程度。在工程部署中，这意味着需要在地面测试中尽可能广泛地模拟飞行器可能经历的飞行包线，特别是速度和姿态快速变化的瞬态过程。如果测试数据与训练数据分布不匹配，性能下降几乎是必然的。

  2. 将 “神经网络+经典后处理” 作为标准化架构：原始深度学习模型的输出，尤其是在动态环境中，往往伴随高方差噪声。论文采用的非重叠窗口滑动中值滤波是一种极其简单但效果显著的方法，它以牺牲部分输出速率为代价，大幅提升了平滑度和鲁棒性。在实时性要求并非极其苛刻的场景下，这是一种高性价比的工程解决方案。设计时应权衡输出频率与信号平滑度的需求来优化窗口大小。

  3. 谨慎对待模型的绝对精度声明：在应用该方法时，必须清晰地区分 “与参考传感器的一致性” 和 “绝对测量精度”。本文模型的评估基准——风洞速度——本身就具有约 7% 的系统不确定性。因此，该系统更适合作为冗余或互补测量源，而不是完全替代经过精确校准的传统空速系统。在融合决策中，应为不同传感器源分配合理的不确定性权重。

  4. 实验数据的质量至关重要：论文中提到，实验面临电磁干扰挑战，通过先进的信号处理技术才得以保证数据质量。在现实世界的飞行器环境中，振动和电磁环境更为复杂。在系统设计初期，必须投入足够精力进行传感器屏蔽、接地和信号调理设计，否则模型将不可避免地学习到干扰特征，而非真正的结构响应特征，从而损害其泛化能力。