风洞测力试验是高超声速飞行器研发的重要环节,随着这项技术的发展,试验模型的大尺度化成为高超声速风洞试验的趋势.在几百毫秒的有效测试时间内,大尺度测力系统刚度减弱等问题会严重导致气动力辨识精度变差,试验模型大尺度化对短时脉冲燃烧风洞精确气动力辨识带来了挑战.对此本文提出了一种新的基于传统信号处理结合深度学习的智能气动力辨识算法,该框架分解两个主要阶段(1)信号分解,(2)数据训练.其中信号分解阶段通过变分模态分解将原始数据分解为不同模态子信号,随后通过Pearson相关性分析筛除干扰子信号;在训练阶段通过深度学习模型提取训练数据集中含有有效特征的子信号,最终得到真实气动力信号.此外,为增强算法的鲁棒性,在算法框架不同阶段通过不同方法对算法中的超参数进行优化得出最优参数组合.此算法在气动力辨识精度以及

为解决在高超声速脉冲风洞中进行大长细比等特殊模型测力实验所面临的惯性补偿问题，笔者提出了多加速度计振动分离惯性补偿方法。这一方法应用在长细比达２０：１的模型气动力实验中，得到了较为理想的实验结果。

在脉冲风洞中Ｍ∞＝９．８５，１２．０，和１５．５，相应雷诺数Ｒｅ∞＝（１．０×１０＾７，６．４×１０＾５和３．２×１０＾５）／ｍ的来流条件下，分别用平板和平头圆柱模型测量了狭窄缝隙内的详细热流分布。缝隙宽２ｍｍ，深２５ｍｍ，模型攻角α＝０°～９０°，缝隙相对气流的偏转角β＝０°～９０°。本文给出了缝内典型热流分布结果，讨论了马赫数、攻角和偏转角对缝内热流分布的影响，并与现有计算方法和实验数据进行了

为解决常规天平在高焓高超声速脉冲风洞中测得信号无法识别、无法提取的问题,提出了一种全新的自由型天平,并设计了两种不同方案(分自由度自由型三分力天平和整体自由型三分力天平).实验表明这种加速度测力是可行的,并能很好地解决传统天平遇到的问题.