一种基于飞行参数监控的飞机结构载荷识别方法
一种基于飞行参数监控的飞机结构载荷识别方法
【技术领域】
[0001] 本发明给出了一种基于飞行参数监控的飞机结构载荷识别方法，属于机械系统状 态监测领域。
【背景技术】
[0002] 飞机结构危险部位的应力谱是其健康管理和剩余寿命监控前提之条件一，然在飞 机实际飞行中，结构危险部位的应力谱会随着飞行参数的变化而改变，精确且实时地测量 危险部位的应力谱及其应力分布，成本高昂且十分困难，但是，飞行参数监控与记录却很成 熟且十分方便，如果能根据飞行参数识别飞行载荷，获得其传递函数，就可方便且费用低廉 地获取飞行载荷信息。为此，本发明提出一种基于飞行参数监控的飞机结构载荷识别方法， 利用逆向传播人工神经网络方法和多项式重构技术，由飞机飞行参数一结构载荷数据，建 立飞参一载荷识别模型和计算方法。该方法具有计算精度高、成本低廉、方便快捷的优点， 可有效且实时地根据飞行参数识别飞机结构的危险部位飞行载荷，W满足健康管理与剩余 寿命检测的要求。本发明在机械系统状态监测领域具有重要的工程应用价值和广阔的应用 前景。
【发明内容】
[0003] 本发明利用逆向传播人工神经网络方法和多项式重构技术，建立一种基于飞行参 数监控的飞机结构载荷识别方法，用于解决飞机结构的健康管理与剩余寿命检测问题，图1 是本方法的流程图，其技术方案如下：
[0004] 步骤一、通过飞行试验，记录飞行参数一飞机结构危险部位的载荷数据。
[0005] 步骤二、根据飞机结构的飞行参数一载荷数据，对飞行参数和飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数，并将飞行参数一载荷数据无量纲化。
[0006] 飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为
[0007] 肌= [c]{V}T (1)
[000引式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，即： [0009] {V} = {V，H，ny，nzA，SrA，Qy，ωχ, c〇z，T〇，YL，a，eL，Ma，...} (2)
[0010]其中，V和Η分另懐示速度和高度，ny和nz分别表示法向过载和侧向过载，SaA和Se 分别表示副翼偏角、方向舱偏角和升降舱偏角，Wy，ωχ和ωζ分别表示偏航角速度、横滚角 速度和俯仰角速度，To表示总溫，Υ康示燃油存油量，α和0L分别表示攻角和局部侧滑角，Ma 表示飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。
[0011] 根据飞机的飞行参数一载荷(Vi^~F)数据，将所有飞行参数与飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和 双侧检验P的要求为：
[0012]
巧）
[0013] 为同一量纲，将飞机的飞行参数一载荷数据无量纲化，即
[0014]
叫）
[001引式中V功无量纲化的数据，Vi%原始数据，maxVi嘴minVi^作树原始数据中的最 大值和最小值。
[0016] 步骤Ξ、利用多项式重构技术，由飞机的飞行参数一载荷数据，建立飞参一载荷识 别模型。
[0017] 由Weiers化ass第一逼近定理可知，闭区间[a，b]上任意连续函数都可W用多项式 一致逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：
[001引
（S)
[0019] 式中，VI为载荷识别参数，η为载荷识别参数的个数，k为多项式序列的最高阶数。 Co、Cu是待定常数，可根据实测飞行参数一载荷数据通过多元回归方法拟合得到。
[0020] 因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶 次越大，拟合精度越高，可根据需要制定误差限ro，即
[0021]
銜
[0022] 从k=l开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此 过程直到精度满足误差限要求，得到满足精度要求的多项式识别模型。
[0023] 步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数一载荷数据，建立 飞参一载荷识别模型。
[0024] 逆向传播人工神经网络(BP-A順)方法在建立非线性映射方面具有一定优势，而 且由Kolmogorovs层神经网络映射存在定理证明了任一连续函数都能与Ξ层ΒΡ-ΑΓ^Ν网络 建立映射关系。建立Ξ层ΒΡ-ΑΓ^Ν模型，结构图如图2所示，设输入层输入为Ρ，输出层为out, 根据神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式 可由下列数学公式描述：
[0025] ini=wi · p+bi (7)
[0026] outi = fi(ini) (8)
[0027] iri2=W2 · outi+b2 (9)
[002引 out2 = f2(in2) (10)
[0029] 式中im和分别为隐藏层和输出层的输入参数，bi为连接输入层和隐藏层的阔 值，b2为连接隐藏层和输出层的阔值，W1为连接输入层和隐藏层的权重，W2为连接隐藏层和 输出层的权重，outl和OUt2分别为隐藏层和输出层的输出参数，fl和f2分别为隐藏层和输出 层中神经元对应的的激励函数，另外，〇ut2还可看作整个ΒΡ-ΑΓ^Ν的输出参数。
[0030] 在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阔值，对于所 有训练样本的总误差准则函数μ〇为：
[0031]
Π !)
[0032] 将选取的载荷识别参数数据作为ΒΡ-Α順的输入，危险部位的载荷数据作为输出。 选取输入层和隐藏层的激励函数为
输出层和隐藏层的传递函数为f2(x)=x。 W运用Levenberg-Marquar化算法的trainlm函数作为训练函数，学习函数和功能函数分别 选择learndg和mse。隐藏层神经元数目根据经验公式m =化+1(式中η表示载荷识别参数的 数目）计算。
[0033] 选取神经网络的模拟误差μ〇,因为决策误差μ日取值越小，模型精度越高，但计算效 率也会相应降低。同样人为设定误差限ro,取μ〇=1θ^ 5,将飞机的飞行参数一载荷数据输入 人工神经网络ΒΡ-Α順进行模型训练，若精度不满足误差限要求，减小μ〇值，重新进行模型训 练，重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网 络飞参-载荷识别模型。
[0034] 步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人 工神经网络识别模型，获得待识别载荷。
[0035] 本发明提供了一种基于飞行参数监控的飞机结构载荷识别方法，其特点是计算精 度高、成本低廉、方便快捷，可有效且实时地由飞行参数识别飞机结构的危险部位载荷数 据，W满足健康管理与剩余寿命检测的要求。
【附图说明】
[0036] 图1为飞机结构的载荷识别流程图。
[0037] 图2为ΒΡ-ΑΝΝ结构图。
[003引图中符号说明如下：
[0039] 图2中的im和im分别为隐藏层和输出层的输入参数，bi为连接输入层和隐藏层的 阔值，b2为连接隐藏层和输出层的阔值，W1为连接输入层和隐藏层的权重，W2为连接隐藏层 和输出层的权重，outl和OUt2分别为隐藏层和输出层的输出参数，fl和f2分别为隐藏层和输 出层的传递函数。
【具体实施方式】
[0040] 图1为本发明所述方法的流程框图，本发明分五步实现，具体为：
[0041] 步骤一、通过飞行试验，记录飞行参数一飞机结构危险部位的载荷数据。
[0042] 步骤二、根据飞机结构的飞行参数一载荷数据，对飞行参数和飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数，并将飞行参数一载荷数据无量纲化。
[0043] 飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为
[0044] 肌= [c]{V}T (1)
[0045] 式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，即：
[0046] {V} = {V，H，ny，nz，Sa，Sr，Se，ωγ，ωχ, c〇z，To，YL，a，扣，Ma，...} (2)
[0047] 其中，V和Η分别表示速度和高度，ny和nz分别表示法向过载和侧向过载，Sa，Sr和Se 分别表示副翼偏角、方向舱偏角和升降舱偏角，Wy，ωχ和ωζ分别表示偏航角速度、横滚角 速度和俯仰角速度，To表示总溫，Υ康示燃油存油量，α和化分别表示攻角和局部侧滑角，Ma 表示飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。
[0048] 根据飞机的飞行参数一载荷(￥1^~。)数据，将所有飞行参数与飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和 双侧检验P的要求为：
[0049]
巧）
[0050] 为同一量纲，将飞机的飞行参数一载荷数据无量纲化，即
[0化1]
(1)
[0052] 式中Vi为无量纲化的数据，Vi%原始数据，maxVi嘴为原始数据中的最 大值和最小值。
[0053] 步骤Ξ、利用多项式重构 技术，由飞机的飞行参数一载荷数据，建立飞参一载荷识 别模型。
[0054] 由Weiers化ass第一逼近定理可知，闭区间[a，b]上任意连续函数都可W用多项式 一致逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：
[0化5]
(5)
[0056] 式中，VI为载荷识别参数，η为载荷识别参数的个数，k为多项式序列的最高阶数。 Co、Cu是待定常数，可根据实测飞行参数一载荷数据通过多元回归方法拟合得到。
[0057] 因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶 次越大，拟合精度越高，可根据需要制定误差限ro，即
[005引
骑
[0059] 从k=l开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此 过程直到精度满足误差限要求，得到满足精度要求的多项式识别模型。
[0060] 步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数一载荷数据，建立 飞参一载荷识别模型。
[0061] 逆向传播人工神经网络(BP-A順)方法在建立非线性映射方面具有一定优势，而 且由Kolmogorovs层神经网络映射存在定理证明了任一连续函数都能与Ξ层ΒΡ-ΑΓ^Ν网络 建立映射关系。建立Ξ层ΒΡ-ΑΓ^Ν模型，结构图如图2所示，设输入层输入为Ρ，输出层为out, 根据神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式 可由下列数学公式描述：
[0062] ini=wi · p+bi (7)
[0063] outi = fi(ini) (8)
[0064] iri2=W2 · outi+b2 (9)
[0065] 〇ut2 = f2(in2) (10)式中im和分别为隐藏层和输出层的输入参数，bi为 连接输入层和隐藏层的阔值，为连接隐藏层和输出层的阔值，W1为连接输入层和隐藏层的 权重，W2为连接隐藏层和输出层的权重，OUtl和0Ut2分别为隐藏层和输出层的输出参数，fl 和f2分别为隐藏层和输出层中神经元对应的的激励函数，另外，0Ut2还可看作整个BP-A順的 输出参数。
[0066] 在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阔值，对于所 有训练样本的总误差准则函数μ〇为：
[0067]
(11)
[0068] 将选取的载荷识别参数数据作为ΒΡ-Α順的输入，危险部位的载荷数据作为输出。 选取输入层和隐藏层的激励函数为
I输出层和隐藏层的传递函数为f2(x)=x。 W运用Levenberg-Marquar化算法的trainlm函数作为训练函数，学习函数和功能函数分别 选择learndg和mse。隐藏层神经元数目根据经验公式m =化+1(式中η表示载荷识别参数的 数目）计算。
[0069] 选取神经网络的模拟误差μ〇,因为决策误差μ日取值越小，模型精度越高，但计算效 率也会相应降低。同样人为设定误差限ro,取μ〇=1θ^ 5,将飞机的飞行参数一载荷数据输入 人工神经网络ΒΡ-Α順进行模型训练，若精度不满足误差限要求，减小μ〇值，重新进行模型训 练，重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网 络飞参-载荷识别模型。
[0070] 步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人 工神经网络识别模型，获得待识别载荷。
【主权项】
1. 一种基于飞行参数监控的飞机结构载荷识别方法，其特征在于：该方法具体步骤如 下： 步骤一、通过飞行试验，记录飞行参数一飞机结构危险部位的载荷数据。 步骤二、根据飞机结构的飞行参数一载荷数据，对飞行参数和飞行载荷进行相关性分 析，选取相关性显著的参量作为载荷识别参数，并将飞行参数一载荷数据无量纲化。 飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为 {F} = [C]{V}T (1) 式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，BP: {V} = {V,H,ny,nz,5a,5r,5e, ωγ, ωχ, oz,To,YL,a,0L,Ma,···} (2) 其中，V和H分别表示速度和高度，njPnz分别表示法向过载和侧向过载，SaJjPS e3分别 表示副翼偏角、方向舵偏角和升降舵偏角，《y，ωχ和分别表示偏航角速度、横滚角速度 和俯仰角速度，To表示总温，Yl表示燃油存油量，α和&分别表示攻角和局部侧滑角，Ma表示 飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。 根据飞机的飞行参数一载荷(V^~F)数据，将所有飞行参数与飞行载荷进行相关性分 析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和双侧 检验P的要求为：为同一量纲，将飞机的飞行参数一载荷数据无量纲化，即式中V1为无量纲化的数据，V，为原始数据，maxV，和minV，分别为原始数据中的最大值 和最小值。 步骤三、利用多项式重构技术，由飞机的飞行参数一载荷数据，建立飞参一载荷识别模 型。 由Weierstrass第一逼近定理可知，闭区间[a，b]上任意连续函数都可以用多项式一致 逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：式中，V1为载荷识别参数，η为载荷识别参数的个数，k为多项式序列的最高阶数。CoXlj 是待定常数，可根据实测飞行参数一载荷数据通过多元回归方法拟合得到。 因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶次越 大，拟合精度越高，可根据需要制定误差限ro，即从k= 1开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此过程 直到精度满足误差限要求，得到满足精度要求的多项式识别模型。 步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数一载荷数据，建立飞 参一载荷识别模型。 逆向传播人工神经网络(BP-ANN)方法在建立非线性映射方面具有一定优势，而且由 Kolmogorov三层神经网络映射存在定理证明了任一连续函数都能与三层BP-ANN网络建立 映射关系。建立三层BP-ANN模型，结构图如图2所示，设输入层输入为p，输出层为out，根据 神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式可由 下列数学公式描述： im=wi · p+bi (7) outi = fi(im) (8) in2=W2 · outi+b2 (9) out2 = f2(in2) (10) 式中im和in2分别为隐藏层和输出层的输入参数，h为连接输入层和隐藏层的阈值，b2 为连接隐藏层和输出层的阈值，为连接输入层和隐藏层的权重，《2为连接隐藏层和输出层 的权重，OUtdPout 2分别为隐藏层和输出层的输出参数，f#Pf2分别为隐藏层和输出层中神 经元对应的的激励函数，另外，OUt 2还可看作整个BP-ANN的输出参数。 在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阈值，对于所有训 练样本的总误差准则函数为：将选取的载荷识别参数数据作为BP-ANN的输入，危险部位的载荷数据作为输出。选取 输入层和隐藏层的激励函数为输出层和隐藏层的传递函数为f2(x)=x。以运 用Levenberg-Marquardt算法的trainlm函数作为训练函数，学习函数和功能函数分别选择 Iearndg和mse。隐藏层神经元数目根据经验公式m = 2n+l (式中η表示载荷识别参数的数目） 计算。 选取神经网络的模拟误差因为决策误差取值越小，模型精度越高，但计算效率也 会相应降低。同样人为设定误差限ro,取Po=IeT5,将飞机的飞行参数一载荷数据输入人工 神经网络BP-ANN进行模型训练，若精度不满足误差限要求，减小μ〇值，重新进行模型训练， 重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网络飞 参-载荷识别模型。 步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人工神 经网络识别模型，获得待识别载荷。 本发明提供了一种基于飞行参数监控的飞机结构载荷识别方法，其特点是计算精度 高、成本低廉、方便快捷，可有效且实时地由飞行参数识别飞机结构的危险部位载荷数据， 以满足健康管理与剩余寿命检测的要求。
【专利摘要】一种基于飞行参数监控的飞机结构载荷识别方法，该方法有五大步骤：步骤一、通过飞行试验，记录飞行参数—飞机结构危险部位的载荷数据；步骤二、根据飞行参数—载荷数据，对飞行参数和载荷进行相关性分析，选取载荷识别参数；步骤三、利用多项式重构技术，由飞机的飞行参数—载荷数据，建立飞参—载荷识别模型；步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数—载荷数据，建立飞参—载荷识别模型；步骤五、将飞行参数传感器获取的飞行参数，代入多项式识别和人工神经网络识别模型，获得待识别载荷。本发明特点是计算精度高、成本低廉、方便快捷，可实时获取飞机结构危险部位的载荷数据，以满足健康管理与剩余寿命检测的要求。
【IPC分类】G06F17/50
【公开号】CN105488281
【申请号】CN201510860894
【发明人】熊峻江, 万傲霜, 陈克姣, 朱云涛
【申请人】北京航空航天大学
【公开日】2016年4月13日
【申请日】2015年12月1日
【技术领域】
[0001] 本发明给出了一种基于飞行参数监控的飞机结构载荷识别方法，属于机械系统状 态监测领域。
【背景技术】
[0002] 飞机结构危险部位的应力谱是其健康管理和剩余寿命监控前提之条件一，然在飞 机实际飞行中，结构危险部位的应力谱会随着飞行参数的变化而改变，精确且实时地测量 危险部位的应力谱及其应力分布，成本高昂且十分困难，但是，飞行参数监控与记录却很成 熟且十分方便，如果能根据飞行参数识别飞行载荷，获得其传递函数，就可方便且费用低廉 地获取飞行载荷信息。为此，本发明提出一种基于飞行参数监控的飞机结构载荷识别方法， 利用逆向传播人工神经网络方法和多项式重构技术，由飞机飞行参数一结构载荷数据，建 立飞参一载荷识别模型和计算方法。该方法具有计算精度高、成本低廉、方便快捷的优点， 可有效且实时地根据飞行参数识别飞机结构的危险部位飞行载荷，W满足健康管理与剩余 寿命检测的要求。本发明在机械系统状态监测领域具有重要的工程应用价值和广阔的应用 前景。
【发明内容】
[0003] 本发明利用逆向传播人工神经网络方法和多项式重构技术，建立一种基于飞行参 数监控的飞机结构载荷识别方法，用于解决飞机结构的健康管理与剩余寿命检测问题，图1 是本方法的流程图，其技术方案如下：
[0004] 步骤一、通过飞行试验，记录飞行参数一飞机结构危险部位的载荷数据。
[0005] 步骤二、根据飞机结构的飞行参数一载荷数据，对飞行参数和飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数，并将飞行参数一载荷数据无量纲化。
[0006] 飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为
[0007] 肌= [c]{V}T (1)
[000引式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，即： [0009] {V} = {V，H，ny，nzA，SrA，Qy，ωχ, c〇z，T〇，YL，a，eL，Ma，...} (2)
[0010]其中，V和Η分另懐示速度和高度，ny和nz分别表示法向过载和侧向过载，SaA和Se 分别表示副翼偏角、方向舱偏角和升降舱偏角，Wy，ωχ和ωζ分别表示偏航角速度、横滚角 速度和俯仰角速度，To表示总溫，Υ康示燃油存油量，α和0L分别表示攻角和局部侧滑角，Ma 表示飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。
[0011] 根据飞机的飞行参数一载荷(Vi^~F)数据，将所有飞行参数与飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和 双侧检验P的要求为：
[0012]
巧）
[0013] 为同一量纲，将飞机的飞行参数一载荷数据无量纲化，即
[0014]
叫）
[001引式中V功无量纲化的数据，Vi%原始数据，maxVi嘴minVi^作树原始数据中的最 大值和最小值。
[0016] 步骤Ξ、利用多项式重构技术，由飞机的飞行参数一载荷数据，建立飞参一载荷识 别模型。
[0017] 由Weiers化ass第一逼近定理可知，闭区间[a，b]上任意连续函数都可W用多项式 一致逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：
[001引
（S)
[0019] 式中，VI为载荷识别参数，η为载荷识别参数的个数，k为多项式序列的最高阶数。 Co、Cu是待定常数，可根据实测飞行参数一载荷数据通过多元回归方法拟合得到。
[0020] 因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶 次越大，拟合精度越高，可根据需要制定误差限ro，即
[0021]
銜
[0022] 从k=l开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此 过程直到精度满足误差限要求，得到满足精度要求的多项式识别模型。
[0023] 步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数一载荷数据，建立 飞参一载荷识别模型。
[0024] 逆向传播人工神经网络(BP-A順)方法在建立非线性映射方面具有一定优势，而 且由Kolmogorovs层神经网络映射存在定理证明了任一连续函数都能与Ξ层ΒΡ-ΑΓ^Ν网络 建立映射关系。建立Ξ层ΒΡ-ΑΓ^Ν模型，结构图如图2所示，设输入层输入为Ρ，输出层为out, 根据神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式 可由下列数学公式描述：
[0025] ini=wi · p+bi (7)
[0026] outi = fi(ini) (8)
[0027] iri2=W2 · outi+b2 (9)
[002引 out2 = f2(in2) (10)
[0029] 式中im和分别为隐藏层和输出层的输入参数，bi为连接输入层和隐藏层的阔 值，b2为连接隐藏层和输出层的阔值，W1为连接输入层和隐藏层的权重，W2为连接隐藏层和 输出层的权重，outl和OUt2分别为隐藏层和输出层的输出参数，fl和f2分别为隐藏层和输出 层中神经元对应的的激励函数，另外，〇ut2还可看作整个ΒΡ-ΑΓ^Ν的输出参数。
[0030] 在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阔值，对于所 有训练样本的总误差准则函数μ〇为：
[0031]
Π !)
[0032] 将选取的载荷识别参数数据作为ΒΡ-Α順的输入，危险部位的载荷数据作为输出。 选取输入层和隐藏层的激励函数为
输出层和隐藏层的传递函数为f2(x)=x。 W运用Levenberg-Marquar化算法的trainlm函数作为训练函数，学习函数和功能函数分别 选择learndg和mse。隐藏层神经元数目根据经验公式m =化+1(式中η表示载荷识别参数的 数目）计算。
[0033] 选取神经网络的模拟误差μ〇,因为决策误差μ日取值越小，模型精度越高，但计算效 率也会相应降低。同样人为设定误差限ro,取μ〇=1θ^ 5,将飞机的飞行参数一载荷数据输入 人工神经网络ΒΡ-Α順进行模型训练，若精度不满足误差限要求，减小μ〇值，重新进行模型训 练，重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网 络飞参-载荷识别模型。
[0034] 步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人 工神经网络识别模型，获得待识别载荷。
[0035] 本发明提供了一种基于飞行参数监控的飞机结构载荷识别方法，其特点是计算精 度高、成本低廉、方便快捷，可有效且实时地由飞行参数识别飞机结构的危险部位载荷数 据，W满足健康管理与剩余寿命检测的要求。
【附图说明】
[0036] 图1为飞机结构的载荷识别流程图。
[0037] 图2为ΒΡ-ΑΝΝ结构图。
[003引图中符号说明如下：
[0039] 图2中的im和im分别为隐藏层和输出层的输入参数，bi为连接输入层和隐藏层的 阔值，b2为连接隐藏层和输出层的阔值，W1为连接输入层和隐藏层的权重，W2为连接隐藏层 和输出层的权重，outl和OUt2分别为隐藏层和输出层的输出参数，fl和f2分别为隐藏层和输 出层的传递函数。
【具体实施方式】
[0040] 图1为本发明所述方法的流程框图，本发明分五步实现，具体为：
[0041] 步骤一、通过飞行试验，记录飞行参数一飞机结构危险部位的载荷数据。
[0042] 步骤二、根据飞机结构的飞行参数一载荷数据，对飞行参数和飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数，并将飞行参数一载荷数据无量纲化。
[0043] 飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为
[0044] 肌= [c]{V}T (1)
[0045] 式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，即：
[0046] {V} = {V，H，ny，nz，Sa，Sr，Se，ωγ，ωχ, c〇z，To，YL，a，扣，Ma，...} (2)
[0047] 其中，V和Η分别表示速度和高度，ny和nz分别表示法向过载和侧向过载，Sa，Sr和Se 分别表示副翼偏角、方向舱偏角和升降舱偏角，Wy，ωχ和ωζ分别表示偏航角速度、横滚角 速度和俯仰角速度，To表示总溫，Υ康示燃油存油量，α和化分别表示攻角和局部侧滑角，Ma 表示飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。
[0048] 根据飞机的飞行参数一载荷(￥1^~。)数据，将所有飞行参数与飞行载荷进行相关 性分析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和 双侧检验P的要求为：
[0049]
巧）
[0050] 为同一量纲，将飞机的飞行参数一载荷数据无量纲化，即
[0化1]
(1)
[0052] 式中Vi为无量纲化的数据，Vi%原始数据，maxVi嘴为原始数据中的最 大值和最小值。
[0053] 步骤Ξ、利用多项式重构 技术，由飞机的飞行参数一载荷数据，建立飞参一载荷识 别模型。
[0054] 由Weiers化ass第一逼近定理可知，闭区间[a，b]上任意连续函数都可W用多项式 一致逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：
[0化5]
(5)
[0056] 式中，VI为载荷识别参数，η为载荷识别参数的个数，k为多项式序列的最高阶数。 Co、Cu是待定常数，可根据实测飞行参数一载荷数据通过多元回归方法拟合得到。
[0057] 因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶 次越大，拟合精度越高，可根据需要制定误差限ro，即
[005引
骑
[0059] 从k=l开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此 过程直到精度满足误差限要求，得到满足精度要求的多项式识别模型。
[0060] 步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数一载荷数据，建立 飞参一载荷识别模型。
[0061] 逆向传播人工神经网络(BP-A順)方法在建立非线性映射方面具有一定优势，而 且由Kolmogorovs层神经网络映射存在定理证明了任一连续函数都能与Ξ层ΒΡ-ΑΓ^Ν网络 建立映射关系。建立Ξ层ΒΡ-ΑΓ^Ν模型，结构图如图2所示，设输入层输入为Ρ，输出层为out, 根据神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式 可由下列数学公式描述：
[0062] ini=wi · p+bi (7)
[0063] outi = fi(ini) (8)
[0064] iri2=W2 · outi+b2 (9)
[0065] 〇ut2 = f2(in2) (10)式中im和分别为隐藏层和输出层的输入参数，bi为 连接输入层和隐藏层的阔值，为连接隐藏层和输出层的阔值，W1为连接输入层和隐藏层的 权重，W2为连接隐藏层和输出层的权重，OUtl和0Ut2分别为隐藏层和输出层的输出参数，fl 和f2分别为隐藏层和输出层中神经元对应的的激励函数，另外，0Ut2还可看作整个BP-A順的 输出参数。
[0066] 在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阔值，对于所 有训练样本的总误差准则函数μ〇为：
[0067]
(11)
[0068] 将选取的载荷识别参数数据作为ΒΡ-Α順的输入，危险部位的载荷数据作为输出。 选取输入层和隐藏层的激励函数为
I输出层和隐藏层的传递函数为f2(x)=x。 W运用Levenberg-Marquar化算法的trainlm函数作为训练函数，学习函数和功能函数分别 选择learndg和mse。隐藏层神经元数目根据经验公式m =化+1(式中η表示载荷识别参数的 数目）计算。
[0069] 选取神经网络的模拟误差μ〇,因为决策误差μ日取值越小，模型精度越高，但计算效 率也会相应降低。同样人为设定误差限ro,取μ〇=1θ^ 5,将飞机的飞行参数一载荷数据输入 人工神经网络ΒΡ-Α順进行模型训练，若精度不满足误差限要求，减小μ〇值，重新进行模型训 练，重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网 络飞参-载荷识别模型。
[0070] 步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人 工神经网络识别模型，获得待识别载荷。
【主权项】
1. 一种基于飞行参数监控的飞机结构载荷识别方法，其特征在于：该方法具体步骤如 下： 步骤一、通过飞行试验，记录飞行参数一飞机结构危险部位的载荷数据。 步骤二、根据飞机结构的飞行参数一载荷数据，对飞行参数和飞行载荷进行相关性分 析，选取相关性显著的参量作为载荷识别参数，并将飞行参数一载荷数据无量纲化。 飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为 {F} = [C]{V}T (1) 式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，BP: {V} = {V,H,ny,nz,5a,5r,5e, ωγ, ωχ, oz,To,YL,a,0L,Ma,···} (2) 其中，V和H分别表示速度和高度，njPnz分别表示法向过载和侧向过载，SaJjPS e3分别 表示副翼偏角、方向舵偏角和升降舵偏角，《y，ωχ和分别表示偏航角速度、横滚角速度 和俯仰角速度，To表示总温，Yl表示燃油存油量，α和&分别表示攻角和局部侧滑角，Ma表示 飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。 根据飞机的飞行参数一载荷(V^~F)数据，将所有飞行参数与飞行载荷进行相关性分 析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和双侧 检验P的要求为：为同一量纲，将飞机的飞行参数一载荷数据无量纲化，即式中V1为无量纲化的数据，V，为原始数据，maxV，和minV，分别为原始数据中的最大值 和最小值。 步骤三、利用多项式重构技术，由飞机的飞行参数一载荷数据，建立飞参一载荷识别模 型。 由Weierstrass第一逼近定理可知，闭区间[a，b]上任意连续函数都可以用多项式一致 逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：式中，V1为载荷识别参数，η为载荷识别参数的个数，k为多项式序列的最高阶数。CoXlj 是待定常数，可根据实测飞行参数一载荷数据通过多元回归方法拟合得到。 因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶次越 大，拟合精度越高，可根据需要制定误差限ro，即从k= 1开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此过程 直到精度满足误差限要求，得到满足精度要求的多项式识别模型。 步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数一载荷数据，建立飞 参一载荷识别模型。 逆向传播人工神经网络(BP-ANN)方法在建立非线性映射方面具有一定优势，而且由 Kolmogorov三层神经网络映射存在定理证明了任一连续函数都能与三层BP-ANN网络建立 映射关系。建立三层BP-ANN模型，结构图如图2所示，设输入层输入为p，输出层为out，根据 神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式可由 下列数学公式描述： im=wi · p+bi (7) outi = fi(im) (8) in2=W2 · outi+b2 (9) out2 = f2(in2) (10) 式中im和in2分别为隐藏层和输出层的输入参数，h为连接输入层和隐藏层的阈值，b2 为连接隐藏层和输出层的阈值，为连接输入层和隐藏层的权重，《2为连接隐藏层和输出层 的权重，OUtdPout 2分别为隐藏层和输出层的输出参数，f#Pf2分别为隐藏层和输出层中神 经元对应的的激励函数，另外，OUt 2还可看作整个BP-ANN的输出参数。 在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阈值，对于所有训 练样本的总误差准则函数为：将选取的载荷识别参数数据作为BP-ANN的输入，危险部位的载荷数据作为输出。选取 输入层和隐藏层的激励函数为输出层和隐藏层的传递函数为f2(x)=x。以运 用Levenberg-Marquardt算法的trainlm函数作为训练函数，学习函数和功能函数分别选择 Iearndg和mse。隐藏层神经元数目根据经验公式m = 2n+l (式中η表示载荷识别参数的数目） 计算。 选取神经网络的模拟误差因为决策误差取值越小，模型精度越高，但计算效率也 会相应降低。同样人为设定误差限ro,取Po=IeT5,将飞机的飞行参数一载荷数据输入人工 神经网络BP-ANN进行模型训练，若精度不满足误差限要求，减小μ〇值，重新进行模型训练， 重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网络飞 参-载荷识别模型。 步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人工神 经网络识别模型，获得待识别载荷。 本发明提供了一种基于飞行参数监控的飞机结构载荷识别方法，其特点是计算精度 高、成本低廉、方便快捷，可有效且实时地由飞行参数识别飞机结构的危险部位载荷数据， 以满足健康管理与剩余寿命检测的要求。
【专利摘要】一种基于飞行参数监控的飞机结构载荷识别方法，该方法有五大步骤：步骤一、通过飞行试验，记录飞行参数—飞机结构危险部位的载荷数据；步骤二、根据飞行参数—载荷数据，对飞行参数和载荷进行相关性分析，选取载荷识别参数；步骤三、利用多项式重构技术，由飞机的飞行参数—载荷数据，建立飞参—载荷识别模型；步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数—载荷数据，建立飞参—载荷识别模型；步骤五、将飞行参数传感器获取的飞行参数，代入多项式识别和人工神经网络识别模型，获得待识别载荷。本发明特点是计算精度高、成本低廉、方便快捷，可实时获取飞机结构危险部位的载荷数据，以满足健康管理与剩余寿命检测的要求。
【IPC分类】G06F17/50
【公开号】CN105488281
【申请号】CN201510860894
【发明人】熊峻江, 万傲霜, 陈克姣, 朱云涛
【申请人】北京航空航天大学
【公开日】2016年4月13日
【申请日】2015年12月1日
最新回复(0)