一种基于飞行参数监控的飞机结构载荷识别方法

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。

主权项

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—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—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—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，即：{V}＝{V,H,n_y,n_z,δ_a,δ_r,δ_e,ω_y,ω_x,ω_z,T₀,Y_L,α,β_L,Ma,…}   (2)其中，V和H分别表示速度和高度，n_y和n_z分别表示法向过载和侧向过载，δ_a,δ_r和δ_e分别表示副翼偏角、方向舵偏角和升降舵偏角，ω_y，ω_x和ω_z分别表示偏航角速度、横滚角速度和俯仰角速度，T₀表示总温，Y_L表示燃油存油量，α和β_L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—载荷(V_i^*～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：$\left\{\begin{array}{c}\left|R\right|>0.5\\ P<0.001\end{array}\right.---\left(3\right)$为同一量纲，将飞机的飞行参数—载荷数据无量纲化，即$V_i=\frac{V_i^{*}-\min V_i^{*}}{\max V_i^{*}-\min V_i^{*}}---\left(4\right)$式中V_i为无量纲化的数据，V_i^*为原始数据，maxV_i^*和minV_i^*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—载荷数据，建立飞参—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，v_i为载荷识别参数，n为载荷识别参数的个数，k为多项式序列的最高阶数。C₀、C_ij是待定常数，可根据实测飞行参数—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r₀，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—载荷数据，建立飞参—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：in₁＝w₁·p+b₁   (7)out₁＝f₁(in₁)   (8)in₂＝w₂·out₁+b₂   (9)out₂＝f₂(in₂)   (10)式中in₁和in₂分别为隐藏层和输出层的输入参数，b₁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，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，out₁和out₂分别为隐藏层和输出层的输出参数，f₁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，out₂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μ₀为：${\mu }_0=\frac{1}{2}\underset{i=1}{\overset{n}{\Sigma }}{(F_i-{\mathrm{out}}_i)}^2---\left(11\right)$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learndg和mse。隐藏层神经元数目根据经验公式m＝2n+1(式中n表示载荷识别参数的数目)计算。选取神经网络的模拟误差μ₀，因为决策误差μ₀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r₀，取μ₀＝1e^‑5，将飞机的飞行参数—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μ₀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。