一種基于飛行參數監控的飛機結構載荷識別方法
【技術領域】
[0001] 本發明給出了一種基于飛行參數監控的飛機結構載荷識別方法，屬于機械系統狀 態監測領域。
【背景技術】
[0002] 飛機結構危險部位的應力譜是其健康管理和剩余壽命監控前提之條件一，然在飛 機實際飛行中，結構危險部位的應力譜會隨著飛行參數的變化而改變，精確且實時地測量 危險部位的應力譜及其應力分布，成本高昂且十分困難，但是，飛行參數監控與記錄卻很成 熟且十分方便，如果能根據飛行參數識別飛行載荷，獲得其傳遞函數，就可方便且費用低廉 地獲取飛行載荷信息。為此，本發明提出一種基于飛行參數監控的飛機結構載荷識別方法， 利用逆向傳播人工神經網絡方法和多項式重構技術，由飛機飛行參數一結構載荷數據，建 立飛參一載荷識別模型和計算方法。該方法具有計算精度高、成本低廉、方便快捷的優點， 可有效且實時地根據飛行參數識別飛機結構的危險部位飛行載荷，W滿足健康管理與剩余 壽命檢測的要求。本發明在機械系統狀態監測領域具有重要的工程應用價值和廣闊的應用 前景。
【發明內容】
[0003] 本發明利用逆向傳播人工神經網絡方法和多項式重構技術，建立一種基于飛行參 數監控的飛機結構載荷識別方法，用于解決飛機結構的健康管理與剩余壽命檢測問題，圖1 是本方法的流程圖，其技術方案如下：
[0004] 步驟一、通過飛行試驗，記錄飛行參數一飛機結構危險部位的載荷數據。
[0005] 步驟二、根據飛機結構的飛行參數一載荷數據，對飛行參數和飛行載荷進行相關 性分析，選取相關性顯著的參量作為載荷識別參數，并將飛行參數一載荷數據無量綱化。
[0006] 飛機結構危險部位載荷和飛行參數之間的關系可用數學模型表示為
[0007] 肌= [c]{V}T (1)
[000引式中，{F}表示飛機結構的工作載荷；{C}表示傳遞函數；{V}表示飛行參數，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分別表示法向過載和側向過載，SaA和Se 分別表示副翼偏角、方向艙偏角和升降艙偏角，Wy，ωχ和ωζ分別表示偏航角速度、橫滾角 速度和俯仰角速度，To表示總溫，Υ康示燃油存油量，α和0L分別表示攻角和局部側滑角，Ma 表示飛行馬赫數，省略號代表其它此處沒有列舉出來的一些飛行參數。
[0011] 根據飛機的飛行參數一載荷(Vi^~F)數據，將所有飛行參數與飛行載荷進行相關 性分析，選取相關性顯著的參量作為載荷識別參數。一般來說，相關性顯著對相關系數R和 雙側檢驗P的要求為：
[0012]
巧）
[0013] 為同一量綱，將飛機的飛行參數一載荷數據無量綱化，即
[0014]
叫）
[001引式中V功無量綱化的數據，Vi%原始數據，maxVi嘴minVi^作樹原始數據中的最 大值和最小值。
[0016] 步驟Ξ、利用多項式重構技術，由飛機的飛行參數一載荷數據，建立飛參一載荷識 別模型。
[0017] 由Weiers化ass第一逼近定理可知，閉區間[a，b]上任意連續函數都可W用多項式 一致逼近。用多項式序列來擬合載荷識別參數與飛行載荷間的傳遞函數，其表達式如下：
[001引
（S)
[0019] 式中，VI為載荷識別參數，η為載荷識別參數的個數，k為多項式序列的最高階數。 Co、Cu是待定常數，可根據實測飛行參數一載荷數據通過多元回歸方法擬合得到。
[0020] 因為擬合精度與多項式序列擬合的最高階次密切相關，而且多項式序列的最高階 次越大，擬合精度越高，可根據需要制定誤差限ro，即
[0021]
銜
[0022] 從k=l開始擬合傳函，若精度不滿足誤差限要求，增大k值，重新進行重構，重復此 過程直到精度滿足誤差限要求，得到滿足精度要求的多項式識別模型。
[0023] 步驟四、根據逆向傳播人工神經網絡方法，利用飛機的飛行參數一載荷數據，建立 飛參一載荷識別模型。
[0024] 逆向傳播人工神經網絡(BP-A順)方法在建立非線性映射方面具有一定優勢，而 且由Kolmogorovs層神經網絡映射存在定理證明了任一連續函數都能與Ξ層ΒΡ-ΑΓ^Ν網絡 建立映射關系。建立Ξ層ΒΡ-ΑΓ^Ν模型，結構圖如圖2所示，設輸入層輸入為Ρ，輸出層為out, 根據神經網絡關系圖，在信號的前向傳播過程中，隱藏層和輸出層中輸入和輸出的關系式 可由下列數學公式描述：
[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和分別為隱藏層和輸出層的輸入參數，bi為連接輸入層和隱藏層的闊 值，b2為連接隱藏層和輸出層的闊值，W1為連接輸入層和隱藏層的權重，W2為連接隱藏層和 輸出層的權重，outl和OUt2分別為隱藏層和輸出層的輸出參數，fl和f2分別為隱藏層和輸出 層中神經元對應的的激勵函數，另外，〇ut2還可看作整個ΒΡ-ΑΓ^Ν的輸出參數。
[0030] 在誤差的反向傳播過程中，根據誤差梯度下降法調節各層的權重和闊值，對于所 有訓練樣本的總誤差準則函數μ〇為：
[0031]
Π !)
[0032] 將選取的載荷識別參數數據作為ΒΡ-Α順的輸入，危險部位的載荷數據作為輸出。 選取輸入層和隱藏層的激勵函數為
輸出層和隱藏層的傳遞函數為f2(x)=x。 W運用Levenberg-Marquar化算法的trainlm函數作為訓練函數，學習函數和功能函數分別 選擇learndg和mse。隱藏層神經元數目根據經驗公式m =化+1(式中η表示載荷識別參數的 數目）計算。
[0033] 選取神經網絡的模擬誤差μ〇,因為決策誤差μ日取值越小，模型精度越高，但計算效 率也會相應降低。同樣人為設定誤差限ro,取μ〇=1θ^ 5,將飛機的飛行參數一載荷數據輸入 人工神經網絡ΒΡ-Α順進行模型訓練，若精度不滿足誤差限要求，減小μ〇值，重新進行模型訓 練，重復此過程直到精度滿足誤差限要求，即可得到滿足精度要求的逆向傳播人工神經網 絡飛參-載荷識別模型。
[0034] 步驟五、采用飛行參數傳感器獲取飛行中的飛行參數，代入多項式識別模型和人 工神經網絡識別模型，獲得待識別載荷。
[0035] 本發明提供了一種基于飛行參數監控的飛機結構載荷識別方法，其特點是計算精 度高、成本低廉、方便快捷，可有效且實時地由飛行參數識別飛機結構的危險部位載荷數 據，W滿足健康管理與剩余壽命檢測的要求。
【附圖說明】
[0036] 圖1為飛機結構的載荷識別流程圖。
[0037] 圖2為ΒΡ-ΑΝΝ結構圖。
[003引圖中符號說明如下：
[0039] 圖2中的im和im分別為隱藏層和輸出層的輸入參數，bi為連接輸入層和隱藏層的 闊值，b2為連接隱藏層和輸出層的闊值，W1為連接輸入層和隱藏層的權重，W2為連接隱藏層 和輸出層的權重，outl和OUt2分別為隱藏層和輸出層的輸出參數，fl和f2分別為隱藏層和輸 出層的傳遞函數。
【具體實施方式】
[0040] 圖1為本發明所述方法的流程框圖，本發明分五步實現，具體為：
[0041] 步驟一、通過飛行試驗，記錄飛行參數一飛機結構危險部位的載荷數據。
[0042] 步驟二、根據飛機結構的飛行參數一載荷數據，對飛行參數和飛行載荷進行相關 性分析，選取相關性顯著的參量作為載荷識別參數，并將飛行參數一載荷數據無量綱化。
[0043] 飛機結構危險部位載荷和飛行參數之間的關系可用數學模型表示為
[0044] 肌= [c]{V}T (1)
[0045] 式中，{F}表示飛機結構的工作載荷；{C}表示傳遞函數；{V}表示飛行參數，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分別表示速度和高度，ny和nz分別表示法向過載和側向過載，Sa，Sr和Se 分別表示副翼偏角、方向艙偏角和升降艙偏角，Wy，ωχ和ωζ分別表示偏航角速度、橫滾角 速度和俯仰角速度，To表示總溫，Υ康示燃油存油量，α和化分別表示攻角和局部側滑角，Ma 表示飛行馬赫數，省略號代表其它此處沒有列舉出來的一些飛行參數。
[0048] 根據飛機的飛行參數一載荷(￥1^~。)數據，將所有飛行參數與飛行載荷進行相關 性分析，選取相關性顯著的參量作為載荷識別參數。一般來說，相關性顯著對相關系數R和 雙側檢驗P的要求為：
[0049]
巧）
[0050] 為同一量綱，將飛機的飛行參數一載荷數據無量綱化，即
[0化1]
(1)
[0052] 式中Vi為無量綱化的數據，Vi%原始數據，maxVi嘴為原始數據中的最 大值和最小值。
[0053] 步驟Ξ、利用多項式重構