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。
[0054] 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：
[0化5]
(5)
[0056] 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。
[0057] 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
[005引
騎
[0059] 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。
[0060] 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。
[0061] 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：
[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，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0Ut2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，0Ut2還可看作整個BP-A順的 輸出參數。
[0066] 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：
[0067]
(11)
[0068] 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
I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。
[0069] 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。
[0070] 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。
【主權項】
1. 一種基于飛行參數監控的飛機結構載荷識別方法，其特征在于：該方法具體步驟如 下： 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。 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。 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 {F} = [C]{V}T (1) 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，BP: {V} = {V,H,ny,nz,5a,5r,5e, ωγ, ωχ, oz,To,YL,a,0L,Ma,···} (2) 其中，V和H分別表示速度和高度，njPnz分別表示法向過載和側向過載，SaJjPS e3分別 表示副翼偏角、方向舵偏角和升降舵偏角，《y，ωχ和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，Yl表示燃油存油量，α和&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。 根據飛機的飛行參數一載荷(V^~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：為同一量綱，將飛機的飛行參數一載荷數據無量綱化，即式中V1為無量綱化的數據，V，為原始數據，maxV，和minV，分別為原始數據中的最大值 和最小值。 步驟三、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。 由Weierstrass第一逼近定理可知，閉區間[a，b]上任意連續函數都可以用多項式一致 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：式中，V1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。CoXlj 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。 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，即從k= 1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。 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。 逆向傳播人工神經網絡(BP-ANN)方法在建立非線性映射方面具有一定優勢，而且由 Kolmogorov三層神經網絡映射存在定理證明了任一連續函數都能與三層BP-ANN網絡建立 映射關系。建立三層BP-ANN模型，結構圖如圖2所示，設輸入層輸入為p，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： im=wi · p+bi (7) outi = fi(im) (8) in2=W2 · outi+b2 (9) out2 = f2(in2) (10) 式中im和in2分別為隱藏層和輸出層的輸入參數，h為連接輸入層和隱藏層的閾值，b2 為連接隱藏層和輸出層的閾值，為連接輸入層和隱藏層的權重，《2為連接隱藏層和輸出層 的權重，OUtdPout 2分別為隱藏層和輸出層的輸出參數，f#Pf2分別為隱藏層和輸出層中神 經元對應的的激勵函數，另外，OUt 2還可看作整個BP-ANN的輸出參數。 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閾值，對于所有訓 練樣本的總誤差準則函數為：將選取的載荷識別參數數據作為BP-ANN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。以運 用Levenberg-Marquardt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 Iearndg和mse。隱藏層神經元數目根據經驗公式m = 2n+l (式中η表示載荷識別參數的數目） 計算。 選取神經網絡的模擬誤差因為決策誤差取值越小，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Po=IeT5,將飛機的飛行參數一載荷數據輸入人工 神經網絡BP-ANN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。 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。 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， 以滿足健康管理與剩余壽命檢測的要求。
【專利摘要】一種基于飛行參數監控的飛機結構載荷識別方法，該方法有五大步驟：步驟一、通過飛行試驗，記錄飛行參數—飛機結構危險部位的載荷數據；步驟二、根據飛行參數—載荷數據，對飛行參數和載荷進行相關性分析，選取載荷識別參數；步驟三、利用多項式重構技術，由飛機的飛行參數—載荷數據，建立飛參—載荷識別模型；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—載荷數據，建立飛參—載荷識別模型；步驟五、將飛行參數傳感器獲取的飛行參數，代入多項式識別和人工神經網絡識別模型，獲得待識別載荷。本發明特點是計算精度高、成本低廉、方便快捷，可實時獲取飛機結構危險部位的載荷數據，以滿足健康管理與剩余壽命檢測的要求。
【IPC分類】G06F17/50
【公開號】CN105488281
【申請號】CN201510860894
【發明人】熊峻江, 萬傲霜, 陳克姣, 朱云濤
【申請人】北京航空航天大學
【公開日】2016年4月13日
【申請日】2015年12月1日