[发明专利]基于机器学习算法的飞行器热防护系统损伤诊断方法

说明书

本发明公开了一种基于机器学习算法的飞行器热防护系统损伤诊断方法。首先，利用嵌入式的光纤传感器网络采集结构应变场分布信息；然后，用多项式拟合结合置信区间的方法定位异常值位置，提取异常信号段的幅值、信号过零率、信号细度比等特征，进行自组织映射神经网络训练；训练完成后，将测试数据输入自组织映射神经网络，获得损伤位置、类型等具体情况。在飞行器飞行过程中，还可以根据服役环境、特殊事件，以及维修测试等因素所反映出的实时应变数据对神经网络进行训练，提高损伤诊断的处理速度与识别精度，并解决飞行器绝热层完整性问题。

技术领域

本发明属于航空航天应用技术领域，具体涉及一种基于机器学习算法的飞行器热防护系统损伤在线识别方法。

背景技术

热防护系统作为航天运载飞行器中保护整体结构安全性的重要部件，其结构完整性已成为可重复使用航天飞行器装备发展的关键问题。与其他结构部件相比，粘结在主体结构上的绝热层热防护系统发生的损伤更隐蔽，导致热防护系统的破坏和失效更具有突然性，因此，针对粘结式绝热层损伤在线识别、定位、分类显得尤为重要。

另外，在飞行器服役过程中，热防护系统的绝热层可能因外界冲击而产生裂纹，或者因热不匹配而产生脱粘，明确区分这两类损伤，对结构的维修与任务包线决策制定都有重要的参考价值。因此，对这两类损伤的分类是损伤诊断方法的重要问题与挑战。

传统无损检测方法在飞行器停机状态下对结构进行损伤识别与定位，该方法需要装配外部设备、数据采集及人工分析，耗时较长，导致检测成本增加，同时其不能区分损伤类型。利用嵌入式光纤传感器进行应变场重构的检测方法在一般结构构件状态评估中得到了广泛应用，其特点和优势主要在于检测灵敏度高、损伤位置信息显示直观，因此能够更高效地确认损伤存在并定位其大体位置。

发明内容

本发明的目的在于提供一种基于机器学习算法的飞行器热防护系统损伤诊断方法，基于嵌入式光纤传感器测得的应变信号，针对跳动的信号，既可以对损伤进行定位识别又可以区分损伤类型。

本发明实现上述目的采用的技术方案如下：

本发明提供了一种基于机器学习算法的飞行器热防护系统损伤诊断方法，包括如下步骤：

S1、根据飞行器热防护系统的结构形式与典型受载形式进行物理模型分析，获得在典型载荷作用下健康结构应变分布形式，以及损伤条件下应变分布变化特征；

S2、根据物理模型分析得到的损伤范围，结合光纤的最小回转半径，设计光纤传感器在热防护系统中的布局形式；

S3、对热防护系统结构施加外界载荷，通过嵌入式光纤传感器测试不同载荷状态下的热防护系统结构中的应变分布数据；

S4、针对实测获得的应变分布数据，进行异常状态判断，检测异常信号；

S5、将异常信号数据随机分为训练数据组和测试数据组，或者将飞行器出厂前试验数据作为训练数据组，将异常信号数据作为测试数据组；提取异常信号特征；

S6、将训练数据组输入自组织映射神经网络对其进行训练，将测试数据组输入经过训练的自组织映射神经网络对其进行有效性检验，若有效，则可用于飞行器热防护系统在线损伤诊断；若无效，返回步骤S5，增加训练数据组，重新训练自组织映射神经网络。

优选的，所述步骤S2中光纤传感器设置至少一根，布局覆盖损伤范围。

优选的，所述步骤S2中光纤传感器以回转形式嵌入到绝热层与主体结构间的胶层中，所述光纤传感器直线段作为测量组。

优选的，所述步骤S4通过多项式拟合结合置信区间的方法定位异常值位置。

优选的，所述多项式拟合采用直线拟合，拟合点的置信区间为[0.25X,1.25X]。