[发明专利]航空装备振动环境分析和预测方法

权利要求书

1.一种航空装备振动环境分析和预测方法，其特征在于，其包括以下步骤：

S1、对于安装在飞行器平台上的航空装备，飞行器平台状态参数U和振动环境量值G之间的映射关系表示为：

G＝f(U)

S2、根据航空装备所在的飞行器平台一测点振动响应随飞行状态的不同而不同，将飞行器任务剖面划分为n种状态，飞行器平台所述测点的振动环境量值集合G表示为：

G＝(g₁，g₂，g₃，.....g_n)

式中，G为容量为n的振动环境量值集合，g_i为飞行器平台某测点在第i种飞行状态下的振动环境量值，i＝1～n；

同时，飞行器平台的飞行器状态参数集合U为：

U＝(u₁，u₂，u₃，.....u_n)

式中，U为容量为n的飞行器状态参数集合，u_i为第i种状态参数，i＝1～n；

S3、归一化处理：

对飞行器状态参数集合U进行归一化处理，获得归一化后的飞行器状态参数集合U′，其中：

U′＝(u′₁，u′₂.....u′_n)

式中，u′_i为归一化后的第i个状态参数，i＝1～n；

对振动环境量值集合G进行归一化处理，获得归一化后的振动环境量值集合G′，其中：

G′＝(g′₁，g′₂.....g′_n)

式中，g′_i为归一化后的第i个振动量值，i＝1～n；

S4、构建一组深度学习网络R₁对归一化后的飞行器状态参数集合U′进行特征分类，其中R包括可见层和隐含层两个层级，可见层包括n个节点，隐含层包括k个节点，可见层和隐含层的层内无连接且层间全连接；隐含层节点设置有激活函数f，用以将输入的状态参数集合U′变换到一个新的特征参数集合U″；w为层间的权重，a_i为可见层节点偏置，b_k为隐层节点偏置；

S5、重复构建多组深度学习网络分类器R₂--R_X，按照前述步骤的要求将R₁--R_X堆叠起来，并将R_X隐含层输出节点与输入节点为k且输出节点为m的神经网络相连接；

S6、将S组U′集合与特征分类器R₁相连，给特征分类器R₁--R_X的参数(w，a_i，b_k)赋初始值；

S7、输入S组U′集合后计算结果G″，分析计算G″与G′的误差，调节分类器R₁--R_X的参数(w，a_i，b_k)和神经网络的结构参数直至误差满足要求，则完成振动环境预测模型建模；设置误差阈值ΔE，计算U′和U″的误差e，当e大于ΔE时，调节分类器R的参数(w，a_i，b_k)和神经网络的结构参数，直至误差e小于ΔE；

S8、输入任意一组飞行器平台状态参数U至步骤S7建立的模型，计算对应的飞行器平台的振动环境量值G，实现振动环境量值的分析和预计。

2.根据权利要求1所述的航空装备振动环境分析和预测方法，其特征在于，所述的飞行器状态参数是指影响飞行器平台振动环境量值的参数，包括飞行器高度、飞行速度、飞行器攻角和发动机转速。

3.根据权利要求1所述的航空装备振动环境分析和预测方法，其特征在于，所述的振动环境量值是指表征平台振动程度的数值，用振动均方根值RMS表示。

4.根据权利要求1所述的航空装备振动环境分析和预测方法，其特征在于，所述的特征分类器为一种深度网络，其网络架构为一个或多个的自编码器、受限玻尔兹曼机和/或循环神经网络。

5.根据权利要求1所述的航空装备振动环境分析和预测方法，其特征在于，所述特征分类器R₁--R_X的参数(w，a_i，b_k)的初始值为w＝0，a_i＝0和b_k＝0。