[发明专利]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

1.一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；根据飞机的飞行参数—载荷(Vi*～F)数据，其中Vi*为原始数据，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，相关性显著对相关系数R和双侧检验P的要求为：为统一量纲，将飞机的飞行参数—载荷数据无量纲化，即式中Vi为无量纲化的数据，maxVi*和minVi*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，vi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、Cij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；建立三层BP‑ANN模型，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   (6)out1＝f1(in1)   (7)in2＝w2·out1+b2   (8)out2＝f2(in2)   (9)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：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计算，式中n表示载荷识别参数的数目；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或人工神经网络识别模型，获得待识别载荷。