CN103500262A - 用于监视结构的方法和系统 - Google Patents

Abstract

本发明提供一种监视结构的方法和系统，方法包括：a）同步地获取数据，该数据包括多个操作参数和至少一个应变数据，b）从在步骤a）中获取的数据建立重要点数据集，及c）使用所建立的重要点数据集对所述操作参数和所述应变数据之间的关系进行建模，以训练非自适应预测函数监督近似方法，其中，建立重要点数据集的步骤包括从所获取的数据中删除冗余信息。作为结果的模型可以用于处理结构真实的操作数据，以对于结构的预定位置集合估计可能的裂缝开始和裂缝生长。

Description

用于监视结构的方法和系统

技术领域

本发明涉及用于监视结构的方法和系统，具体地，涉及疲劳和损伤容限的预测。本发明可应用于任何设备结构、风力涡轮机、船、建筑、桥、塔、以及优选地但非必需地应用于飞行器。

背景技术

结构疲劳可以被定义为由于在周期载荷的情况下细微裂缝的逐渐生长而造成的材料的损坏。通常，设备结构的疲劳寿命是在特定的周期载荷环境下发生损坏的时限。疲劳寿命消耗的评价是设备设计和计算的重要部分，但是还应该通过所谓的结构疲劳监视系统在设备的使用寿命期间对疲劳寿命消耗的评价进行控制。

已经构想了过多的监视系统来评价飞行器结构的疲劳寿命消耗。它们已经被传统地用于军用航空，并且最近时期用于民用航空的某些应用。存在该种系统的两个主要优点：通过在整个工作寿命期间使飞行器使用和维护任务最优化，确保飞行器的安全操作以及降低所有者的成本。

大多数疲劳监视系统包括某些特性，这些特性使得根据下列三个主要特征可以将它们归类为多组：系统哲学、技术基础和应用的理念。

系统哲学定义了系统的范围。根据疲劳监视系统的哲学可以将它们分为两组：损伤检测和损伤预测。损伤检测组中的系统的目标是对最终损伤（来自结构疲劳或来自如腐蚀、以外等任何其它源）的位置和严重性进行定位和测量。另一方面，属于损伤预测类的系统对考虑了特定的飞行器使用并且根据预定设置而选择出的可能的损伤的位置和/或严重性进行估计。

技术基础确定为了检测或预报损伤系统将要使用哪种变量。可以识别两种主要的组：直接技术和参数化技术。直接系统直接在结构中测量可以在没有外部模型的帮助的情况下使用的某些物理变量。因为该系统从一套特定数据中获得全局消耗，因此这是感应技术。例如，该系统可以包括多个应变传感器以测量结构的某些位置处的应变，并使用该信息来执行疲劳和损伤容限计算。参数化系统使用飞行器的全局操作参数以馈送给特定模形并且获得必需的数据。因为其基于总的测量值来获得关于结构的特定消耗，因此这是演绎技术。例如，可以使用飞行周期和飞行小时来控制飞行器使用并根据一套飞行器出动概况代码（aircraft sortie profile code）来应用维护程序。

两种技术都具有优点和缺点。由于用于定位（损伤检测系统）或裂缝开始和裂缝生长计算（损伤预测系统）的变量是直接从结构中测量来的，因此直接系统是准确并精确的，但是传感器的安装和维护费用通常很高。另一方面，由于需要使用外部模型来获得有用的数据（实际上，现在，获得可靠的参数化系统的主要的挑战是研发用于处理信息的精确模型的复杂性），因此参数化系统通常是比较不准确和不精确的，但是因为在很多情况下数据来自于已经安装在飞行器中的其它系统，因此它们比直接系统花费更少。

在历史上，由于参数化系统的简单性，因此参数化系统比直接系统更早地被研发出来（例如，垂直载荷因数超标计算器（vertical load factorexceedances counter））。一旦技术发展，不断增加的、精密的记录仪开始被安装在舱上（例如，应变数据记录仪），并且直接系统开始被使用，从而在多年中是优选的理念。在最近20年期间，由于处理参数化数据的模型以及计算性能的改善，致使参数化系统再次被使用。

最终，根据被监视的飞行器的数量和它们被跟踪的时间段，存在三种应用理念：

–个体飞行器跟踪（IAT），其中，在飞行器的整个工作寿命期间，监视飞行器队伍中的每一个飞行器；

暂时性飞行器跟踪（TAT），其中，在有限的时间段期间，监视有限数量的飞行器；

挑选飞行器跟踪（SAT），其中，在飞行器的整个工作寿命期间，监视飞行器队伍中的某些飞行器。

本发明提出一种预测参数化方法和系统，该方法和系统允许个体飞行器跟踪、将预测直接系统的精确和准确性以及先前的预测参数化系统的低成本相结合。本发明不仅可应用于飞行器，而且可应用于任何设备结构（例如，风力涡轮机、船、建筑、桥或塔），其中，全局参数化数据可以与结构的一个或多个位置处的应变等级相关联。

发明内容

通过根据权利要求1的方法和根据权利要求14的系统解决前述缺陷。从属权利要求限定本发明的优选实施例。

一种监视结构的方法，包括下列步骤：

a）获取数据，所述数据包括多个操作参数x_i(t_j)和至少一个应变数据y(t_j)，所述操作参数x_i和所述应变数据y是在时间序列基础上(t₁,t₂,…,t_m)使用相同或不同的采样率同步获取的；

b）从在步骤a）中获取的数据建立重要点数据集；以及

c）使用所建立的重要点数据集对所述操作参数x_i(t_j)和所述应变数据y(t_j)之间的关系进行建模，以训练非自适应预测函数监督近似方法，

其中，建立重要点数据集的步骤包括：

（b1）对于每个时间样本t_j,j=1,…,m，确定数据矢量

的数据模数

，所述数据矢量

被定义为：

$\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)=(x_1\left(t_j\right),x_2\left(t_j\right),...,x_n\left(t_j\right);y\left(t_j\right)),$

数据模数

被计算为：

$\left|\right|\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)\left|\right|=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i{\left(t_j\right)}^2+\tilde{y}{\left(t_j\right)}^2}$

其中

${\tilde{x}}_i\left(t_j\right)=2\·\frac{x_i\left(t_j\right)-x_t^{\min }}{x_i^{\max }-x_i^{\min }}-1,\mathrm{for\; i}=1,...,n;$

$\tilde{y}\left(t_j\right)=2\·\frac{y\left(t_j\right)-y^{\min }}{y^{\max }-y^{\min }}-1$

并且

y^min，y^max分别是在时间序列(t₁,t₂,…,t_m)中x_i的最小值和最大值以及y的最小值和最大值；

（b2）根据数据矢量

,j=1,…,m的模数值，将数据矢量

,j=1,…,m分类为N_R组，每个组包括具有在预定范围内的模数值的数据；

（b3）在每组内计算矢量对之间的角α，并且当第一矢量和第二矢量之间的角小于或等于预定角θ时，删除两个矢量之一。

可以从结构的一个或多个结构位置处获得应变数据y(t_j)。

在方法的优选实施例中，通过ANN（人工智能网络）来执行非自适应预测函数监督近似方法，但是例如空间状态模型、多项式或自回归模型等其它方法也可以使用。

在方法的实施例中，在步骤（b3）中，具有最大和最小应变值的数据矢量

被保留在每个组中。

在方法的实施例中，组点的最小数量与每个组相关联，以使得当在步骤（b3）之后在组中保留的重要点的数量小于所述最小数量时，将所述组拆分为两个相等大小的组并且对于每个子组重复步骤（b3），直到最小数量的重要点被保留在原始组中。

在方法的实施例中，在建立所述重要点数据集的步骤之前对所获取的数据（x_i,y）进行预处理，对所获取的数据进行预处理的步骤优选地包括从下列中选择出的至少一个：误差检测和校正算法的应用、标准化、过滤、重采样以及产生低频数据集。在优选实施例中，对所获取的数据（x_i,y）进行预处理的步骤包括产生低频数据集，并且从所述低频数据集建立所述重要点数据集。

方法可以包括使用所获取的、没有包括在所述重要点数据集中的数据，以及可选地使用从所述重要点数据集获取的点，对在操作参数x_i(t_j)和应变数据y(t_j)之间建模的关系进行验证的步骤。在实施例中，方法优选地包括向经过训练和验证后的建模关系进给原始的、未减少的、低频数据集，并将调整系数计算为在先前步骤中获得的模型输出和全部带宽应变之间的比率，在先前步骤中获得的模型输出即低频计算出的应变。

在实施例中，方法包括基于经过训练和验证后的模型、所获取的操作参数和计算出的调整系数，方法可以包括对所获取的参数进行预处理的附加步骤。

在实施例中，方法包括使用调整参数基于计算出的应变来校正疲劳寿命的步骤。

在实施例中，所获取的参数被预处理以产生原始带宽应变，所述方法进一步包括通过将基于全部带宽应变的疲劳寿命与基于计算出的应变的寿命相比较，校验在用连续系统性能。方法可以包括在校验在用连续系统性能产生坏的结果的情况下应用校正任务。校正任务可以包括更新建模关系和/或更新重要点数据集。

在实施例中，方法包括使用计算出的应变来计算结构的一系列位置的疲劳寿命消耗和损伤容限。

所获取的数据和/或计算出的输出可以保存在数据库中。

在优选实施例中，方法应用于至少一个飞行器结构，从N个数量的飞行器中获得操作参数x_i(t_j)，并且从M个数量的参考飞行器中获得应变数据y(t_j)，M小于或等于N。优选地，M基本上是N的10-20%。可以从每一个参考飞行器的一个结构位置处获得应变数据y(t_j)，但是优选地，从每个参考飞行器的多于一个的结构位置处获得应变数据y(t_j)。

在本发明的第二方面，本发明限定了一种用于监视结构的系统，包括：获取和记录装置以及处理部件，所述获取和记录装置适于从至少一个结构收集操作参数，至少一个物理应变传感器被安装在所述结构的所选位置处，所述处理部件适于执行根据本发明第一方面的方法中的步骤。

在优选实施例中，要监视的结构是至少一个飞行器。在该情况下，所述获取和记录装置优选地是与用于收集来自飞行器的飞行器操作参数和来自至少一个物理应变传感器（如果被安装在参考飞行器中）的应变信号的飞行器计算机和/或专用传感器连接的舱上装置。处理部件可以在地面处理设施中实现。

本发明的方法和系统可以被理解为由非自适应预测函数监督近似方法（例如ANN）构建的一套虚拟应变传感器，并且可以产生可用于对结构的一系列预定位置执行裂缝开始和裂缝生长估算的应力时间序列。更具体地，本发明指向一种可以获得一套虚拟应变传感器的方法和系统，该套虚拟应变传感器通过通常的操作数据来计算设备结构的所选点处的应变。本发明的方法和系统可以估计结构的某些预定位置处的裂缝开始的瞬间和随后的裂缝生长速率，从而考虑到实际操作来提供附加的组件来补充结构的维护程序。

除了互相排斥的特征和/或步骤的组合之外，在本说明书（包括权利要求、说明书和附图）中描述的所有特征和/或所描述的方法的所有步骤可以以任意组合方式进行组合。

附图说明

为了更好的理解本发明、其目的和优点，下列附图被附加到本说明书，其中，描述了下面的内容：

图1示出根据本发明的方法的数据冗余量消除步骤的优选实施例的流程图。

图2示出将高冗余数据集进行分类的处理。

图3示出通过类似的模数（modulus）将分类后的数据划分成组。

图4示出用于阐明要被建模的参数和结构应变之间的关系的单值自治功能（时间独立）的示例。

图5示出本发明的方法的优选实施例的流程图。

图6示出本发明的方法的实施例的流程图，该方法包括使用来自基于ANN的虚拟应变传感器的应力时间序列的疲劳寿命预测和裂缝生长计算。

图7（A和B）示出说明用于删除冗余数据的数据减少处理的两个图表示例。

图8示出包括在用连续系统自验证的方法的优选实施例的流程图。

具体实施方式

图1、5、6和8示出根据本发明优选实施例的用于监视结构的方法的流程图。

将描述应用于监视飞行器的方法，但是该方法可应用于例如桥、船等其它结构。根据要监视的结构，将使用不同的操作参数，即，已知对所述结构的应变具有影响的这些参数。

该方法以数据集为开始，该数据集包括来自一个飞行或同时记录的一组飞行的一组参数信号数据x_i和应变信号数据y（图1）。获取该数据集并将其下载到处理设备。在处理设备中，该数据集被预处理，预处理包括下列步骤：误差检测和校正、过滤和重采样，从而获得由具有相同的采样率和带宽的所有校正后的信号构成的所谓的低频数据集（图5、22）。

多次t₁,t₂,…,t_m获取的数据集可以被理解为下列多维数据集：

其中，通过函数关系将应变信号y和参数信号x_i相关联，参数信号x_i是下列函数关系中的自变量，应变信号y是下列函数关系中的因变量：

y(t_j)＝f(x₁(t_j),x₂(t_j),...,x_n(t_j))

本方法的目的是删除数据集冗余量（如果存在），以使用最小量的数据来将这些数据与模型进行拟合。因此，数据被当作要被进行比较的矢量 ${\stackrel{\‾}{\mathrm{\μ}}}_j=\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)$ 的记录。

预处理后的、具有参数x_i和应变信号y的数据集被进给到选择器（10），选择器（10）针对每个计算点t_j将与各个对应的应变信号y具有函数关系的参数信号x_i进行关联。对于每个计算点t_j，该数据被矢量化（11），矢量化的数据

被标准化，并且求出它们的模数（12）。

优选地，在预处理步骤的标准化中，x_i和y的最大和最小值被确定，以将物理参数范围转换为标准化的范围[-1,1]：

$\left[\begin{array}{cc}{x}_1^{\min }& x_1^{\max }\\ x_2^{\min }& x_2^{\max }\\ \·& \·\\ \·& \·\\ \·& \·\\ y^{\min }& y^{\max }\end{array}\right]$

${\tilde{x}}_i^j={\tilde{x}}_i\left(t_j\right)=2\·\frac{x_i\left(t_j\right)-x_i^{\min }}{x_i^{\max }-x_i^{\min }}-1;i=1,...,n,j=1,..,m;$

${\tilde{y}}^j=\tilde{y}\left(t_j\right)=2\·\frac{y\left(t_j\right)-y^{\min }}{y^{\max }-y^{\min }}-1;j=1,..,m;$

模数 $\left|\right|{\stackrel{\‾}{\mathrm{\μ}}}_j\left|\right|=\left|\right|\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)\left|\right|$ 被确定为：

$\left|\right|{\stackrel{\‾}{\mathrm{\μ}}}_j\left|\right|=\left|\right|\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)\left|\right|=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i{\left(t_j\right)}^2+\tilde{y}{\left(t_j\right)}^2}$

在随后的步骤中，根据从最小值到最大值的矢量化数据的模数值，矢量化数据

被分类（13）为

。通过模数整理时的高冗余数据集的统计学分布通常由如图2所示的分布来代表。在该分布中可以分为三个区域：

（1）高模数并且高变动的第一区域，

（2）中模数并且低变动的第二区域，

（3）高模数并且高变动的第三区域。

为了通过忽视冗余数据而降低数据的数量，使用下列两个预定参数来估计出（14）冗余量：用于角度比较的两个数据矢量（θ）之间的相关多维距离，以及用于模数比较的计算组（N_R）的数量。

然后将N_R组中的具有类似的模数值的数据进行划分可以被视为用于比较数据矢量的第一过滤（图3），在组中包括的所有数据矢量具有在所建立的范围内的模数。落入每个组的矢量的数量依赖于统计学分布的区域：由于高模数变动，因此在图2的第一和第三区域中，在每个组中具有很少的矢量，然而由于在第二区域中的低模数变动，因此在第二区域中具有很多矢量。

对于每个组，计算矢量之间的角以删除具有类似模数和小角度的矢量。在组内，考虑两个矢量

${\stackrel{\‾}{\widetilde{\mathrm{\μ}}}}^1=\left[\begin{array}{c}{\tilde{x}}_1^1\\ {\tilde{x}}_2^1\\ \·\\ \·\\ \·\\ {\tilde{y}}^1\end{array}\right],$ ${\stackrel{\‾}{\widetilde{\mathrm{\μ}}}}^2=\left[\begin{array}{c}{\tilde{x}}_1^2\\ {\tilde{x}}_2^2\\ \·\\ \·\\ \·\\ {\tilde{y}}^2\end{array}\right]$

并且，确定它们之间的角α_1→2：

$\frac{{\stackrel{\‾}{\widetilde{\mathrm{\μ}}}}^2\·{\stackrel{\‾}{\widetilde{\mathrm{\μ}}}}^1}{\left|\right|{\widetilde{\mathrm{\μ}}}^1\left|\right|\·\left|\right|{\widetilde{\mathrm{\μ}}}^2\left|\right|}=\cos \left({\mathrm{\α}}_{1\→2}\right)$

如果

则由于两个矢量都具有类似的模数（因为它们被包括在相同的模数组中）并且它们限定了小的角（即，小于预定角θ），因此可以删除两个矢量中的一个。

如果对每个组内的每一对矢量执行了该操作，则仅仅每个组的重要点将被保留，所有的冗余数据被删除。根据预定参数（θ,N_R），冗余量估计的结果是数据集M中的重要点的位置的集合。通过该信息，记录的并且预处理后的数据集M然后可以被划分为由重要点构成的训练数据集（16），以及包括冗余信息的验证数据集（17）。

图7示出重要点数据集的构建的两个示例。在图7A中，示出包括具有高的点密度的区域的二维数据集。在该示例中，变量x₁、x₂可以是两个飞行参数，分别是马赫数和垂直载荷因数。以某个精度圆圈Δ标出具有高的点密度的区域的重力（G）的中心，从而可以认为位于重力（G）的中心的重要点以由所绘制的圆圈表示的某种精度代表圆圈中的每一个点Z。该精度对于考虑下列内容是合适的：如果模型适于重要点G，则其将以确定的精度对圆圈内的点进行插值，从而其代表具有重要点X₁的圆圈区域并且删除圆圈内的其余点。圆圈区域内的例如X₂等点被保留。因此，重要点X₁按照分布根据其代表的点获得统计学意义。

图7B示出按照风向玫瑰图对前一示例的多维解释，其中，每个路线代表变量，例如，马赫数、高度、垂直载荷因数、引擎推力、副翼位置、升降舵位置、总重量以及重力中心。在该多维表示中，每个点X由多边形代表，并且重要点G周围的多边形冠（polygon crown）Δ₁-Δ₂对应于先前的二维表示的圆圈。因此，在该冠中包括的每个多边形X由其重要点G代表，这获得了多维分布的统计学意义。

可以通过舱上记录仪来执行参数数据x_i的获取，舱上记录仪从其它飞行器计算机和/或通过专用传感器来获取合适的飞行参数。传感器和记录仪之间的连接可以通过例如ARINC429、MIL1553B、RS232等数字传输协议和标准化数据总线来执行，从而记录仪将优选地具有用于所有这些数据格式的相应的获取接口。参数数据必须被同时记录。可以例如从飞行器现有计算机、引擎控制单元、起落架刹车和转向、飞行控制、空气数据、惯性数据、重量和平衡或中央管理等中提取参数数据。参数数据的示例可以是速度、高度、垂直载荷因数、马赫数等。

另外，通过安装在飞行器队伍的子设备（优选地，飞行器队伍中的各个不同结构配置中的代表性飞行器）中的至少一个物理应变传感器来获取应变数据y。应变传感器类似地连接到记录仪，从而使其具有所使用的特定应变传感器的所有必需的获取元件，或数字地从其它装置取得数据，从而使记录仪与该中间项的数据的传输协议兼容并且维持与飞行器参数的同步。

本方法的主要目的是建立在结构的一个或多于一个的点上测量的应变y（因变量）和操作参数x_i（自变量，例如速度、高度、垂直载荷因数等）之间的函数关系。如果满足某些条件，则该函数关系可以通过例如ANN等非自适应预测函数监督近似方法（non-adaptive predictionfunctional supervised approximation method）来建模。虽然将参考ANN，但是能够理解，可以使用任意其它非自适应预测函数监督近似方法。

首先，函数关系必须被唯一的估计，即，对于操作参数的每个组合必须存在一个并且仅仅一个应变值。图4通过示例对其进行了解释。假设希望通过仅使用一个操作参数x₁（例如，马赫数（图4（a）））对在飞行期间结构的某些位置上的应变进行近似。在该示例中，由于对于每一个马赫数，可以找到多达三个应变值，因此在马赫数

之间，函数关系没有被唯一估计。从而，在该情况下，在该区间中不存在唯一的函数关系。然而，如果在关于应变的操作范围中没有被多次估计的第二参数x₂被增加到该函数关系（例如，高度（图4（b）），则高度-马赫和应变之间的全局关系变为唯一估计（图4（c））。因此，对函数关系引入足够的变量使得能够在参数的操作范围内（图4（c）中的点A到D）与人工神经网络近似。

另外，函数关系必须是自治的、时间独立的。所有的应变值必须依赖于操作参数而从不依赖于时间样本。

最后，用于拟合模型的参数和应变、数据的带宽和采样率必须是相同的。

为了达到这三个条件，结构的每个应变测量点必须具有比其它参数对函数关系具有更多的影响的一组基本参数。可以通过结构区域对该参数影响进行分组。作为示例，飞行器的翼根中的最重要的参数之一是在重力的中心处测量到的垂直载荷因数，而在机身的某些部分中，主要负载是由座舱微分应力造成的，从而在确定这些结构元件中的应变时这些参数是参考值。

因此，参数数据和应变之间的关系通过使用人工神经网络来建模，并且通过使用重要点数据集来训练。

图5示出用于拟合模型的处理。该处理的开始点通过舱上记录仪对具有所安装的应变仪的那些飞行器进行数据获取，从而产生具有操作参数x_i和应变仪信号y的数据集。然后，从数据集中提取对于每个应变测量点相关的操作参数x_i（随同应变y本身一起）（20），并且建立子集{x_i，y}。子集{x_i，y}被预处理（21），优选地，预处理包括以下处理：例如误差检测和校正、信号同步（即，消除延迟）、信号过滤以匹配不同的带宽并将高频（27）和低频（22）数据集进行分开、以及信号重采样以匹配不同的采样率。低频数据集（22）包括具有相同带宽和采样率的参数x_i和应变y，并且将用于人工神经网络拟合（25），而高频数据集（27）包括全部带宽应变数据，并将用于计算调整系数（28）。

然后，低频数据集被引入数据减少算法流程图（22）的流程，该流程获得训练数据集（23）、用于拟合人工神经网络的低频数据集的重要点和验证数据集（24）、低频数据集的冗余信息。通常，重要点和非重要点之间的比率可以是100比1，这使得可以接近人工神经网络的训练。训练数据集（23）用于训练人工神经网络模型（25）。以冗余数据集（24）馈送训练后的人工神经网络（25），可以验证模型（26）。如果验证误差类似于训练误差，则处理可以继续并且调整系数可以被计算出来（28），否则，训练数据和/或模型必须被修改。通过训练并且验证后的人工神经网络模型和全部带宽训练数据集（27），可以获得调整系数（AF）（28）。获得调整系数（AF）的方法包括对由全部带宽应变时间序列计算出的疲劳寿命和由来自人工神经网络模型的模拟应变时间序列计算出的疲劳寿命之间的比率进行估计。因此，调整系数（AF）代表人工神经网络模型输出（低频计算出的应变）和关于疲劳损伤的全部带宽应变之间的比率。并且其将应用于虚拟传感器输出疲劳计算以补偿高频和模型性能影响。最后，将调整系数包括在人工神经网络模型（29）中以完成处理。然后，人工神经网络和AF的最终的集合准备好在随后的损伤计算的步骤中实施。

图6描述了本发明的方法的优选实施例的操作，包括计算特定位置处的疲劳损伤增加量的步骤。从记录仪下载包括参数数据x_i的数据（20）并对其进行预处理（21）（包括误差检测和校正、同步、过滤和重采样）。向包括合适的调整系数（后面将应用）的、训练并验证后的人工神经网络模型（29）馈送预处理后的数据以获得计算出的应变值时间历史（30）。通过计算出的应力时间历史（31），在所选择的位置或其附近执行疲劳和裂缝生长分析（32），并且将用于该位置的调整系数应用于估计实际疲劳寿命消耗和/或裂缝生长。该处理可以被应用于飞行器队伍中的每个飞行器的全部所选择的应力位置。

图8示出本发明的方法的实施例，该方法包括基于人工神经网络的模型的连续执行（也称为连续自验证），其可应用于已经安装了物理应变传感器的飞行器队伍中的飞行器。

左手侧流程图（灰色）（系统的在用工作流）实际上与图6中的相同。左手侧的流程图（以黑色描绘）包括系统自验证。所获取的包括参数数据xi和应变数据y的数据（20）被下载以提取应变传感器信号y，其经过预处理（21）（预处理包括误差检测和校正以及过滤）。预处理后的输出是全部带宽应变数据（27），其用于获得实际应力时间历史（40）。将由应变测量而获得的实际应变时间序列（40）与通过人工神经网络计算后的并通过调整系数校正后的所计算出的应变时间序列（31）相比较（41）（可以在时间序列、来自雨流分析的应力谱、疲劳寿命等方面进行该比较）。校验比较（41）的结果以确定其是否在预定裕量内。如果比较（41）的结果落在预定裕量内，则认为基于人工神经网络的模型是有效的（43）。否则，必须在模型计算过程之后更新（42）基于人工神经网络的模型。

Claims (15)

1.一种监视结构的方法，包括下列步骤：

a）获取数据，所述数据包括多个操作参数x_i(t_j)和至少一个应变数据y(t_j)，所述操作参数x_i和所述应变数据y是在时间序列基础上(t₁,t₂,…,t_m)使用相同或不同的采样率同步获取的；

b）从在步骤a）中获取的数据建立重要点数据集；以及

c）使用所建立的重要点数据集对所述操作参数x_i(t_j)和所述应变数据y(t_j)之间的关系进行建模，以训练非自适应预测函数监督近似方法，

其中，建立重要点数据集的步骤包括：

（b1）对于每个时间样本t_j,j=1,…,m，确定数据矢量

的数据模数

所述数据矢量被定义为：

$\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)=(x_1\left(t_j\right),x_2\left(t_j\right),...,x_n\left(t_j\right);y\left(t_j\right)),$

数据模数

被计算为：

$\left|\right|\stackrel{\‾}{\mathrm{\μ}}\left(t_j\right)\left|\right|=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{x}}_i{\left(t_j\right)}^2+\tilde{y}{\left(t_j\right)}^2}$

其中

${\tilde{x}}_i\left(t_j\right)=2\·\frac{x_i\left(t_j\right)-x_t^{\min }}{x_i^{\max }-x_i^{\min }}-1,\mathrm{for\; i}=1,...,n;$

$\tilde{y}\left(t_j\right)=2\·\frac{y\left(t_j\right)-y^{\min }}{y^{\max }-y^{\min }}-1$

并且y^min,y^max分别是在时间序列(t₁,t₂,…,t_m)中x_i的最小值和最大值以及y的最小值和最大值；

（b2）根据数据矢量

,j=1,…,m的模数值，将数据矢量

j=1,…,m分类为N_R组，每个组包括具有在预定范围内的模数值的数据；

（b3）在每组内计算矢量对之间的角α，并且当第一矢量和第二矢量之间的角小于或等于预定角θ时，删除这两个矢量之一。

2.根据权利要求1所述的方法，其中在步骤（b3）中，具有最大和最小应变值的数据矢量

被保留在每个组中。

3.根据权利要求1或2所述的方法，其中，组点的最小数量与每个组相关联，以使得当在步骤（b3）之后在组中保留的重要点的数量小于所述最小数量时，将所述组拆分为两个相等大小的组并且重复步骤（b3），直到最小数量的重要点被保留在原始组中。

4.根据前述权利要求中的任一权利要求所述的方法，包括在建立所述重要点数据集的步骤之前对所获取的数据（x_i,y）进行预处理的步骤，对所获取的数据进行预处理的步骤优选地包括从下列中选择出的至少一个：误差检测和校正算法的应用、标准化、过滤、重采样以及产生低频数据集。

5.根据权利要求4所述的方法，其中，对所获取的数据（x_i,y）进行预处理的步骤包括产生低频数据集，并且从所述低频数据集建立所述重要点数据集。

6.根据前述权利要求中的任一权利要求所述的方法，包括：使用所获取的、没有包括在所述重要点数据集中的数据，以及可选地使用从所述重要点数据集获取的点，对在操作参数x_i(t_j)和应变数据y(t_j)之间建模的关系进行验证的步骤。

7.根据从属于权利要求5时的权利要求6所述的方法，包括：

向经过训练和验证后的建模关系进给原始的、未减少的、低频数据集，并将调整系数计算为在先前步骤中获得的模型输出和全部带宽应变之间的比率，在先前步骤中获得的模型输出即低频计算出的应变。

8.根据权利要求7所述的方法，包括基于经过训练和验证后的模型、所获取的操作参数和计算出的调整系数，计算至少一个结构的应变历史的步骤，所获取的参数可选地被预处理。

9.根据权利要求8所述的方法，包括使用所述调整参数来计算校正后的应变的步骤。

10.根据权利要求9所述的方法，其中，所获取的参数被预处理，所述预处理的步骤包括产生原始带宽应变，所述方法进一步包括通过将所述全部带宽应变与计算出的应变相比较，校验在用连续系统性能。

11.根据权利要求9所述的方法，包括使用计算出的应变来计算至少一个结构的疲劳寿命和损伤容限消耗。

12.根据前述权利要求中的任一权利要求所述的方法，其中，通过ANN来执行所述非自适应预测函数监督近似方法。

13.根据应用于飞行器结构的前述权利要求中的任一权利要求所述的方法，其中，从N个数量的飞行器中获得操作参数x_i(t_j)，并且从M个数量的参考飞行器中获得应变数据y(t_j)，M小于或等于N，优选地，M基本上是N的10-20%。

14.一种用于监视结构的系统，包括：

获取和记录装置，适于从至少一个结构收集操作参数，至少一个物理应变传感器被安装在所述结构的所选位置处；以及

处理部件，适于执行根据权利要求1-13中的任一权利要求所述的方法中的步骤。

15.根据权利要求14所述的用于监视结构的系统，其中，所述结构是飞行器，所述获取和记录装置适于从飞行器收集飞行器操作参数，所述至少一个物理应变传感器被安装在飞行器结构的所选位置处。

Images