CN104773304A - 空气动力学结构的负荷估计系统 - Google Patents
空气动力学结构的负荷估计系统 Download PDFInfo
- Publication number
- CN104773304A CN104773304A CN201410709723.9A CN201410709723A CN104773304A CN 104773304 A CN104773304 A CN 104773304A CN 201410709723 A CN201410709723 A CN 201410709723A CN 104773304 A CN104773304 A CN 104773304A
- Authority
- CN
- China
- Prior art keywords
- information
- aircraft
- wing
- load
- loads
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- 239000003381 stabilizer Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000003909 pattern recognition Methods 0.000 description 9
- 238000013475 authorization Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- IWEDIXLBFLAXBO-UHFFFAOYSA-N dicamba Chemical compound COC1=C(Cl)C=CC(Cl)=C1C(O)=O IWEDIXLBFLAXBO-UHFFFAOYSA-N 0.000 description 1
- 238000001152 differential interference contrast microscopy Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0016—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of aircraft wings or blades
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及用于空气动力学结构的负荷估计系统。一种识别风引起的负荷的方法和装置。接收飞行器运转期间由飞行器内的信息记录器记录的一组飞行器参数的信息。使用该组飞行器参数的信息估计飞行器的空气动力学结构上的若干负荷。
Description
技术领域
本发明总体涉及飞行器,并且具体地,涉及管理飞行器。更具体地,本发明涉及用于飞行器内空气动力学结构的负荷估计系统的方法和装置。
背景技术
在飞行器运转期间,飞行器遭遇许多不同负荷。例如,负荷会在飞行器起飞、飞行、着陆和飞行的其他阶段期间施加在飞行器的不同部分。识别这些负荷有助于运转在期望性能和安全水平上的飞行器的设计、检查和维修。
例如,在飞行期间飞行器可能遭遇风引起的负荷。这些负荷将影响飞行器的不同部分。例如,风引起的负荷可能位于机翼、机翼结构、外壳、机身或者飞行器的一些其他部分。
在不同高度飞行器遭遇的风是不同的。因此,不同高度处的风可能在飞行器上产生不同水平的力。
经常地,飞行器在飞行期间可能遭遇阵风。阵风是随机发生的一阵风。这种风会具有超过一些间隔期间测量的最低风速一些量的风速。换句话说,在一天中阵风可能是具有比指定条件下具体位置的测量风速高的速度的一阵风。
飞行器遭遇的风也可能是微爆流的形式。微爆流是可以生成扩散、直线风的局部性下沉空气柱。作为另一个例子,风可能是风切变的形式。风切变可能具有施加负荷在飞行器上的垂直和水平分量。
这些和其他形式的风产生的负荷可能引起飞机疲劳并导致影响飞行器性能的飞行器内的非一致性。这些负荷引起的疲劳可能在飞行器寿命期间飞行器的多个运转实例中发生。
可以通过识别飞行器剩下的疲劳寿命来确定是否应当在飞行器上执行维修。在此说明性例子中,飞行器的疲劳寿命是,在不期望的结果发生之前,飞行器经历的具体特征的应力循环次数。疲劳直接和飞行器运转期间发生的负荷相关。由于阵风的随机性质,根据阵风进行疲劳识别比期望的更困难。
因此,期望拥有一种考虑到至少一项上述问题和可能其他问题的方法和装置。
发明内容
在一个说明性实施例中,一种负荷估计系统包含风负荷分析器。风负荷分析器被配置为接收飞行器运转期间由信息记录器记录的一组飞行器参数的第一信息。风负荷分析器被进一步配置为根据第一信息识别与机翼上的若干负荷有关的第二信息。风负荷分析器更进一步被配置为使用第二信息估计飞行器的机翼上的若干负荷。
在另一个说明性实施例中,一种装置包含风负荷分析器。风负荷分析器被配置为接收飞行器运转期间由飞行器中的信息记录器记录的一组飞行器参数的信息。风负荷分析器进一步被配置为使用该组飞行器参数的信息估计飞行器的空气动力学结构上的若干负荷。
在又一个说明性实施例中,提供了一种识别风引起的负荷的方法。飞行器运转期间在飞行器内接收信息记录器记录的一组飞行器参数的信息。使用该组飞行器参数的信息估计飞行器的空气动力学结构上的若干负荷。
本发明能够包括一种负荷估计系统,该系统可以包括风负荷分析器,所述风负荷分析器被配置为接收飞行器运转期间由信息记录器记录的一组飞行器参数的第一信息,根据第一信息识别与机翼上的若干负荷有关的第二信息,以及使用第二信息估计飞行器的机翼上的若干负荷。所述负荷估计系统可以包括动作识别器,该动作识别器被配置为根据风负荷分析器估计的机翼的若干负荷识别飞行器的维修。风负荷分析器可以包括神经网络,该神经网络被配置为接收第一信息并使用第一信息识别第二信息。风负荷分析器也可以包括估计器,该估计器被配置为使用第二信息估计飞行器的机翼上的若干负荷。可以使用信息记录器记录的第一信息和用于飞行器的机翼的传感器生成的训练信息训练神经网络。训练信息可以在飞行器测试期间生成。第二信息选自切变、弯矩或扭矩中的至少一个。第二信息可能是针对飞行器的机翼内的一组节段。该组飞行器参数可以选自毛重、飞机垂直加速度、飞机横向加速度、滚转角、滚转率、空气速度、马赫数、高度、襟翼角、攻角或侧滑角中的至少一个。信息记录器可以选自飞行记录器或飞行管理计算机中的至少一个。
本发明能够包括一种装置,该装置可以包括风负荷分析器,所述风负荷分析器被配置为接收飞行器运转期间由飞行器内的信息记录器记录的一组飞行器参数的信息,以及使用该组飞行器参数的信息估计飞行器的空气动力学结构上的若干负荷。所述信息可以是第一信息,并且所述风负荷分析器被配置为使用该组飞行器参数的第一信息估计飞行器的空气动力学结构上的若干负荷时,风负荷分析器被配置为根据第一信息识别与空气动力学结构上的若干负荷有关的第二信息并使用第二信息估计飞行器的空气动力学结构上的若干负荷。所述装置还可以包括动作识别器,该动作识别器被配置为根据风负荷分析器估计的空气动力学结构的若干负荷识别所述飞行器的维护。风负荷分析器可以包括神经网络,其被配置为接收第一信息并使用第一信息识别第二信息。风负荷分析器可能进一步包括估计器,该估计器被配置为使用第二信息估计飞行器的空气动力学结构上的若干负荷。所述空气动力学结构可以选自机翼、水平稳定器、垂直稳定器、控制面、方向舵和襟翼中的一个。
本发明能够包括用于识别风引起的负荷的方法,该方法可以包括接收飞行器运转期间由飞行器内的信息记录器记录的一组飞行器参数的信息;以及使用该组飞行器参数的信息估计飞行器的空气动力学结构上的若干负荷。所述信息可以是第一信息并且其中估计步骤可以包括根据第一信息识别与机翼上的若干负荷有关的第二信息;以及使用第二信息估计飞行器的空气动力学结构上的若干负荷,其中所述估计由神经网络执行。所述方法还可以包括根据估计的机翼的若干负荷识别飞行器的动作。所述空气动力学结构可以选自机翼、水平稳定器、垂直稳定器、控制面、方向舵和襟翼中的一个。
上述特征、功能和优点能够在本发明的各种实施例中独立实现,或在其他实施例中组合,其进一步细节能够参考下面的描述和附图看出。
附图说明
所附权利要求书中阐述了说明性实施例中被认为具有新颖性的特征。然而,当结合附图阅读时,通过参考本公开的下列说明性实施例的详细描述,将最好地理解说明性实施例和优选使用模式、进一步目的及其优点,其中:
图1是根据一个说明性实施例的飞行器的示意图;
图2示出根据一个说明性实施例的负荷环境的框图;
图3示出根据一个说明性实施例的神经网络的框图;
图4示出根据一个说明性实施例的识别风引起的负荷的过程的流程图;
图5示出根据一个说明性实施例的训练神经网络的过程的流程图;
图6示出根据一个说明性实施例的数据处理系统的框图;
图7示出飞行器制造和使用方法的框图;以及
图8示出在其中一个说明性实施例可以实施的飞行器的框图。
具体实施方式
说明性实施例认识和考虑到一个或更多个不同的方面。例如,说明性实施例认识和考虑到,识别可能位于飞行器机翼上的负荷在确定飞行器何时需要维修时会是有用的。
说明性实施例认识和考虑到,其中一种识别有关负荷的信息的方式是通过在机翼放置传感器来识别可能施加到飞行器的机翼的负荷。然而,说明性实施例认识和考虑到,传感器的使用增加了制造飞行器的成本。
此外,传感器、导线和其他与传感器相关的结构可能增加飞行器的重量,使其超过期望。在飞行器已经使用后增加传感器可能需要更多花费和时间来升级或翻新飞行器。
进一步地,说明性实施例认识和考虑到,使用传感器检测飞行器的机翼上的负荷也可能增加将飞行器维持在期望精度水平上所需的维护时间。例如,可能需要针对传感器收集的数据进行更多的测试来达到期望精度水平。此外,对于飞行员或飞行器而言,可能不期望在各种阵风条件下飞行。
说明性实施例也认识和考虑到,另一种确定飞行期间施加在飞行器上的负荷的方法可以包括建立在飞行器遇到的状况下的飞行器模型。这些状况可以基于天气信息和飞行器飞行在不同位置所处的高度确定。
然而,说明性实施例认识和考虑到,这些模型是统计模型并指示飞行器可能已经遇到风的可能性,并非指示飞行器飞行期间实际上是否遇到风。借助这种类型的方法,会发生比期望更多的维护。由于不能识别飞行器是否实际遇到会在飞行器的机翼上生成负荷的风,因此增加了维护。
因此,说明性实施例提供一种识别风引起的负荷的方法和装置。在其中一个说明性例子中,接收飞行器运转期间由飞行器内的信息记录器记录的一组飞行器参数的信息。使用所述飞行器参数的信息预测飞行器的空气动力学结构上的负荷。
现在参考图,具体地,参考图1,示出根据一个说明性实施例的飞行器的示意图。在该说明性例子中,计算机100被配置为估计飞行器104上由风102引起的若干负荷。在此说明性例子中,“若干”,当参考项目使用时,表示一个或更多个项目。例如,若干负荷是一个或更多负荷。
如图所示,飞行器104具有附连到本体110的机翼106和机翼108。飞行器104包括附连到机翼106的发动机112和附连到机翼108的发动机114。
本体110具有机头部分116和机尾部分118。水平稳定器120、水平稳定器122和垂直稳定器124附连到本体110的机尾部分118。根据一个说明性实施例,飞行器104是负荷估计系统可以在其中实施以识别可能发生在机翼106和机翼108上的若干负荷的飞行器的一个例子。
机翼108上的若干负荷可以包括切变负荷128。切变负荷128是可以施加在轴线130的方向上的负荷。切变负荷128是机翼108的横截面处的总垂直力。
响应于风102,机翼108上会发生其他类型的负荷和更复杂的负荷。例如,机翼108上的风102可能引起机翼108沿着机翼108的翼展进行弯曲运动。这种弯曲会引起机翼108的翼尖132在箭头134方向上移动。
在其中一个例子中,弯曲运动可以被称为弯矩。弯矩是处于张力下的机翼108的上蒙皮107和处于压缩中的机翼108的下蒙皮109的组合效应。换句话说,风102在机翼108的下蒙皮109上引起压缩的同时,风102在机翼108的上蒙皮107上引起张力。结果是机翼108的翼尖132在箭头134方向上弯曲运动。
在另一个说明性例子中,风102会引起机翼108的扭转运动。在此示出的例子中,扭转运动是机翼绕轴线136在箭头137方向上扭转。扭转运动可以是由组合作用在机翼108横截面处的所有扭转力引起的。
这种类型的扭转运动会在机翼108内引起扭矩。扭转运动在机翼108上造成若干负荷。机翼108的这些类型的运动会引起切变负荷128之外的其他类型的负荷或代替所述切变负荷128的其他类型负荷。
在说明性例子中,飞行器104运转期间飞行器104内的飞行记录器126记录一组参数的信息。在说明性例子中,飞行记录器126可以是黑盒。
通常情况下,当发生不希望的飞行器104运转时,可以访问来自飞行记录器126的信息。不希望的飞行器104的运转包括,飞行期间意外遇到地面、滑行时遇到建筑物或飞行器104的飞行阶段期间的其他结构。
在说明性例子中,出于其他目的,例如,识别机翼106和机翼108上的负荷,可以访问来自飞行记录器126的信息。如图所示,在飞行器104飞行之后可以将信息发送到计算机100。当飞行器104处于飞行之间的关口或处于其他时间时,在日常维护期间,可以从飞行器记录器126获取信息。
如图所示,飞行记录器126并非被配置为记录直接描述会施加到机翼106和机翼108的负荷的信息。换句话说,信息不是从与机翼106和机翼108关联的传感器(例如应变器、加速器,或其他用于测量负荷的传感器)接收。
在说明性例子中,飞行记录器126记录的信息被发送到计算机100用于分析,以识别可能由风102引起的飞行器104上的若干负荷。如图所示,计算机100可以执行模式识别或其他分析,以识别飞行记录器126记录的信息与发生在机翼106和机翼108上的负荷的相关性。
计算机100被配置为使用来自飞行记录器126的信息识别机翼106和机翼108上的负荷。机翼106和机翼108上的负荷可以是切变负荷128或由风102引起的其他负荷中的至少一个。
计算机100执行的负荷识别是一种对风102引起的机翼106和机翼108上的负荷的估计。利用对发生的若干负荷的估计,可以识别飞行器104的维护或其他操作中的至少一个。
机翼106和机翼108上的负荷可以包括机翼106上的负荷和机翼108上的负荷。负荷可以是机翼106内的各个结构上以及机翼108内的各个结构上的若干负荷。换句话说,机翼106上的负荷可以由机翼106的不同部件上的若干不同负荷组成。类似的方式,机翼108上的负荷可以由机翼108的不同部件上的若干不同负荷组成。
在该说明性例子中,可以识别机翼106内的节段和机翼108内的节段的负荷。例如,可以识别机翼的节段138、节段140、节段142和节段144的负荷。也可以识别机翼108的节段146、节段148、节段150和节段152的负荷。如图所示,这些不同节段是机翼106和机翼108内的横截面。
图1的说明性例子并不意味着限制不同负荷估计系统可以被实施的方式。例如,虽然飞行器104被示为商用飞行器,其他说明性实施例可以应用于其他类型的飞行器。例如,计算机100可以用于估计军用飞行器的机翼上的负荷。
现在参考图2,根据说明性实施例示出负荷环境的示意性框图。在此说明性例子中,负荷环境200包括飞行器202。图1中的飞行器104是此图中以方块形式示出的飞行器202的物理实施的例子。风204会引起飞行器202上的若干负荷。
在此说明性例子中,风204会在空气动力学结构208上造成若干负荷206。如此具体例子所示出的,空气动力学结构208采用机翼的形式。
负荷估计系统212可以估计机翼210上的若干负荷206。负荷估计系统212可以以软件、硬件、固件或其组合实施。当使用软件时,负荷估计系统212执行的操作可以以程序代码实施,该软件代码被配置为在处理器单元上运行。硬件可以包括操作以执行负荷估计系统212中的操作的电路。
在此说明性例子中,硬件可以采用电路系统、集成电路、专用集成电路(ASIC)、可编程逻辑器件或某个其他被配置为执行若干操作的合适类型的硬件的形式。利用可编程逻辑器件,该器件可以被配置为执行若干操作。该器件可以在后续被重新配置或可以被永久配置以执行若干操作。可编程逻辑器件的例子包括,例如,可编程逻辑阵列、可编程阵列逻辑、现场可编程逻辑阵列、现场可编程门阵列和其他合适的硬件器件。此外,该过程可以在集成有无机元件的有机元件和/或全部由除人类之外的有机元件组成的有机元件中实施。例如,该过程可以被实施为有机半导体中的电路。
在此说明性例子中,负荷估计系统212可以在计算机系统214中实现。计算机系统214可以包括一个或更多个计算机。当超过一个计算机存在于计算机系统214中时,那些计算机可以通过通信介质如网络彼此通信。
如图所示,负荷估计系统212包括若干不同的元件。在此说明性例子中,负荷估计系统212包含风负荷分析器216和动作识别器218。
负荷估计系统212中的风负荷分析器216被配置为接收飞行器运转期间信息记录器224记录的一组飞行器参数222的信息220。图1中的飞行记录器126是信息记录器224的实施的一个例子。信息记录器224可以选自飞行记录器或飞行管理计算机中的至少一个。在一些例子中,信息记录器224可以选自发动机指示和乘务员警示系统、电子飞行包或某个其他合适设备中的一个。
在所述说明性例子中,飞行器参数组222是一个或更多个参数。这些参数由飞行器202内的信息记录器224记录。飞行器参数组222并不针对若干负荷206。换句话说,飞行器参数组222可以不包括直接用于计算若干负荷206的参数。此外,负荷估计系统212中的风负荷分析器216被配置为使用飞行器参数组222的信息220估计飞行器202的机翼210上的若干负荷206。
在此说明性例子中,信息220是第一信息226。在估计若干负荷206时,负荷估计系统212中的风负荷分析器216被配置为根据第一信息226识别与空气动力学结构208上若干负荷206有关的第二信息228并使用第二信息228估计飞行器202的机翼210上的若干负荷206。
说明性实施例认识到,第一信息226中的模式(pattern)229可以用于估计机翼210上的若干负荷206。具体地,飞行器参数组222的值的模式229可以用于估计机翼210上的若干负荷206。换句话说,这些值可以具有关于响应于风204发生的若干负荷206的模式229。例如,使用模式229可以将速度、高度、滚转角和第一信息226中的其他值与若干负荷206关联。
因此,这些和第一信息226中的飞行器参数组222中的其他参数的值可以具有在风204引起机翼210上的若干负荷206时存在的模式229。第一信息226中的模式229的存在可以允许若干负荷206的第二信息228的识别。
在所述说明性例子中,第二信息228可以是关于飞行器202的机翼210中的节段组230。节段组230可以是机翼210的横截面。以这种方式,可以针对机翼210中的节段组230中的每个识别若干负荷206。
在这个说明性例子中,风负荷分析器216包括若干不同元件。如图所示,风负荷分析器216包括神经网络232和估计器234。
如图所示,神经网络232是人工神经网络。神经网络232是被配置为执行模式识别或机器学习中的至少一个的神经元或节点网络。如本文所用的,短语“至少一个”,当与项目列表连用时,是指可以使用一个或更多个所列项目的不同组合,并且可以仅需要列表中的每个项目仅其中一个。例如,“A项、B项和C项中的至少一个”可以包括,但不限于,A项、A项和B项或B项。这个例子也可以包括,A项、B项和C项,或B项和C项。当然,可以存在这些项目的任意组合。在其他例子中,“至少一个”可以是,例如,但不限于,两个A项、一个B项和10个C项;4个B项和7个C项;以及其它合适的组合。项目可以是具体物体、事物或类别。换句话说,至少一个是指可以使用项目的任何组合以及若干项目但不是列表中的所有项目都需要。
神经网络232被配置为接收第一信息226并使用第一信息226识别第二信息228。具体地,神经网络232可以使用模式识别236以根据第一信息226中的模式229识别第二信息228。
在所述说明性例子中,神经网络232可以被训练以使用训练信息238和验证信息239执行模式识别236。在此说明性例子中,训练信息238可以包括由信息记录器224记录的第一信息226和飞行器202运转期间生成的传感器数据240。传感器数据240可以由飞行器202的机翼210的传感器242生成。传感器242可以包括负荷单元、应变器、加速计和被配置为检测若干负荷206的其他合适类型的传感器。
在所描述的例子中,验证信息239可以用于验证神经网络232的训练。换句话说,验证信息239可以用于确定神经网络232是否生成具有期望精确度水平的第二信息228。
在所述说明性例子中,验证信息239可以包括第一信息226和传感器数据240。在训练神经网络之后,使用验证信息239完成验证。神经网络232可以在神经网络使用训练信息238和验证信息239被完全训练并验证后,估计机翼210的节段组230处的第二信息228,例如,切变、弯矩或扭矩。
传感器242可以与机翼210中的节段组230处或周围的机翼210关联。在所述例子中,当其中一个元件与另一个元件“物理关联”时,该关联是物理关联。例如,第一元件,例如传感器242,可以被认为通过固定到第二元件、粘结到第二元件、安装到第二元件、焊接到第二元件、紧固到第二元件和/或用某个其他合适的方式连接到第二元件,而与第二元件(例如机翼210)物理关联。第一元件也可以使用第三元件连接到第二元件。第一元件还可以通过形成为第二元件的部分、作为第二元件的延伸或两者,而被认为与第二元件物理关联。在一些说明性例子中,第一元件可以可拆卸地或临时地与第二元件关联。在上述两个例子中的任一个中,第一元件可以被配置和从第二元件分离。
在这些说明性例子中,传感器242可以临时与机翼210关联。例如,传感器242可以在测试、认证或飞行器202上执行的其他运转期间,附连到机翼210。以这种方式,训练信息238可以在测试或飞行器202的其他运转期间生成。
由于传感器242仅仅临时与飞行器202的机翼210关联,因此传感器242的重量和维护相对于飞行器202的正常运转不存在。一旦记录了训练信息238,可以从飞行器202移除传感器242。在随后的飞行中,说明性例子使用信息记录器224记录的第一信息而非传感器242生成的信息。
在这些说明性例子中,第一信息226通常用于其他目的,并不被选择用于识别若干负荷206。相反,使用神经网络232执行模式识别236,以识别第二信息228,其中第二信息228可以用于估计若干负荷206。
如图所示,第二信息228用于估计若干负荷206。具体地,估计器234被配置为使用第二信息228估计飞行器202的机翼210上的若干负荷206。换句话说,估计器234生成若干负荷206的估计244。例如,估计器234可以被配置为使用算法执行计算以根据第二信息228识别若干负荷206的估计244。
在所述说明性例子中,估计器234发送若干负荷206的估计244到动作识别器218。利用若干负荷206的估计244,动作识别器218被配置为识别关于飞行器202的动作246。动作246可以采用多种形式。例如,动作246可以选自维护、警报、警示和其他合适类型的动作中的一个。
以这种方式,估计若干负荷206可以用于更精确确定何时需要针对飞行器202执行维护或其他动作。借助负荷估计系统212的使用,可以降低使用天气信息猜测飞行器202是否会遇到风204的模型的不精确性。
现在参考图3,根据一个说明性实施例示出神经网络的示意性框图。可以实施图1中的神经网络232的其中一种方式在该图中示出。
如图所示,神经网络232包括第一层300和第二层302。第一层300由神经元304组成。第二层302由神经元306组成。
在所述说明性例子中,第一层300是S型(sigmoid)层。具体地,第一层300可以实施神经元304中的S型函数。
如图所示,第二层302可以是线性层。线性层可以在整个的数范围对于神经网络232的输出是理想的时候使用。换句话说,线性层可以用于输出范围。
在此说明性例子中,神经网络232接收输入308并生成输出310。输入308可以是第一信息226,而输出310可以是第二信息228。训练神经网络232时,输入308也可以包括训练信息238。
如图所示,第一信息226中的飞行器参数组222包括一个或更多个不同的参数。例如,飞行器参数组222可以选自毛重、飞行器202重心的飞行器垂直加速度、飞行器202重心的飞行器侧加速度、围绕飞行器202的纵轴线的滚转角、空气速度、马赫数、高度、襟翼角、攻角、侧滑角或其他关于飞行器202的合适参数中的至少一个。
在所述说明性例子中,第二信息228可以包括一个或更多个不同参数。如图所示,第二信息228可以选自切变、弯矩、扭矩或其他合适的参数中的至少一个。这些参数和第二信息228可以包括用于选择机翼210的节段组230的参数。
如图所示,神经网络232使用模式识别236识别第一信息226中的模式229,以生成第二信息228,如图2所示。换句话说,神经网络232识别对应于第二信息228中的具体值的第一信息226中的模式229。
识别模式229和生成第二信息228的能力可以使用训练信息238执行。换句话说,训练信息238可以被发送到神经网络232。此训练信息包括图2中的第一信息226和传感器数据240。验证信息239然后用于验证神经网络232的训练。以这种方式,神经网络232可以学习以执行模式识别236。
图2和图3中的负荷环境200的示意图和负荷环境200中的不同元件并不意味着暗示对说明性实施例可以被实施的方式进行物理或结构限制。除所示出的元件之外可以使用其他元件或可以使用其他元件替代所示出的元件。一些元件可以是不必要的。此外,所表示的块示出一些功能性元件。当在一个说明性实施例中实施时,一个或更多个这些块可以被组合、分割或组合并分割为不同块。
例如,空气动力学结构208可以采用其他形式而非机翼210形式。例如,空气动力学结构208可以选自水平稳定器、垂直稳定器、控制面、方向舵和襟翼中的一个。
在又一个例子中,神经网络232可以包括其他若干层神经元。例如,在不同说明性例子中,可以在神经网络232中使用一层、三层、七层或一些其他数字层的神经元。此外,输入308和输出310中的不同参数可以用于补充或替代图3中描述的参数。
进一步地,可以使用神经网络232之外的其他机制识别第二信息228。例如,可以使用被配置为根据第一信息226识别第二信息228的任何硬件、软件或其组合。例如,可以使用被配置为执行模式识别236的任何系统补充或替代神经网络232。
在另一个说明性例子中,模式识别236可以由多目标优化模型使用元启发式算法执行。例如,模式识别236可以使用遗传算法、禁忌搜索、模拟退火和其他合适类型的元启发式算法执行。
现在转到图4,根据一个说明性实施例示出用于识别风引起的负荷的过程的示意性流程图。图4中示出的过程可以在图2中的负荷环境200中实施。可以使用负荷估计系统212中的一个或更多个元件实施一个或更多个不同操作。
该过程通过接收飞行器运转期间飞行器内的信息记录器记录的一组飞行器参数的信息开始(操作400)。该过程然后根据第一信息识别与机翼上的若干负荷有关的第二信息(操作402)。该过程使用第二信息估计飞行器的空气动力学结构上的若干负荷(操作404)。
接下来,该过程根据估计的空气动力学结构上的若干负荷识别飞行器的动作(操作406),之后该过程终止。在说明性例子中,动作可以是飞行器的维护。
接下来参考图5,根据一个说明性实施例示出训练神经网络的过程的示意性流程图。图5中示出的该过程可以在负荷环境200中实施以训练图2中的神经网络232。
该过程通过在飞行器运转期间生成训练信息开始(操作500)。在该说明性例子中,训练信息可以包括飞行器内的信息记录器记录的信息和与目标空气动力学结构关联的传感器生成的传感器数据。信息记录器记录的信息和传感器数据可以在飞行器飞行期间生成。
在飞行器飞行期间,飞行器可能遇到在空气动力学结构上(如机翼上)引起负荷的风。在这些事件期间,传感器数据中的信息可以用于训练神经网络。
此外,模式识别也可以用于识别何时负荷没有施加到空气动力学结构。信息和传感器数据也可以在飞行器在地面时和遇到在空气动力学结构上生成负荷的风时生成。
然后该过程使用信息记录器记录的信息和与目标空气动力学结构关联的传感器生成的传感器数据训练神经网络(操作502)。接下来,该过程使用信息记录器记录的信息和与目标空气动力学结构关联的传感器生成的传感器数据验证神经网络(操作504),此后过程终止。
不同所述实施例中的流程图和框图示出一个说明性实施例中的装置和方法的一些可能的实施方式的结构、功能和操作。在这点上,流程图或框图中的每个块可以代表模块、段、功能和/或操作或步骤的一部分。例如,一个或更多个块可以以程序代码、硬件或程序代码和硬件的组合实施。当以硬件实施时,硬件可以,例如,采用集成电路的形式,该集成电路被制造或配置为执行框图或流程图中的一个或更多个操作。当实施为程序代码和硬件的组合时,该实施可以采用固件的形式。
在一个说明性实施例的一些替代实施方式中,块中所示出的功能(一种或更多)可以不按照图中注释的顺序发生。例如,在一些情况下,顺序示出的两个块可以基本上同时执行,或者块有时可以以相反顺序执行,这取决于涉及到的功能。此外,其他块可以增加以补充流程图或框图中示出的块。
现在转到图6,根据一个说明性实施例示出数据处理系统的示意性框图。数据处理系统600可以用于实现图2中的计算机系统214。在该说明性例子中,数据处理系统600包括通信框架602,其提供处理器单元604、存储器606、永久存储器608、通信单元610、输入/输出(I/O)单元612和显示器614之间的通信。在该例子中,通信框架可以采用总线系统形式。
处理器单元604用于执行可以被加载到存储器606的软件的指令。处理器单元604可以是若干处理器、多处理器核或一些其他类型的处理器,取决于具体的实施方式。
存储器606和永久性存储器608是存储设备616的例子。存储设备是任何一片能够存储信息的硬件,信息是诸如,例如但不限于,数据、功能形式的程序代码和/或临时性和/或永久性的任意一种的其他合适信息。在这些说明性例子中,存储设备616也可以被称为计算机可读存储器件。存储器606,在这些例子中,可以是,例如,随机存取存储器或任何其他合适的易失性或非易失性存储设备。永久性存储器608可以采用各种形式,取决于具体的实施方式。
例如,永久性存储器608可以包含一个或更多个元件或装置。例如,永久性存储器608可以是硬盘驱动器、闪存、可重写光盘、可重写磁带或以上的某个组合。永久性存储器608使用的介质可以是可移除的。例如,可移除硬盘驱动器可以用于永久性存储器608。
通信单元610,在这些说明性例子中,提供与其他数据处理系统或设备的通信。在这些说明性例子中,通信单元610是网络接口卡。
输入/输出单元612允许与可以连接到数据处理系统600的其他设备进行数据输入/输出。例如,输入/输出单元612可以通过键盘、鼠标和/或某个其他合适的输入设备为用户输入提供连接。进一步地,输入/输出单元612可以发送输出到打印机。显示器614提供显示信息给用户的机制。
操作系统、应用程序和/或程序的指令可以位于存储设备616中,该设备通过通信框架602与处理器单元604通信。不同实施例的过程可以由处理器单元604使用计算机实施的指令执行,该指令可以位于存储器(例如存储器606)中。
这些指令称为程序代码、计算机可用程序代码或计算机可读程序代码,其可以被处理器单元604中的处理器读取和执行。不同实施例中的程序代码可以体现在不同物理或计算机可读存储介质(例如存储器606或永久性存储器608)上。
程序代码618以功能形式位于计算机可读介质620上,该介质选择性地可被移除并且可以被加载或转移到数据处理系统600以由处理器单元604执行。在这些说明性例子中,程序代码618和计算机可读介质620形成计算机程序产品622。在其中一个例子中,计算机可读介质620可以是计算机可读存储介质624或计算机可读信号介质626。在这些说明性例子中,计算机可读存储介质624是用于存储程序代码618的物理或有形存储设备,而不是传播或传送程序代码618的介质。
可替代地,程序代码618可以使用计算机可读信号介质626被传输到数据处理系统600。计算机可读信号介质626可以是,例如,传播的数据信号,其包含程序代码618。例如,计算机可读信号介质626可以是电磁信号、光信号和/或任何其他合适类型的信号。这些信号可以通过通信链路传输,例如无线通信链路、光纤电缆、同轴电缆、电线和/或任何其他合适类型的通信链路。
示出的数据处理系统600的不同元件并不意味着提供对不同实施例可以实现的方式的架构限制。不同的说明性实施例可以在包括元件以补充和/或替代那些针对数据处理系统600示出的元件的数据处理系统中实现。图6中示出的其他元件能够与说明性实施例示出的不同。不同的实施例可以使用能够运行程序代码618的任何硬件设备或系统实施。
本公开的说明性实施例可以在图7中示出的飞行器制造和使用方法和图8中示出的飞行器800的上下文中描述。首先转到图7,根据一个说明性实施例示出飞行器制造和使用方法的示意性框图。在预生产期间,飞行器制造和服务方法700可以包括图8中的飞行器800的规格和设计702以及材料采购704。
在生产期间,元件和子组件制造706和图8中的飞行器800的系统集成708发生。此后,图8中的飞行器800可以通过认证和交付710以便投入使用712。当客户使用712时,图8中的飞行器800被定期进行日常维修和维护714,其可以包括修改、重配置、翻新和其他维修或维护。
可以由系统集成商、第三方和/或操作员执行或实现飞行器制造和使用方法700的每个过程。在这些例子中,操作员可以是客户。出于描述目的,系统集成商可以包括,但不限于,任意数量的飞行器制造商和主系统分包商;第三方可以包括,但不限于,任意数量的销售商、分包商和供应商;并且操作员可以是航空公司、租赁公司、军事实体、服务组织等。
现在参考图8,示出一个说明性实施例可以在其中实施的飞行器的示意性框图。在这个例子中,飞行器800由图7中的飞行器制造和使用方法700生产,以及可以包括具有多个系统804和内部806的机身802。系统804的例子包括推进系统808、电气系统810、液压系统812和环境系统814中的一个或更多个。也可以包括任意数量的其他系统。虽然示出了航空航天的例子,但是不同的说明性实施例可以应用于其他行业,如汽车行业。
可以在图7中的飞行器制造和使用方法700的至少一个阶段期间采用本文实施的装置和方法。例如,训练信息238可以在认证和交付710期间生成以用于训练图2中的神经网络232。信息220可以在飞行器800投入使用712时生成。信息220可以在飞行器202投入使用712时、在维修和维护714时以及在其他时间上被分析以估计若干负荷206。若干不同的说明性实施例的使用可以大幅增加可以对飞行器800执行维护时的精确度。进一步地,借助说明性实施例的使用,在减轻飞行器的重量、成本或两者时,与使用其他识别飞行器上负荷的技术相比,飞行器800的可用性可以提高。
因此,说明性实施例提供一种识别随着时间由风引起的若干负荷206的方法和装置。在其中一个说明性例子中,接收飞行器运转期间飞行器202内的信息记录器224记录的飞行器参数组222的信息220。使用飞行器参数组222的信息220预测飞行器202的空气动力学结构208上的负荷。
借助说明性实施例的使用,可以减少飞行器202的不必要维护。此外,负荷估计系统212可以提供关于风204引起的疲劳和非一致性以及其他施加到飞行器202内的空气动力学结构208上的负荷的精确数据。估计244可以在飞行器202的正常运转期间生成而无需使用传感器242收集的数据。因此,制造飞行器202的成本和时间减少。
出于说明和描述的目的,给出了不同的说明性实施例的描述,该描述并非旨在穷尽或限制实施例公开的形式。对于本领域技术人员来说,许多的修改和变形是明显的。进一步地,不同的说明性实施例可以提供与其他说明性实施例提供的特征不同的特征。所述实施例被选择和描述以更好地解释实施例的原理、具体实用,并且使得本领域其他技术人员能够理解具有适于具体使用构思的各种修改的各种实施例。
Claims (14)
1.一种负荷估计系统(212),其包含风负荷分析器(216),该风负荷分析器被配置为:
接收飞行器(202)运转期间由信息记录器(224)记录的一组飞行器参数(222)的第一信息(226),
根据所述第一信息(226)识别与机翼(210)上的若干负荷(206)有关的第二信息(228),以及
使用所述第二信息(228)估计所述飞行器(202)的所述机翼(210)上的所述若干负荷(206)。
2.根据权利要求1所述的负荷估计系统(212),其进一步包含:
动作识别器(218),其被配置为根据所述风负荷分析器(216)估计的所述机翼(210)的所述若干负荷(206)识别所述飞行器(202)的维护。
3.根据权利要求1或2所述的负荷估计系统(212),其中所述风负荷分析器(216)包含:
神经网络(232),其配置为接收所述第一信息(226)以及使用所述第一信息(226)识别所述第二信息(228)。
4.根据权利要求3所述的负荷估计系统(212),其中所述风负荷分析仪(216)进一步包含:
估计器(234),其配置为使用所述第二信息(228)估计所述飞行器(202)的所述机翼(210)上的所述若干负荷(206)。
5.根据权利要求3或4所述的负荷估计系统(212),其中,使用所述信息记录器(224)记录的所述第一信息(226)和由用于所述飞行器(202)的所述机翼(210)的传感器(242)生成的训练信息(238)训练所述神经网络(232)。
6.根据权利要求5所述的负荷估计系统(212),其中所述训练信息(238)在所述飞行器(202)的测试期间生成。
7.根据任一项前述权利要求所述的负荷估计系统(212),其中所述第二信息(228)选自切变、弯矩或扭矩中的至少一个。
8.根据任一项前述权利要求所述的负荷估计系统(212),其中所述第二信息(228)针对所述飞行器(202)的所述机翼(210)内的一组节段(230)。
9.根据任一项前述权利要求所述的负荷估计系统(212),其中所述一组飞行器参数(222)选自毛重、飞机垂直加速度、飞机横向加速度、滚转角、滚转率、空气速度、马赫数、高度、襟翼角、攻角或侧滑角中的至少一个。
10.根据任一项前述权利要求所述的负荷估计系统(212),其中所述信息记录器(224)选自飞行记录器(126)或飞行管理计算机中的至少一个。
11.一种识别风(204)引起的负荷的方法,所述方法包含:
接收飞行器(202)运转期间由所述飞行器(202)内的信息记录器(224)记录的一组飞行器参数(222)的信息(220);以及
使用所述一组飞行器参数(222)的所述信息(220)估计所述飞行器(202)的空气动力学结构(208)上的若干负荷(206)。
12.根据权利要求11所述的方法,其中所述信息(220)是第一信息(226),以及其中所述估计步骤包含:
根据所述第一信息(226)识别与机翼(210)上的所述若干负荷(206)有关的第二信息(228);以及使用所述第二信息(228)估计所述飞行器(202)的所述空气动力学结构(208)上的所述若干负荷(206),其中所述估计由神经网络(232)执行。
13.根据权利要求11或12所述的方法,其进一步包含:
根据针对机翼(210)估计的所述若干负荷(206)识别所述飞行器(202)的动作(246)。
14.根据权利要求11、12或13所述的方法,其中所述空气动力学结构(208)选自机翼(210)、水平稳定器、垂直稳定器、控制面、方向舵和襟翼中的一个。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/097,365 | 2013-12-05 | ||
US14/097,365 US9488544B2 (en) | 2013-12-05 | 2013-12-05 | Load estimation system for aerodynamic structures |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104773304A true CN104773304A (zh) | 2015-07-15 |
CN104773304B CN104773304B (zh) | 2020-02-18 |
Family
ID=51951559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410709723.9A Active CN104773304B (zh) | 2013-12-05 | 2014-11-28 | 空气动力学结构的负荷估计系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9488544B2 (zh) |
EP (1) | EP2881722A1 (zh) |
CN (1) | CN104773304B (zh) |
CA (1) | CA2862382C (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106516085A (zh) * | 2015-09-14 | 2017-03-22 | 波音公司 | 取决于滚转姿态的滚转速率极限 |
CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
CN108341065A (zh) * | 2017-01-25 | 2018-07-31 | 波音公司 | 用于确定负载容量的系统和方法 |
CN113673031A (zh) * | 2021-08-11 | 2021-11-19 | 中国科学院力学研究所 | 应变响应与深度学习融合的柔性飞艇服役攻角识别方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015121742A1 (de) * | 2015-12-14 | 2017-06-14 | Airbus Defence and Space GmbH | Verfahren und System zum Bestimmen von flugmechanischen Zustandsgrößen eines Luftfahrzeugs |
IL244904A (en) * | 2016-04-04 | 2017-09-28 | Elbit Systems Ltd | A method and method for estimating weight and balance for air-space vehicles |
FR3065567B1 (fr) * | 2017-04-24 | 2021-04-16 | Airbus Operations Sas | Procede de transmission de parametres de vol d'un aeronef meneur vers un aeronef intrus |
US11501248B2 (en) | 2019-01-30 | 2022-11-15 | Walmart Apollo, Llc | Validation of routes in automatic route design |
US11526836B2 (en) | 2019-01-30 | 2022-12-13 | Walmart Apollo, Llc | Automatic generation of route design |
US11494731B2 (en) | 2019-01-30 | 2022-11-08 | Walmart Apollo, Llc | Automatic generation of load and route design |
US11960800B2 (en) | 2019-01-30 | 2024-04-16 | Walmart Apollo, Llc | Automatic generation of flexible load design |
US11829688B2 (en) | 2019-01-30 | 2023-11-28 | Walmart Apollo, Llc | Automatic generation of incremental load design with stacks of pallets |
US11550968B2 (en) | 2019-01-30 | 2023-01-10 | Walmart Apollo, Llc | Automatic generation of load design |
US20220227498A1 (en) * | 2019-05-30 | 2022-07-21 | University Of Washington | Aircraft wing motion prediction systems and associated methods |
US11535364B2 (en) * | 2019-12-16 | 2022-12-27 | The Boeing Company | Process and machine for load alleviation |
CN112287455A (zh) * | 2020-10-29 | 2021-01-29 | 西北工业大学 | 一种复杂飞机构型气动载荷批量提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0657723A1 (fr) * | 1993-12-06 | 1995-06-14 | AEROSPATIALE Société Nationale Industrielle | Procédé et dispositif pour détecter un dépassement des charges de dimensionnement d'un aéronef |
US20060004499A1 (en) * | 2004-06-30 | 2006-01-05 | Angela Trego | Structural health management architecture using sensor technology |
CN1882474A (zh) * | 2003-11-12 | 2006-12-20 | 德国空中客车公司 | 飞机高升力系统的驱动系统中的载荷限定方法 |
CN102037421A (zh) * | 2008-05-22 | 2011-04-27 | 空中客车运营公司 | 航空器的结构元件承受的负荷判据的测算以及使用这种判据检测所谓“硬”着陆的辅助系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005058081B9 (de) | 2005-12-06 | 2009-01-29 | Airbus Deutschland Gmbh | Verfahren zur Rekonstruktion von Böen und Strukturlasten bei Flugzeugen, insbesondere Verkehrsflugzeugen |
-
2013
- 2013-12-05 US US14/097,365 patent/US9488544B2/en active Active
-
2014
- 2014-09-05 CA CA2862382A patent/CA2862382C/en active Active
- 2014-11-03 EP EP14191462.2A patent/EP2881722A1/en not_active Withdrawn
- 2014-11-28 CN CN201410709723.9A patent/CN104773304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0657723A1 (fr) * | 1993-12-06 | 1995-06-14 | AEROSPATIALE Société Nationale Industrielle | Procédé et dispositif pour détecter un dépassement des charges de dimensionnement d'un aéronef |
CN1882474A (zh) * | 2003-11-12 | 2006-12-20 | 德国空中客车公司 | 飞机高升力系统的驱动系统中的载荷限定方法 |
US20060004499A1 (en) * | 2004-06-30 | 2006-01-05 | Angela Trego | Structural health management architecture using sensor technology |
CN102037421A (zh) * | 2008-05-22 | 2011-04-27 | 空中客车运营公司 | 航空器的结构元件承受的负荷判据的测算以及使用这种判据检测所谓“硬”着陆的辅助系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106516085A (zh) * | 2015-09-14 | 2017-03-22 | 波音公司 | 取决于滚转姿态的滚转速率极限 |
CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
CN107545095B (zh) * | 2016-06-24 | 2022-11-22 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
CN108341065A (zh) * | 2017-01-25 | 2018-07-31 | 波音公司 | 用于确定负载容量的系统和方法 |
CN108341065B (zh) * | 2017-01-25 | 2023-02-28 | 波音公司 | 用于确定负载容量的系统和方法 |
CN113673031A (zh) * | 2021-08-11 | 2021-11-19 | 中国科学院力学研究所 | 应变响应与深度学习融合的柔性飞艇服役攻角识别方法 |
CN113673031B (zh) * | 2021-08-11 | 2024-04-12 | 中国科学院力学研究所 | 应变响应与深度学习融合的柔性飞艇服役攻角识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CA2862382C (en) | 2018-04-10 |
CN104773304B (zh) | 2020-02-18 |
CA2862382A1 (en) | 2015-06-05 |
US20160011073A1 (en) | 2016-01-14 |
EP2881722A1 (en) | 2015-06-10 |
US9488544B2 (en) | 2016-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104773304A (zh) | 空气动力学结构的负荷估计系统 | |
CN107545095B (zh) | 用于飞行器大修期间的结构修理的预测方法和系统 | |
Kraft | The air force digital thread/digital twin-life cycle integration and use of computational and experimental knowledge | |
JP7017357B2 (ja) | 航空機モニタリングシステム | |
Gockel et al. | Challenges with structural life forecasting using realistic mission profiles | |
CN102037421B (zh) | 辅助检测航空器的硬着陆的辅助方法 | |
EP3091410A2 (en) | Methods and system for data analytics | |
CN114365091A (zh) | 自主载具的无监督异常检测 | |
Pontillo et al. | Flexible high aspect ratio wing: low cost experimental model and computational framework | |
EP3721197A1 (en) | Estimating fatigue damage in a structure | |
US11915108B2 (en) | Material characterization system and method | |
Thomas et al. | Wake-coupling CFD-CSD analysis of helicopter rotors in steady and maneuvering flight conditions | |
Purdon et al. | F-35 pre-flight store separation analyses: innovative techniques for affordability | |
Guo et al. | A novel health indicator based on hysteresis loop for health prediction of flight control systems | |
Kordonowy et al. | Composite airframe condition-aware maneuverability and survivability for unmanned aerial vehicles | |
El Mir et al. | Certification of machine learning algorithms for safe-life assessment of landing gear | |
Woodson et al. | Understanding Abrupt Wing Stall with Computational Fluid Dynamics. | |
EP4290327A1 (en) | Component maintenance prediction system with behavior modeling | |
Chandra Shekar et al. | An Experimental-Computational Investigation of Damaged UAV Wings–Part III: Detecting and Locating Damage Using Machine Learning | |
Zongqi et al. | A data-driven predictive maintenance method for quadrotor propulsion system based on LSTM network | |
Tikka | Flight parameter based fatigue analysis approach for a fighter aircraft | |
Cavagna et al. | Fast-GLP: a fast tool for the prediction of worst case gust loads based on neural networks | |
Malik et al. | Revolutionary computational aerosciences (rca) research portfolio and cfd 2030 | |
Sadeghi et al. | Digital Twins for Condition and Fleet Monitoring of Aircraft: Towards More-Intelligent Electrified Aviation Systems | |
Kosova et al. | Structural health monitoring in aviation: a comprehensive review and future directions for machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |