CN108228977B - 一种基于飞行状态参数的直升机振动特征折算方法 - Google Patents

一种基于飞行状态参数的直升机振动特征折算方法 Download PDF

Info

Publication number
CN108228977B
CN108228977B CN201711343375.8A CN201711343375A CN108228977B CN 108228977 B CN108228977 B CN 108228977B CN 201711343375 A CN201711343375 A CN 201711343375A CN 108228977 B CN108228977 B CN 108228977B
Authority
CN
China
Prior art keywords
flight state
parameters
state
vibration characteristic
standard
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.)
Active
Application number
CN201711343375.8A
Other languages
English (en)
Other versions
CN108228977A (zh
Inventor
单添敏
沈勇
王景霖
林泽力
曹亮
刘朦月
顾浩天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AVIC Shanghai Aeronautical Measurement Controlling Research Institute
Original Assignee
AVIC Shanghai Aeronautical Measurement Controlling Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by AVIC Shanghai Aeronautical Measurement Controlling Research Institute filed Critical AVIC Shanghai Aeronautical Measurement Controlling Research Institute
Priority to CN201711343375.8A priority Critical patent/CN108228977B/zh
Publication of CN108228977A publication Critical patent/CN108228977A/zh
Application granted granted Critical
Publication of CN108228977B publication Critical patent/CN108228977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于飞行状态参数的直升机振动特征折算方法，采用RBF神经网络的方法分别在标准飞行状态和目标飞行状态下建立直升机飞行状态参数及发动机状态参数与振动特征参数之间的关系，分别计算在当前飞行状态参数及发动机状态参数条件下和标准状态下的振动特征参数理论值，通过比较两者之间的差别得出相应的振动参数折算因子，并利用折算因子对实际测得的振动特征进行折算，从而达到将振动特征参数折算到标准工况下的目的。

Description

一种基于飞行状态参数的直升机振动特征折算方法
技术领域
本发明属于直升机状态监测与健康管理领域，具体涉及一种应用于变飞行状态条件下直升机机上振动特征参数的折算方法。
背景技术
对直升机的振动特性进行分析，可以认为直升机的振动主要来自于四个方面：直升机本身的振动，飞行状态变化引起的振动，故障引发的振动和噪声。根据直升机飞行状态的不同，直升机各相关振动传感器测得的振动信号及其相应的振动特征参数等也都会不同。在采用基于特征参数趋势分析的方法进行故障预测之时，若不消除飞行状态变化引起的振动对振动特征参数的影响，将会极大的影响预测的精度和准确度。
通常，直升机在飞行过程中状态多变，扭矩、速度等参数变化频繁，导致直升机的振动特性变化较大从而掩盖了因其本身健康状态性能退化而产生的振动特性的变化。因此，为提高趋势分析和故障预测处理结果的可信度，尽可能减小飞行状态变化导致的影响，需要开展基于飞行状态参数的振动特征参数折算方法研究。
发明内容
本发明的目的是：提供一种可根据直升机飞行状态参数进行振动特征参数折算的方法，采用了基于RBF神经网络的方法，可将不同飞行状态下的振动特征参数折算至标准状态下。
考虑到现有技术的上述问题，根据本发明公开的一个方面，本发明采用以下技术方案：
一种基于飞行状态参数的直升机振动特征折算方法，包括以下步骤：
步骤一：针对直升机机上监测的各种飞行状态参数和发动机状态参数，选取与其飞行状态及振动特征相关的参数，利用标准飞行状态下的样本数据，将样本数据中的飞行状态参数和发动机状态参数作为输入，振动特征参数作为输出，对RBF神经网络进行训练，构建标准飞行状态下的RBF模型；
步骤二：基于已构建的标准飞行状态下的RBF模型，根据标准飞行状态下样本数据中的飞行状态参数和发动机状态参数进行计算，得到振动特征参数的理论值，计算其均值，作为标准飞行状态下振动特征参数的基准值；
步骤三：选取目标飞行状态下的样本数据，将样本数据中的飞行状态参数和发动机状态参数作为输入，振动特征参数作为输出，对RBF神经网络进行训练，构建目标飞行状态下的RBF模型；
步骤四：将该目标飞行状态下的实时监测数据中的飞行状态参数和发动机状态参数作为已构建的目标飞行状态下RBF模型的输入，计算得到其对应的振动特征参数的理论值，与标准飞行状态下振动特征参数的基准值作差，得到当前飞行状态参数和发动机状态参数下的折算因子，将该时刻对应的振动特征参数实测值减去折算因子，得到该时刻的振动特征参数实测值折算至标准状态下的振动特征参数。
有益效果：
根据本发明的方法，可以将在不同飞行状态下测得的直升机振动特征参数快速折算至同一标准飞行状态下，从而可以保证在进行趋势分析和故障预测过程中其输入振动特征参数处于同一标准飞行状态工况下，提升故障预测的准确性。
附图说明
图1为RBF神经网络结构图
图2为聚类中心计算示意图
图3为振动特征折算流程图
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
本发明的基于飞行状态参数的直升机振动特征折算方法，采用RBF神经网络的方法建立直升机飞行状态参数及发动机状态参数与振动特征参数之间的关系，分别计算在当前飞行状态参数及发动机状态参数条件下和标准状态下的振动特征参数理论值，通过比较两者之间的差别得出相应的振动参数折算因子，并利用折算因子对实际测得的振动特征进行折算，从而达到将振动特征参数折算到标准工况下的目的，为直升机HUMS系统的研制提供技术支撑。具体包括以下步骤：
步骤一：X0是直升机标准飞行状态下与其飞行状态及振动特征参数相关的飞行状态参数和发动机状态参数样本数据，为n×m矩阵，其中m为相关的飞行状态参数和发动机参数的个数，n为样本量，即在标准飞行状态下在n个时刻测得了m个飞行状态参数和发动机状态参数的样本数据。Y0是其对应的振动特征参数样本，为n维向量。将X0作为输入参数，Y0作为输出参数，对RBF神经网络进行训练。RBF神经网络的结构如图1所示，其中输入节点的个数为m，输出节点的个数为1，隐节点的个数为2m，ωi(i＝1,2,…,2n)为隐层到输出层的权值，fi(i＝1,2,…,2m)为隐节点的基函数，采用高斯函数
Figure BDA0001508406260000031
其中，x是m维输入向量；ci是第i个基函数的中心，与x具有相同维数的向量，σi决定第i个基函数围绕中心点的宽度，基函数中心ci采用K均值算法计算得到，具体算法如下：
a)在X0的n行行向量中，随机选取2m个行向量作为基函数中心ci的初始值。
b)将样本X0中所有行向量xp(p＝1，2，…，n)按最近的聚类中心分组，即：如果
Figure BDA0001508406260000041
意味着xp到第j个聚类中心cj的距离最近，则将样本xp划归到第j类。
c)将X0中所有行向量重新归类后，计算各类的样本均值作为新的聚类中心，即：
Figure BDA0001508406260000042
其中Nj为第j类的样本数。
d)重复步骤b)、c)直至所有聚类中心不再变化，从而得到最终的隐节点基函数中心ci(i＝1,2,…,2m)。
半径σi决定了RBF单元接受域的大小，对网络的精度有极大的影响，计算方法可令每个基函数中心ci与该类训练样本之间的平均距离作为相应的半径σi，即：
Figure BDA0001508406260000043
其中Ni为第i类的样本数。权值的初始值可以取均值
Figure BDA0001508406260000044
权值的调整采用梯度下降法，其迭代公式为：ωi(t+1)＝ωi(t)+η(y-u)fi(x)，其中η为学习速率，y为网络的期望输出即振动特征参数的实际监测值，u为权值调整前网络的输出，fi(x)为相应隐节点的输出。
根据样本数据X0和Y0计算完成隐层到输出层的权值ωi(i＝1,2,…,2m)，隐节点的基函数中心ci(i＝1,2,…,2m)和半径σi(i＝1,2,…,2m)后，即完成标准飞行状态下的RBF模型构建。
步骤二：基于根据步骤一已构建的标准飞行状态下的RBF模型，根据标准飞行状态下样本数据中的飞行状态参数和发动机状态参数X0作为模型输入进行计算，得到振动特征参数的模型输出值Y0′，计算其均值
Figure BDA0001508406260000045
将
Figure BDA0001508406260000046
作为标准飞行状态下振动特征参数的基准值；
步骤三：选取目标飞行状态下的样本数据，其中X1是该目标飞行状态下与步骤一中的X0相同类型飞行状态参数和发动机状态参数的样本数据，为s×m矩阵，其中m为相关的飞行状态参数和发动机参数的个数，s为样本量，即在该目标飞行状态下在s个时刻测得了m个飞行状态参数和发动机状态参数的样本数据。Y1是其对应的与步骤一中同一类振动特征参数的样本数据，为s维向量。RBF神经网络的结构与步骤一中相同，如图1所示，将X1作为输入参数，Y1作为输出参数，对RBF神经网络进行训练。
其中输入节点的个数为m，输出节点的个数为1，隐节点的个数为2m，wi(i＝1,2,…,2n)为隐层到输出层的权值，gi(i＝1,2,…,2m)为隐节点的基函数，采用高斯函数
Figure BDA0001508406260000051
其中，x是m维输入向量；c′i是第i个基函数的中心，与x具有相同维数的向量，σ′i决定第i个基函数围绕中心点的宽度，基函数中心c′i采用K均值算法计算得到，具体算法如下：
a)在X1的s行行向量中，随机选取2m个行向量作为基函数中心c′i的初始值。
b)将样本X1中所有行向量x1 p(p＝1，2，…，s)按最近的聚类中心分组，即：如果
Figure BDA0001508406260000052
意味着x1 p到第j个聚类中心c′j的距离最近，则将样本x1 p划归到第j类。
c)将X1中所有行向量重新归类后，计算各类的样本均值作为新的聚类中心，即：
Figure BDA0001508406260000053
其中Nj为第j类的样本数，如图2所示。
d)重复步骤b)、c)直至所有聚类中心不再变化，从而得到最终的隐节点基函数中心c′i(i＝1,2,…,2m)。
半径σ′i决定了RBF单元接受域的大小，对网络的精度有极大的影响，计算方法可令每个基函数中心c′i与该类训练样本之间的平均距离作为相应的半径σ′i，即：
Figure BDA0001508406260000054
其中Ni为第i类的样本数。权值的初始值可以取均值
Figure BDA0001508406260000061
权值的调整采用梯度下降法，其迭代公式为：wi(t+1)＝wi(t)+η1(y1-u1)gi(x)，其中η1为学习速率，y1为网络的期望输出即振动特征参数的实际监测值，u1为权值调整前网络的输出，gi(x)为相应隐节点的输出。根据样本数据X1和Y1计算完成隐层到输出层的权值wi(i＝1,2,…,2m)，隐节点的基函数中心c′i(i＝1,2,…,2m)和半径σ′i(i＝1,2,…,2m)后，即完成该目标飞行状态下的RBF模型构建。
步骤四：在与步骤三相同的目标飞行状态下的某一时刻，测得与步骤三中的X1相同类型飞行状态参数和发动机状态参数的实测数据为x2，为一m维向量，其对应与步骤三中相同类型的振动特征参数的实测数据为y2，将x2作为步骤三中已构建的该目标飞行状态下的RBF模型的输入，计算得到其对应的振动特征参数的理论值u2，与步骤二中得到的标准飞行状态下振动特征参数的基准值
Figure BDA0001508406260000062
作差，得到当前飞行状态参数和发动机状态参数下的折算因子
Figure BDA0001508406260000063
将该时刻对应的振动特征参数实测值y2减去折算因子Δy，得到的值即为该时刻的振动特征参数实测值折算至标准状态下的振动特征参数y′2，即y′2＝y2-Δy，此时已完成振动特征参数的折算，可以认为y′2是当前时刻在标准飞行状态下的振动特征参数值如图3所示。按照上述方法将可将所有典型飞行状态下的振动特征参数值折算至标准飞行状态下，从而在趋势分析和故障预测中保证了直升机所有振动监测数据都在同一工况之下。

Claims (4)

1.一种基于飞行状态参数的直升机振动特征折算方法，其特征在于，包括如下步骤：
1)针对直升机机上监测的各种飞行状态参数和发动机状态参数，选取与其飞行状态及振动特征相关的参数，利用标准飞行状态下的样本数据，构建标准飞行状态下的RBF模型；
2)基于步骤1)构建的标准飞行状态下的RBF模型，根据标准飞行状态下样本数据中的飞行状态参数和发动机状态参数进行计算，得到振动特征参数的基准值；
3)采用目标飞行状态下的样本数据，构建飞行状态参数及发动机状态参数与振动特征参数在目标飞行状态下的RBF关系模型；
4)将目标飞行状态下的实时监测数据中的飞行状态参数和发动机状态参数作为步骤3)中已构建的目标飞行状态下RBF模型的输入，基于模型输出和步骤2)中的标准飞行状态下振动特征参数的基准值将目标飞行状态下的实时监测数据中的飞行状态参数和发动机状态参数对应的振动特征参数实测值折算至标准飞行状态下，具体为：
将该目标飞行状态下的实时监测数据中的飞行状态参数和发动机状态参数作为已构建的目标飞行状态下RBF模型的输入，将模型输出与标准飞行状态下振动特征参数的基准值作差，得到当前飞行状态参数和发动机状态参数下的折算因子，将目标飞行状态下的实时监测数据中的飞行状态参数和发动机状态参数对应的振动特征参数实测值减去折算因子，得到折算后的振动特征参数。
2.根据权利要求1所述的一种基于飞行状态参数的直升机振动特征折算方法，其特征在于，步骤1)具体为：采用标准飞行状态下的样本数据，构建飞行状态参数及发动机状态参数与振动特征参数在标准飞行状态下的RBF关系模型。
3.根据权利要求2所述的一种基于飞行状态参数的直升机振动特征折算方法，其特征在于，步骤2)具体为：根据标准飞行状态下样本数据中的飞行状态参数和发动机状态参数进行计算，得到振动特征参数的理论值，计算其均值，作为标准飞行状态下振动特征参数的基准值。
4.根据权利要求3所述的一种基于飞行状态参数的直升机振动特征折算方法，其特征在于，步骤3)具体为：选取目标飞行状态下的样本数据，将目标飞行状态下的样本数据中的飞行状态参数和发动机状态参数作为输入，振动特征参数作为输出，对RBF神经网络进行训练，构建目标飞行状态下的RBF模型。
CN201711343375.8A 2017-12-14 2017-12-14 一种基于飞行状态参数的直升机振动特征折算方法 Active CN108228977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711343375.8A CN108228977B (zh) 2017-12-14 2017-12-14 一种基于飞行状态参数的直升机振动特征折算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711343375.8A CN108228977B (zh) 2017-12-14 2017-12-14 一种基于飞行状态参数的直升机振动特征折算方法

Publications (2)

Publication Number Publication Date
CN108228977A CN108228977A (zh) 2018-06-29
CN108228977B true CN108228977B (zh) 2021-12-07

Family

ID=62652274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711343375.8A Active CN108228977B (zh) 2017-12-14 2017-12-14 一种基于飞行状态参数的直升机振动特征折算方法

Country Status (1)

Country Link
CN (1) CN108228977B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670145A (zh) * 2018-12-12 2019-04-23 中国航空工业集团公司上海航空测控技术研究所 基于观测器的直升机主减速器振动特征阈值设置方法
CN110262227A (zh) * 2019-04-19 2019-09-20 南京航空航天大学 一种用于直升机主减反共振隔振的惯性元件独立控制方法
CN112001091B (zh) * 2020-09-01 2022-08-30 中国航空工业集团公司上海航空测控技术研究所 一种用于直升机主减速器故障安全风险预警的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104989633A (zh) * 2015-06-04 2015-10-21 中国航空工业集团公司上海航空测控技术研究所 一种基于仿生小波变换的飞机液压泵故障诊断方法
CN105928695A (zh) * 2016-05-11 2016-09-07 中国矿业大学 一种小型无人直升机机械零部件故障诊断系统及故障诊断方法
CN105956514A (zh) * 2016-04-15 2016-09-21 南京航空航天大学 一种振动数据驱动的直升机旋翼异常检测方法
CN106503746A (zh) * 2016-11-03 2017-03-15 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6493689B2 (en) * 2000-12-29 2002-12-10 General Dynamics Advanced Technology Systems, Inc. Neural net controller for noise and vibration reduction
CN106482828A (zh) * 2016-11-25 2017-03-08 沈阳黎明航空发动机(集团)有限责任公司 一种航空发动机振动故障的检测诊断装置及方法
CN106874550A (zh) * 2017-01-11 2017-06-20 南方科技大学 一种基于增材设计的航空发动机风扇叶片再制造方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104989633A (zh) * 2015-06-04 2015-10-21 中国航空工业集团公司上海航空测控技术研究所 一种基于仿生小波变换的飞机液压泵故障诊断方法
CN105956514A (zh) * 2016-04-15 2016-09-21 南京航空航天大学 一种振动数据驱动的直升机旋翼异常检测方法
CN105928695A (zh) * 2016-05-11 2016-09-07 中国矿业大学 一种小型无人直升机机械零部件故障诊断系统及故障诊断方法
CN106503746A (zh) * 2016-11-03 2017-03-15 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"飞机飞行振动预计技术";王光芦 等;《航空工程进展》;20100831;第1卷(第3期);第251-255页 *

Also Published As

Publication number Publication date
CN108228977A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN109583044B (zh) 基于rbf神经网络的直升机旋翼飞行载荷预测方法
CN108228977B (zh) 一种基于飞行状态参数的直升机振动特征折算方法
JP6313929B2 (ja) 構造物を監視するための方法及びシステム
CN106156401B (zh) 基于多组合分类器的数据驱动系统状态模型在线辨识方法
CN111177974A (zh) 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法
CN112765890B (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
CN107085633B (zh) 基于支持向量机的多点振动响应频域预测的装置及方法
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN115688288B (zh) 飞行器气动参数辨识方法、装置、计算机设备及存储介质
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN112800682A (zh) 一种反馈寻优的风机叶片故障监测方法
CN112668104A (zh) 一种高超声速飞行器气动参数在线辨识方法
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN113408200B (zh) 航空装备振动环境分析和预测方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
CN107645493B (zh) 一种ip组相似度计算方法
CN111651940A (zh) 基于pso-narx的涡轴发动机稳态模型辨识方法
CN115587309A (zh) 一种变压器抗短路能力关键特征提取方法、装置及设备
CN115221973A (zh) 一种基于增强加权异质集成学习的航空轴承故障诊断方法
CN106563645B (zh) 一种基于张量分解的压电薄膜传感器智能分拣方法
Cheng et al. Application of self-organizing map on flight data analysis for quadcopter health diagnosis system
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN116910513A (zh) 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法
Greenwood et al. A parameter identification method for helicopter noise source identification and physics-based semiempirical modeling
CN111523573A (zh) 一种基于多参数融合的桥梁结构状态评估方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant