CN109631790A - 一种天线副反射面支撑腿变形在线测量装置及测量方法 - Google Patents
一种天线副反射面支撑腿变形在线测量装置及测量方法 Download PDFInfo
- Publication number
- CN109631790A CN109631790A CN201910019835.4A CN201910019835A CN109631790A CN 109631790 A CN109631790 A CN 109631790A CN 201910019835 A CN201910019835 A CN 201910019835A CN 109631790 A CN109631790 A CN 109631790A
- Authority
- CN
- China
- Prior art keywords
- supporting leg
- temperature
- strain
- sensor
- value
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/18—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge using photoelastic elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/028—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种天线副反射面支撑腿变形在线测量装置,所述天线的副反射面的每个支撑腿上布置有多组光纤光栅传感器和多个温度传感器。本发明还提供一种天线副反射面支撑腿变形在线测量方法。本发明的天线副反射面支撑腿变形在线测量装置针对光纤光栅传感器测量的应变既含有温度影响又含有应力影响的问题,提出通过使用应变传感器来补偿应变误差,实现了全天候下反射面副反射面支撑位置的是实时测量。
Description
技术领域
本领域属于天线结构领域,具体涉及一种天线副反射面支撑腿变形在线测量装置及测量方法。
背景技术
如图1所示为现有的射电望远镜天线的结构,现有的射电望远镜天线200的副反射面201通过四根均匀排布于主反射面202的圆周上的四个撑腿203与主反射面202连接,对于大口径的射电望远镜天线100而言,由于撑腿203变长,其与副反射面201的组合结构刚度下降,天线在观测时撑腿组合结构除了受重力影响外极易受环境载荷影响,从而导致副反射面201的位姿发生变化,进而影响天线指向精度和效率,尤其对于高频段天线而言。为了获得副反射面201的位姿变化对天线性能的影响关系,为天线的副反射面201的调整、性能补偿提供有效输入,首先需要实时获得副反射面201的位姿变化信息。
对大型天线结构的变形测量,目前均采用非接触测量(摄影近场测量、激光跟踪仪、全站仪等)在傍晚日落时对天线反射面仅由重力引起的结构系统变形进行测量,建立结构重力变形离线表,通过查表法对结构变形对天线系统的影响进行补偿。由于大型天线结构位置高、测量面积大,非接触测量周期长、使用额外设备(如吊车)、且受外界环境光影响较大,因此,变形测量不能做到对天线副反射面位姿进行全天候实时跟踪测量,往往只能在傍晚日落时,外界环境光影响较小时,才能对天线反射面仅由重力引起的结构系统变形进行测量。而对于由温度引起的天线结构随机变形,由于其一般发生在受外界环境光影响较大的白天,所以不能测量。因此,射电望远镜高频段工作时间每天仅约4个小时,如果遇到下雨、刮风等恶劣气候,则进一步缩减其工作时间。据报道,国外110米射电望远镜最高工作频段时间一年加起来总计约15天。
光纤光栅传感器因其体积小、质量轻、易于埋设、不受电磁等外界环境干扰(一方面传感器本身不受外界电磁环境影响,另一方面也不会对外界产生电磁干扰,故特别适用于天线结构测量)的特点,因此是天线结构变形应变采集的理想传感器。由于光纤光栅受应力、应变或温度的影响时,其反射波长都要发生相应变化,因此,采用现有技术通过光栅传感器对结构形变进行测量时,温度变化引起的光纤光栅波长变化将会与结构变形造成的应变耦合在一起,影响了传感器对于结构变形引起的应变值进行准确测量,进而影响对结构变形的位移值的测量,无法实现对天线副反射面支撑腿变形的全天候实时测量。
因此,如何实现对天线副反射面支撑腿变形进行全天候实时测量成为一个亟待解决的问题。
发明内容
本发明的目的在于提出一种利用光纤光栅应变传感器的天线副反射面支撑腿变形在线测量装置及测量方法,以避免温度对光纤光栅应变传感器测量的影响,实时确定天线副反射面支撑腿变形。
为了实现上述目的,本发明提供了一种天线副反射面支撑腿变形在线测量装置,所述天线的副反射面的每个支撑腿上布置有多组光纤光栅传感器和多个温度传感器。
多组光纤光栅传感器分别沿支撑腿的轴向离散分布,且分别沿所述支撑腿的外表面周向对称离散分布。
每个支撑腿均包括多个均分的单元。
每个单元的长度为1米到2米。
所述每个支撑腿的每个单元上的光纤光栅传感器的数量为2-7组,且每组光纤光栅传感器的数量为3个,每个支撑腿的每个单元上的温度传感器的数量为2-7个。
所述光纤光栅传感器和温度传感器均采用环氧树脂胶水黏贴固定在支撑腿的表面上。
另一方面,本发明还提供一种天线副反射面支撑腿变形在线测量方法,其特征在于,包括:
S1:利用高低温箱标校出温度对光纤光栅传感器的应变量测量值的影响;
S2:在每个支撑腿上布置多个温度传感器,由温度传感器在深夜得到支撑腿的初始局部温度T0,在一定间隔时间后,由温度传感器得到支撑腿的当前局部温度T,从而获得温度变化值T-T0;
S3,在每个支撑腿上沿轴向布置多组光纤光栅传感器,每一组光纤光栅传感器分别沿所述支撑腿的外表面周向对称且离散分布,由各个光纤光栅传感器分别测得支撑腿在各测量节点处的表面应变量测量值U;
S4:通过步骤S1的影响关系表,得到应变量测量值的误差值与温度变化量的关系C,将所述步骤S3中的在各测量节点处的表面应变量测量值U分别扣除测量节点附近的温度对所述应变量测量值U的影响,获得经过初步温度补偿后的表面应变量第一修正值U1;
S5:使用一接触式温度表精确测量出在测量节点处的温度,获得不含温度影响的表面应变量真实值ue 1,并根据该表面应变量真实值ue 1和步骤S4所述的表面应变量第一修正值U1构建自构架区间二型模糊神经网络;
S6:将步骤S4所述的表面应变量第一修正值带入步骤S5所述的区间二型模糊神经网络,得到的表面应变量第二修正值ue作为支撑腿光纤光栅应变传感器不含温度影响的表面应变;
S7:通过步骤S6所述的不含温度影响的表面应变获得拉伸、弯曲、剪切和扭转引起的支撑腿截面应变;
S8:根据撑腿的边界约束特点建立变形位移场形函数,并根据位移场形函数和步骤S7所述的支撑腿截面应变得到支撑腿的单元节点位移。
其中,所述步骤S1包括:将光纤光栅应变传感器放置在高低温箱中,获得在实际应变量不变时,温度对光栅应变传感器测得的应变量测量值的偏差的影响关系,并建立温度和应变量测量值的偏差的影响关系表。
在所述步骤S2中,所述初始局部温度T0为-10度到0度,所述间隔时间至少为一个小时。
优选地,所述表面应变量第一修正值U1为:
U1=U-C*(T-T0),
其中,U是光纤光栅应变传感器测得的表面应变量测量值,单位为με,T0是指离该应变量第一修正值U1对应的测量节点最近的温度传感器的初始温度,单位为摄氏度;T是指离该应变量第一修正值U1对应的测量节点最近的温度传感器的当前温度,单位为摄氏度;C是应变量测量值的误差值与温度变化量的关系,单位为με/摄氏度。
其中,所述步骤S5包括:
步骤S51:输入在每个测量节点处的表面应变量第一修正值U1作为每个节点的输入变量xj;
步骤S52:对输入变量xj进行模糊化,每个节点的输入变量xj均定义一个区间二型模糊集合,作为首条模糊规则;
步骤S53:判断是否需要生成新的模糊规则;
步骤S54:根据步骤S53的判断结果确定需要生成的新的二型模糊规则的高斯隶属函数的不确定均值和宽度,并根据新的规则二型模糊将每个测量节点处的输入变量xj模糊;
步骤S55:利用梯度下降法,更新规则的前件参数;
步骤S56:利用Karnik_Mendel迭代算法来计算左、右边界输出yl、yr的值,并利用有序规则卡尔曼滤波算法,更新后件参数的左、右边界输出yl、yr和解模糊输出值y;
步骤S57:将步骤S56计算出的解模糊输出值y作为表面应变量第二修正值ue,并使用一接触式温度表测量出在测量节点处的温度,获得表面应变量真实值ue 1,将所述表面应变量第二修正值ue与所述表面应变量真实值ue 1对比,当偏差较大时,重复步骤S51-S56依次生成新的模糊规则和模糊集合,直到偏差小于一预设值,该预设值为0.1με到2με,区间二型模糊神经网络构建完成。
其中,所述步骤S7包括:
步骤S71:以一阶剪切变形理论为基础,建立支撑腿单元内部位移场;
步骤S72:根据小变形假设,由支撑腿单元内部位移场得到应变场,建立单元表面应变与截面应变的关系式。
步骤S73:由步骤S72的单元表面应变与截面应变的关系式以及步骤S6所述的不含温度影响的表面应变得到实际截面应变。
本发明的天线副反射面支撑腿变形在线测量装置针对光纤光栅传感器测量的应变既含有温度影响又含有应力影响的问题,提出通过使用应变传感器来补偿应变误差,实现了全天候下反射面副反射面支撑位置的是实时测量。本发明的天线副反射面支撑腿变形在线测量方法考虑到温度对光纤光栅应变传感器测量的影响,提出了两步补偿的方法,通过少量温度传感器对测量天线副反射面支撑腿各点应变进行初步温度补偿,其次,再根据自构架区间二型模糊神经网络预测出支撑腿各节点不含温度影响的应变,进一步抑制温度对光纤光栅应变传感器的影响,由此可以实时预估出支撑腿各节点不含温度影响的表面应变,并计算出副反射面支撑腿节点的位移值和支撑腿的变形,从而可以实时确定天线的副反射面位姿,其不受温度和应力等工作环境的影响。
附图说明
图1是现有的射电望远镜副反射面的结构示意图;
图2是根据本发明的一个实施例的天线副反射面支撑腿变形在线测量装置的整体结构示意图;
图3是如图2所示的天线副反射面支撑腿变形在线测量装置的光纤光栅传感器及温度传感器的排布方式示意图;
图4是发明的一个实施例的天线副反射面支撑腿变形在线测量方法的流程图;
图5是自构架区间二型模糊神经网络的结构图;
图6是自构架区间二型模糊神经网络的方法流程图;
图7是均值不确定的区间二型模糊集合的高斯隶属函数的示意图;
图8是支撑腿单元的几何特征图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明,但并不作为对本发明做任何限制的依据。
如图2所示为根据本发明的一个实施例的天线副反射面支撑腿变形在线测量装置,其安装于一天线上,该天线包括主反射面1、副反射面2,以及支撑于主反射面1的周缘与副反射面2的周缘之间的四个结构相同的支撑腿3。其中,主反射面1、副反射面2均与支撑腿3通过铆接方式相连。该天线副反射面支撑腿变形在线测量装置包括分别布置于每个支撑腿3上的多组光纤光栅传感器31和多个温度传感器32,光纤光栅传感器31用于测量支撑腿3的各测量节点的表面应变,温度传感器32用于测量支撑腿3的温度。在本实施例中,温度传感器32的系列号为B702297,CW/中心波长为1527nm,Model/型号为OS4330,光纤光栅传感器31和温度传感器32均采用环氧树脂胶水黏贴固定在支撑腿3的表面上。4个支撑腿的单元划分(段数划分)完全一致,每一个支撑腿3均包括多个均分的单元,每个单元的长度为1米到2米。
如图3所示为以其中一个包含4个均分的单元的支撑腿3为例,支撑腿3的某个单元上的光纤光栅传感器31和温度传感器32的排布方式。由于各支撑腿3的几何、材料等属性相同,因此光纤光栅传感器31在每一个支撑腿3的每一个单元中的布局完全一致,其中,每个支撑腿3的每个单元上的光纤光栅传感器31的数量为2-7组,每一组光纤光栅传感器31的数量为3个,一般来说,光纤传感器的数目越多,测量计算出的变形精度越高。多组光纤光栅传感器31分别沿支撑腿的轴向离散分布,每一组光纤光栅传感器32分别沿支撑腿3的外表面周向对称且离散分布,并避免布置在各个单元之间的连接点处,以避免由于单元的节点受力复杂对结构分析的影响。此外,考虑到若是每一个光纤光栅传感器同位置布置一个温度传感器,首先是造价高昂,由于一个温度传感器价格是一个光纤光栅传感器的20多倍,其次是传感器较多时相应的连接传感器的线缆也成倍增加,从而导致走线困难且影响被测物的结构,第三点是如果一光纤传感器配一温度传感器,一旦一个损坏,相对应的另一个传感器也无效了,因此,温度传感器32的数量少于光纤光栅传感器31的数量,每个支撑腿3的每个单元上的温度传感器32的数量为2-7个。
通过采用上述天线副反射面支撑腿变形在线测量装置,并假设温度传感器32的测量点处的温度与邻近该温度传感器32的光纤光栅传感器31的测量节点(即安装位置)处的温度一致,则可以得到支撑腿3在各光纤光栅传感器31的测量节点处的经过初步温度补偿的表面应变量第一修正值。
此外,由于各温度传感器32的测量点处的温度与光纤光栅传感器31的测量节点处的温度不可能完全一致,所以在各光纤光栅传感器31的测量节点处的经过初步温度补偿的表面应变量第一修正值依然含有部分温度对其影响。为进一步抑制该小范围温度对光纤光栅应变传感器测量准确性的影响,还可以根据光纤光栅传感器测量的支撑腿3在各测量节点处的表面应变量测量值和经过初步温度补偿的表面应变量第一修正值构建自构架区间二型模糊神经网络,并预测出支撑腿3在各测量节点处的表面应变量第二修正值将该值作为不含温度影响的表面应变量,最后根据应变与变形关系模型分别得出四根支撑腿3的变形量,进而得到该变形量对副反射面2的空间位置和姿态的影响,为调整机构提供补偿量。
如图4所示为采用上述天线副反射面支撑腿变形在线测量装置实现的一种天线副反射面支撑腿变形在线测量方法。该测量方法考虑到了温度对光纤光栅传感器测量的影响,其具体步骤如下:
步骤S1,利用高低温箱标校出温度对光纤光栅传感器31的应变量测量值的影响,具体包括:将光纤光栅应变传感器31放置在高低温箱中,获得在实际应变量不变时,温度对光栅应变传感器31测得的应变量测量值的误差值的影响关系,并建立温度和应变量测量值的误差值的影响关系表。
步骤S2,在每个支撑腿3上布置多个温度传感器32,由温度传感器32在深夜得到支撑腿3的初始局部温度T0,在一定间隔时间后,由温度传感器得到支撑腿3的当前局部温度T,从而获得温度变化值T-T0。
其中,温度传感器32的布置应使得在使用此温度传感器32测出的温度值进行温度补偿的光纤光栅传感器31的所在位置中,离此温度传感器32最远的所在位置与此温度传感器32的初始温差不超过两摄氏度。比如,一个温度传感器测出的温度值对与其相邻的五个光纤光栅传感器进行温度补偿,该温度传感器所在位置的初始温度与这五个光纤光栅传感器的所在位置中的最远位置的初始温度差不超过两摄氏度,因为后续步骤中模糊网络只能小范围的对数据修正,如果温度差过大,会导致精度较差。由于在深夜某一时刻认为每一个支撑腿3的每一个点的温度都是相同的,因此在深夜测量可以避免支撑腿3的各点间的初始温度存在温差。测得的支撑腿3的初始局部温度T0大约为-10度到0度。所述间隔时间一般为一个小时,或者也可以间隔时间更长,使得温度差比较明显。所述天线支撑腿的初始局部温度T0和当前局部温度T均是由温度传感器通过测量天线支撑腿节点的波长值,并通过查表法(见表1)得到的。
表1温度传感器波长与温度的关系
温度/摄氏度 | 波长/纳米 |
-39.53 | 1526.5466 |
-30.00 | 1526.6264 |
-20.04 | 1526.7080 |
-10.08 | 1526.7928 |
-0.11 | 1526.8806 |
9.85 | 1526.9714 |
19.90 | 1527.0637 |
29.80 | 1527.1581 |
39.95 | 1527.2570 |
49.97 | 1527.3566 |
59.86 | 1527.4582 |
69.77 | 1527.5625 |
79.95 | 1527.6672 |
99.94 | 1527.7746 |
99.94 | 1527.8843 |
109.98 | 1527.9939 |
119.94 | 1528.1079 |
步骤S3,由各个光纤光栅传感器31分别测得支撑腿3在各测量节点处的表面应变量测量值U;
步骤S4:通过步骤S1所获得的影响关系表,得到应变量测量值的误差值与温度变化量的关系C,根据邻近原则,将所述步骤S3中在各测量节点处的表面应变量测量值U分别扣除测量节点附近的温度对该应变量测量值U的影响,获得经过初步温度补偿后的表面应变量第一修正值U1;
所述表面应变量第一修正值U1为:
U1=U-C*(T-T0),
其中,U是光纤光栅应变传感器测得的表面应变量测量值,单位为με(微应变),T0是指离该应变量第一修正值U1对应的测量节点最近的温度传感器的初始温度,单位为摄氏度;T是指离该应变量第一修正值U1对应的测量节点最近的温度传感器的当前温度,单位为摄氏度;C是应变量测量值的误差值与温度变化量的关系,单位为με/摄氏度。
步骤S5:在工作前,使用一接触式温度表精确测量出在光纤光栅应变传感器的测量节点处的温度,获得不含温度影响的表面应变量真实值ue 1,并根据该表面应变量真实值ue 1和步骤S4所述的经过初步温度补偿的表面应变量第一修正值U1构建如图5所示的自构架区间二型模糊神经网络。
其中,该接触式温度测量表是手持式的,只能单点测量,且体积较大,重量较重,约有两个手机大小和重量,其与电压表相似,因此不能直接安装在天线撑腿上,以避免影响其结构。
具体的构建方法参照图6和现有的区间二型模糊神经网络的文献[续志军,杨帆,牛文达.自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用[J].光学精密工程,2011,19(6):1406-1413.],其具体包括以下步骤:
步骤S51:输入在每个测量节点处的表面应变量第一修正值U1作为每个节点的输入变量xj。其中,为使输入范围标准化,每个节点的输入变量xj都进行归一化处理,使其映射在区间[-1,1]上,将输入变量xj进行归一化处理会使得训练更有效率。
步骤S52:生成首条模糊规则。对输入变量xj进行模糊化,每个节点的输入变量xj均定义一个区间二型模糊集合,作为首条模糊规则。区间二型模糊集合的高斯隶属函数如图7所示,其表达式为:
其中,分别是第j个二型模糊集合的左,右高斯隶属函数的均值,σ是第j个二型模糊集合的宽度。
所述左,右高斯隶属函数的均值和宽度σ的值分别为:
σj=σfixed
其中,Δx是均值变化量,一般设为0.1,σfixed为预先设定的宽度。
步骤S53:判断是否需要生成新的模糊规则。预设一第一阈值φth,计算当前规则的规则激活度的中心值并判断是否满足规则激活度的中心值小于阈值,即是否满足若满足,则判断需要生成新的二型模糊规则;
在SSIT2FNN中,计算规则激活度,判断是否应该产生新的二型模糊规则。规则激活度是一个区间,其中心值为:
其中,是第i条规则的规则激活度的中心值,和f i分别是第i条规则的上、下界隶属函数的规则激活度。
将最大的规则激活度的中心值所对应的规则序号记为I,
即其中M(t)表示当前t时刻已有的规则总数,是第i条规则的规则激活度的中心值,I是最大的规则激活度的中心值所对应的规则序号。
如果则生成新的规则,其中阈值φth∈(0,1)是预先设定的值。其值的大小直接影响着规则的数目。当阈值φth值越小,生成的规则数目就会越少。
步骤S54:根据步骤S53的判断结果确定需要生成的新的二型模糊规则的高斯隶属函数的不确定均值和宽度,并根据新的二型模糊规则将每个测量节点处的输入变量xj模糊。具体包括以下步骤:
首先,预设一第二阈值ρ,先计算新的二型模糊规则的上下界隶属度区间的中心值并找到的最大值最后判断是否
SSIT2FNN利用第二层中的上下界隶属度区间的中心值来作为模糊集合产生的判断标准,上下界隶属度区间的中心值的计算公式如下:
对每个新生成的规则,令最大中心值对应的模糊集合记为Ij,
其中kj(t)表示与输入变量j相应的模糊集合数量。
由此,通过得到的Ij确定了规则序号,并由此确定对应第Ij条规则的上下界隶属度区间的中心值的以便下文使用。
当时,则采用已有的模糊集作为对应输入变量xj在新规则中的前件部分。否则,对应输入变量xj则生成一个新的模糊集,并设定kj(t+1)=kj(t)+1。其中ρ∈[0,1]是一个事先给定的阈值,其值大小决定了输入变量对应模糊集合的个数,并且ρ的取值越小,产生的模糊集合数就越少。
因此,新增二型模糊集合的初始不确定均值和标准差计算如下:
其中,是左高斯隶属函数的中心,是右高斯隶属函数的中心,是二型模糊集合的宽度,Δx为二型模糊集合中不确定域的宽度,其值的大小根据网络的输入范围(即步骤S4所述的经过初步温度补偿的表面应变量第一修正值U1的最大值和最小值之差)而定。
相应的,每个节点在区间内的输出为:
其中,是左高斯隶属函数的中心,是右高斯隶属函数的中心,是左,右高斯隶属函数的标准方差,和分别为上、下界隶属函数。
生成新的规则的同时,确定该规则的初始的后件参数。初始的后件参数为:
其中yd是当前输入下的期望输出值。Δy决定了最初的输出区间范围。
则,规则的后件参数为:
其中,c和s都是规则后件中的参数,代表第i条规则的后件参数s的初始值。
步骤S55:前件参数学习,利用梯度下降法,更新规则的前件参数;
其中,η为学习因子,其值的大小决定了学习速率的快慢。y(t)和yd(t)分别表示网络的实际输出和期望输出。和分别表示为第t+1时刻第i条规则的左,右高斯隶属函数的均值,和分别表示为第t时刻第i条规则的左,右高斯隶属函数的均值,和为规则激活度上下限对前件参数的偏导。
步骤S56:后件参数学习,利用Karnik_Mendel迭代算法来计算左、右边界输出yl、yr的值,并利用有序规则卡尔曼滤波算法,更新后件参数的左、右边界输出yl、yr和解模糊输出值y。
每条规则在后件层中都有相应的后件节点,其输出都是一个区间一型模糊集节点输出为:
其中,和分别表示初始排列的规则左右后件序列值。c和s都是规则后件参数。
令则上式可转换为:
随后将后件参数以升序排列,用和来表示初始排列的规则后件序列值,并用和表示重新排序之后的后件序列值。
左边界输出yl在规则重新排序的情况下可以表示为:
其中,yl代表左边界的输出,Ql和Qr是M×M维单位向量的置换矩阵。wl表示初始排列的规则左后件序列值,下界激活度f=(f 1,f 2,...,f M)T和上界是根据原规则顺序表示,和均为单位向量。
同理,右边界的输出yr在规则重新排序的情况下可以表示为:
其中,yr代表左边界的输出,Ql和Qr是M×M维单位向量的置换矩阵。wr表示初始排列的规则右后件序列值,下界激活度f=(f 1,f 2,...,f M)T和上界是根据原规则顺序表示,和均为单位向量。
上述的Karnik_Mendel迭代算法在被重新排列为升序的前提下计算左,右边界输出yl、yr的值,是因为随着值的改变,其顺序以及对应规则的顺序在计算yl、yr时也需要改变。
在有序规则卡尔曼滤波算法中,左,右边界的输出yl、yr可以另写为:
其中,yl、yr分别代表左,右边界的输出,和表示初始排列的规则后件序列值。
因此,将解模糊输出值y重新表示为:
其中,和上式可以进一步展开如下:
由于自构架区间二型模糊神经网络中的规则是在线学习生成的,wl和wr的维度会随时间推移而增加,并且和在一个矢量中的位置也会相应的改变。为了保持和在一个矢量中位置不变,在有序规则卡尔曼滤波算法中对矢量元素按规则顺序进行重新排序。用表示所有的后件参数和i=1,...,M,j=0,..,n,即为:
其中,参数均依据规则的顺序来排序,从而确保它们的位置在参数学习阶段随着规则数目的增加保持不变。解模糊输出值y可以另写为:
其中,后件参数矢量wTSK更新为:
式中,0<λ≤1是一个遗忘因子,且大小通常取为0.9。随着新规则的产生,矢量wTSK和的维度以及矩阵S的维度都会随之增加。假设在t时刻,wTSK和S的维度分别为2M(n+1)和2M(n+1)×2M(n+1),那么当一条新规则在t+1时刻生成时,变为:
此时,wTSK(t)和S(t)的表达式如下所示:
其中,q为一个较大的正常量,I为单位矩阵。wTSK(t+1)和S(t+1)的维度在展开之后分别变成了2M(n+1)和2M(n+1)×2M(n+1)。
上述步骤S51-S56的作用在于生成完整的模糊网络结构。模糊网络会根据新的数据不断生成新的模糊规则和模糊集合,直至训练完所有的在实际工作前的得到的有限的数据,此时,模糊网络稳定不再增加新的模糊规则。
步骤S57:将步骤S56计算出的解模糊输出值y作为预测出的不含温度影响的表面应变量第二修正值ue,并使用一接触式温度表精确测量出在光纤光栅应变传感器的测量节点处的温度,获得不含温度影响的表面应变量真实值ue 1,将预测出的不含温度影响的表面应变量第二修正值ue与测量出的不含温度影响的表面应变量真实值ue 1对比,当应变的偏差较大时,重复步骤S51-S56依次生成新的模糊规则和模糊集合,直到应变的偏差直到偏差小于一预设值,该预设值为0.1με到2με,因为一摄氏度的误差会造成光纤传感器应变测量值10个微应变的误差,这样设置可以使得温度的测量温差极小。此时,说明区间二型模糊神经网络构建完成,利用已经建立的完整的网络结构进行输出预估,实时得到的各节点不含温度影响的表面应变量第二修正值ue,可以作为支撑腿在光纤光栅应变传感器不含温度影响的表面应变。
步骤S6,在实际工作时,将步骤S4所述的经过初步温度补偿的表面应变量第一修正值带入步骤S5所述的区间二型模糊神经网络,得到的表面应变量第二修正值ue作为支撑腿光纤光栅应变传感器不含温度影响的表面应变。
步骤S7,通过步骤S6所述的不含温度影响的表面应变获得拉伸、弯曲、剪切和扭转引起的支撑腿截面应变,具体过程如下:
其中,截面应变指的是由拉伸,弯曲,剪切,扭转引起的应变,支撑腿单元的几何特征如图8所示,其变形u(x)=[u(x),v(x),w(x),θx(x),θy(x),θz(x)]T可以引起撑腿截面拉伸,弯曲,剪切和扭转四种应变状态,该截面应变的定义公式为:
e(x)=[e1(x),e2(x),e3(x),e4(x),e5(x),e6(x)]T
其中,u(x)为撑腿沿x方向位移,v(x)为沿y方向位移,w(x)为沿z方向位移,θx(x)为沿x轴转角,θy(x)为沿y轴转角,θz(x)为沿z轴转角,e1为沿x方向拉伸引起的截面应变,e2和e3为由弯曲引起的截面应变,e4和e5为由剪切引起的截面应变,e6为由扭转引起的截面应变,e(x)为截面应变,位移和转角如图7所示。
其中,所述由拉伸、弯曲、剪切和扭转引起的支撑腿截面应变是通过建立支撑腿单元横截面的位移场函数,再通过位移场函数建立单元表面应变与截面应变的关系表达式,随后由表面测量应变计算得到的截面应变来获得的,其具体过程如下:
步骤S71:以一阶剪切变形理论为基础,即考虑剪切并忽略由于扭转产生的截面翘曲,建立支撑腿单元内部位移场。支撑腿单元内部位移场的函数为:
ux(x,y,z)=u(x)+zθy(x)+yθz(x)
uy(x,y,z)=v(x)-zθx(x)
uz(x,y,z)=w(x)+yθx(x)
其中,ux(x,y,z),uy(x,y,z)和uz(x,y,z)分别为横截面内任意点沿x轴,y轴与z轴方向的位移。u(x),v(x)和w(x)分别代表y=z=0时的位移,即中轴线的位移;
步骤S72:根据小变形假设,由支撑腿单元内部位移场得到应变场,建立单元表面应变与截面应变的关系式。
应变场的函数为:
单元表面应变与截面应变的关系式为:
ε*(x,θ,β)=εx(cos2β-μsin2β)+γxzcosθcosβsinβ-γxysinθcosβsinβ
其中,ε*为不含温度影响的表面应变,εx为轴向应变,γxz和γxy为剪切应变,β为光纤传感器粘贴位置与母线的夹角,θ为光纤传感器粘贴位置与y轴在xz面上的夹角。
步骤S73:由步骤S72的单元表面应变与截面应变的关系式以及步骤S6所述的不含温度影响的表面应变ε*计算得到实际截面应变e(x)。因为有六个截面应变,因此需要测量同一截面圆周方向六个不同位置的应变。
步骤S8:根据撑腿的边界约束特点建立包含撑腿节点信息的变形位移场形函数,通过位移场形函数推导出节点自由度(包含单元节点位移和单元节点转角)与截面应变的关系,从而根据位移场形函数和步骤S7所述的支撑腿截面应变得到支撑腿的单元节点位移。
其中,根据节点自由度与截面应变的关系式为:
e(x)=B(x)ue
其中B(x)称为应变矩阵,由位移场形函数和应变场形函数得到,ue为节点自由度。
表面应变与单元节点位移和转角ue的关系式为:keue=fε。
其中,ke=L*BT(x)B(x),fε=L*BT(x)eε,ke为刚度矩阵,fε为载荷向量,L为单元长度,B(x)为应变矩阵,eε为实际截面应变。
以上所述的,仅为本发明的较佳实施例,并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (10)
1.一种天线副反射面支撑腿变形在线测量装置,其特征在于,所述天线的副反射面的每个支撑腿(3)上布置有多组光纤光栅传感器(31)和多个温度传感器(32)。
2.根据权利要求1所述的天线副反射面支撑腿变形在线测量装置,其特征在于,多组光纤光栅传感器(31)分别沿支撑腿的轴向离散分布,且分别沿所述支撑腿(3)的外表面周向对称离散分布。
3.根据权利要求1所述的天线副反射面支撑腿变形在线测量装置,其特征在于,每个支撑腿(3)均包括多个均分的单元,每个单元的长度为1米到2米。
4.根据权利要求3所述的天线副反射面支撑腿变形在线测量装置,其特征在于,所述每个支撑腿(3)的每个单元上的光纤光栅传感器(31)的数量为2-7组,且每组光纤光栅传感器(31)的数量为3个,每个支撑腿(3)的每个单元上的温度传感器(32)的数量为2-7个。
5.根据权利要求1所述的天线副反射面支撑腿变形在线测量装置,其特征在于,所述光纤光栅传感器(31)和温度传感器(32)均采用环氧树脂胶水黏贴固定在支撑腿(3)的表面上。
6.一种天线副反射面支撑腿变形在线测量方法,其特征在于,包括:
步骤S1:利用高低温箱标校出温度对光纤光栅传感器(31)的应变量测量值的影响;
步骤S2:在每个支撑腿(3)上布置多个温度传感器(32),由温度传感器(32)在深夜得到支撑腿(3)的初始局部温度T0,在一定间隔时间后,由温度传感器得到支撑腿(3)的当前局部温度T,从而获得温度变化值T-T0;
步骤S3,在每个支撑腿(3)上沿轴向布置多组光纤光栅传感器(31),每一组光纤光栅传感器(32)分别沿所述支撑腿(3)的外表面周向对称且离散分布,由各个光纤光栅传感器(31)分别测得支撑腿(3)在各测量节点处的表面应变量测量值U;
步骤S4:通过步骤S1的影响关系表,得到应变量测量值的误差值与温度变化量的关系C,将所述步骤S3中的在各测量节点处的表面应变量测量值U分别扣除测量节点附近的温度对所述应变量测量值U的影响,获得经过初步温度补偿后的表面应变量第一修正值U1;
步骤S5:使用一接触式温度表精确测量出在测量节点处的温度,获得不含温度影响的表面应变量真实值ue 1,并根据该表面应变量真实值ue 1和步骤S4所述的表面应变量第一修正值U1构建自构架区间二型模糊神经网络;
步骤S6:将步骤S4所述的表面应变量第一修正值带入步骤S5所述的区间二型模糊神经网络,得到的表面应变量第二修正值ue作为支撑腿光纤光栅应变传感器不含温度影响的表面应变;
步骤S7:通过步骤S6所述的不含温度影响的表面应变获得拉伸、弯曲、剪切和扭转引起的支撑腿截面应变;
步骤S8:根据撑腿的边界约束特点建立变形位移场形函数,并根据位移场形函数和步骤S7所述的支撑腿截面应变得到支撑腿的单元节点位移。
7.根据权利要求6所述的天线副反射面支撑腿变形在线测量方法,其特征在于,在所述步骤S2中,所述初始局部温度T0为-10度到0度,所述间隔时间至少为一个小时。
8.根据权利要求6所述的天线副反射面支撑腿变形在线测量方法,其特征在于,所述表面应变量第一修正值U1为:
U1=U-C*(T-T0),
其中,U是光纤光栅应变传感器测得的表面应变量测量值,单位为με,T0是指离该应变量第一修正值U1对应的测量节点最近的温度传感器的初始温度,单位为摄氏度;T是指离该应变量第一修正值U1对应的测量节点最近的温度传感器的当前温度,单位为摄氏度;C是应变量测量值的误差值与温度变化量的关系,单位为με/摄氏度。
9.根据权利要求6所述的天线副反射面支撑腿变形在线测量方法,其特征在于,所述步骤S5包括:
步骤S51:输入在每个测量节点处的表面应变量第一修正值U1作为每个节点的输入变量xj;
步骤S52:对输入变量xj进行模糊化,每个节点的输入变量xj均定义一个区间二型模糊集合,作为首条模糊规则;
步骤S53:判断是否需要生成新的模糊规则;
步骤S54:根据步骤S53的判断结果确定需要生成的新的二型模糊规则的高斯隶属函数的不确定均值和宽度,并根据新的规则二型模糊将每个测量节点处的输入变量xj模糊;
步骤S55:利用梯度下降法,更新规则的前件参数;
步骤S56:利用Karnik_Mendel迭代算法来计算左、右边界输出yl、yr的值,并利用有序规则卡尔曼滤波算法,更新后件参数的左、右边界输出yl、yr和解模糊输出值y;
步骤S57:将步骤S56计算出的解模糊输出值y作为表面应变量第二修正值ue,并使用一接触式温度表测量出在测量节点处的温度,获得表面应变量真实值ue 1,将所述表面应变量第二修正值ue与所述表面应变量真实值ue 1对比,当偏差较大时,重复步骤S51-S56依次生成新的模糊规则和模糊集合,直到偏差小于一预设值,该预设值为0.1με到2με,区间二型模糊神经网络构建完成。
10.根据权利要求6所述的天线副反射面支撑腿变形在线测量方法,其特征在于,所述步骤S7包括:
步骤S71:以一阶剪切变形理论为基础,建立支撑腿单元内部位移场;
步骤S72:根据小变形假设,由支撑腿单元内部位移场得到应变场,建立单元表面应变与截面应变的关系式。
步骤S73:由步骤S72的单元表面应变与截面应变的关系式以及步骤S6所述的不含温度影响的表面应变得到实际截面应变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910019835.4A CN109631790B (zh) | 2019-01-09 | 2019-01-09 | 一种天线副反射面支撑腿变形在线测量装置及测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910019835.4A CN109631790B (zh) | 2019-01-09 | 2019-01-09 | 一种天线副反射面支撑腿变形在线测量装置及测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109631790A true CN109631790A (zh) | 2019-04-16 |
CN109631790B CN109631790B (zh) | 2020-11-13 |
Family
ID=66061595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910019835.4A Active CN109631790B (zh) | 2019-01-09 | 2019-01-09 | 一种天线副反射面支撑腿变形在线测量装置及测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109631790B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429422A (zh) * | 2020-03-19 | 2020-07-17 | 中国工程物理研究院激光聚变研究中心 | 基于深度学习的激光近场状态分析方法及装置 |
CN112985479A (zh) * | 2021-02-09 | 2021-06-18 | 山东省科学院海洋仪器仪表研究所 | 一种海洋浮标通信天线健康状况实时监测系统及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5513913A (en) * | 1993-01-29 | 1996-05-07 | United Technologies Corporation | Active multipoint fiber laser sensor |
WO2002003047A2 (en) * | 2000-07-03 | 2002-01-10 | Michigan State University | Method and apparatus for the detection of volatile products in a sample |
US6513390B1 (en) * | 2000-11-01 | 2003-02-04 | Mcmaster University | Temperature insensitive fiber-optic torque and strain sensor |
EP0892244B1 (en) * | 1997-07-18 | 2003-04-09 | C.R.F. Società Consortile per Azioni | Check system for monitoring the strain status of high pressure bottles particularly methane gas bottles for motor-vehiles |
US20050150778A1 (en) * | 2002-11-18 | 2005-07-14 | Lewis Nathan S. | Use of basic polymers in carbon black composite vapor detectors to obtain enhanced sensitivity and classification performance for volatile fatty acids |
CN101408427A (zh) * | 2008-11-19 | 2009-04-15 | 中国航天时代电子公司 | 一种光纤陀螺仪分布式分层级温度误差补偿方法 |
CN101520317A (zh) * | 2009-04-10 | 2009-09-02 | 山东大学 | 基于光纤应变传感的岩石变形破裂三维动态测试系统 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN104748694A (zh) * | 2015-04-03 | 2015-07-01 | 河海大学 | 一种应用分布式光纤光栅传感网测算岩样环向应变的方法 |
CN104992225A (zh) * | 2015-06-19 | 2015-10-21 | 南京航空航天大学 | 一种大变形柔性体动态测量数据温度与湿度的补偿方法 |
CN105758322A (zh) * | 2015-11-27 | 2016-07-13 | 中国舰船研究设计中心 | 基于光纤光栅传感器的天线场转台形变监测装置与方法 |
CN105783751A (zh) * | 2014-12-17 | 2016-07-20 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种多场耦合状态下支点矢量变形测试方法 |
CN106248150A (zh) * | 2016-10-10 | 2016-12-21 | 山东大学 | 应用于厢式滤板的外贴式光纤光栅传感器、检测系统与方法 |
CN106276606A (zh) * | 2016-08-09 | 2017-01-04 | 武汉理工大学 | 基于光纤光栅传感技术的桥式起重机健康在线监测系统 |
CN106679582A (zh) * | 2017-01-04 | 2017-05-17 | 大连海事大学 | 一种基于应变的船闸背拉杆的动态监测系统及其监测方法 |
CN106998226A (zh) * | 2017-03-22 | 2017-08-01 | 信阳师范学院 | 光纤光栅传感器网络智能健康监测自修复系统及方法 |
-
2019
- 2019-01-09 CN CN201910019835.4A patent/CN109631790B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5513913A (en) * | 1993-01-29 | 1996-05-07 | United Technologies Corporation | Active multipoint fiber laser sensor |
EP0892244B1 (en) * | 1997-07-18 | 2003-04-09 | C.R.F. Società Consortile per Azioni | Check system for monitoring the strain status of high pressure bottles particularly methane gas bottles for motor-vehiles |
WO2002003047A2 (en) * | 2000-07-03 | 2002-01-10 | Michigan State University | Method and apparatus for the detection of volatile products in a sample |
US6513390B1 (en) * | 2000-11-01 | 2003-02-04 | Mcmaster University | Temperature insensitive fiber-optic torque and strain sensor |
US20050150778A1 (en) * | 2002-11-18 | 2005-07-14 | Lewis Nathan S. | Use of basic polymers in carbon black composite vapor detectors to obtain enhanced sensitivity and classification performance for volatile fatty acids |
CN101408427A (zh) * | 2008-11-19 | 2009-04-15 | 中国航天时代电子公司 | 一种光纤陀螺仪分布式分层级温度误差补偿方法 |
CN101520317A (zh) * | 2009-04-10 | 2009-09-02 | 山东大学 | 基于光纤应变传感的岩石变形破裂三维动态测试系统 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN105783751A (zh) * | 2014-12-17 | 2016-07-20 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种多场耦合状态下支点矢量变形测试方法 |
CN104748694A (zh) * | 2015-04-03 | 2015-07-01 | 河海大学 | 一种应用分布式光纤光栅传感网测算岩样环向应变的方法 |
CN104992225A (zh) * | 2015-06-19 | 2015-10-21 | 南京航空航天大学 | 一种大变形柔性体动态测量数据温度与湿度的补偿方法 |
CN105758322A (zh) * | 2015-11-27 | 2016-07-13 | 中国舰船研究设计中心 | 基于光纤光栅传感器的天线场转台形变监测装置与方法 |
CN106276606A (zh) * | 2016-08-09 | 2017-01-04 | 武汉理工大学 | 基于光纤光栅传感技术的桥式起重机健康在线监测系统 |
CN106248150A (zh) * | 2016-10-10 | 2016-12-21 | 山东大学 | 应用于厢式滤板的外贴式光纤光栅传感器、检测系统与方法 |
CN106679582A (zh) * | 2017-01-04 | 2017-05-17 | 大连海事大学 | 一种基于应变的船闸背拉杆的动态监测系统及其监测方法 |
CN106998226A (zh) * | 2017-03-22 | 2017-08-01 | 信阳师范学院 | 光纤光栅传感器网络智能健康监测自修复系统及方法 |
Non-Patent Citations (3)
Title |
---|
YANG AN,XIAOCEN WANG,ZHIGANG QU,TAO LIAO,ZHONGLIANG NAN: "Fiber Bragg grating temperature calibration based on BP neural network", 《OPTIK》 * |
姚远、易本顺、肖进胜、李朝辉: "光纤布拉格光栅传感器的温度补偿研究", 《应用激光》 * |
黄建明,张明达: "光纤光栅应变传感器温度补偿", 《国外电子测量技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429422A (zh) * | 2020-03-19 | 2020-07-17 | 中国工程物理研究院激光聚变研究中心 | 基于深度学习的激光近场状态分析方法及装置 |
CN112985479A (zh) * | 2021-02-09 | 2021-06-18 | 山东省科学院海洋仪器仪表研究所 | 一种海洋浮标通信天线健康状况实时监测系统及方法 |
CN112985479B (zh) * | 2021-02-09 | 2022-07-08 | 山东省科学院海洋仪器仪表研究所 | 一种海洋浮标通信天线健康状况实时监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109631790B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdulshahed et al. | Thermal error modelling of a gantry-type 5-axis machine tool using a grey neural network model | |
CN102411305B (zh) | 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法 | |
CN105930571A (zh) | 基于单位温度响应监测值的大跨钢桥有限元模型修正方法 | |
CN108705531A (zh) | 工业机器人的运动学参数标定方法、标定系统、电子设备 | |
CN109631790A (zh) | 一种天线副反射面支撑腿变形在线测量装置及测量方法 | |
CN104376214A (zh) | 基于数据驱动的脉动风速模拟方法 | |
CN103440368A (zh) | 一种多模型动态软测量建模方法 | |
CN110263429B (zh) | 基于机器学习的索网反射面天线形面精度调整方法 | |
Hosseini et al. | Multi Objective Particle Swarm Optimization (MOPSO) for size and shape optimization of 2D truss structures | |
CN108320046A (zh) | 短期电力负荷预测建模方法 | |
Xiang et al. | Multi-dimensional data-based medium-and long-term power-load forecasting using double-layer CatBoost | |
CN104950805B (zh) | 一种基于Floyd算法的空间误差补偿方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN105277130B (zh) | 折叠展开结构褶皱区域轴向变形光纤快速计算方法 | |
CN109657301A (zh) | 基于双重凝聚函数的含病态载荷的结构拓扑优化方法 | |
CN104932258B (zh) | 一种望远镜反射面力学模型修正方法 | |
CN113188715A (zh) | 基于机器学习的多维力传感器静态校准数据处理方法 | |
CN112859601A (zh) | 机器人控制器设计方法、装置、设备及可读存储介质 | |
CN104899642A (zh) | 基于混合神经网络模型的大变形柔性体动态应力补偿方法 | |
Parsapoor et al. | Neuro-fuzzy models, BELRFS and LoLiMoT, for prediction of chaotic time series | |
Zhang et al. | Development and experimental verification of an adaptive structure for phased antenna array using SMA bunch | |
CN114725948B (zh) | 基于数据驱动灵敏度的风电场分布式次梯度电压控制方法 | |
CN103823969B (zh) | 一种电网稳态模型的可视化构建方法 | |
CN109814389A (zh) | 参数自整定的mimo异因子紧格式无模型控制方法 | |
CN105718664A (zh) | 基于傅立叶级数与分形函数的大型天线轨道不平度建模方法 |
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 |