CN110851913B - 一种直升机气动噪声确定方法 - Google Patents
一种直升机气动噪声确定方法 Download PDFInfo
- Publication number
- CN110851913B CN110851913B CN201910960826.5A CN201910960826A CN110851913B CN 110851913 B CN110851913 B CN 110851913B CN 201910960826 A CN201910960826 A CN 201910960826A CN 110851913 B CN110851913 B CN 110851913B
- Authority
- CN
- China
- Prior art keywords
- helicopter
- aerodynamic
- noise
- data
- correlation model
- 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
Links
Images
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于飞行器气动设计领域,涉及一种直升机气动噪声的确定方法。本发明直升机气动噪声的确定方法,其特征在于,利用直升机气动噪声的试验或试飞数据中的总体气动参数,建立直升机总体气动参数与气动噪声水平的相关性模型,以实际直升机总体气动参数为输入,获得直升机气动噪声水平,其中,所述相关性模型建立时,观测值数据a包含了n种直升机的总体参数D'和观测的噪声数据SPL′,总体气动参数D'由m个数据集合构成D'=(D'1…D'm),m≥3,n≥m;噪声数据SPL′由l种不同飞行状态的数据集合构成,l≥1。本发明直升机气动噪声确定方法仅需要有限的设计输入参数,即可实现快速预估直升机的气动噪声水平,相对于现有方法,简单易于实现,且精度高。
Description
技术领域
本发明属于飞行器气动设计领域,涉及一种直升机气动噪声的确定方法。
背景技术
在直升机的设计中,直升机气动噪声水平确定是重要的设计流程。常规的直升机气动噪声确定,需要建立了复杂的设计流程和数值计算方法,其设计流程包括直升机的全机配平、旋翼气动载荷预估、流场分析以及声学计算等(图1)。常规的直升机气动噪声确定方法需要的计算周期较长,并且需要旋翼总体、气动、结构等大量详细设计参数支持,不适用于直升机的概念设计和初步设计。
发明内容
本发明的目的:提供一种设计输入参数少,能够快速预估不同状态的直升机气动噪声水平的气动噪声确定方法。
本发明的技术方案:一种直升机气动噪声的确定方法所述方法包含相关性模型的建立过程(1)和直升机气动噪声确定过程(2);
所述相关性模型建立过程(1)是在一系列直升机噪声的观测值数据a的基础上,利用相关性分析方法进行相关性分析,建立直升机总体气动参数D'与直升机噪声观测数据SPL′的相关性模型b;
所述直升机气动噪声确定过程(2)是以需要分析的直升机总体气动参数D为输入数据c,利用过程(1)建立的相关性模型,给出直升机噪声值SPL作为输出结果d,获得直升机噪声水平。
所述相关性模型b为基于回归分析获得的线性函数。
所述相关性模型b为:
EPNL=A0+∑iAilog(Di),其中,EPNL为有效感觉噪声级,A0为相关性模型常数,Ai为相关性模型中的优化系数,Di为Di为所述的直升机总体气动参数输入,i为自然数。
所述相关性模型b为经过训练的单层或多层神经网络结构。
所述观测值数据a中观测的噪声数据SPL′为直升机气动噪声的试验数据或试飞数据。
所述观测值数据a包含了n种直升机的总体参数D′和观测的噪声数据SPL′,总体气动参数D'由m个数据集合构成D′=(D′1…D′m),m≥3,n≥m;噪声数据SPL′由l种不同飞行状态的数据集合构成,l≥1。
所述的总体气动参数D'集合中的数据名称包含以下至少3个:起飞重量、旋翼直径、旋翼桨尖速度、旋翼实度、旋翼桨叶片数、尾桨直径、尾桨桨尖速度、尾桨实度、尾桨叶片数、最大连续功率。
所述不同飞行状态包含平飞状态、起飞状态、进场状态中至少一个。
所述过程(2)输入数据c中的总体气动参数D与过程(1)观测值数据a中的总体气动参数D'具有相同的数据名称,并一一对应。
所述过程(2)中直升机噪声值SPL与过程(1)观测值数据a中的噪声观测数据SPL′具有相同的数据单位,并且飞行状态一一对应。
本发明的有益效果:本发明直升机气动噪声的确定方法不需要直升机的全机配平、旋翼气动载荷预估、流场分析以及声学计算等复杂计算,利用相关性模型,能够以直升机主要总体气动参数为输入参数,快速预估不同状态的直升机气动噪声水平,其简单,易于实现,而且精度高,与试飞数据对比的确定系数R2大于0.92,具有较好的预测准确性,相对于现有技术具有显著的进步和突出的技术效果。
附图说明
图1为现有直升机噪声确定方法原理图;
图2为本发明直升机气动噪声的确定方法的原理图;
图3为本发明中相关性模型确定过程;
图4为本发明中相关性模型另一确定过程;
图5为本发明直升机气动噪声确定方法效果示意图;
图6为本发明直升机气动噪声确定方法效果示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种设计输入参数少,能够快速预估不同状态的直升机气动噪声水平的气动噪声确定方法。图2所示为所述方法中包含的相关性模型建立过程(1)和直升机气动噪声确定过程(2),用于过程(1)实现的观测值数据a如下表,包含直升机总体气动参数D′与直升机噪声观测数据SPL′。所述直升机气动噪声确定过程(2)是以需要分析的直升机总体气动参数D为输入数据c,利用过程(1)建立的相关性模型,给出直升机噪声值SPL作为输出结果d,获得直升机噪声水平。
实施例1:
图3所示为一种本发明涉及的相关性模型建立过程(1)的实施例。所述相关性模型b采用LOG()函数将曲线回归转化为线性回归,再利用上表中15组观测值数据与理论值的误差平方和最小所建立的线性方程计算形式,进行多元线性回归分析,并以线性方程的一般形式来表达相关性模型。
具体的,所述相关性模型描述方式如下:
EPNL=A0|∑iAilog(Dt),其中,EPNL为有效感觉噪声级,A0为相关性模型常数,Ai为相关性模型中的与线性化处理后的总体气动参数相对应的线性化系数,Di为Di为所述的直升机总体气动参数输入,i为自然数。
A<sub>0</sub> | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> | A<sub>4</sub> | A<sub>5</sub> | A<sub>6</sub> |
68.36225 | -15.9144 | 35.558 | -24.2985 | -3.61308 | -17.4724 | 6.388841 |
图5所示为本发明所述直升机气动噪声确定过程(2)利用相关性模型实施后获得的结果示意图,预测值与试飞数据(观测值)对比的确定系数R2(相关因子)大于0.9219,因此具有较好的噪声预测精度。
实施例2:
图4所示为另一种本发明涉及的相关性模型建立过程(1)的实施例。所述相关性模型b中,其神经网络结构包括输入层、中间层、输出层,中间层可以为单层或多层。其中,输入层、中间层和输出层均由一系列单元构成,输入层各单元分别连接到中间层的各单元上,中间层各单元均连接到输出层上,构成复杂连接网络。其中,总体气动参数D′在输入层,参数数量与输入层单元数量相同,噪声观测数据SPL′的飞行状态与输出层单元数量相同。通过共轭梯度法进行网络权值矩阵的修正实现网络训练,获得相关性模型。
图6所示为本发明所述直升机气动噪声确定过程(2)利用相关性模型实施后获得的结果示意图,预测值与试飞数据(观测值)对比的确定系数R2(又为相关因子)大于0.9551,因此本发明方法的噪声预测准确,具有较好的精度。
以上所述,仅为本发明的具体实施例,对本发明进行详细描述,未详尽部分为常规技术。但本发明的保护范围不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种直升机气动噪声确定方法,其特征在于,所述方法包含相关性模型的建立过程(1)和直升机气动噪声确定过程(2);所述相关性模型建立过程(1)是在一系列直升机噪声的观测值数据a的基础上,利用相关性分析方法进行相关性分析,建立直升机总体气动参数D'与直升机噪声观测数据SPL′的相关性模型b;所述直升机气动噪声确定过程(2)是以需要分析的直升机总体气动参数D为输入数据c,利用相关性模型的建立过程(1)建立的相关性模型,给出直升机噪声值SPL作为输出结果d,获得直升机噪声水平;
所述相关性模型b为:EPNL=A0+∑iAilog(Di),其中,EPNL为有效感觉噪声级,A0为相关性模型常数,Ai为相关性模型中的优化系数,Di为所述的直升机总体气动参数输入,i为自然数。
2.根据权利要求1所述的直升机气动噪声确定方法,其特征在于,所述相关性模型b为基于回归分析获得的线性函数。
3.根据权利要求1所述的直升机气动噪声确定方法,其特征在于,所述相关性模型b为经过训练的单层或多层神经网络结构。
4.根据权利要求1所述的直升机气动噪声确定方法,其特征在于,所述观测值数据a中观测的噪声数据SPL′为直升机气动噪声的试验数据或试飞数据。
5.根据权利要求1所述的直升机气动噪声确定方法,其特征在于,所述观测值数据a包含了n种直升机的总体气动参数D'和观测的噪声数据SPL′,总体气动参数D'由m个数据集合构成D'=(D'1…D'm),m≥3,n≥m;噪声数据SPL′由l种不同飞行状态的数据集合构成,l≥1。
6.根据权利要求5所述的直升机气动噪声确定方法,其特征在于,总体气动参数D'数据集合中的数据名称包含以下至少3个:起飞重量、旋翼直径、旋翼桨尖速度、旋翼实度、旋翼桨叶片数、尾桨直径、尾桨桨尖速度、尾桨实度、尾桨叶片数、最大连续功率。
7.根据权利要求5所述的直升机气动噪声确定方法,其特征在于,观测的噪声数据SPL′,所述不同飞行状态包含平飞状态、起飞状态、进场状态中至少一个。
8.根据权利要求1所述的直升机气动噪声确定方法,其特征在于,所述过程(2)输入数据c中的总体气动参数D与相关性模型的建立过程(1)观测值数据a中的总体气动参数D'具有相同的数据名称,并一一对应。
9.根据权利要求1所述的直升机气动噪声确定方法,其特征在于,所述过程(2)中直升机噪声值SPL与相关性模型的建立过程(1)观测值数据a中的噪声观测数据SPL′具有相同的数据单位,并且飞行状态一一对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960826.5A CN110851913B (zh) | 2019-10-10 | 2019-10-10 | 一种直升机气动噪声确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960826.5A CN110851913B (zh) | 2019-10-10 | 2019-10-10 | 一种直升机气动噪声确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110851913A CN110851913A (zh) | 2020-02-28 |
CN110851913B true CN110851913B (zh) | 2022-11-22 |
Family
ID=69597903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960826.5A Active CN110851913B (zh) | 2019-10-10 | 2019-10-10 | 一种直升机气动噪声确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110851913B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111717411B (zh) * | 2020-05-22 | 2021-09-07 | 成都飞机工业(集团)有限责任公司 | 一种基于试飞数据标准重量下巡航推力增量的修正方法 |
CN112214835B (zh) * | 2020-09-25 | 2022-05-06 | 中国直升机设计研究所 | 一种旋翼悬停状态气动噪声工程估算方法 |
CN116628429B (zh) * | 2023-07-26 | 2023-10-10 | 青岛远度智能科技有限公司 | 一种无人机平稳升降智能控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468818A (zh) * | 2015-11-12 | 2016-04-06 | 南京航空航天大学 | 一种用于直升机旋翼地面声场预测的方法 |
CN106709216A (zh) * | 2017-02-24 | 2017-05-24 | 中国航天空气动力技术研究院 | 一种考虑声传播相关性丢失的麦克风阵列优化设计方法 |
CN110091216A (zh) * | 2019-05-13 | 2019-08-06 | 江苏师范大学 | 铣削噪声与铣削振动的监测及其相关性分析系统及方法 |
CN110177934A (zh) * | 2016-11-14 | 2019-08-27 | 维斯塔斯风力系统集团公司 | 风力涡轮机的噪声分析与控制 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7296006B2 (en) * | 2002-11-25 | 2007-11-13 | Simmonds Precision Products, Inc. | Method of inferring rotorcraft gross weight |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN101672690A (zh) * | 2009-09-27 | 2010-03-17 | 吉林大学 | 基于听觉模型的车内噪声烦躁度客观量化评价方法 |
-
2019
- 2019-10-10 CN CN201910960826.5A patent/CN110851913B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468818A (zh) * | 2015-11-12 | 2016-04-06 | 南京航空航天大学 | 一种用于直升机旋翼地面声场预测的方法 |
CN110177934A (zh) * | 2016-11-14 | 2019-08-27 | 维斯塔斯风力系统集团公司 | 风力涡轮机的噪声分析与控制 |
CN106709216A (zh) * | 2017-02-24 | 2017-05-24 | 中国航天空气动力技术研究院 | 一种考虑声传播相关性丢失的麦克风阵列优化设计方法 |
CN110091216A (zh) * | 2019-05-13 | 2019-08-06 | 江苏师范大学 | 铣削噪声与铣削振动的监测及其相关性分析系统及方法 |
Non-Patent Citations (2)
Title |
---|
"一种基于物理机制的飞机增升装置气动噪声快速预测方法研究";李卿,等;《航空科学技术》;20190725;第30卷(第7期);第20-26页 * |
"基于回归分析与BP神经网络的风机噪声预测";程静,等;《噪声与振动控制》;20131231;第33卷(第6期);第49-52、123页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110851913A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851913B (zh) | 一种直升机气动噪声确定方法 | |
CN112528407B (zh) | 一种固定翼飞机亚音速巡航航程优化设计方法 | |
CN111382522B (zh) | 一种基于起飞滑跑数据的航空发动机安装推力评估方法 | |
CN110702363B (zh) | 针对雷诺数影响的高空螺旋桨风洞试验数据修正方法 | |
Murphy et al. | Rapid aero modeling for urban air mobility aircraft in computational experiments | |
CN112528478B (zh) | 一种无人机阵风载荷谱快速编制方法 | |
CN109540459B (zh) | 一种气动特性数值计算结果修正方法 | |
Pettersson et al. | Aerodynamic scaling to free flight conditions: Past and present | |
CN111274648B (zh) | 一种民用飞机前缘襟翼的分布式飞行载荷设计方法 | |
CN110188468B (zh) | 曲线纤维复合材料翼面结构气动弹性剪裁优化方法及系统 | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN110702364A (zh) | 针对桨尖马赫数影响的高空螺旋桨风洞试验数据修正方法 | |
CN114169503A (zh) | 一种飞机着陆距离精准预测方法 | |
Milewski | Three-dimensional viscous flow computations using the integral boundary layer equations simultaneously coupled with a low order panel method | |
US20220121786A1 (en) | Rapid Aero Modeling for Computational Experiments (RAM-C) | |
CN114218684B (zh) | 一种民机载荷谱中动态载荷放大因子确定方法 | |
CN114065386B (zh) | 一种快速预计整机mtbf的多元线性回归方程方法 | |
Xu et al. | Composite structural optimization by genetic algorithm and neural network response surface modeling | |
CN111959817A (zh) | 一种确定飞翼布局飞机机翼变形限制条件的方法 | |
CN113673023A (zh) | 一种飞机复杂块体结构疲劳载荷谱确定方法 | |
Bousman et al. | Assessment of predictive capability of aeromechanics methods | |
Asher et al. | Developing a probabilistic load spectrum for fatigue modeling | |
Peng et al. | Research on Constructing Surrogate Model of Rocket Aerodynamic Discipline Using Extreme Learning Machine | |
Dubovikov | Influence of composite wing elasticity parameters on structure weight | |
CN116244821A (zh) | 一种机体结构重量估算方法 |
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 |