CN111581793A - 一种基于实测环境数据的飞机结构分区方法 - Google Patents
一种基于实测环境数据的飞机结构分区方法 Download PDFInfo
- Publication number
- CN111581793A CN111581793A CN202010336464.5A CN202010336464A CN111581793A CN 111581793 A CN111581793 A CN 111581793A CN 202010336464 A CN202010336464 A CN 202010336464A CN 111581793 A CN111581793 A CN 111581793A
- Authority
- CN
- China
- Prior art keywords
- matrix
- fuzzy
- environmental data
- partition
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007613 environmental effect Effects 0.000 title claims abstract description 28
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000005192 partition Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 6
- 238000001228 spectrum Methods 0.000 abstract description 9
- 238000005260 corrosion Methods 0.000 abstract description 7
- 230000007797 corrosion Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于实测环境数据的飞机结构分区方法,具体涉及航空腐蚀防护与控制技术领域,包括以下区分步骤:步骤1、建立各监测点对象的集合并选择聚类需要的参数;步骤2、将原始样本数据进行标准化处理;步骤3、确定模糊相似矩阵,建立待分类域的模糊相似矩阵,用于表征两个元素之间的接近程度;步骤4、求取模糊等价矩阵,通过模糊等价矩阵的运算求得模糊相似矩阵;步骤5、采用λ截矩阵法进行聚类分析;步骤6、分析比较不同λ下的分区情形,确认最终分区结果。本发明采用模糊聚类方法以环境数据作为依据,对飞机上不同结构舱室进行分区,为现役飞机准确局部环境谱的建立奠定基础。
Description
技术领域
本发明实施例涉及航空腐蚀防护与控制技术领域,具体涉及一种基于实测环境数据的飞机结构分区方法。
背景技术
军用飞机在服役过程中,超过90%的时间处于地面停放状态,严酷的服役环境导致飞机结构腐蚀故障频发,严重影响飞机完好性。为对飞机结构耐蚀性与环境适应性进行检验,研究人员往往会编制环境谱,在实验室开展加速腐蚀试验。环境谱通常指飞机结构件所遭受的腐蚀介质、应力等的联合作用及每种环境因素的强度、持续时间、发生频率以及其组合,根据结构形式以及使用情况等因素可分为总体环境谱和局部环境谱。由于飞机结构的位置、结构形式以及密封性等有所差异,使得腐蚀环境和腐蚀情况也不同,应具体环境具体分析。
因此,准确对飞机结构分区是建立较为准确的局部环境谱的基础,对保证飞机结构使用安全性具有重要意义。
发明内容
为此,本发明实施例提供一种基于实测环境数据的飞机结构分区方法,通过采用模糊聚类方法以环境数据作为依据,对飞机上不同结构舱室进行分区,为现役飞机准确局部环境谱的建立奠定基础。
为了实现上述目的,本发明实施例提供如下技术方案:一种基于实测环境数据的飞机结构分区方法,包括以下区分步骤:
步骤1、建立各监测点对象的集合并选择聚类需要的参数;
步骤2、将原始样本数据进行标准化处理:将量纲和数值区间两方面的样本元素的特征值统一于共同的数据特征范围,在进行聚类时,样本的元素在量纲和数值区间两方面可能各不相同,一般不能直接进行分类,为了消除两种因素的影响,使所有特征值统一于共同的数据特征范围,整个过程叫做标准化处理;
步骤3、确定模糊相似矩阵,按照某一准则或者方法建立待分类域的模糊相似矩阵,用于表征两个元素之间的接近程度;
步骤4、求取模糊等价矩阵,模糊相似矩阵满足反身性和对称性,但是缺乏传递性,通过模糊等价矩阵的运算求得模糊相似矩阵;
步骤5、采用λ截矩阵法进行聚类分析;
对于任一λ∈[0,1],在分类时将模糊等价矩阵各元素这样取值:大于或者等于λ的元素都改为1,小于λ的元素都改为0,根据模糊等价矩阵中的1与0的排列情况即可进行分类;
步骤6、分析比较不同λ下的分区情形,确认最终分区结果。
进一步地,步骤1中,包括:
步骤1.1、各监测点对象的集合建立:采用数字式温湿度传感器对飞机上9个不同结构、不同位置的监测点进行局部温湿度测量和记录,记录间隔为15分钟,每天采集温湿度数据各96个,同时采用1个百叶箱监测点对环境温湿度进行测量和记录;
步骤1.2、将10个监测点作为待聚类对象的集合,温度和湿度做为聚类的参数,选择监测过程中所有监测点温、湿度数据进行计算。
进一步地,步骤1中,设分类域飞机的各个分区U={x1,x2,…xn}(n=10),每个分区xi都有个m个特征参数来刻画,则
xi={xi1,xi2,xij…xim}(j=1,2,…m)
其中,xij表示第i个被分类对象相应于第j个特征参数的观测值;
于是,得到n×m维矩阵X=(xij)n×m作为最原始数据,方法中选择温度和湿度共同作为聚类特征,温度和湿度又随着时间而变化。
进一步地,步骤2中,选择利用极差变换实现标准化,极差变换表示为:
进一步地,步骤3中,采用向量相似度来建立待分类域的模糊相似矩阵,并表征两个元素之间的接近程度:
进一步地,步骤4中,采用闭包传递法,从模糊相似矩阵求取模糊等价矩阵,具体采用的是平方法:
进一步地,步骤6中,设置不同阈值的λ截矩阵,得到多种分区结果,根据飞机结构和实际需求确定分区,并可确定最佳的λ取值范围。
本发明实施例具有如下优点:
本发明通过借助数字式温湿度记录装置获得原始数据;采用极差变换实现原始数据的标准化;选择向量夹角余弦作为两个样本接近程度的度量;利用闭包传递的方法求取模糊等价矩阵;采用λ截距阵实现飞机不同分区的聚类,通过比较分区结果,确认最佳的λ阈值;因此能够实现飞机结构的准确分区提供依据,从而为建立较为准确的局部环境谱的基础,对保证飞机结构使用安全性具有重要意义。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
该实施例的一种基于实测环境数据的飞机结构分区方法,包括以下区分步骤:
步骤1、建立各监测点对象的集合并选择聚类需要的参数;具体包括:
步骤1.1、各监测点对象的集合建立:采用数字式温湿度传感器对飞机上9个不同结构、不同位置的监测点进行局部温湿度测量和记录,记录间隔为15分钟,每天采集温湿度数据各96个,同时采用1个百叶箱监测点对环境温湿度进行测量和记录;
步骤1.2、将10个监测点作为待聚类对象的集合,温度和湿度做为聚类的参数,选择监测过程中所有监测点温、湿度数据进行计算;
设分类域飞机的各个分区U={x1,x2,…xn}(n=10),每个分区xi都有个m个特征参数来刻画,则
xi={xi1,xi2,xij…xim}(j=1,2,…m)
其中,xij表示第i个被分类对象相应于第j个特征参数的观测值;
于是,得到n×m维矩阵X=(xij)n×m作为最原始数据,方法中选择温度和湿度共同作为聚类特征,温度和湿度又随着时间而变化;
步骤2、将原始样本数据进行标准化处理:将量纲和数值区间两方面的样本元素的特征值统一于共同的数据特征范围,在进行聚类时,样本的元素在量纲和数值区间两方面可能各不相同,一般不能直接进行分类,为了消除两种因素的影响,使所有特征值统一于共同的数据特征范围,整个过程叫做标准化处理;选择利用极差变换实现标准化,极差变换表示为:
步骤3、确定模糊相似矩阵,采用向量相似度方法建立待分类域的模糊相似矩阵,用于表征两个元素之间的接近程度:
步骤4、求取模糊等价矩阵,模糊相似矩阵满足反身性和对称性,但是缺乏传递性,采用闭包传递法,从模糊相似矩阵求取模糊等价矩阵,具体采用的是平方法:
对于任一λ∈[0,1],在分类时将模糊等价矩阵各元素这样取值:大于或者等于λ的元素都改为1,小于λ的元素都改为0,根据模糊等价矩阵中的1与0的排列情况即可进行分类;
步骤6、分析比较不同λ下的分区情形,确认最终分区结果;
设置不同阈值的λ截矩阵,得到多种分区结果,根据飞机结构和实际需求确定分区,并可确定最佳的λ取值范围。
本发明公开了基于实测环境数据的飞机结构分区方法,借助数字式温湿度记录装置获得原始数据;采用极差变换实现原始数据的标准化;选择向量夹角余弦作为两个样本接近程度的度量;利用闭包传递的方法求取模糊等价矩阵;采用λ截距阵实现飞机不同分区的聚类,通过比较分区结果,确认最佳的λ阈值;因此能够实现飞机结构的准确分区提供依据,从而为建立较为准确的局部环境谱的基础,对保证飞机结构使用安全性具有重要意义。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于实测环境数据的飞机结构分区方法,其特征在于,包括以下区分步骤:
步骤1、建立各监测点对象的集合并选择聚类需要的参数;
步骤2、将原始样本数据进行标准化处理:将量纲和数值区间两方面的样本元素的特征值统一于共同的数据特征范围;
步骤3、确定模糊相似矩阵,建立待分类域的模糊相似矩阵,用于表征两个元素之间的接近程度;
步骤4、求取模糊等价矩阵,通过模糊等价矩阵的运算求得模糊相似矩阵;
步骤5、采用λ截矩阵法进行聚类分析;
对于任一λ∈[0,1],在分类时将模糊等价矩阵各元素这样取值:大于或者等于λ的元素都改为1,小于λ的元素都改为0,根据模糊等价矩阵中的1与0的排列情况即可进行分类;
步骤6、分析比较不同λ下的分区情形,确认最终分区结果。
2.根据权利要求1所述的一种基于实测环境数据的飞机结构分区方法,其特征在于:步骤1中,包括:
步骤1.1、各监测点对象的集合建立:采用数字式温湿度传感器对飞机上9个不同结构、不同位置的监测点进行局部温湿度测量和记录,记录间隔为15分钟,每天采集温湿度数据各96个,同时采用1个百叶箱监测点对环境温湿度进行测量和记录;
步骤1.2、将10个监测点作为待聚类对象的集合,温度和湿度做为聚类的参数,选择监测过程中所有监测点温、湿度数据进行计算。
3.根据权利要求2所述的一种基于实测环境数据的飞机结构分区方法,其特征在于:步骤1中,设分类域飞机的各个分区U={x1,x2,…xn}(n=10),每个分区xi都有个m个特征参数来刻画,则
xi={xi1,xi2,xij…xim}(j=1,2,…m)
其中,xij表示第i个被分类对象相应于第j个特征参数的观测值;
于是,得到n×m维矩阵X=(xij)n×m作为最原始数据,方法中选择温度和湿度共同作为聚类特征,温度和湿度又随着时间而变化。
8.根据权利要求7所述的一种基于实测环境数据的飞机结构分区方法,其特征在于:步骤6中,设置不同阈值的λ截矩阵,得到多种分区结果,根据飞机结构和实际需求确定分区,确定最佳的λ取值范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336464.5A CN111581793A (zh) | 2020-04-26 | 2020-04-26 | 一种基于实测环境数据的飞机结构分区方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336464.5A CN111581793A (zh) | 2020-04-26 | 2020-04-26 | 一种基于实测环境数据的飞机结构分区方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111581793A true CN111581793A (zh) | 2020-08-25 |
Family
ID=72116926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010336464.5A Pending CN111581793A (zh) | 2020-04-26 | 2020-04-26 | 一种基于实测环境数据的飞机结构分区方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581793A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749616A (zh) * | 2012-06-29 | 2012-10-24 | 北京市遥感信息研究所 | 一种基于模糊聚类的宙斯盾系统信号分选方法 |
CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
CN107092653A (zh) * | 2017-03-15 | 2017-08-25 | 西安工程大学 | 一种基于模糊聚类分析法的滑坡临界雨量阈值确定方法 |
CN108898170A (zh) * | 2018-06-19 | 2018-11-27 | 江苏中盈高科智能信息股份有限公司 | 一种基于模糊聚类分析的智能组卷方法 |
CN110378437A (zh) * | 2019-07-26 | 2019-10-25 | 西安工业大学 | 一种考虑变更传播影响的产品模块分类方法 |
-
2020
- 2020-04-26 CN CN202010336464.5A patent/CN111581793A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749616A (zh) * | 2012-06-29 | 2012-10-24 | 北京市遥感信息研究所 | 一种基于模糊聚类的宙斯盾系统信号分选方法 |
CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
CN107092653A (zh) * | 2017-03-15 | 2017-08-25 | 西安工程大学 | 一种基于模糊聚类分析法的滑坡临界雨量阈值确定方法 |
CN108898170A (zh) * | 2018-06-19 | 2018-11-27 | 江苏中盈高科智能信息股份有限公司 | 一种基于模糊聚类分析的智能组卷方法 |
CN110378437A (zh) * | 2019-07-26 | 2019-10-25 | 西安工业大学 | 一种考虑变更传播影响的产品模块分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN107862134B (zh) | 一种考虑自相关测量误差的Wiener过程可靠性分析方法 | |
CN113344471B (zh) | 一种表征飞机系统气候环境适应性的方法 | |
CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
CN109921415B (zh) | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 | |
CN108829878B (zh) | 一种工业实验数据异常点检测方法及装置 | |
Liu et al. | Multitarget state extraction for the PHD filter using MCMC approach | |
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN117232819B (zh) | 基于数据分析的阀体综合性能测试系统 | |
CN114114039A (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN111651940A (zh) | 基于pso-narx的涡轴发动机稳态模型辨识方法 | |
CN115545100A (zh) | 基于LSTM的GB-InSAR大气相位补偿方法 | |
CN112804248B (zh) | 一种基于频域特征融合的LDoS攻击检测方法 | |
Yu et al. | Pavement surface condition index prediction based on random forest algorithm | |
CN111581793A (zh) | 一种基于实测环境数据的飞机结构分区方法 | |
CN113269327A (zh) | 一种基于机器学习的流量异常预测方法 | |
CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
CN111832442A (zh) | 从海量桥梁动态应变数据中自动化分离温度应变成分的方法 | |
CN116990633A (zh) | 一种基于多特征量的故障研判方法 | |
CN109193639B (zh) | 一种电力系统抗差估计方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
CN113672658B (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |