CN112699472B - 一种飞机前轮减摆阻尼动态软测量方法 - Google Patents

一种飞机前轮减摆阻尼动态软测量方法 Download PDF

Info

Publication number
CN112699472B
CN112699472B CN202011603125.5A CN202011603125A CN112699472B CN 112699472 B CN112699472 B CN 112699472B CN 202011603125 A CN202011603125 A CN 202011603125A CN 112699472 B CN112699472 B CN 112699472B
Authority
CN
China
Prior art keywords
damping
front wheel
airplane
test
theta
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
CN202011603125.5A
Other languages
English (en)
Other versions
CN112699472A (zh
Inventor
刘泽华
李欣
丁学斌
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 First Aircraft Institute
Original Assignee
AVIC First Aircraft 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 First Aircraft Institute filed Critical AVIC First Aircraft Institute
Priority to CN202011603125.5A priority Critical patent/CN112699472B/zh
Publication of CN112699472A publication Critical patent/CN112699472A/zh
Application granted granted Critical
Publication of CN112699472B publication Critical patent/CN112699472B/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]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请提供一种飞机前轮减摆阻尼动态软测量方法，所述方法包括：获得多组试验数据，每组试验数据包括激振频率f、激振幅值θ和阻尼孔径D；通过对前轮转弯系统在试验台架上进行减摆阻尼试验，获得与多组试验数据对应的多个减摆阻尼Ceq；采用神经网络的方法，以激振频率f、激振幅值θ和阻尼孔径D为输入，减摆阻尼Ceq为输出，建立飞机前轮减摆阻尼动态软测量模型；向所述飞机前轮减摆阻尼动态软测量模型，输入被测的激振频率f、激振幅值θ和阻尼孔径D数据；所述飞机前轮减摆阻尼动态软测量模型，通过运算输出减摆阻尼Ceq。

Description

一种飞机前轮减摆阻尼动态软测量方法
技术领域
本发明涉及飞机前轮减摆技术领域，特别是涉及一种飞机前轮减摆阻尼动态软测量方法。
背景技术
由于飞机起落架在结构设计、制造工艺、生产质量、刚度以及使用状态各方面的因素不同，使得飞机起落架摆振问题一直是飞机结构动力学的重要研究难题之一。
减摆器作为起落架防摆系统必不可少的部件，如何选择减摆器阻尼的大小，怎样确定减摆器的阻尼特性，由于减摆器结构的特殊性和油液的非线性影响，一般减摆器的阻尼值理论计算误差较大，其真实的工作特性非常难以计算精确，因此传统方法通常是采用试验的方法测量减摆器的阻尼和考核验证其工作特性，传统的减摆阻尼试验是在专门的试验台上进行，由于试验台的复杂性和试验变量较多，通常包括振幅、激振频率和节流孔等，通常只对部分试验点进行测试，无法进行全状态覆盖，使得最终的减摆阻尼值的选定通常是依靠摸索和试凑法，而无法达到最优的状态。
发明内容
本发明的目的是：提供一种飞机前轮减摆阻尼动态软测量方法，该方法通过对前轮转弯系统的减摆阻尼进行部分物理试验，通过测量不同变量参数，计算得到系统减摆阻尼值，采用神经网络对测试点进行学习，获得基于神经网络的前轮减摆阻尼软测量模型，然后通过模型预测在不同变量组合下，前轮转弯系统的实际减摆阻尼值。
本申请提供一种飞机前轮减摆阻尼动态软测量方法，所述方法包括：
获得多组试验数据，每组试验数据包括激振频率f、激振幅值θ和阻尼孔径D；
通过对前轮转弯系统在试验台架上进行减摆阻尼试验，获得与多组试验数据对应的多个减摆阻尼Ceq；
采用神经网络的方法，以激振频率f、激振幅值θ和阻尼孔径D为输入，减摆阻尼Ceq为输出，建立飞机前轮减摆阻尼动态软测量模型；
向所述飞机前轮减摆阻尼动态软测量模型，输入被测的激振频率f、激振幅值θ和阻尼孔径D数据；
所述飞机前轮减摆阻尼动态软测量模型，通过运算输出减摆阻尼Ceq。
优选的，获得多组试验数据，通过对前轮转弯系统在试验台架上进行减摆阻尼试验，获得与多组试验数据对应的多个减摆阻尼Ceq，具体包括：
分别在激振频率f、激振幅值θ和阻尼孔径D的变化行程范围内测量M个测量数据；
将多个测量数据，进行组合后得到M×M×M组试验状态；
将M×M×M组试验状态，通过对前轮转弯系统在试验台架上进行减摆阻尼试验，并测量出对应的M×M×M个减摆阻尼Ceq值。
优选的，采用神经网络的方法，以激振频率f、激振幅值θ和阻尼孔径D为输入，减摆阻尼Ceq为输出，建立飞机前轮减摆阻尼动态软测量模型，具体包括：
确定神经网络的输入与输出关系为：
Figure BDA0002869830940000021
式中：xj(j＝1,2,…,n)为输入信号、τi为阈值、ωji为从神经元j到神经元i的连接权值、f()为传递函数、输入信号X＝[D,f,θ]，输出信号y为减摆阻尼值Ceq；
将M×M×M组试验状态和对应的M×M×M个减摆阻尼Ceq值，带入到
Figure BDA0002869830940000022
中进行训练；
训练完成后保存训练得到的连接权值ωji和传递函数f()，从而建立飞机前轮减摆阻尼动态软测量模型。
优选的，所述激振频率f选取M个点的规则如下：
激振频率f的变化范围为f1≤f≤f2；
计算f1与f2的差值如下，Δf＝f2-f1；
在[f1,f2]范围内选取M个点分别为
Figure BDA0002869830940000031
Figure BDA0002869830940000032
优选的，所述激振幅值θ选取M个点的规则如下：
激振幅值θ的变化范围为θ1≤θ≤θ2；
计算θ1与θ2的差值如下，Δθ＝θ2-θ1；
在[θ1,θ2]范围内选取M个点分别为
Figure BDA0002869830940000033
Figure BDA0002869830940000034
优选的，所述阻尼孔径D选取M个点的规则如下：
激振幅值D的变化范围为D1≤D≤D2；
计算D1与D2的差值如下，ΔD＝D2-D1；
在[D1,D2]范围内选取M个点分别为
Figure BDA0002869830940000035
Figure BDA0002869830940000036
优选的，所述神经网络包括BP神经网络、径向基函数神经网络、递归神经网络、卷积神经网络。
优选的，若采用的神经网络为BP网络，则BP网络的隐含层变量数范围为4-10，BP网络的层数包括3-5层。
本发明具有的优点和有益效果是：提供一种飞机前轮减摆阻尼动态软测量方法，该方法通过对前轮转弯系统的减摆阻尼进行部分物理试验，通过测量不同变量参数，计算得到系统减摆阻尼值，采用神经网络对测试点进行学习，获得基于神经网络的前轮减摆阻尼软测量模型，然后通过模型预测在不同变量组合下，前轮转弯系统的实际减摆阻尼值。该方法针对影响前轮减摆阻尼值3个变量的无穷组合，只需要进行有限样本量的试验，即可获得任意状态下的减摆阻尼Ceq，极大地降低了试验次数，节省了试验周期和经费。
附图说明
图1为本发明提供的一种飞机前轮减摆阻尼动态软测量方法的示意图。
具体实施方式
实施例一
下面结合说明书附图对本发明作具体说明。
一种飞机前轮减摆阻尼动态软测量方法，该方法通过对前轮转弯系统在专用的试验台架上进行减摆阻尼试验。按试验要求进行加载和试验，结合测量参数，通过试验得到减摆阻尼Ceq随激振频率f、激振幅值θ和阻尼孔径D的变化，试验过程中对激振频率f、激振幅值θ和阻尼孔径D中每个变量在整个变化行程范围内按照每次增长20％测量6个点，具体如下：
激振频率f的变化范围为f1≤f≤f2，则计算f1与f2的差值如下，Δf＝f2-f1，在[f1,f2]范围内选取6个点分别为f1、f1+0.2Δf、f1+0.4Δf、f1+0.6Δf、f1+0.8Δf、f2。
采用相同的方法对激振幅值θ选取相同的6个点，激振幅值θ的变化范围为θ1≤θ≤θ2，则计算θ1与θ2的差值如下，Δθ＝θ2-θ1，在[θ1,θ2]范围内选取6个点分别为θ1、θ1+0.2Δθ、θ1+0.4Δθ、θ1+0.6Δθ、θ1+0.8Δθ、θ2。
采用相同的方法对阻尼孔径D选取相同的6个点，激振幅值D的变化范围为D1≤D≤D2，则计算D1与D2的差值如下，ΔD＝D2-D1，在[D1,D2]范围内选取6个点分别为D1、D1+0.2ΔD、D1+0.4ΔD、D1+0.6ΔD、D1+0.8ΔD、D2。
将阻尼孔径D、激振频率f、激振幅值θ每个值进行组合后得到6×6×6＝216组试验状态，将216组试验状态全部进行物理试验并测量出其不同状态下的减摆阻尼Ceq值。
建立以阻尼孔径D、激振频率f、激振幅值θ为输入，以测量得到的减摆阻尼值Ceq为输出的神经网络结构，采用三层BP网络结构，其中输入层变量数为3，隐含层(中间层)变量数为8，输出层变量数为1，各层输入与输出关系为：
Figure BDA0002869830940000051
式中：xj(j＝1,2,…,n)为输入信号；τi为阈值；ωji为从神经元j到神经元i的连接权值；f()为传递函数。
输入参量X＝[D,f,θ]，输出层参量为y，即减摆阻尼值Ceq。
将试验测得的216组输入值和结果带入到
Figure BDA0002869830940000052
中进行训练，利用MATLAB软件中的BP神经网络工具箱函数trainbp,用来对BP网络进行训练，训练完成后保存训练得到的连接权值ωji和传递函数f()。
在预测过程中，针对任一1组输入X0＝[D0,f0,θ0]，将其带入训练好的神经网络系统中，即可求得对应此种输入下的Ceq0，此方法针对3个变量阻尼孔径D、激振频率f、激振幅值θ的无穷组合，只需要进行有限样本量的试验，通过本发明的软测量方法即可获得任意状态下的减摆阻尼Ceq。
本发明涉及一种飞机前轮减摆阻尼动态软测量方法，该方法通过对前轮转弯系统的减摆阻尼进行部分物理试验，通过测量不同变量参数，计算得到系统减摆阻尼值，采用神经网络对测试点进行学习，获得基于神经网络的前轮减摆阻尼软测量模型，然后通过模型预测在不同变量组合下，前轮转弯系统的实际减摆阻尼值。该方法针对影响前轮减摆阻尼值3个变量的无穷组合，只需要进行有限样本量的试验，即可获得任意状态下的减摆阻尼Ceq，极大地降低了试验次数，节省了试验周期和经费。

Claims (6)

1.一种飞机前轮减摆阻尼动态软测量方法，其特征在于，所述方法包括：
获得多组试验数据，每组试验数据包括激振频率f、激振幅值θ和阻尼孔径D；
通过对前轮转弯系统在试验台架上进行减摆阻尼试验，获得与多组试验数据对应的多个减摆阻尼Ceq；
采用神经网络的方法，以激振频率f、激振幅值θ和阻尼孔径D为输入，减摆阻尼Ceq为输出，建立飞机前轮减摆阻尼动态软测量模型；
向所述飞机前轮减摆阻尼动态软测量模型，输入被测的激振频率f、激振幅值θ和阻尼孔径D数据；
所述飞机前轮减摆阻尼动态软测量模型，通过运算输出减摆阻尼Ceq；
获得多组试验数据，通过对前轮转弯系统在试验台架上进行减摆阻尼试验，获得与多组试验数据对应的多个减摆阻尼Ceq，具体包括：
分别在激振频率f、激振幅值θ和阻尼孔径D的变化行程范围内测量M个测量数据；
将多个测量数据，进行组合后得到M×M×M组试验状态；
将M×M×M组试验状态，通过对前轮转弯系统在试验台架上进行减摆阻尼试验，并测量出对应的M×M×M个减摆阻尼Ceq值；
采用神经网络的方法，以激振频率f、激振幅值θ和阻尼孔径D为输入，减摆阻尼Ceq为输出，建立飞机前轮减摆阻尼动态软测量模型，具体包括：
确定神经网络的输入与输出关系为：
Figure FDA0003802843750000011
式中：xj(j＝1,2,…,n)为输入信号、τi为阈值、ωji为从神经元j到神经元i的连接权值、f()为传递函数、输入信号X＝[D,f,θ]，输出信号y为减摆阻尼值Ceq；
将M×M×M组试验状态和对应的M×M×M个减摆阻尼Ceq值，带入到
Figure FDA0003802843750000021
中进行训练；
训练完成后保存训练得到的连接权值ωji和传递函数f()，从而建立飞机前轮减摆阻尼动态软测量模型。
2.根据权利要求1所述的一种飞机前轮减摆阻尼动态软测量方法，其特征在于，所述激振频率f选取M个点的规则如下：
激振频率f的变化范围为f1≤f≤f2；
计算f1与f2的差值如下，Δf＝f2-f1；
在[f1,f2]范围内选取M个点分别为f1、
Figure FDA0003802843750000022
…、
Figure FDA0003802843750000023
f2。
3.根据权利要求1所述的一种飞机前轮减摆阻尼动态软测量方法，其特征在于，所述激振幅值θ选取M个点的规则如下：
激振幅值θ的变化范围为θ1≤θ≤θ2；
计算θ1与θ2的差值如下，Δθ＝θ2-θ1；
在[θ1,θ2]范围内选取M个点分别为θ1、
Figure FDA0003802843750000024
…、
Figure FDA0003802843750000025
θ2。
4.根据权利要求1所述的一种飞机前轮减摆阻尼动态软测量方法，其特征在于，所述阻尼孔径D选取M个点的规则如下：
激振幅值D的变化范围为D1≤D≤D2；
计算D1与D2的差值如下，ΔD＝D2-D1；
在[D1,D2]范围内选取M个点分别为D1、
Figure FDA0003802843750000026
…、
Figure FDA0003802843750000027
D2。
5.根据权利要求1所述的一种飞机前轮减摆阻尼动态软测量方法，其特征在于，所述神经网络包括BP神经网络、径向基函数神经网络、递归神经网络、卷积神经网络。
6.根据权利要求5所述的一种飞机前轮减摆阻尼动态软测量方法，其特征在于，若采用的神经网络为BP网络，则BP网络的隐含层变量数范围为4-10，BP网络的层数包括3-5层。
CN202011603125.5A 2020-12-29 2020-12-29 一种飞机前轮减摆阻尼动态软测量方法 Active CN112699472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011603125.5A CN112699472B (zh) 2020-12-29 2020-12-29 一种飞机前轮减摆阻尼动态软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011603125.5A CN112699472B (zh) 2020-12-29 2020-12-29 一种飞机前轮减摆阻尼动态软测量方法

Publications (2)

Publication Number Publication Date
CN112699472A CN112699472A (zh) 2021-04-23
CN112699472B true CN112699472B (zh) 2022-10-28

Family

ID=75512229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011603125.5A Active CN112699472B (zh) 2020-12-29 2020-12-29 一种飞机前轮减摆阻尼动态软测量方法

Country Status (1)

Country Link
CN (1) CN112699472B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2159561A2 (de) * 2008-09-01 2010-03-03 Robert Bosch GmbH Verfahren und Vorrichtung zum Prüfen eines Schwingungsdämpfers eines Kraftfahrzeugs im eingebauten Zustand
CN102689696A (zh) * 2012-05-31 2012-09-26 北京航空航天大学 一种粘弹减摆器模型及其在直升机系统中的应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2159561A2 (de) * 2008-09-01 2010-03-03 Robert Bosch GmbH Verfahren und Vorrichtung zum Prüfen eines Schwingungsdämpfers eines Kraftfahrzeugs im eingebauten Zustand
CN102689696A (zh) * 2012-05-31 2012-09-26 北京航空航天大学 一种粘弹减摆器模型及其在直升机系统中的应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于径向基神经网络的磁流变减摆器阻尼力预估模型;林森等;《电子测试》;20200827(第17期);全文 *
橡胶隔振器刚度和阻尼本构关系的试验研究;韩德宝等;《振动与冲击》;20090125(第01期);全文 *
油液压缩性对减摆器工作特性的影响;顾宏斌等;《南京航空航天大学学报》;19991230(第06期);全文 *

Also Published As

Publication number Publication date
CN112699472A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN107357992B (zh) 基于聚类分析的复合材料结构有限元模型修正方法
CN107729706B (zh) 一种非线性机械系统的动力学模型构建方法
CN107480395B (zh) 一种车辆转向节载荷谱预测模型的构建方法及系统
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
CN106980744A (zh) 汽车动力学仿真分析中操纵稳定性和平顺性协同优化方法
CN113570057B (zh) 一种基于模型训练的车辆轮心垂向位移测量方法和装置
CN106644519B (zh) 一种车辆垂向动力学模型参数辨识的方法及装置
CN115186377A (zh) 一种商用车悬置系统的稳健性优化方法
CN109115526A (zh) 一种后桥六通道道路模拟试验方法
CN109508498A (zh) 基于bp人工神经网络的橡胶减振器配方设计系统及方法
CN112699472B (zh) 一种飞机前轮减摆阻尼动态软测量方法
CN106326530A (zh) 一种基于右矩阵分式模型的时变结构模态参数辨识方法
CN104156550A (zh) 车辆钢板弹簧悬架系统阻尼比的分析计算方法
CN106503288B (zh) 基于回归型支持向量机的互联液压缸力学性能预测方法
CN113515808A (zh) 一种动力总成的噪声预测方法
CN114894289B (zh) 一种基于数据融合算法的大质量比较仪
CN113792425B (zh) 一种移动射击平台上火炮振动状态的定量描述方法
CN113063589B (zh) 一种基于神经网络的齿轮微观误差对振动的预测方法
CN106777918A (zh) 基于导波和模糊算法的功能梯度结构材料特性的反演方法
CN105301965B (zh) 一种幅值与速率联合抗饱和控制在线性参数时变系统内的应用方法
Ghasemiazar et al. Sensitivity analysis and optimization of an off road car vibration performance using DOE and RSM methods
CN116842663B (zh) 一种基于机器学习的汽车板簧非线性时变应力值测量方法
CN111460722B (zh) 箱体振动能量预测方法
Park et al. Noise contribution analysis of road noise with transfer path analysis based on neural network in the box car system
Bellec et al. Multiaxial Variable Amplitude Loading for Automotive Parts Fatigue Life Assessment: A Loading Classification-based Approach Proposal

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