CN113408672B - 一种用于飞行器模态试验的关键参数识别方法 - Google Patents
一种用于飞行器模态试验的关键参数识别方法 Download PDFInfo
- Publication number
- CN113408672B CN113408672B CN202110951743.7A CN202110951743A CN113408672B CN 113408672 B CN113408672 B CN 113408672B CN 202110951743 A CN202110951743 A CN 202110951743A CN 113408672 B CN113408672 B CN 113408672B
- Authority
- CN
- China
- Prior art keywords
- parameters
- structural
- prediction accuracy
- sensitivity
- model training
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G7/00—Simulating cosmonautic conditions, e.g. for conditioning crews
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于飞行器模态试验的关键参数识别方法,包括以下步骤:步骤S1、将预示准确度和对动特性影响的敏感程度设定为分类双指标,并基于所述分类双指标对所述飞行器模态试验的结构参数进行分类;步骤S2、基于所述步骤S1中结构参数的分类结果进行针对性的模态试验,并识别出所述模态试验的关键参数。本发明通过在结构参数识别关键参数,实现对模态试验的精细化设计,将模态试验的关注点由整体动特性转向结构局部特征,可实现在结构有局部调整时,快速且准确的掌握结构动力学模型的参数,可通过局部模型的更换来获得新状态的动特性,无需重新进行模态试验,从而扩充了模态试验的灵活性。
Description
技术领域
本发明涉及航天运载技术领域,具体涉及一种用于飞行器模态试验的关键参数识别方法。
背景技术
在运载火箭等飞行器研制过程中,模态试验是获得飞行器动特性最直接、最可靠的方法,除了继承性较强的飞行器以外研制过程中均安排此项试验。传统模态试验直接测量全箭的动特性参数,包括阵型、频率、阵型斜率等,根据这些整体参数来对结构动力学模型进行修正,使得结构动力学模型所表现出的动特性与实际试验结果一致。结构动力学模型能够表现出正确的动特性不代表其刚度、质量等结构特性与实际一致,这在工程研制中是允许的。然而,一旦结构有局部调整,由于难以判断动力学模型的结构参数准确性,往往难以通过局部模型的更换来获得新状态的动特性,仍需要重新进行模态试验。
发明内容
本发明的目的在于提供一种用于飞行器模态试验的关键参数识别方法,以解决现有技术中一旦结构有局部调整,由于难以判断动力学模型的结构参数准确性,往往难以通过局部模型的更换来获得新状态的动特性,仍需要重新进行模态试验的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种用于飞行器模态试验的关键参数识别方法,包括以下步骤:
步骤S1、将预示准确度和对动特性影响的敏感程度设定为分类双指标,并基于所述分类双指标对所述飞行器模态试验的结构参数进行分类;
步骤S2、基于所述步骤S1中结构参数的分类结果进行针对性的模态试验,并识别出所述模态试验的关键参数。
作为本发明的一种优选方案,所述步骤S1中,所述分类双指标设定结构参数分类的方法包括:
设定预示准确度阈值,将结构参数的预示准确度与所述预示准确度阈值比较,将结构参数基于预示准确度阈值进行二分类为预示准确度高的类别和预示准确度低的类别;
设定敏感程度阈值,将结构参数的对动特性影响的敏感程度与所述敏感程度阈值比较,将结构参数基于敏感程度阈值进行二分类为对动特性影响的敏感程度高的类别和对动特性影响的敏感程度低的类别;
将结构参数基于预示准确度阈值进行二分类与基于敏感程度阈值进行二分类相结合实现将结构参数进行四分类得到A类别、B类别、C类别和D类别。
作为本发明的一种优选方案,所述结构参数的四分类方法包括:
选取多个结构参数作为模型训练参数,并将所述模型训练参数的预示准确度和对动特性影响的敏感程度分别与所述预示准确度阈值和敏感程度阈值进行比较,其中,
若所述模型训练参数的预示准确度大于所述预示准确度阈值且对动特性影响的敏感程度大于敏感程度阈值,则所述模型训练参数标定为C类别;
若所述模型训练参数的预示准确度大于所述预示准确度阈值且对动特性影响的敏感程度小于敏感程度阈值,则所述模型训练参数标定为D类别;
若所述模型训练参数的预示准确度小于所述预示准确度阈值且对动特性影响的敏感程度大于敏感程度阈值,则所述模型训练参数标定为A类别;
若所述模型训练参数的预示准确度小于所述预示准确度阈值且对动特性影响的敏感程度小于敏感程度阈值,则所述模型训练参数标定为B类别;
选取多个已知类别的模型训练参数分别作为模型训练样本,其中,模型训练参数的预示准确度和对动特性影响的敏感程度作为模型训练样本的样本特征,模型训练参数的类别作为模型训练样本的样本标签;
将所述模型训练样本运用到贝叶斯分类器进行四分类训练得到参数分类模型,所述参数分类模型用于结构参数自动识别类别,其中,所述模型训练样本的样本特征作为贝叶斯分类器的输入,所述模型训练样本的样本标签作为贝叶斯分类器的输出;
将待分类的结构参数的预示准确度和对动特性影响的敏感程度输入至参数分类模型,输出待分类的结构参数的类别。
作为本发明的一种优选方案,所述结构参数四分类的结果包括A类别、B类别、C类别和D类别,其中,
所述A类别表征为结构参数具有预示准确度低且对动特性影响的敏感程度高的属性;
所述B类别表征为结构参数具有预示准确度低且对动特性影响的敏感程度低的属性;
所述C类别表征为结构参数具有预示准确度高且对动特性影响的敏感程度高的属性;
所述D类别表征为结构参数具有预示准确度高且对动特性影响的敏感程度低的属性。
作为本发明的一种优选方案,所述步骤S2,基于所述结构参数的分类结果进行针对性的模态试验的方法包括:
利用所述模态试验模型修正方法在所述结构参数确定出属于A类别的关键参数;
建立考虑偏差的结构动力学模型,利用所述结构动力学模型对属于A类别的关键参数进行实物试验,实现将所述关键参数从A类别转化至C类别,使得关键参数的预示准确度由低提至高,并使得结构动力学模型输出的动特性预示结果在预示偏差范围内。
作为本发明的一种优选方案,利用所述模态试验模型修正方法确定出所述关键参数的方法包括:
基于结构参数的偏差,建立的特征方程,所述特征方程为:
将增量效应综合在一起,得到局部化的矩阵L,所述矩阵L公式为:
通过检查局部化向量q,选出主要的建模误差,所述建模误差公式为:
作为本发明的一种优选方案,所述重新利用结构动力学模型进行动特性预示结果的偏差评估的方法包括:
作为本发明的一种优选方案,所述实物试验用于提高对动特性敏感程度高且预示准确度低的关键参数的预示准确度,以提高结构动力学模型的动特性预示精度。
作为本发明的一种优选方案,所述关键参数具有与A类别中参数相同的属性,所述关键参数具有与A类别中参数相同的属性,所述关键参数为飞行器关键结构特性中的表现,以及所述飞行器模态试验的重点关注点,并且所述关键参数在由A类别转至C类别后通过结构动力学模型输出的动特性预示结果的精度得以提高,以保证利用关键参数进行的模态试验能够更准确的描述飞行器的动特性。
作为本发明的一种优选方案,所述结构参数为飞行器结构特性的表现,以及直接表达在结构动力学模型中的参数,将所述模态试验关注点转化至利用结构特性评估飞行器动特性。
本发明与现有技术相比较具有如下有益效果:
本发明利用由预示准确度和对动特性影响的敏感程度设定的分类双指标进行结构参数四分类,并通过在结构参数识别关键参数,实现对模态试验的精细化设计,将模态试验的关注点由整体动特性转向结构局部特征,可实现在结构有局部调整时,快速且准确的掌握结构动力学模型的参数,可通过局部模型的更换来获得新状态的动特性,无需重新进行模态试验,从而扩充了模态试验的灵活性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供码的关键参数识别方法流程图;
图2为本发明实施例提供码的结构参数四分类的结果示意图。
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。
如图1所示,本发明提供了一种用于飞行器模态试验的关键参数识别方法,包括以下步骤:
航天飞行器的质量分布情况、部段直径、蒙皮厚度、部段长度、对接面刚度等参数会对全箭的动特性预示精度不同,其偏差对结果的影响也有很大的区别。将这些参数统称为结构参数。结构参数也是直接表达在结构动力学模型中的参数。结构参数与动特性参数性质上有很大区别:结构参数是结构局部特性的表现,数量很多;而动特性参数则是结构的整体动特性的表现,数量有限。由动特性参数确定结构参数是采用少量参数来估测大量参数,可靠性不高,而由结构参数来估测动特性参数有影响,但是理论上来说也是更加的可靠的,因此本实施例将飞行棋模态试验的分析重点调整至结构参数上,可保证飞行器模态试验能够更准确的描述飞行器的动特性。
步骤S1、将预示准确度和对动特性影响的敏感程度设定为分类双指标,并基于分类双指标对飞行器模态试验的结构参数进行分类;
步骤S1中,分类双指标设定结构参数分类的方法包括:
设定预示准确度阈值,将结构参数的预示准确度与预示准确度阈值比较,将结构参数基于预示准确度阈值进行二分类为预示准确度高的类别和预示准确度低的类别;
设定敏感程度阈值,将结构参数的预示准确度与敏感程度阈值比较,将结构参数基于敏感程度阈值进行二分类为对动特性影响的敏感程度高的类别和对动特性影响的敏感程度低的类别;
将结构参数基于预示准确度阈值进行二分类与基于敏感程度阈值进行二分类相结合实现将结构参数进行四分类得到A类别、B类别、C类别和D类别。
所述结构参数的四分类方法包括:
选取多个结构参数作为模型训练参数,并将所述模型训练参数的预示准确度和对动特性影响的敏感程度分别与所述预示准确度阈值和敏感程度阈值进行比较,其中,
若所述模型训练参数的预示准确度大于所述预示准确度阈值且对动特性影响的敏感程度大于敏感程度阈值,则所述模型训练参数标定为C类别;
若所述模型训练参数的预示准确度大于所述预示准确度阈值且对动特性影响的敏感程度小于敏感程度阈值,则所述模型训练参数标定为D类别;
若所述模型训练参数的预示准确度小于所述预示准确度阈值且对动特性影响的敏感程度大于敏感程度阈值,则所述模型训练参数标定为A类别;
若所述模型训练参数的预示准确度小于所述预示准确度阈值且对动特性影响的敏感程度小于敏感程度阈值,则所述模型训练参数标定为B类别;
选取多个已知类别的模型训练参数分别作为模型训练样本,其中,模型训练参数的预示准确度和对动特性影响的敏感程度作为模型训练样本的样本特征,模型训练参数的类别作为模型训练样本的样本标签;
将所述模型训练样本运用到贝叶斯分类器进行四分类训练得到参数分类模型,所述参数分类模型用于结构参数自动识别类别,其中,所述模型训练样本的样本特征作为贝叶斯分类器的输入,所述模型训练样本的样本标签作为贝叶斯分类器的输出;
将待分类的结构参数的预示准确度和对动特性影响的敏感程度输入至参数分类模型,输出待分类的结构参数的类别。
以上可将结构参数的分类有人为的阈值分类转变为模型自动分类,提高分类效率和精度,特别是在需要分类的结构参数数量大的情况下,优势更为明显。
如图2所示,结构参数四分类的结果包括A类别、B类别、C类别和D类别,其中,
A类别表征为结构参数具有预示准确度低且对动特性影响的敏感程度高的属性;
B类别表征为结构参数具有预示准确度低且对动特性影响的敏感程度低的属性;
C类别表征为结构参数具有预示准确度高且对动特性影响的敏感程度高的属性;
D类别表征为结构参数具有预示准确度高且对动特性影响的敏感程度低的属性。
具体的,典型的D类别的参数是壁厚较厚,结构简单部段的刚度参数,比如说固体发动机推力室的刚度特性。其刚度较大,对动特性影响不大,并且在振动过程中基本符合平截面假定,实际表现出的刚度与理论解十分接近。
典型的B类别的参数有大量对接螺栓连接的部段对接面刚度。该部段对接刚度很大,结构振动在此处响应很小,但是,考虑到螺栓预紧力、端框出的复杂局部结构,端框对接面接触情况等,此处的刚度预示十分困难。
C类别的参数举例为结构的质量,以及长度、直径等几何参数,这些参数对动特性影响十分敏感,但是却能够十分直接的获得或预示。
A类别的参数有蒙皮较薄部段的弯曲刚度,点式连接的部段对接面刚度等,这些参数即难以获取又会对动特性结果有较大影响。
步骤S2、基于步骤S1中结构参数的分类结果进行针对性的模态试验,并识别出模态试验的关键参数。
模态试验需要获得动特性预示结果,并保证动特性预示结果在预示偏差范围内,半实物模态试验的目的也是如此。在完成了对结构参数的四分类后可将结构参数分成A、B、C和D四个类别,即可建立考虑偏差的结构动力学模型,对落在A类别内的结构参数确定为关键参数考虑进行实物试验,将其从A区转至C区,以保证最终结构动力学模型的动特性预示结果偏差满足要求。
步骤S2,基于结构参数的分类结果进行针对性的模态试验的方法包括:
利用模态试验模型修正方法在结构参数确定出属于A类别的关键参数;
建立考虑偏差的结构动力学模型,利用结构动力学模型对属于A类别的关键参数进行实物试验,实现将关键参数从A类别转化至C类别,使得关键参数的预示准确度由低提至高,并使得结构动力学模型输出的动特性预示结果在预示偏差范围内。
实物试验的目的是提高对动特性影响的敏感程度高且预示准确度低的关键参数的预示准确度,以提高结构动力学模型的动特性预示精度。在结构参数内选择关键参数在很大程度上需要对物理结构有深刻的认识,所选关键参数应该是在物理上存在疑问并且与结构动力学模型特征相关的,实际上,对同一可疑点,通常有许多可供选择的修正参数。一般来说,应该在结构参数中选择对动特性敏感程度高,但是,反过来则是不对的。也就是说,动特性对某个结构参数敏感,并不是选择此参数作为实物试验的关键参数的充分条件。总之,在结构参数中选择实物试验的关键参数时应选择那些在结构动力学模型中已识别的不确定因素对应的结构参数,并且该结构参数对动特性影响的敏感程度高。
利用模态试验模型修正方法确定出关键参数的方法包括:
模态试验模型修正方法,可选择的方法有特征值方程平衡方法,子结构能量函数识别方法,最有子空间法,灵敏度抽样法等,均在本发明的保护范围内,本实施例为描述方便以特征值方程平衡方法进行关键参数的确定过程描述。
基于结构参数的偏差,建立的特征方程,特征方程为:
将增量效应综合在一起,得到局部化的矩阵L,所述矩阵L公式为:
通过检查局部化向量q,选出主要的建模误差,所述建模误差公式为:
重新利用结构动力学模型进行动特性预示结果的偏差评估的方法包括:
实物试验用于提高对动特性敏感程度高且预示准确度低的关键参数的预示准确度,以提高结构动力学模型的动特性预示精度。
高值相关的结构参数进行实物试验可有效提高结构动力学模型的动特性预示
精度,因此可设定一个误差阈值,用于将高于误差阈值的值定义为高高值,从而可获得
高值对应的结构参数重新利用结构动力学模型进行动特性预示结果的偏差评估,确定出
高值对应的结构参数是否可作为关键参数,若高值对应的结构参数无法作为关键参
数,可对误差阈值进行相对降低,使得高于误差阈值的值数量增加,即高值数量增加,
则相应的高值对应的结构参数数量也增加,再重新利用结构动力学模型进行动特性预示
结果的偏差评估,直至关键参数得以确定。
所述关键参数具有与A类别中参数相同的属性,所述关键参数为飞行器关键结构特性中的表现,以及所述飞行器模态试验的重点关注点,并且所述关键参数在由A类别转至C类别后通过结构动力学模型输出的动特性预示结果的精度得以提高,以保证利用关键参数进行的模态试验能够更准确的描述飞行器的动特性。
结构参数为飞行器结构特性的表现,以及直接表达在结构动力学模型中的参数,将模态试验关注点转化至利用结构特性评估飞行器动特性。
本发明利用由预示准确度和对动特性影响的敏感程度设定的分类双指标进行结构参数四分类,并通过在结构参数识别关键参数,实现对模态试验的精细化设计,将模态试验的关注点由整体动特性转向结构局部特征,可实现在结构有局部调整时,快速且准确的掌握结构动力学模型的参数,可通过局部模型的更换来获得新状态的动特性,无需重新进行模态试验,从而扩充了模态试验的灵活性。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (7)
1.一种用于飞行器模态试验的关键参数识别方法,其特征在于,包括以下步骤:
步骤S1、将预示准确度和对动特性影响的敏感程度设定为分类双指标,并基于所述分类双指标对所述飞行器模态试验的结构参数进行分类;
步骤S2、基于所述步骤S1中结构参数的分类结果进行针对性的模态试验,并识别出所述模态试验的关键参数;
所述步骤S2,基于所述结构参数的分类结果进行针对性的模态试验的方法包括:
利用模态试验模型修正方法在所述结构参数确定出属于A类别的关键参数;
建立考虑偏差的结构动力学模型,利用所述结构动力学模型对属于A类别的关键参数进行实物试验,实现将所述关键参数从A类别转化至C类别,使得关键参数的预示准确度由低提至高,并使得结构动力学模型输出的动特性预示结果在预示偏差范围内;
利用模态试验模型修正方法确定出所述关键参数的方法包括:
基于结构参数的偏差,建立的特征方程,所述特征方程为:
将增量效应综合在一起,得到局部化的矩阵L,所述矩阵L公式为:
通过检查局部化向量q,选出主要的建模误差,所述建模误差公式为:
所述重新利用结构动力学模型进行动特性预示结果的偏差评估包括:
2.根据权利要求1所述的一种用于飞行器模态试验的关键参数识别方法,其特征在于:所述步骤S1中,基于所述分类双指标对所述飞行器模态试验的结构参数进行分类包括:
设定预示准确度阈值,将结构参数的预示准确度与所述预示准确度阈值比较,将结构参数基于预示准确度阈值进行二分类为预示准确度高的类别和预示准确度低的类别;
设定敏感程度阈值,将结构参数的对动特性影响的敏感程度与所述敏感程度阈值比较,将结构参数基于敏感程度阈值进行二分类为对动特性影响的敏感程度高的类别和对动特性影响的敏感程度低的类别;
将结构参数基于预示准确度阈值进行二分类与基于敏感程度阈值进行二分类相结合实现将结构参数进行四分类得到A类别、B类别、C类别和D类别。
3.根据权利要求2所述的一种用于飞行器模态试验的关键参数识别方法,其特征在于:将结构参数进行四分类:
选取多个结构参数作为模型训练参数,并将所述模型训练参数的预示准确度和对动特性影响的敏感程度分别与所述预示准确度阈值和敏感程度阈值进行比较,其中,
若所述模型训练参数的预示准确度大于所述预示准确度阈值且对动特性影响的敏感程度大于敏感程度阈值,则所述模型训练参数标定为C类别;
若所述模型训练参数的预示准确度大于所述预示准确度阈值且对动特性影响的敏感程度小于敏感程度阈值,则所述模型训练参数标定为D类别;
若所述模型训练参数的预示准确度小于所述预示准确度阈值且对动特性影响的敏感程度大于敏感程度阈值,则所述模型训练参数标定为A类别;
若所述模型训练参数的预示准确度小于所述预示准确度阈值且对动特性影响的敏感程度小于敏感程度阈值,则所述模型训练参数标定为B类别;
选取多个已知类别的模型训练参数分别作为模型训练样本,其中,模型训练参数的预示准确度和对动特性影响的敏感程度作为模型训练样本的样本特征,模型训练参数的类别作为模型训练样本的样本标签;
将所述模型训练样本运用到贝叶斯分类器进行四分类训练得到参数分类模型,所述参数分类模型用于结构参数自动识别类别,其中,所述模型训练样本的样本特征作为贝叶斯分类器的输入,所述模型训练样本的样本标签作为贝叶斯分类器的输出;
将待分类的结构参数的预示准确度和对动特性影响的敏感程度输入至参数分类模型,输出待分类的结构参数的类别。
4.根据权利要求3所述的一种用于飞行器模态试验的关键参数识别方法,其特征在于:所述结构参数四分类的结果包括A类别、B类别、C类别和D类别,其中,
所述A类别表征为结构参数具有预示准确度低且对动特性影响的敏感程度高的属性;
所述B类别表征为结构参数具有预示准确度低且对动特性影响的敏感程度低的属性;
所述C类别表征为结构参数具有预示准确度高且对动特性影响的敏感程度高的属性;
所述D类别表征为结构参数具有预示准确度高且对动特性影响的敏感程度低的属性。
5.根据权利要求4所述的一种用于飞行器模态试验的关键参数识别方法,其特征在于:所述实物试验用于提高对动特性敏感程度高且预示准确度低的关键参数的预示准确度,以提高结构动力学模型的动特性预示精度。
6.根据权利要求5所述的一种用于飞行器模态试验的关键参数识别方法,其特征在于,所述关键参数具有与A类别中参数相同的属性,所述关键参数为飞行器关键结构特性中的表现,以及所述飞行器模态试验的重点关注点,并且所述关键参数在由A类别转至C类别后通过结构动力学模型输出的动特性预示结果的精度得以提高,以保证利用关键参数进行的模态试验能够更准确的描述飞行器的动特性。
7.根据权利要求6所述的一种用于飞行器模态试验的关键参数识别方法,其特征在于,所述结构参数为飞行器结构特性的表现,以及直接表达在结构动力学模型中的参数,将所述模态试验关注点转化至利用结构特性评估飞行器动特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951743.7A CN113408672B (zh) | 2021-08-19 | 2021-08-19 | 一种用于飞行器模态试验的关键参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951743.7A CN113408672B (zh) | 2021-08-19 | 2021-08-19 | 一种用于飞行器模态试验的关键参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408672A CN113408672A (zh) | 2021-09-17 |
CN113408672B true CN113408672B (zh) | 2021-11-09 |
Family
ID=77688735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951743.7A Active CN113408672B (zh) | 2021-08-19 | 2021-08-19 | 一种用于飞行器模态试验的关键参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408672B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850674A (zh) * | 2014-10-30 | 2015-08-19 | 中国运载火箭技术研究院 | 一种基于多试验状态数据的模型修正系统 |
CN107220403A (zh) * | 2017-04-20 | 2017-09-29 | 南京航空航天大学 | 飞行器弹性模态的控制关联建模方法 |
CN111444648A (zh) * | 2020-01-15 | 2020-07-24 | 北京理工大学 | 一种模块化航天器的结构动特性快速估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547618B (zh) * | 2015-12-03 | 2018-02-13 | 北京机械设备研究所 | 一种基于折叠舵面舵系统的模态分析方法 |
CN107391818B (zh) * | 2017-07-07 | 2019-10-11 | 大连理工大学 | 一种基于状态观测器的振动模态参数识别方法 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN110514375A (zh) * | 2019-07-26 | 2019-11-29 | 上海卫星装备研究所 | 基于虚拟现实的卫星虚拟振动试验测试方法和系统 |
-
2021
- 2021-08-19 CN CN202110951743.7A patent/CN113408672B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850674A (zh) * | 2014-10-30 | 2015-08-19 | 中国运载火箭技术研究院 | 一种基于多试验状态数据的模型修正系统 |
CN107220403A (zh) * | 2017-04-20 | 2017-09-29 | 南京航空航天大学 | 飞行器弹性模态的控制关联建模方法 |
CN111444648A (zh) * | 2020-01-15 | 2020-07-24 | 北京理工大学 | 一种模块化航天器的结构动特性快速估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113408672A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202776B (zh) | 一种运载火箭结构机构产品可靠性评估方法 | |
WO2005001722A2 (en) | Design optimisation of computationally intensive design problems | |
CN113627098B (zh) | 一种cfd模型确认方法及产品设计方法 | |
CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
CN116305522A (zh) | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 | |
El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN112580228A (zh) | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 | |
CN106815428B (zh) | 一种基于智能优化算法的风洞天平校准数据处理方法 | |
CN112597687B (zh) | 一种基于少样本学习的涡轮盘结构混合可靠性分析方法 | |
CN113408672B (zh) | 一种用于飞行器模态试验的关键参数识别方法 | |
CN104834795B (zh) | 包带连接结构接触摩擦非线性特性模拟方法及系统 | |
US7617166B2 (en) | Neural network for aeroelastic analysis | |
Xiang et al. | Automatic strain gauge balance design optimization approach and implementation based on integration of software | |
Hoole et al. | Comparison of surrogate modeling methods for finite element analysis of landing gear loads | |
DeCarlo et al. | Bayesian calibration of aerothermal models for hypersonic air vehicles | |
CN113408200A (zh) | 航空装备振动环境分析和预测方法 | |
CN109635346B (zh) | 机械连接结构的可靠性分析方法 | |
Gomez-Escalonilla et al. | Development of efficient high-fidelity solutions for virtual fatigue testing | |
CN112434369B (zh) | 一种基于机器学习的结构载荷感知方法 | |
Wang et al. | A robust inverse method based on least square support vector regression for johnson-cook material parameters | |
CN112182875A (zh) | 一种试验导向的直升机旋翼金属件疲劳设计方法 | |
GONÇALVES et al. | On the comparison of heterogeneous mechanical tests for sheet metal characterization | |
JP7490099B2 (ja) | 3dマルチスケールモデリングのシステムおよび方法 | |
Spencer et al. | Enhancements to Engineering-scale Reactor Pressure Vessel Fracture Capabilities in Grizzly |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220729 Address after: 511400 room 1702, No. 1, Cuiying street, Nansha District, Guangzhou, Guangdong Province (office only) Patentee after: Guangzhou Zhongke Aerospace Exploration Technology Co.,Ltd. Address before: 100190, No. 15 West Fourth Ring Road, Beijing, Haidian District Patentee before: INSTITUTE OF MECHANICS, CHINESE ACADEMY OF SCIENCES |
|
TR01 | Transfer of patent right |