CN113919597A - 用于预测飞行器的着陆载荷的方法和设备 - Google Patents

用于预测飞行器的着陆载荷的方法和设备 Download PDF

Info

Publication number
CN113919597A
CN113919597A CN202111406059.7A CN202111406059A CN113919597A CN 113919597 A CN113919597 A CN 113919597A CN 202111406059 A CN202111406059 A CN 202111406059A CN 113919597 A CN113919597 A CN 113919597A
Authority
CN
China
Prior art keywords
landing
aircraft
time
flight parameters
load
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
Application number
CN202111406059.7A
Other languages
English (en)
Inventor
徐尧
周文博
庞培森
吴谦
张干锋
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.)
Commercial Aircraft Corp of China Ltd
Original Assignee
Commercial Aircraft Corp of China Ltd
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 Commercial Aircraft Corp of China Ltd filed Critical Commercial Aircraft Corp of China Ltd
Priority to CN202111406059.7A priority Critical patent/CN113919597A/zh
Publication of CN113919597A publication Critical patent/CN113919597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00Registering or indicating the working of vehicles
    • G07C5/006Indicating maintenance
    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00Registering or indicating the working of vehicles
    • G07C5/08Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808Diagnosing performance data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及用于预测飞行器的着陆载荷的方法和设备。该方法包括:获取飞行器在着陆前至着陆后的一段时间内的多组飞行参数;从安装在起落架上的位移传感器获取起落架行程数据;基于起落架行程数据来确定飞行器的着陆时刻;基于飞行器的着陆时刻从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数;以及基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的着陆载荷。根据本公开的方法能够通过测量起落架的行程更精确地确定飞行器的着陆时刻,从而根据着陆时刻的一组飞行参数来预测飞行器的着陆载荷并确定飞行器结构承受的载荷等级,以此为飞行器的维修维护提供数据支撑。

Description

用于预测飞行器的着陆载荷的方法和设备
技术领域
本公开一般涉及飞行器领域,尤其涉及用于预测飞行器的着陆载荷的方法和设备。
背景技术
飞行器的着陆阶段是飞行过程中的关键阶段,它虽然只占飞行时间的1%,但是事故发生率却高达25%。在飞行器着陆的过程中,有可能发生重着陆的情形。重着陆是指在飞行器着陆瞬间起落架与地面产生的冲击载荷超过规定阈值。重着陆会对飞行器的起落架和机体结构(尤其是机翼起落架连接结构、中后机体结构、发动机吊挂结构等)造成强烈冲击,可能引起结构损伤或疲劳寿命降低。虽然有些损伤能够通过目视检查发现,但是还有很大一部分损伤无法通过目视检查发现。疲劳寿命的降低更是无法通过常规检查得到,这给飞行器的维修维护带来了显著困难。
一般而言,着陆载荷以飞机重心处过载来确定。目前,使用飞行器在着陆瞬间的垂直加速度作为标准来判断重着陆是否发生。不同的飞行器类型或信号对应于不同的垂直加速度阈值。但是,重着陆发生的情形一般比较复杂,不只与飞行器类型或型号有关。事实上,在飞行器的着陆过程中,着陆的情形可包括左右主起对称着陆、左右主起非对称着陆、带侧向速度着陆、主起重着陆、前起重着陆、前主起三点重着陆等。假设飞行器只有垂直速度的对称着陆,并基于此对飞行器是否发生重着陆进行判定可能是不够准确的。
因此,迫切需要一种能够准确预测着陆载荷的方法。
发明内容
以下给出了一个或多个方面的简要概述以提供对此类方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。
本公开的目的旨在提供一种用于预测飞行器的着陆载荷的方法和设备。根据本公开的方法能够根据飞行器着陆时刻的一组飞行参数来预测飞行器的着陆载荷。根据本公开的方法能够通过测量起落架的行程来精确地确定飞行器的着陆时刻,从而根据着陆时刻的一组飞行参数来预测飞行器的着陆载荷,并确定飞行器结构承受的载荷等级,以此为飞行器的维修维护提供数据支撑。
本公开的一方面公开了一种预测飞行器的着陆载荷的方法。该方法包括:获取飞行器在着陆前至着陆后的一段时间内的多组飞行参数;从安装在起落架上的位移传感器获取起落架行程数据;基于起落架行程数据来确定飞行器的着陆时刻;基于飞行器的着陆时刻从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数;以及基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的着陆载荷。
在一些情形中,起落架行程数据由零转变为非零的时刻指示着陆时刻。
在一些情形中,基于飞行器的着陆时刻从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数进一步包括:当着陆时刻与一组飞行参数的采集时刻相对应时,确定这一组飞行参数为飞行器在着陆时刻的一组飞行参数;或者当没有一组飞行参数的采集时刻与飞行器的着陆时刻相对应时,通过在紧邻飞行器的着陆时刻的前一采集时刻与后一采集时刻之间进行插值来获得飞行器在着陆时刻的一组飞行参数。
在一些情形中,该方法进一步包括:基于所预测的着陆载荷与飞行器的着陆载荷阈值相比较来判断飞行器是否经历重着陆。
在一些情形中,该方法进一步包括:基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的一个或多个机构的机构着陆载荷。
在一些情形中,该方法进一步包括:基于所预测的机构着陆载荷与对应机构的机构着陆载荷阈值相比较来判断对应机构是否经历重着陆。
在一些情形中,机构着陆载荷阈值包括一个或多个重着陆承载等级,其中判断对应机构是否经历重着陆进一步包括:在确定一个或多个机构中的一个机构经历重着陆之后,判断机构的重着陆处于一个或多个重着陆承载等级中的哪一个重着陆承载等级。
在一些情形中,飞行器的一个或多个机构是基于以下方式来确定的:随机地确定,基于经验分析机体结构来确定,和/或根据大数据统计来确定。
在一些情形中,多组飞行参数中的每一组飞行参数包括以下各项中的一者或多者:下降速度、向前速度、俯仰角、滚转角、俯仰角速度、滚转角速度。
在一些情形中,着陆载荷预测模型是使用多项式响应面、支持向量机、克里金、径向基函数、人工神经网络、卷积神经网络、随机森林算法、或决策树算法来训练的。
在一些情形中,着陆载荷预测模型是通过以下操作来训练的:获取着陆时刻的历史飞行参数集;基于全机着陆动力学模型来生成与着陆时刻的历史飞行参数集相对应的着陆载荷集;使用历史飞行参数集与对应的着陆载荷集来形成训练集;以及基于训练集来训练着陆载荷预测模型。
在一些情形中,该方法进一步包括:建立全机着陆动力学模型,其中全机着陆动力学模型具有一个或多个输出,并且其中一个或多个输出表示飞行器的一个或多个机构的着陆载荷;基于历史飞行参数集使用全机着陆动力学模型来确定一个或多个机构中的每个机构的机构着陆载荷集;以及使用历史飞行参数集与对应的一个或多个机构的机构着陆载荷集来形成训练集。
本公开的另一方面公开了一种预测飞行器的着陆载荷的预测系统。该系统包括:获取模块、确定模块、以及预测模块。该获取模块被配置成获取飞行器在着陆前至着陆后的一段时间内的多组飞行参数,以及从安装在起落架上的位移传感器获取起落架行程数据。该确定模块被配置成基于起落架行程数据来确定飞行器的着陆时刻,以及基于飞行器的着陆时刻从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数。该预测模块被配置成基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的着陆载荷。
在一些情形中,该系统进一步包括:判断模块。该判断模块被配置成基于所预测的着陆载荷与飞行器的着陆载荷阈值相比较来判断飞行器是否经历重着陆。
在一些情形中,预测模块被进一步配置成基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的一个或多个机构的机构着陆载荷。
在一些情形中,判断模块被进一步配置成基于所预测的机构着陆载荷与对应机构的机构着陆载荷阈值相比较来判断对应机构是否经历重着陆。
本公开的又一方面公开了一种预测飞行器的着陆载荷的预测系统,包括:存储器;与存储器耦合的处理器,处理器配置成:获取飞行器在着陆前至着陆后的一段时间内的多组飞行参数;从安装在起落架上的位移传感器获取起落架行程数据;基于起落架行程数据来确定飞行器的着陆时刻;基于飞行器的着陆时刻从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数;以及基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的着陆载荷。
本公开的再一方面公开了一种其上存储有用于预测飞行器的着陆载荷的指令的非瞬态计算机可读存储介质。这些指令可由处理器执行以:获取飞行器在着陆前至着陆后的一段时间内的多组飞行参数;从安装在起落架上的位移传感器获取起落架行程数据;基于起落架行程数据来确定飞行器的着陆时刻;基于飞行器的着陆时刻从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数;以及基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的着陆载荷。
提供本发明内容是为了以简化的形式来介绍一些概念,这些概念将在下面的具体实施方式中进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于限制所要求保护的主题的范围。各实施例的其他方面、特征和/或优点将部分地在下面的描述中阐述,并且将部分地从描述中显而易见,或者可以通过本公开的实践来学习。
附图简述
图1示出了根据本公开的各方面的用于基于着陆载荷预测模型预测着陆载荷的过程的流程图;
图2示出了根据本公开的各方面的用于训练着陆载荷预测模型的过程的流程图;
图3示出了根据本公开的各方面的用于训练着陆载荷预测模型的另一过程的流程图;
图4示出了根据本公开的各方面的在起落架上安装传感器的示意图;
图5示出了根据本公开的一实施例的用于基于着陆载荷预测模型预测各个机构的机构着陆载荷的示例;
图6示出了根据本公开的各方面的用于预测着陆载荷的系统的框图;以及
图7示出了根据本公开的各方面的包括用于预测着陆载荷的系统的设备的框图。
具体实施方式
以下结合附图阐述的具体实施方式旨在作为各种配置的描述,而无意表示可实践本文中所描述的概念的仅有配置。本具体实施方式包括具体细节以提供对各种概念的透彻理解。然而,对于本领域技术人员将显而易见的是,没有这些具体细节也可以实践这些概念。
基于本教导,本领域技术人员应领会,本公开的范围旨在覆盖本公开的任何方面,不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如,可以使用所阐述的任何数目的方面来实现设备或实践方法。另外,本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类设备或方法。
尽管本文描述了特定方面,但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点,但本公开的范围并非旨在被限定于特定益处、用途或目标。具体实施方式和附图仅仅解说本公开而非限定本公开,本公开的范围由所附权利要求及其等效技术方案来定义。
着陆(Landing)是指飞行中的飞行器降落到地面的过程,包括与地表接触后的移动、减速及达成静止状态的过程。着陆是飞行器飞行过程中的最后一个阶段,也是飞行安全保证的关键阶段。在着陆过程中,有可能发生重着陆。重着陆是指起落架与地面接触产生的冲击载荷超过阈值的事件。对飞行器的着陆状态(例如,着陆载荷)进行准确预测,根据所预测的着陆载荷来判断是否发生中着陆,并在判定重着陆发生之后确定飞行器结构承受的载荷等级能够为判定飞行器机构的损伤程度和疲劳寿命折减等提供数据支撑,由此改善对飞行器的维修维护保障服务。
目前,对飞行器的着陆状态的预测仅以垂直加速度作为判断标准进行预测。但是飞行器着陆过程的状态可能是复杂的,可能包括各种各样的情形等。仅仅以垂直加速度作为判断标准进行预测可能是不够准确的。
本公开的目的旨在提供一种用于预测飞行器的着陆载荷的方法和设备。根据本公开的方法能够根据飞行器着陆时刻的一组飞行参数来预测飞行器的着陆载荷。根据本公开的方法通过测量起落架的行程来精确地确定飞行器的着陆时刻,从而根据着陆时刻的一组飞行参数来预测飞行器的着陆载荷,并根据所预测的着陆载荷判定是否发生重着陆,并在判定重着陆之后确定飞行器结构承受的载荷等级,以此为飞行器的维修维护提供数据支撑。
本公开主要涉及对飞行器的着陆载荷的预测,以下结合附图以飞机为例进行阐述。本领域技术人员将领会,虽然在附图中示出了预测固定翼飞机(以下简称飞机)的着陆载荷的实施例,但是根据本公开的方法也可应用于预测其他任何类型的飞行器。
图1示出了根据本公开的各方面的用于基于着陆载荷预测模型预测着陆载荷的过程100的流程图。在一个实施例中,用于基于着陆载荷预测模型预测着陆载荷的过程100可包括:
在框110,可获取飞机在着陆前至着陆后的一段时间内的多组飞行参数。该多组参数中的每一组参数与时刻相对应。在一些情形中,这一段时间内的多组飞行参数可从飞行记录器中获取。一般地,飞行记录器以一定的采样率不断地采集多个飞行参数,每个采样点采集一组飞行参数。例如,飞行记录器的采样率可以为8~32Hz、16~64Hz、8~96Hz等等。在一些情形中,飞行记录器的采样率可以是因飞机而异的。
在一些情形中,多组飞行参数中的每一组飞行参数可包括但不限于:垂直下降速度、向前速度、俯仰角、滚转角、俯仰角速度、滚转角速度等。可任选地,一组飞行参数还可包括气象参数。在一个示例中,过程100可进一步包括对多组飞行参数进行译码和预处理。
在框120,可确定飞机着陆的着陆时刻。
在一些情形中,可基于轮速信号来确定飞机的着陆时刻。例如,当轮速信号为零值时,飞机处于飞行状态;而轮速信号从零值变为非零值的时刻即为飞机的着陆时刻,当轮速信号不为零时,飞机在地面上处于滑行状态。即,取飞机从零值变为非零值的瞬间作为飞机的着陆时刻。
在其他一些情形中,可基于飞机的起落架上的信号来确定飞机的着陆时刻。例如,可在飞机的起落架上安装位移传感器(例如,线位移传感器)来测量起落架行程数据,例如,起落架的压缩行程。如图4中所示,可分别在左主起落架101、前起落架102和右主起落架103中的一者或多者上安装线位移传感器。飞机的着陆时刻可基于线位移传感器测量获得的起落架的压缩行程来确定。例如,起落架的压缩行程从零值转变为非零值的瞬间即为飞机的着陆时刻。当使用多个线位移传感器测量得到的压缩行程来确定飞机的着陆时刻,可选取多个着陆时刻中的中间值。
在框130,可基于飞机的着陆时刻来从多组飞行参数中确定飞机在着陆时刻的一组飞行参数。例如,可基于所确定的着陆时刻来确定与着陆时刻相对应的一组飞行参数。在一些情形中,可基于飞机的着陆时刻从多组飞行参数中确定飞机在着陆时刻的一组飞行参数进一步包括:当着陆时刻正好与一组飞行参数的采集时刻相对应时,可确定这一组飞行参数为飞机在着陆时刻的一组飞行参数;或者当没有一组飞行参数的采集时刻正好与飞机的着陆时刻相对应时,通过在紧邻飞机的着陆时刻的前一采集时刻与后一采集时刻之间进行插值来获得飞机在着陆时刻的一组飞行参数。例如,可通过在紧邻飞行器的着陆时刻的前一采集时刻与后一采集时刻之间进行线性插值来获得飞行器在着陆时刻的一组飞行参数。在一些情形中,当没有找到一组飞行参数的采集时刻正好与飞机的着陆时刻相对应时,可先获取飞机的着陆时刻所在的时间区间。随后,可将该时间区间的一端点(前一采集时刻)与该时间区间的另一端点(后一采集时刻)进行线性拟合(例如,线性连接)以获得与该时间区间内的每个时刻相对应的多组飞行参数。可在该时间区间内确定与飞机的着陆时刻相对应的时刻,从而确定与该时刻相对应的一组飞行参数,即为与飞机的着陆时刻相对应的一组飞行参数。替换地,也可通过在紧邻飞行器的着陆时刻的前一采集时刻与后一采集时刻之间进行抛物线插值来获得飞行器在着陆时刻的一组飞行参数。
在框140,可基于着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞机的着陆载荷。在一些情形中,着陆载荷以加速度g为单位。在另一些情形中,着陆载荷的单位为N或者N.m。在一些情形中,着陆载荷预测模型的输入可以为在着陆时刻的一组飞行参数,而输出可以为飞机的着陆载荷。在其他一些情形中,着陆载荷预测模型的输入可以为在着陆时刻的一组飞行参数,而输出可以为飞机的一个或多个机构的着陆载荷。飞机的一个或多个机构可基于以下方式来确定:随机地确定;基于经验分析机体结构来确定;和/或根据大数据统计来确定。
在一个实施例中,可使用现有的经训练的着陆载荷预测模型来预测飞机的着陆载荷和/或飞机的一个或多个机构的着陆载荷。在替换实施例中,可使用根据具体实现训练的着陆载荷预测模型来预测飞机的着陆载荷和/或飞机的一个或多个机构的着陆载荷。
进一步地,可根据所预测的着陆载荷基于飞机的着陆载荷阈值来确定飞机是否经历重着陆。在一些情况下,着陆载荷阈值可根据飞机的产品设计手册来确定。可任选地,过程100可进一步包括基于在框140中预测的着陆载荷来确定飞机的着陆承载严重等级。例如,飞机的着陆承载严重等级可包括5级:小于等于飞机承载能力的60%为5级、飞机承载能力的60%-80%为4级、飞机承载能力的80%-90%为3级;飞机承载能力的90%-100%为2级;大于等于飞机承载能力为1级。在一些情况下,飞机承载能力可根据飞机的产品设计手册来确定。优选地,可在屏幕上使用不同的颜色来标识不同的着陆承载严重等级。例如,可在驾驶舱操控屏上使用不同的颜色来标识不同的着陆承载严重等级。又例如,可在飞机维护时,在维护设备上使用不同的颜色来标识不同的着陆承载严重等级以供维护人员进行相应的维护工作。另外,还可将相关飞行参数、预测的着陆载荷、受载严重等级等数据保存到维护数据库中,结合飞机的维护状况,作为后续维护工作的参考。
在一个实施例中,预测飞机的着陆载荷可进一步包括预测飞机的各个机构的着陆载荷,从而能够分别对飞机的各个机构提供精细的维修维护。在一个示例实现中,飞机的各个机构的划分可以随机地确定。在另一个示例实现中,飞机的各个机构的划分可基于本领域技术人员的经验分析来确定。例如,售后保障人员可根据维护的便利性来划分。在又一示例实现中,飞机的各个机构的划分可基于大数据分析来确定。例如,可通过大数据分析将承受载荷差异较小的部分划分为一个机构。在这些情形中,可使用不同颜色在飞机示意图上分块地显示飞机的各个机构的受载情况。在一些情形中,着陆载荷预测模型是使用训练集训练获得的。以下将结合图2来具体阐述用于训练着陆载荷预测模型的过程。
图2示出了根据本公开的各方面的用于训练着陆载荷预测模型的过程200的流程图。在一个实施例中,用于训练着陆载荷预测模型的过程200可包括:
在框210,可获取着陆时刻的历史飞行参数集。例如,可获取飞机在不同飞行条件下着陆时的飞行参数集。在一些情形中,历史飞行参数集可以是同一型号的飞机的历史飞行参数集。在其他一些情形中,历史飞行参数集可以是同一飞机的历史飞行参数集。
在框220,可生成与着陆时刻的历史飞行参数集相对应的着陆载荷集。在一些情形中,着陆载荷是使用全机着陆动力学模型仿真得到的。可任选地,与框220中操作相对应地,过程200可进一步包括过程222-226,以下将结合图3来具体阐述。
在框222,可对历史飞行参数集进行试验设计以生成经设计的历史飞行参数集。如上所述,历史飞行参数集中每一组飞行参数可包括但不限于:垂直下降速度、向前速度、俯仰角、滚转角、俯仰角速度、滚转角速度等。可任选地,一组飞行参数还可包括气象参数。
在框224,建立全机着陆动力学模型,其中全机着陆动力学模型具有一个或多个输出,并且其中一个或多个输出表示飞机的一个或多个机构的机构着陆载荷。在一个示例中,全机着陆动力学模型的一个或多个输出可被随机地确定,即飞机的一个或多个机构可被随机地确定,如上所述。在另一示例中,全机着陆动力学模型的一个或多个输出可基于经验分析机体结构来确定。在又另一示例中,全机着陆动力学模型的一个或多个输出可根据大数据统计来确定。
在框226,基于历史飞行参数集使用全机着陆动力学模型来仿真一个或多个机构中的每个机构的机构着陆载荷集。本领域技术人员将领会,使用全机着陆动力学模型来仿真飞机的着陆载荷或飞机的一个或多个机构的着陆载荷仅仅是作为示例来解说的,其他仿真模型或测量方式也可用来获取飞机的着陆载荷或飞机的一个或多个机构的着陆载荷,而不脱离本公开的保护范围。
参照回到图2,在框230,可使用历史飞行参数集与对应的着陆载荷集来形成训练集。
随后,在框240,可基于训练集来训练着陆载荷预测模型。在一些情形中,可使用多项式响应面、支持向量机、克里金、径向基函数、人工神经网络、卷积神经网络、随机森林算法、决策树算法来训练着陆载荷预测模型。
在一个实施例中,通过训练获得的着陆载荷预测模型可基于飞行参数判断飞机整体的着陆载荷,确定是否发生重着陆,以及飞机的受承严重等级。在另一实施例中,通过训练获得的着陆载荷预测模型可基于飞行参数判断飞机的各个机构的着陆载荷,分别确定每个机构是否发生重着陆,以及飞机的每个机构的受承严重等级。在该实施例中,能够具体判断每个机构是否发生重着陆,并且还能够确定每个机构的受承严重等级,从而对结构损伤检查、结构疲劳寿命预计等方面做出定位、定型或定量判断。
图5示出了根据本公开的一实施例的用于基于着陆载荷预测模型预测各个机构的机构着陆载荷的示例。在一个实施例中,飞机可被划分成6个机构,分别包括前机身起落架201、中后机身202、右主起落架203、左主起落架204、右发动机205和左发动机206。本领域技术人员将领会,以上划分仅仅作为示例而非限定,其他划分方式也可应用于本公开。在这一实施例中,全机着陆动力学模型的输出可被确定为6个输出,分别为前机身起落架连铰点的着陆载荷、右主起落架连铰点的着陆载荷、左主起落架连铰点的着陆载荷、右发动机吊挂处的着陆载荷、左发动机吊挂处的着陆载荷和中后机身的着陆载荷。
参照图2和3中所描述的用于训练着陆载荷预测模型的过程,在该实施例中,可获取着陆时刻的历史飞行参数集,随后对大量飞行参数进行试验设计以生成经设计的历史飞行参数集。随后,可建立全机着陆动力学模型,其中全机着陆动力学模型具有6个输出,即,前机身起落架连铰点的着陆载荷、右主起落架连铰点的着陆载荷、左主起落架连铰点的着陆载荷、右发动机吊挂处的着陆载荷、左发动机吊挂处的着陆载荷和中后机身的着陆载荷。可基于经设计的历史飞行参数集全机着陆动力学模型来仿真与历史飞行参数集中的每一组参数相对应的6个着陆载荷,从而相应地确定着陆载荷集以结合历史飞行参数集行程训练集。接着,可基于训练集来训练获得着陆载荷预测模型。在一些情形中,可使用多项式响应面、支持向量机、克里金、径向基函数、人工神经网络、卷积神经网络、随机森林算法、决策树算法来训练着陆载荷预测模型。在获得着陆载荷预测模型之后,可获取飞机的着陆时刻的一组飞行参数并将该组飞行参数输入着陆载荷预测模型从而获得相应的各个机构的着陆载荷,即前机身起落架连铰点的着陆载荷、右主起落架连铰点的着陆载荷、左主起落架连铰点的着陆载荷、右发动机吊挂处的着陆载荷、左发动机吊挂处的着陆载荷和中后机身的着陆载荷。此外,还可将所预测的各个机构的着陆载荷与各个机构的承载能力进行比较,得到各个机构的受载严重等级。维修维护人员可根据所确定的各个机构的着陆载荷来确定各个机构的维修维护策略。
在一个方面,根据本公开的一个实施例的方法通过传感器测量飞机的起落架的行程从而根据起落架的行程更精确地确定飞机的着陆时刻。
在另一方面,根据本公开的一个实施例的方法使用不同飞行条件下的大量的飞行参数通过全机着陆动力学模型来仿真飞机的着陆载荷以结合训练集来训练着陆载荷预测模型。
在又另一方面,根据本公开的一个实施例的方法可分别针对飞机的各个部位计算着陆载荷,从而能够精确地给出各个部位的承载严重等级,从而能够更精确地预测各个部位处的各种零部件的使用情况并更好地维护这些零部件。
图6示出了根据本公开的各方面的用于预测着陆载荷的系统600的框图。参照图6,系统600可包括获取模块605、确定模块610、预测模块615和判断模块620。
在一些实施例中,获取模块605可被配置成:从飞行记录器获取飞行器在着陆前至着陆后的一段时间内的多组飞行参数并上传到用于预测着陆载荷的系统600,以及从安装在起落架上的位移传感器获取起落架行程数据。
在一些实施例中,确定模块610可被配置成:基于起落架行程数据来确定飞行器的着陆时刻,以及基于飞行器的着陆时刻来从多组飞行参数中确定飞行器在着陆时刻的一组飞行参数。在一些情形中,确定飞行器在着陆时刻的一组飞行参数进一步包括:将位移传感器的位移从零值变为非零值的瞬间确定为着陆时刻。
在一些实施例中,预测模块615可被配置成:基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的着陆载荷。在一些情形中,预测模块615可被进一步配置成基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测飞行器的一个或多个机构的机构着陆载荷。
在一些实施例中,判断模块620可被配置成:基于所预测的着陆载荷与飞行器的着陆载荷阈值相比较来判断飞行器是否经历重着陆。判断模块620可被进一步配置成:在确定一个或多个机构中的一个机构经历重着陆之后,判断机构的重着陆处于一个或多个着陆承载等级的哪一个着陆承载等级。在一些情形中,判断模块被进一步配置成基于所预测的一个或多个机构中的每个机构的机构着陆载荷与每个机构的机构着陆载荷阈值相比较来分别判断每个机构是否经历重着陆。
图7示出了根据本公开的各方面的包括用于预测着陆载荷的系统的设备700的框图。该设备示出了一般硬件环境,可在其中根据本公开的示例性实施例应用本公开。
现在将参照图7描述设备700,其是可以应用于本公开的各方面的硬件设备的示例性实施例。设备700可以是被配置为执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、或其任何组合。上述系统可全部或至少部分地由设备700或类似设备或系统实现。
设备700可包括可能经由一个或多个接口与总线702连接或与总线702通信的元件。例如,设备700可包括总线702、一个或多个输入设备705、一个或多个输出设备710、一个或多个处理器715、以及一个或多个存储器720等。
处理器715可以是任何类型的处理器,并且可包括但不限于通用处理器和/或专用处理器(例如特殊处理芯片)、智能硬件设备(例如,通用处理器、DSP、CPU、微控制器、ASIC、FPGA、可编程逻辑器件、分立的门或晶体管逻辑组件、分立的硬件组件、或其任何组合)。在一些情形中,处理器715可被配置成使用存储器控制器来操作存储器阵列。在其他情形中,存储器控制器(未示出)可被集成到处理器715中。处理器715可被配置成执行存储器中所储存的计算机可读指令以执行本文中所描述的各种功能。
存储器720可以是可实现数据存储的任何存储设备。存储器720可包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软盘、硬盘、磁带或任何其他磁介质、光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。存储器720可存储包括计算机可读指令的计算机可执行软件725,这些指令在被执行时使得处理器执行本文中所描述的各种功能。存储器720可以具有用于实现本文中所描述的各种功能的各种数据/指令/代码。
软件725可被存储于存储器720中,包括但不限于操作系统、一个或多个应用程序、驱动器和/或其他数据和代码。用以执行本文中所描述的各种功能的指令可被包括在一个或多个应用程序中,并且上述设备700的各单元可由处理器715读取并执行一个或多个应用程序的指令来实现。在一些情形中,软件725可以是不能由处理器直接执行的,而是可以(例如,在被编译和执行时)使计算机执行本文中所描述的各功能。
输入设备705可以是可以向计算设备输入信息的任何类型的设备。
输出设备710可以是可以输出信息的任何类型的输出设备。在一种情形中,输出设备710可以是可显示信息的任何类型的图像输出设备。
本领域技术人员可以从上述实施例中清楚地了解到本公开可以通过具有必要硬件的软件或者通过硬件,固件等来实现。基于这样的理解,本公开的实施例可以部分地以软件形式实现。计算机软件可以存储在可读存储介质中,例如软盘,硬盘,光盘或计算机的闪存。计算机软件包括一系列指令,以使计算机(例如,个人计算机,服务站或网络终端)执行根据本公开的各个实施例的方法或其一部分。
措辞“示例性”在本文中用于表示“用作示例、实施例、或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
提供之前的描述是为了使本领域任何技术人员均能够实践本文中所描述的各种方面。对这些方面的各种修改将容易为本领域技术人员所明白,并且在本文中所定义的普适原理可被应用于其他方面。因此,权利要求并非旨在被限定于本文中所示的方面,而是应被授予与语言上的权利要求相一致的全部范围,其中对要素的单数形式的引述除非特别声明,否则并非旨在表示“有且仅有一个”,而是“一个或多个”。除非特别另外声明,否则术语“一些”指的是一个或多个。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此,且旨在被权利要求所涵盖。

Claims (18)

1.一种预测飞行器的着陆载荷的方法,包括:
获取所述飞行器在着陆前至着陆后的一段时间内的多组飞行参数;
从安装在起落架上的位移传感器获取起落架行程数据;
基于所述起落架行程数据来确定所述飞行器的着陆时刻;
基于所述飞行器的着陆时刻从所述多组飞行参数中确定所述飞行器在着陆时刻的一组飞行参数;以及
基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测所述飞行器的着陆载荷。
2.如权利要求1所述的方法,其特征在于,所述起落架行程数据由零转变为非零的时刻指示着陆时刻。
3.如权利要求1所述的方法,其特征在于,基于所述飞行器的着陆时刻从所述多组飞行参数中确定所述飞行器在着陆时刻的一组飞行参数进一步包括:
当着陆时刻与一组飞行参数的采集时刻相对应时,确定这一组飞行参数为所述飞行器在着陆时刻的一组飞行参数;或者
当没有一组飞行参数的采集时刻与所述飞行器的着陆时刻相对应时,通过在紧邻所述飞行器的着陆时刻的前一采集时刻与后一采集时刻之间进行插值来获得所述飞行器在着陆时刻的一组飞行参数。
4.如权利要求1所述的方法,其特征在于,进一步包括:
基于所预测的着陆载荷与所述飞行器的着陆载荷阈值相比较来判断所述飞行器是否经历重着陆。
5.如权利要求1所述的方法,其特征在于,进一步包括:
基于在着陆时刻的一组飞行参数使用所述着陆载荷预测模型来预测所述飞行器的一个或多个机构的机构着陆载荷。
6.如权利要求5所述的方法,其特征在于,进一步包括:
基于所预测的机构着陆载荷与对应机构的机构着陆载荷阈值相比较来判断对应机构是否经历重着陆。
7.如权利要求6所述的方法,其特征在于,所述机构着陆载荷阈值包括一个或多个重着陆承载等级,其中判断所述对应机构是否经历重着陆进一步包括:
在确定所述一个或多个机构中的一个机构经历重着陆之后,判断所述机构的重着陆处于所述一个或多个重着陆承载等级中的哪一个重着陆承载等级。
8.如权利要求6所述的方法,其特征在于,所述飞行器的一个或多个机构是基于以下方式来确定的:随机地确定,基于经验分析机体结构来确定,和/或根据大数据统计来确定。
9.如权利要求1所述的方法,其特征在于,所述多组飞行参数中的每一组飞行参数包括以下各项中的一者或多者:下降速度、向前速度、俯仰角、滚转角、俯仰角速度、滚转角速度。
10.如权利要求1所述的方法,其特征在于,所述着陆载荷预测模型是使用多项式响应面、支持向量机、克里金、径向基函数、人工神经网络、卷积神经网络、随机森林算法、或决策树算法来训练的。
11.如权利要求1所述的方法,其特征在于,所述着陆载荷预测模型是通过以下操作来训练的:
获取着陆时刻的历史飞行参数集;
基于全机着陆动力学模型来生成与着陆时刻的历史飞行参数集相对应的着陆载荷集;
使用所述历史飞行参数集与对应的着陆载荷集来形成训练集;以及
基于所述训练集来训练所述着陆载荷预测模型。
12.如权利要求11所述的方法,其特征在于,进一步包括:
建立全机着陆动力学模型,其中所述全机着陆动力学模型具有一个或多个输出,并且其中所述一个或多个输出表示所述飞行器的一个或多个机构的着陆载荷;
基于所述历史飞行参数集使用所述全机着陆动力学模型来确定所述一个或多个机构中的每个机构的机构着陆载荷集;以及
使用所述历史飞行参数集与对应的所述一个或多个机构的机构着陆载荷集来形成训练集。
13.一种预测飞行器的着陆载荷的预测系统,包括:
获取模块,所述获取模块被配置成获取所述飞行器在着陆前至着陆后的一段时间内的多组飞行参数,以及从安装在起落架上的位移传感器获取起落架行程数据;
确定模块,所述确定模块被配置成基于所述起落架行程数据来确定所述飞行器的着陆时刻,以及基于所述飞行器的着陆时刻从所述多组飞行参数中确定所述飞行器在着陆时刻的一组飞行参数;以及
预测模块,所述预测模块被配置成基于在着陆时刻的一组飞行参数使用着陆载荷预测模型来预测所述飞行器的着陆载荷。
14.如权利要求13所述的预测系统,其特征在于,进一步包括:
判断模块,所述判断模块被配置成基于所预测的着陆载荷与所述飞行器的着陆载荷阈值相比较来判断所述飞行器是否经历重着陆。
15.如权利要求14所述的预测系统,其特征在于,所述预测模块被进一步配置成基于在着陆时刻的一组飞行参数使用所述着陆载荷预测模型来预测所述飞行器的一个或多个机构的机构着陆载荷。
16.如权利要求15所述的预测系统,其特征在于,所述判断模块被进一步配置成基于所预测的机构着陆载荷与对应机构的机构着陆载荷阈值相比较来判断对应机构是否经历重着陆。
17.一种预测飞行器的着陆载荷的预测系统,包括:
存储器;
与所述存储器耦合的处理器,所述处理器配置成执行如权利要求1-12中的任一项所述的方法。
18.一种其上存储有用于预测飞行器的着陆载荷的指令的非瞬态计算机可读存储介质,所述指令可由处理器执行以执行如权利要求1-12中的任一项所述的方法。
CN202111406059.7A 2021-11-24 2021-11-24 用于预测飞行器的着陆载荷的方法和设备 Pending CN113919597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111406059.7A CN113919597A (zh) 2021-11-24 2021-11-24 用于预测飞行器的着陆载荷的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111406059.7A CN113919597A (zh) 2021-11-24 2021-11-24 用于预测飞行器的着陆载荷的方法和设备

Publications (1)

Publication Number Publication Date
CN113919597A true CN113919597A (zh) 2022-01-11

Family

ID=79248215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111406059.7A Pending CN113919597A (zh) 2021-11-24 2021-11-24 用于预测飞行器的着陆载荷的方法和设备

Country Status (1)

Country Link
CN (1) CN113919597A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306179A (zh) * 2023-05-22 2023-06-23 湖南云箭科技有限公司 机载外挂物起落冲击损伤评估用载荷筛选方法及系统
CN116383975A (zh) * 2023-06-06 2023-07-04 西北工业大学 一种基于试飞数据的起落架载荷预测方法
CN116522429A (zh) * 2023-07-05 2023-08-01 西安羚控电子科技有限公司 飞行器任务载荷显示特效生成方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306179A (zh) * 2023-05-22 2023-06-23 湖南云箭科技有限公司 机载外挂物起落冲击损伤评估用载荷筛选方法及系统
CN116306179B (zh) * 2023-05-22 2023-09-12 湖南云箭科技有限公司 机载外挂物起落冲击损伤评估用载荷筛选方法及系统
CN116383975A (zh) * 2023-06-06 2023-07-04 西北工业大学 一种基于试飞数据的起落架载荷预测方法
CN116383975B (zh) * 2023-06-06 2023-08-15 西北工业大学 一种基于试飞数据的起落架载荷预测方法
CN116522429A (zh) * 2023-07-05 2023-08-01 西安羚控电子科技有限公司 飞行器任务载荷显示特效生成方法及系统
CN116522429B (zh) * 2023-07-05 2023-09-12 西安羚控电子科技有限公司 飞行器任务载荷显示特效生成方法及系统

Similar Documents

Publication Publication Date Title
CN113919597A (zh) 用于预测飞行器的着陆载荷的方法和设备
CN107545095B (zh) 用于飞行器大修期间的结构修理的预测方法和系统
JP6430596B2 (ja) 故障判定に基づいた設備制御
EP3229187B1 (en) On-board structural load assessment of an aircraft during flight events
US8700235B2 (en) Estimation of a criterion of load to which a structural component of an aircraft is subjected, and assistance for the detection of a so-called “hard” landing by virtue of such a criterion
EP2092401B1 (en) Hard landing detection
US20170092021A1 (en) Method and system for monitoring equipment
JP6313929B2 (ja) 構造物を監視するための方法及びシステム
EP3572332B1 (en) Apparatus for detecting anomalous aircraft behavior at takeoff
WO2017051032A1 (en) A method for estimating the need for maintenance of a component
CN106156913A (zh) 用于飞机部附件的健康管理方法
US8478457B2 (en) Fatigue management system
CN108609202B (zh) 飞行颠簸预测方法及系统
CN115064009B (zh) 一种终端区无人机与有人机冲突风险等级划分方法
Derbel Driving style assessment based on the GPS data and fuzzy inference systems
CN109978026B (zh) 一种基于lstm网络的电梯位置检测方法及系统
CN106127407B (zh) 基于多传感器信息融合的飞机行程打分方法及打分系统
Zhou et al. The landing safety prediction model by integrating pattern recognition and Markov chain with flight data
US11879810B2 (en) Predicting tire imbalance and/or wheel misalignment
Chakravarty et al. Statistical analysis of road–vehicle–driver interaction as an enabler to designing behavioral models
CN113800352B (zh) 一种电梯制动力矩检测方法及装置
CN114323706B (zh) 一种列车ato控车故障检测方法、装置、设备及介质
EP4224370A1 (en) System, server, device and method for training and using neural networks for prediction of vehicle braking distance
CN113307121A (zh) 一种电梯上下行运行轨迹建模方法
CN116184831A (zh) 一种基于深度长短期记忆网络的飞机故障容错控制系统及方法

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