CN116383975B - 一种基于试飞数据的起落架载荷预测方法 - Google Patents

Abstract

本发明公开了一种基于试飞数据的起落架载荷预测方法，涉及机器学习技术领域，包括以下步骤：采集多个试飞数据；对多个试飞数据进行横向分析，得到低可信度数据和高可信度数据；对低可信度数据和高可信度数据进行纵向分析，得到优选低可信度数据和优选高可信度数据；根据优选低可信度数据构建低可信度神经网络预测模型；基于参数迁移的方法将低可信度神经网络预测模型的网络参数进行迁移；根据优选高可信度数据和迁移后的网络参数构建高可信度神经网络预测模型；根据高可信度神经网络预测模型对实际飞行过程中的飞机起落架载荷进行预测。本发明所构建的高可信度神经网络预测模型能综合考虑多种参数的影响，更加真实地还原实际飞行环境。

Description

一种基于试飞数据的起落架载荷预测方法

技术领域

本发明涉及机器学习技术领域，特别是涉及一种基于试飞数据的起落架载荷预测方法。

背景技术

自飞机问世以来，机体结构的安全性设计以及维护随着实际工程实践的发展不断演变。早期的静强度设计因为没有考虑到疲劳载荷，因疲劳损伤引发了多起安全事故。之后演变出了损伤容限设计，其考虑结构中存在初始缺陷，在损伤被检测出之前能保证结构有足够剩余强度，然后及时做出修复。实际上，每架飞机的使用场景不同，真实的飞行环境也不同，依照相同的时间间隔进行检修容易造成“过度维护”或“维护不足”的情况。

起落架是飞机下部用于起飞、降落或地面滑行时支撑飞机并用于地面移动的附件装置。飞机的起飞与着陆阶段也是飞行过程中的关键阶段，其载荷变化最为剧烈，而起落架更是直接承担着陆时的载荷冲击。飞机每次起落和飞行时的实际状况不同，且疲劳寿命的降低又很难从常规的检查中得到，这些都给起落架的维修维护带来了显著困难。

基于机器学习的载荷预测方法和机构损伤预测装置逐渐进入大众的视野，机器学习作为计算机模拟仿真手段，其原理是通过大量的数据规律自学习，模拟系统的真实行为和特性。传统机器学习方法对于仿真数据适应性好，泛化性强，但当面临实测数据时就会出现鲁棒性差、泛化能力低下等现象。基于机器学习的大数据预测可以得到有关载荷的映射模型，通过与载荷谱相对应以得到实时疲劳损伤信息。但通常这种方法所针对的是动力学模型仿真载荷，而非真实载荷。相较于真实载荷，基于动力学模型仿真载荷的映射模型构建具有易于处理、与飞行参数相关性强、没有噪声信号等特点，容易训练得到精度较高的机器学习模型，但这些模型并不能真实反映飞行环境，因此可信度较低，适用范围有限。

发明内容

本发明提供了一种基于试飞数据的起落架载荷预测方法，解决了现有基于机器学习的预测模型存在的可信度较低，适用范围有限的问题。

本发明提供一种基于试飞数据的起落架载荷预测方法，包括以下步骤：

采集多个试飞数据，所述试飞数据包括多个飞行参数和多种载荷数据；

对多个试飞数据进行横向分析，得到低可信度数据和高可信度数据；

对低可信度数据和高可信度数据进行纵向分析，得到优选低可信度数据和优选高可信度数据；

根据优选低可信度数据构建低可信度神经网络预测模型；

基于参数迁移的方法将低可信度神经网络预测模型的网络参数进行迁移；

根据优选高可信度数据和迁移后的网络参数构建高可信度神经网络预测模型；

根据高可信度神经网络预测模型对实际飞行过程中的飞机起落架载荷进行预测。

优选的，多种所述载荷数据包括垂向载荷、接地点航向载荷和接地点侧向载荷。

优选的，通过多个试飞架次采集多个试飞数据，通过传感器采集试飞架次的载荷数据，通过飞行参数记录仪采集试飞架次的飞行参数。

优选的，采集的试飞数据为试飞架次着陆阶段的试飞数据。

优选的，对多个试飞数据进行横向分析，得到低可信度数据和高可信度数据，包括以下步骤：

基于时间跨度将早期的多个试飞架次归为低可信度架次，将近期的多个试飞架次归为高可信度架次；

采用K均值聚类方法分析低可信度架次和高可信度架次的着陆阶段多个载荷数据的变化趋势，并监测着陆阶段多个载荷数据的变化范围；

根据多个载荷数据的变化趋势和变化范围对多个异常试飞架次进行剔除；

根据多个正常试飞架次获取对应的低可信度数据和高可信度数据。

优选的，所述对低可信度数据和高可信度数据进行纵向分析，包括多种载荷数据的处理和多个飞行参数的筛选。

优选的，所述多种载荷数据的处理包括以下步骤：

基于统计学方法或机器学习方法对异常数据进行处理；

将异常样本进行剔除；

对正常数据进行平滑或滤波处理。

优选的，所述多个飞行参数的筛选包括以下步骤：

基于方差过滤对多个飞行参数进行初步筛选；

基于F检验法或互信息法对初步筛选后的多个飞行参数进行二次筛选；

采用偏相关系数法对二次筛选后的多个飞行参数进行取舍。

优选的，还包括：

通过优选高可信度数据建立多任务学习网络模型；

通过多任务学习网络模型对起落架载荷进行预测。

优选的，通过预测的起落架载荷对应的载荷谱对起落架疲劳损伤进行计算。

与现有技术相比，本发明的有益效果是：

本发明通过对试飞数据进行横向分析与纵向分析，基于参数迁移技术建立预测精度更高、泛化性更好、鲁棒性更强的高可信度神经网络预测模型。相较于传统仿真数据所建模型而言，通过本发明所构建的高可信度神经网络预测模型能综合考虑多种参数的影响，从而更加真实地还原实际飞行环境。此外，预测的结果更符合现实状况，并具有更高的可信度，为起落架维护机制提供一种新的范式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于试飞数据的起落架载荷预测方法的流程图；

图2为本发明的横向分析流程图；

图3为本发明的纵向分析流程图；

图4为本实施例的各飞行参数与右起落架垂向载荷互信息值的示意图；

图5为本实施例的部分飞行参数的相关系数热力图；

图6为本实施例的采用网络参数迁移的高低可信度样本融合建模示意图；

图7为本实施例的针对相似任务的多任务学习应用示意图；

图8为本实施例的右起落架垂向载荷测试样本预测值与真实值对比图。

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。

仿真数据有着噪声信号小、易于模型训练的优势，但是其无法反映真实环境，而试飞数据虽然含有大量噪声并难以训练，但是其能较好的还原真实环境。因此结合处理后数据的特点，参照图1，本发明提供了一种基于试飞数据的起落架载荷预测方法，具体包括以下步骤：

第一步：采集多个试飞数据，试飞数据包括多个飞行参数和多种载荷数据。

本发明将多个具有特定监测频率的传感器在某机型起落架各个构件上分别布置，利用飞机上的飞行参数记录仪采集飞机飞行参数，采集频率与起落架上传感器的采样频率保持一致，使飞行参数与起落架各构件载荷一一对应，并按照起飞架次进行分组。由于飞行环境和操作习惯的不同，仅通过一种载荷预测起落架寿命可靠性不足，因此本发明通过获取了各起落架的垂向载荷、接地点航向载荷、接地点侧向载荷。在进行多次飞行试验之后获得初始飞行参数数据与起落架各部分载荷数据。

考虑到传感器本身的局限性和飞机着陆时可能面临的冲击情况，其采集的数据会存在波动甚至异常值，而飞行参数记录仪采集的数据也并非一定与载荷具有线性或非线性的关系，故在飞行参数与载荷数据相对应后需做出处理，包括传感器的数据清洗和飞行参数的特征提取，之后形成结构化数据集。

第二步：参照图2，对多个试飞数据进行横向分析，得到低可信度数据和高可信度数据。

数据采集时间跨度较久，早期采集时设备精度低、实验环境有待改进，因此采集数据可信度较低，近期采集时设备精度高、实验方法有所改进，因此数据可信度较高。

对已按试飞架次整理并按照时间排序的数据进行“横向”处理。按照单个架次整个飞行阶段来看，空中飞行阶段和地面停放阶段载荷变化幅度小，而着陆阶段载荷变化幅度大，因此首先将每次实验的数据按照此三种过程划分，重点研究着陆过程的载荷建模与预测。

针对已获取的多个架次数据进行多架次“横向”处理，主要内容包括异常架次的剔除和高低可信度架次的分类。其中，高低可信度架次的分析主要基于时间跨度和技术采集手段进行分类，将早期的使用初始测量方法和传感器获取实验数据的架次归类为低可信度架次。将近年来设备更新和实验方法改进之后的架次归类为高可信度架次。对于异常架次的剔除，可以采用K均值聚类等方法进行逐载荷聚类，分析低可信度架次和高可信度架次的着陆阶段多个载荷数据的变化趋势，同时监测多数情况下着陆时载荷变化的范围，根据多个载荷数据的变化趋势和变化范围对多个异常试飞架次进行剔除，以排除着陆时因冲击而对传感器本身造成影响而形成的一系列错误数据。最后根据多个正常试飞架次获取对应的低可信度数据和高可信度数据。

第三步：参照图3，对低可信度数据和高可信度数据进行纵向分析，得到优选低可信度数据和优选高可信度数据。

根据机器学习的需要对数据集进行纵向处理，其中包括噪声信号（载荷数据）的处理和特征值（飞行参数）的筛选。

针对异常数据的剔除，可以采用统计学的方法，例如三倍标准差法、格拉布斯准则等，也可以采用机器学习中的无监督学习方法。孤立森林凭借其线性的时间复杂度与优秀的准确率被广泛应用于工业界的结构化数据的异常检测，K-Means作为一种无监督距离类聚类算法也可用于异常值监测中。支持向量机作为最备受关注的强学习器，具备监督学习的分类和回归以及无监督学习等各种功能，也可用作异常值监测。

异常样本指载荷存在异常的样本，在异常数据的发现、判别与剔除之后对异常样本进行处理。在数据集庞大而异常样本所在位置为非关键位置的前提下，对异常样本可以做出剔除。样本点处在载荷变化较大的关键位置时，可以利用本架次数据采用随机森林、神经网络等方法等对缺失值进行填补，但考虑到采样频率较密等原因，最优的选择是直接将少量异常数值剔除。

以上方法处理完毕之后，对正常的传感器数据进行平滑或者滤波处理。加权平滑的方法可以平滑和均衡传感器数据，减少偶然数据突变的影响。抽取突变的方法可以去除静态和缓慢变化的数据背景，强调瞬间变化。简单移动平均线的方法保留数据流最近的K个数据以求取平均值。利用各种平滑方法建立滑移窗口，选取不同的高度和宽度，既能尽量保证更多的数据信息，又能尽可能地保持平滑，易于模型训练。

特征的选取对于机器学习模型的建立至关重要，对于需要遍历全部特征的神经网络算法和支持向量机算法而言，过多的特征会导致训练时间久，甚至完全不能训练。与此同时，特征之间存在较强的线性关系也会导致机器学习模型发生过拟合现象，因此需要对飞行参数进行筛选。

如果一个特征本身方差很小，就表明样本在这个方差上基本没有差异，可能特征中大多数数值一样。方差过滤指通过设定一定阈值，将某列特征的方差低于阈值的特征过滤掉，从而完成对特征的初步筛选。值得注意的是，有些特征方差虽小，但是对预测结果的影响比较显著，因此在方差过滤时首先将所有特征统一缩放为一个标准，然后将阈值设置得尽可能小。

F检验方法用来捕捉每个特征与标签之间的线性关系，可以用作回归问题也可以用作分类问题。参照图4，互信息法既可以找出特征与标签之间的线性关系，也可以找出特征与标签之间的非线性关系。在经过方差过滤后，用互信息法计算剩余飞行参数与预测目标载荷的互信息值，互信息值代表着二者之间的相关性。此图展示了各个飞行参数与右起落架垂向载荷的相关性，通过此种计算过滤相关性较弱的几种飞参。具体过程是：将所有剩余特征分别与垂向载荷、接地点航向载荷、接地点侧向载荷进行互信息/F检验运算，然后进行排序，将贡献度小的特征进行剔除。

多重共线性指飞参之间存在线性关系，当存在严重的多重共线性时，载荷预测模型会出现“过拟合”现象，且模型预测结果是不稳定的，即鲁棒性较差。在多重共线性分析中，依次剔除相关性较大的变量，以减弱输入参数之间的多重共线性，提高模型的鲁棒性。参照图5，可采用偏相关系数法和辅助回归方程法来解决此问题。首先求出每两个特征之间的相关系数，绘制相关系数矩阵热力图，逐载荷记录与当前载荷相关系数绝对值大于0.8的载荷，以进行取舍。图5中横坐标和纵坐标指的剩余的飞行参数，方块中的数字表示相关系数。斜对角为1指飞行参数A与飞行参数A完全线性相关。方块中颜色越深表示相关系数绝对值越大，需要线性关系很强的特征做出取舍，才能使建立的模型更具备鲁棒性，从而避免“多重共线性带来的影响”。

第四步：参照图6，根据优选低可信度数据构建低可信度神经网络预测模型，基于参数迁移的方法将低可信度神经网络预测模型的网络参数进行迁移，根据优选高可信度数据和迁移后的网络参数构建高可信度神经网络预测模型。

针对实测试飞数据的传统机器学习建模存在着数据利用不充分、模型预测精度低、泛化性差等缺点。本发明基于已有的大量数据，提出了充分运用高低可信度数据融合建模的方法。早期的测量数据可靠性不足，传感器精度有限，如果使用传统机器学习建模方法，仅使用近期试飞数据建模会导致训练样本不足等情况，并且早期的大量数据也不能就此浪费。而通过变可信度建模的方法，先使用低可信度样本建立低可信度模型，再将高维空间的网络参数进行迁移，其中包含了高低可信度样本之间的隐含信息，将此部分参数进行迁移并冻结，并与提取非线性变换的神经网络连接，然后采用高可信度样本进行训练，从而建立高可信度模型。

第五步：根据高可信度神经网络预测模型对实际飞行过程中的飞机起落架载荷进行预测。

第六步：通过预测的起落架载荷对应的载荷谱计算出起落架疲劳损伤。

参照图7，本发明实施例还提供一种多任务学习网络模型。多任务学习常用框架Shared-bottom, 由三套神经网络组成，最底层的神经网络参数共享，可以同时训练两个或两个以上的任务，各个任务除在底层参数共享之外还拥有自己的子网络。此种模型在任务相关性较高时能有效降低模型过拟合风险，并且提取两任务可以共享部分的信息从而提升建模精度。

基于高可信度数据建立多任务学习网络模型。在特征筛选之时，针对三种不同的载荷所保留的特征有所不同，当两种任务同时训练时，选择两种任务所含共同特征的部分特征，进行参数共享同时训练，当两任务相似并且所选特征合理时，会达到“一加一大于二”的效果。本发明运用以上两种多任务学习的思路进行迁移学习建模，从而尽最大限度地运用已有的大量数据，提高模型的预测精度与泛化能力。

相较于传统机器学习，迁移学习更能充分利用已有数据的特点，从而解决已有数据机器学习建模中存在的泛化性不足等问题。多任务学习作为迁移学习的子类，可以在相似任务建模中共享某些信息，从而达到“一加一大于二”的效果，本发明即采用了多任务学习针对试飞数据进行建模，以充分挖掘数据信息。针对试飞数据特点，本发明对试飞数据采用特殊的处理方法，并在建模时采用不同于传统机器学习建模的多任务学习方法，从而证明了将人工智能技术用于起落架载荷预测的可行性。与采用仿真数据的传统机器学习建模相比，本发明预测结果的可信度更高，泛化性更强，适用范围更广。

将高可信度神经网络预测模型和多任务学习网络模型预测数据进行比较，选取预测精度高的数据。

参照图8，当实际载荷较小时预测值偏大，当实际数值大时预测值偏小。

本发明一种基于试飞数据的起落架载荷预测方法，减少了飞机起落架“过维护”造成的资源浪费和“欠维护”所带来的飞行风险。实际试飞数据的处理是将机器学习模型用于起落架载荷预测、从理论走向实践的关键一步。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于试飞数据的起落架载荷预测方法，其特征在于，包括以下步骤：

采集多个试飞数据，所述试飞数据包括多个飞行参数和多种载荷数据；

对多个试飞数据进行横向分析，得到低可信度数据和高可信度数据；

对低可信度数据和高可信度数据进行纵向分析，得到优选低可信度数据和优选高可信度数据；

根据优选低可信度数据构建低可信度神经网络预测模型；

基于参数迁移的方法将低可信度神经网络预测模型的网络参数进行迁移；

根据优选高可信度数据和迁移后的网络参数构建高可信度神经网络预测模型；

根据高可信度神经网络预测模型对实际飞行过程中的飞机起落架载荷进行预测；

所述对多个试飞数据进行横向分析，得到低可信度数据和高可信度数据，包括以下步骤：

基于时间跨度将早期的多个试飞架次归为低可信度架次，将近期的多个试飞架次归为高可信度架次；

采用K均值聚类方法分析低可信度架次和高可信度架次的着陆阶段多个载荷数据的变化趋势，并监测着陆阶段多个载荷数据的变化范围；

根据多个载荷数据的变化趋势和变化范围对多个异常试飞架次进行剔除；

根据多个正常试飞架次获取对应的低可信度数据和高可信度数据；

所述对低可信度数据和高可信度数据进行纵向分析，包括多种载荷数据的处理和多个飞行参数的筛选。

2.如权利要求1所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，多种所述载荷数据包括垂向载荷、接地点航向载荷和接地点侧向载荷。

3.如权利要求1所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，通过多个试飞架次采集多个试飞数据，通过传感器采集试飞架次的载荷数据，通过飞行参数记录仪采集试飞架次的飞行参数。

4.如权利要求1所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，采集的试飞数据为试飞架次着陆阶段的试飞数据。

5.如权利要求1所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，所述多种载荷数据的处理包括以下步骤：

基于统计学方法或机器学习方法对异常数据进行处理；

将异常样本进行剔除；

对正常数据进行平滑或滤波处理。

6.如权利要求1所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，所述多个飞行参数的筛选包括以下步骤：

基于方差过滤对多个飞行参数进行初步筛选；

基于F检验法或互信息法对初步筛选后的多个飞行参数进行二次筛选；

采用偏相关系数法对二次筛选后的多个飞行参数进行取舍。

7.如权利要求1所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，还包括：

通过优选高可信度数据建立多任务学习网络模型；

通过多任务学习网络模型对起落架载荷进行预测。

8.如权利要求7所述的一种基于试飞数据的起落架载荷预测方法，其特征在于，通过预测的起落架载荷对应的载荷谱对起落架疲劳损伤进行计算。