CN117669033A - 一种基于飞参及电桥数据的单机关键部位应力监测方法 - Google Patents
一种基于飞参及电桥数据的单机关键部位应力监测方法 Download PDFInfo
- Publication number
- CN117669033A CN117669033A CN202311651313.9A CN202311651313A CN117669033A CN 117669033 A CN117669033 A CN 117669033A CN 202311651313 A CN202311651313 A CN 202311651313A CN 117669033 A CN117669033 A CN 117669033A
- Authority
- CN
- China
- Prior art keywords
- bridge
- load
- key part
- model
- flight parameter
- 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 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000009434 installation Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 241000272525 Anas platyrhynchos Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于飞行器健康管理技术领域，具体涉及一种基于飞参及电桥数据的单机关键部位应力监测方法，构建载荷实测飞机的飞参‑载荷电桥模型；通过在电桥安装位置，构建小刚度的Rod单元模拟电桥各应变脚；再将各应变脚的应变数据处理为电桥响应值；基于各向同性材料的线弹性本构关系，构建电桥‑关键部位应力方程；构建数字孪生体的与载荷实测飞机电桥在相同载荷工况下的数据对，获取孪生体电桥与载荷实测飞机电桥修正方程；对数字孪生模型的载荷电桥‑关键部位应力模型进行修正，构建出适用于外场飞机的载荷电桥‑关键部位应力模型，从而实现单机关键部位应力监测。克服了基于剖面总载荷进行单机关键部位应力监测的缺点，提高关键部位应力监测精度。
Description
技术领域
本发明属于飞行器健康管理技术领域，具体涉及一种用于飞机结构健康监控的单机关键部位应力监测方法。
背景技术
在飞机设计领域，飞机结构完整性大纲要求建立单机跟踪分析方法，以获得飞机实际使用数据，预测每个机体结构关键部位潜在的损伤扩展情况，调整各单机的维修间隔。
单机跟踪的关键环节之一是获取关键部位的应力谱。目前获取结构关键部位应力谱的方法有两种，分别是直接法和间接法。“直接”法是指在飞机结构关键部位粘贴应变片直接测量关键部位应力/应变；间接法是通过载荷监控以及“载荷-应力”模型来间接监测关键部位应力/应变。由于采用直接法需布置数量较多的应变片，因此，工程实践中通常采用间接法。
传统的间接法是以飞参、载荷数据为样本，构建“飞参-载荷”模型，并结合“载荷-应力”方程，实现结构关键部位应力监测。“飞参-载荷”模型是基于载荷实测飞机(安装载荷电桥)所提供的飞参和载荷样本数据。通过开展载荷实测飞机整机标定试验，构建载荷实测飞机的“电桥-载荷”方程。
Ftotal＝Σki·Ei
基于各结构关键部位应力与机翼总载荷为线性关系的假设，在机翼总载荷历程基础上线性计算获取关键部位应力历程。即：
{σ}＝c·{Ftotal}
机翼结构在不同工况下气动载荷压心变化范围大，从而导致不同工况下各传力路径的传载比例变化较大。显然，传统单机跟踪仅监控部件总载荷，会导致结构单机寿结果存在风险。
发明内容
本发明的目的：基于以上背景，本发明提出一种基于“飞参-电桥”模型和“电桥-应力”方程的单机关键部位应力监测方法。采用基于电桥与关键部位应力为线性关系的方式，从宏观飞参到局部应力，降低飞机关键部位应力监测的误差，以提高结构寿命预测和风险分析的准确性，从而在保证结构安全性和可靠性的前提下，为更准确地为每架飞机的维护决策。
本发明的技术方案：一种基于飞参及电桥数据的单机关键部位应力监测方法，所述方法包括以下步骤：
步骤一：构建载荷实测飞机的飞参-载荷电桥模型；
步骤二：构建含虚拟电桥的数字孪生体；通过在电桥安装位置，构建小刚度的Rod单元模拟电桥各应变脚；再将各应变脚的应变数据处理为电桥响应值；基于各向同性材料的线弹性本构关系，采用线性拟合的方式构建电桥-关键部位应力方程；
步骤三：构建数字孪生体的与载荷实测飞机电桥在相同载荷工况下的数据对，通过线性拟合，获取孪生体电桥与载荷实测飞机电桥修正方程；对数字孪生模型的载荷电桥-关键部位应力模型进行修正，构建出适用于外场飞机的载荷电桥-关键部位应力模型，从而实现单机关键部位应力监测。
进一步地，如上所述的监测方法中，基于载荷实测飞机的飞参和电桥数据，采用人工智能技术，构建每个载荷电桥的高精度“飞参-电桥”模型E＝fun(X1,X2,…,Xm)，其中，X为飞参数据，E为电桥响应。
进一步地，步骤一种建模时，采用多层感知机神经网络模型进行飞参-电桥模型构建，模型输入为飞参，输出为载荷电桥响应；采用Auto-ML来实现全自动深度学习确定多层感知机神经网络模型的超参数。
进一步地，载荷实测飞机的飞参-载荷电桥模型构建过程包括如下步骤：
步骤S11：飞参数据初筛，根据结构部位及受载特征，初筛对载荷有影响的飞参数据；
步骤S12：数据清洗，对每个起落的飞参和载荷电桥进行异常值检测和修正，补全缺失段和损坏段，以及滤波、去噪处理；
步骤S13：数据融合，根据飞参物理意义和数学/力学模型，生成新的参数项，至少包括重量×过载，速度×角速度，角速度×角速度，角加速度×角加速度这些非线性项，作为后续建模的输入；
步骤S14：数据压缩，采用多重共线性分析、逐步回归法、主成分分析这些统计学习方法降低样本空间的规模；
步骤S15：状态分类，采用聚类/分类方法按机动动作、天空点的不同状态，对具有相似特征的飞参和载荷数据样本进行分类，然后分类构建“飞参-应变”模型；其中，机动动作通过高度、速度、姿态角/角速度这些飞参来设定，天空点通过重量、高度、马赫和法向过载来设定；
步骤S16：机器学习，采用多元回归分析、神经网络、决策树这些机器学习方法，结合遗传算法、训练样本筛选的优化方法，最终构建高精度的“飞参-电桥”模型集。
进一步地，所述步骤二中，含虚拟载荷电桥的数字孪生体构建是针对载荷实测飞机名义电桥安装位置，使用有限元建模，并通过小刚度Rod单元以模拟载荷电桥各应变脚的应变响应，并根据惠斯通原理求解载荷电桥响应，其中，EDT为数字孪生体电桥响应，i代表不同传力路径。
进一步地，所述步骤二中，基于数字孪生体多工况的细节应力仿真分析，构建载荷电桥-关键部位应力方程：过程为获取典型工况下的载荷电桥、关键部位应力数据对，并基于线性模型，构建数字孪生体的载荷电桥-关键部位应力方程：
σ＝α·EDT，EDT为数字孪生体电桥响应，α为线性拟合系数。
进一步地，所述步骤三中，载荷实测飞机与数字孪生体模型载荷电桥修正方程获取；通过开展数字孪生体模型在地面标定工况下的仿真分析，获取数字孪生体载荷电桥在地面标定工况下的数据；并与载荷实测飞机地面标定试验工况下的试验实测电桥响应，相同工况下的多组数据对；基于线性模型，构建数字孪生电桥与载荷实测飞机电桥的修正方程：
其中，β为数字孪生电桥和实测电桥线性拟合斜率，b为截距；E实测为实测电桥响应，i代表不同传力路径。
进一步地，通过分别构建载荷实测飞机与数字孪生体电桥修正方程和数字孪生体载荷电桥-关键部位应力方程，最终构建出适用于外场飞机的载荷电桥-关键部位应力方程：
其中α为线性拟合系数。
本发明的有益效果：
本发明针对载荷实测飞机机翼各传力路径上所安装的载荷电桥，通过构建含虚拟电桥的有限元模型并经多典型工况细节应力分析，构建出基于电桥与关键部位应力的方程。并进一步结合载荷实测飞机的飞参及电桥数据，构建出适用于外场飞机的飞参-电桥模型，从而实现从输入飞参到输出关键部位应力。
本发明优于基于剖面总载荷的单机关键部位应力监测。由于各传力路径的载荷电桥可反映出该传力路径受载的大小，因此，基于载荷电桥的关键部位应力监测，相较于剖面总载荷的关键部位应力监测，具有更加良好的准确度，能够针对性地对每架飞机关键部位的损伤进行更加准确的评估，从而实现更好的维护决策。
附图说明
图1为一种基于飞参及电桥数据的单机关键部位应力监测方法流程图；
图2为飞参和电桥数据处理流程图；
图3为含虚拟电桥载荷标定飞机数字孪生构建示意图；
图4为本发明监测方法与传统监测方法对比示意图。
具体实施例
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。
鉴于当前国内单机跟踪技术主要采用基于剖面总载荷线性获取关键部位应力谱，并在此基础上进行寿命监控。机翼作为多传力路径部件，所涉及的主框及主梁均为全机最重要的结构。但当前的单机跟踪方法忽略了压心位置对不同传力路径传载比例的影响，近似假设剖面总载荷与关键部位应力为线性关系。此方法忽略了交点载荷与部位应力为线性关系，而交点与总载荷线性关系较差的事实，从而过于宏观的进行单机跟踪，使得飞机的寿命监控存在误差。本发明具体提出了一种用于飞机结构健康监控的单机关键部位应力监测方法，该监测方法包括以下步骤：
步骤一：构建载荷实测飞机的飞参-载荷电桥模型；
基于载荷实测飞机的飞参和电桥数据，采用数据清洗、数据融合、数据压缩、状态分类和机器学习等一系列人工智能技术，构建每个载荷电桥的高精度“飞参-电桥”模型E＝fun(X1,X2,…,Xm)，其中，X为飞参数据，如全机重量、飞行高度、马赫数、法向过载、侧向过载等，E为电桥响应。
1.1：飞参数据初筛，根据结构部位及受载特征，初筛对载荷有影响的飞参数据；
1.2：数据清洗，采用多种统计分析和信号处理技术对每个起落的飞参和载荷电桥进行异常值检测和修正，补全缺失段和损坏段，以及滤波/去噪等处理；
1.3：数据融合，根据飞参物理意义和数学/力学模型，生成新的参数项，如重量×过载，速度×角速度，角速度×角速度，角加速度×角加速度等非线性项，作为后续建模的输入；
1.4：数据压缩，采用多重共线性分析、逐步回归法、主成分分析等统计学习方法降低样本空间的规模(降维)；
1.5：状态分类，采用聚类/分类等方法按机动动作、天空点等不同状态对具有相似特征的飞参和载荷数据样本进行分类，然后分类构建“飞参-应变”模型。其中，机动动作通过高度、速度、姿态角/角速度等飞参来设定，天空点通过重量、高度、马赫和法向过载等来设定；
1.6：机器学习，采用多元回归分析、神经网络、决策树等机器学习方法，结合遗传算法、训练样本筛选等优化方法，最终构建高精度的“飞参-电桥”模型集。
步骤二：基于虚拟标定飞机数字孪生体的电桥-关键部位应力方程构建。
构建含虚拟电桥的数字孪生体；通过在电桥安装位置，构建小刚度的Rod单元模拟电桥各应变脚，之后根据惠斯通全桥原理，将各应变脚的应变数据处理为电桥响应值：
EDT为数字孪生体电桥响应，i代表不同传力路径；
基于各向同性材料的线弹性本构关系，可采用线性拟合的方式构建电桥-关键部位应力方程：
σ＝α·EDT，α为线性拟合系数；
步骤三：构建载荷实测飞机电桥-应力方程：
通过计算，获取数字孪生体的地面标定工况载荷电桥响应，并与载荷实测飞机地面标定试验工况的试验实测载荷电桥数据构成数据对，通过线性拟合，获取孪生体电桥与载荷实测飞机电桥修正方程。
由于载荷实测飞机载荷电桥与数字孪生体载荷电桥名义位置一致，但难以避免在电桥实际安装过程中会有所偏差，导致相同载荷工况下，载荷实测飞机的载荷电桥响应与数字孪生体的载荷电桥响应不一致，因此需要开展两者之间的电桥修正。由于两者为线性关系，故采用线性模型构建两者之间的修正方程，即：
β为数字孪生电桥和实测电桥线性拟合斜率，b为截距；E外场为实测电桥响应；
具体实施过程中，通过载荷实测飞机，构建出(飞参-电桥)模型之后，虽然其他外场飞机没有电桥，但外场飞机飞参数据代入实测飞机的“(飞参-电桥)模型”也可以得到电桥响应值，把该值定义为E外场。
将有限元模型电桥与载荷实测飞机电桥修正方程代入基于有限元模型构建电桥-应力方程，获取适用于外场飞机的电桥-应力方程，即：
本发明提出一种用于飞机结构健康监控的单机关键部位应力监测方法，采用由飞参到电桥，再由电桥到关键部位应力，从而克服了基于剖面总载荷进行单机关键部位应力监测的缺点，提高关键部位应力监测精度。可在飞机结构健康监控中用于指导、优化服役飞机的检查、维修计划，保障飞机使用安全。
实施例1：本发明的技术流程如图1所示，以某单机中机身框某一关键部位为例，进行飞参、关键部位应力模型构建：
1)按照步骤一，以载荷实测飞机145个起落的飞参、载荷电桥数据为输入，经图2所示的数据处理方法，构建出飞参-载荷电桥模型；
针对多元飞参，多重共线性诊断最终确定出飞参-载荷电桥模型的输入飞参为28个，分别是：马赫数、全机重量、气压高度、攻角表决信号、侧滑角表决信号、动压表决信号、法向过载表决信号、侧向过载表决值、轴向过载表决信号、俯仰角表决信号、横滚角表决信号、真航向角表决信号、滚转速率表决信号、俯仰速率表决信号、偏航速率表决信号、滚转角加速度、俯仰角加速度、偏航角加速度、左鸭翼舵面位置、右鸭翼舵面位置、左前襟舵面内侧位置、右前襟舵面内侧位置、左外副翼舵面位置、右外副翼舵面位置、左内副翼舵面位置、右内副翼舵面位置、左方向舵舵面位置、右方向舵舵面位置。
采用多层感知机神经网络模型进行飞参-载荷电桥模型构建，模型输入为飞参，输出为载荷电桥响应。采用Auto-ML来实现全自动深度学习确定多层感知机神经网络模型的超参数。
2)构建载荷实测飞机的数字孪生体，如图3所示。按照步骤二，获取载荷电桥-关键部位应力方程，并结合载荷实测飞机的地面标定试验数据，构建出适用于外场飞机的载荷电桥-关键部位应力方程；
数字孪生体通过开展5个典型疲劳工况的细节应力分析，获取载荷电桥、关键部位应力数据对见表1。
表1数字孪生体载荷电桥-关键部位应力数据对
| 工况 | 载荷电桥响应/με | 关键部位应力/MPa |
| 典型疲劳工况1 | 4482.5021 | 292 |
| 典型疲劳工况2 | 7019.886 | 464 |
| 典型疲劳工况3 | 7225.67 | 477 |
| 典型疲劳工况4 | -2227.46475 | -141 |
| 典型疲劳工况5 | -1350.61615 | -86 |
得到数字孪生体载荷电桥-关键部位应力方程为：
σ＝0.0658×EDT (1)
并进一步计算获取数字孪生体载荷电桥在地面标定试验工况下的电桥响应值，与载荷实测飞机地面标定工况下的试验实测值构成数据对，如表2所示。其中，数字孪生体的载荷电桥响应为应变值，单位为με；载荷实测飞机电桥响应为电压值，单位为V。
表2标定工况实测载荷电桥-孪生体载荷电桥数据对
采用线性回归，获取实测飞机载荷电桥与数字孪生体载荷电桥的修正方程：
EDT＝265.79×E外场+5.23 (2)
将式(2)带入式(1)，获取适用于外场飞机的载荷电桥-关键部位应力方程：
σ＝17.49×E外场+0.34 (3)
3)已知某飞机当前已飞行200FH，将其飞参历程带入飞参-载荷电桥模型，获取200FH小时中的载荷电桥历程数据，并进一步将载荷电桥历程数据带入载荷电桥-关键部位应力方程，获取了该飞机关键部位的应力历程，评估结构关键部位损伤情况。
以上所述，仅为本发明的具体实施例之一，对本发明进行详细描述，未详尽部分视为本领域常规技术。但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于，所述方法包括以下步骤：
步骤一：构建载荷实测飞机的飞参-载荷电桥模型；
步骤二：构建含虚拟电桥的数字孪生体；通过在电桥安装位置，构建小刚度的Rod单元模拟电桥各应变脚；再将各应变脚的应变数据处理为电桥响应值；基于各向同性材料的线弹性本构关系，采用线性拟合的方式构建电桥-关键部位应力方程；
步骤三：构建数字孪生体的与载荷实测飞机电桥在相同载荷工况下的数据对，通过线性拟合，获取孪生体电桥与载荷实测飞机电桥修正方程；对数字孪生模型的载荷电桥-关键部位应力模型进行修正，构建出适用于外场飞机的载荷电桥-关键部位应力模型，从而实现单机关键部位应力监测。
2.根据权利要求1所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：基于载荷实测飞机的飞参和电桥数据，采用人工智能技术，构建每个载荷电桥的高精度飞参-电桥模型E＝fun(X1,X2,…,Xm)其中，X，为飞参数据，E为电桥响应。
3.根据权利要求2所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：采用多层感知机神经网络模型进行飞参-电桥模型构建，模型输入为飞参，输出为载荷电桥响应；采用Auto-ML来实现全自动深度学习确定多层感知机神经网络模型的超参数。
4.根据权利要求3所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：载荷实测飞机的飞参-载荷电桥模型构建过程包括如下步骤：
步骤S11：飞参数据初筛，根据结构部位及受载特征，初筛对载荷有影响的飞参数据；
步骤S12：数据清洗，对每个起落的飞参和载荷电桥进行异常值检测和修正，补全缺失段和损坏段，以及滤波、去噪处理；
步骤S13：数据融合，根据飞参物理意义和数学/力学模型，生成新的参数项，至少包括重量×过载，速度×角速度，角速度×角速度，角加速度×角加速度这些非线性项，作为后续建模的输入；
步骤S14：数据压缩，采用多重共线性分析、逐步回归法、主成分分析这些统计学习方法降低样本空间的规模；
步骤S15：状态分类，采用聚类/分类方法按机动动作、天空点的不同状态，对具有相似特征的飞参和载荷数据样本进行分类，然后分类构建“飞参-应变”模型；其中，机动动作通过高度、速度、姿态角/角速度这些飞参来设定，天空点通过重量、高度、马赫和法向过载来设定；
步骤S16：机器学习，采用多元回归分析、神经网络、决策树这些机器学习方法，结合遗传算法、训练样本筛选的优化方法，最终构建高精度的“飞参-电桥”模型集。
5.根据权利要求1所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：所述步骤二中，含虚拟载荷电桥的数字孪生体构建是针对载荷实测飞机名义电桥安装位置，使用有限元建模，并通过小刚度Rod单元以模拟载荷电桥各应变脚的应变响应，并根据惠斯通原理求解载荷电桥响应，其中，EDT为数字孪生体电桥响应，i代表不同传力路径。
6.根据权利要求1所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：所述步骤二中，基于数字孪生体多工况的细节应力仿真分析，构建载荷电桥-关键部位应力方程：过程为获取典型工况下的载荷电桥、关键部位应力数据对，并基于线性模型，构建数字孪生体的载荷电桥-关键部位应力方程：
σ＝α·EDT，EDT为数字孪生体电桥响应，α为线性拟合系数。
7.根据权利要求1所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：所述步骤三中，载荷实测飞机与数字孪生体模型载荷电桥修正方程获取；通过开展数字孪生体模型在地面标定工况下的仿真分析，获取数字孪生体载荷电桥在地面标定工况下的数据；并与载荷实测飞机地面标定试验工况下的试验实测电桥响应，相同工况下的多组数据对；基于线性模型，构建数字孪生电桥与载荷实测飞机电桥的修正方程：
其中，β为数字孪生电桥和实测电桥线性拟合斜率，b为截距；
E实测为实测电桥响应，i代表不同传力路径。
8.根据权利要求7所述的一种基于飞参及电桥数据的单机关键部位应力监测方法，其特征在于：通过分别构建载荷实测飞机与数字孪生体电桥修正方程和数字孪生体载荷电桥-关键部位应力方程，最终构建出适用于外场飞机的载荷电桥-关键部位应力方程：
其中α为线性拟合系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311651313.9A CN117669033A (zh) | 2023-12-04 | 2023-12-04 | 一种基于飞参及电桥数据的单机关键部位应力监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311651313.9A CN117669033A (zh) | 2023-12-04 | 2023-12-04 | 一种基于飞参及电桥数据的单机关键部位应力监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669033A true CN117669033A (zh) | 2024-03-08 |
Family
ID=90063630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311651313.9A Pending CN117669033A (zh) | 2023-12-04 | 2023-12-04 | 一种基于飞参及电桥数据的单机关键部位应力监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669033A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892639A (zh) * | 2024-03-15 | 2024-04-16 | 大连理工大学 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
-
2023
- 2023-12-04 CN CN202311651313.9A patent/CN117669033A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892639A (zh) * | 2024-03-15 | 2024-04-16 | 大连理工大学 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102037421B (zh) | 辅助检测航空器的硬着陆的辅助方法 | |
| CN103500262B (zh) | 用于监视结构的方法和系统 | |
| Cooper et al. | Static load estimation using artificial neural network: Application on a wing rib | |
| CN105956216B (zh) | 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法 | |
| CN117669033A (zh) | 一种基于飞参及电桥数据的单机关键部位应力监测方法 | |
| JP4875661B2 (ja) | 航空機の健全性診断装置及び方法並びにプログラム | |
| CN106875037B (zh) | 风力预测方法及装置 | |
| CN115575104A (zh) | 基于逆有限元重构图像识别的风机叶片损伤快速检测方法 | |
| CN102759430A (zh) | 基于bp神经网络的谐振筒压力传感器高精度校试方法 | |
| CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
| EP3721197B1 (en) | Estimating fatigue damage in a structure | |
| CN109491812B (zh) | 基于区间模型的系统局部可靠性灵敏度分析方法 | |
| KR101428720B1 (ko) | 비행자료를 이용한 응력 스펙트럼 생성 방법 | |
| CN112565593B (zh) | 一种针对空间调焦机构的动态可靠性分析方法 | |
| Domone | Digital twin for life predictions in civil aerospace | |
| CN110705114A (zh) | 一种无训练样本的通风故障诊断方法 | |
| Li et al. | Quantitative analysis method for the importance of stress influencing factors of a high arch dam during the operation period using SPA–OSC–PLS | |
| CN113108949A (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
| CN106874557B (zh) | 一种基于比例分布的风速预测校正方法 | |
| Hewitt et al. | Computer applications in full-scale aircraft fatigue tests | |
| CN117892639A (zh) | 一种飞参数据驱动的飞行器结构寿命预测方法 | |
| CN112001035B (zh) | 基于特征工程与岭回归机翼结构变形重构方法 | |
| Andrew | Recent developments in airworthiness assurance using unsupervised | |
| Gómez-Escalonilla et al. | Strain predictions using artificial neural networks for a full-scale fatigue monitoring system | |
| WO2022254399A1 (en) | Method for determining a maintenance plan of a group of aircraft and the system implementing the method |
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 |