CN117892639B - 一种飞参数据驱动的飞行器结构寿命预测方法 - Google Patents
一种飞参数据驱动的飞行器结构寿命预测方法 Download PDFInfo
- Publication number
- CN117892639B CN117892639B CN202410295379.7A CN202410295379A CN117892639B CN 117892639 B CN117892639 B CN 117892639B CN 202410295379 A CN202410295379 A CN 202410295379A CN 117892639 B CN117892639 B CN 117892639B
- Authority
- CN
- China
- Prior art keywords
- data
- flight
- deep learning
- strain
- key part
- 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
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000013136 deep learning model Methods 0.000 claims abstract description 84
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000009825 accumulation Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 9
- 230000036541 health Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000012795 verification Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000009661 fatigue test Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000010006 flight Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种飞参数据驱动的飞行器结构寿命预测方法,属于飞行器结构健康监测及管理领域,步骤:1)采集飞行器飞参数据和结构关键部位应变数据构建数据集;2)对原始数据进行处理;3)自动提取关键部位应变的相关飞参及特征;4)基于集成深度学习模型建立相关飞参及特征到关键部位应变的高精度映射模型;5)将实时采集的飞参输入映射模型预测关键部位应变历程,利用疲劳寿命评估方法和损伤累积理论,预测结构剩余寿命。本发明自动化智能化程度高;以飞参数据作为原始输入,通过人工智能算法和大数据分析技术,实现飞行器结构剩余寿命的实时预测,解决缺乏面向实际飞行状态的飞行器结构关键部位的高精度寿命损耗评估手段等问题。
Description
技术领域
本发明属于飞行器结构健康监测及管理领域,涉及一种飞参数据驱动的飞行器结构寿命预测方法。
背景技术
传统航空装备飞行器健康管理方法通常采用机队维护理念统一制定定时检修要求,没有充分考虑飞行器的个体服役差异,造成大量维护资源的浪费和高昂的维护费用。这主要是由于缺乏面向实际飞行状态的飞行器结构关键部位的高精度寿命损耗评估手段,难以获得准确的飞行器结构剩余寿命。
飞行器结构寿命损耗主要来源于金属疲劳问题,传统方法通过飞行器飞行载荷谱进行仿真分析,得到关键部位的应力和应变,从而根据应力或应变计算关键部位每个飞行小时的当量损伤,根据可承受的总损伤换算出当量飞行小时数,即飞行器结构寿命。在仿真基础上,可以开展全机疲劳试验得到飞行器结构的实际疲劳寿命,并通过应变片等传感器进行监测获得结构关键部位的真实应变和应力,实现对仿真分析结果的修正。但是,全机疲劳试验的载荷谱与飞行器的实际飞行载荷谱有较大区别,不同飞行器之间也由于所执行飞行任务的不同存在较大差异。同时,受限于结构空间、传感器重量等因素,难以在服役飞行器结构上布置大量传感器。飞参数据可以反映飞行器的飞行状态,已被广泛应用于航空发动机的健康监测与管理。但飞参数据量庞大,且缺乏与结构关键部位应变和剩余寿命建立关联的系统性手段。
因此,有必要借助人工智能算法和大数据分析技术,建立一种飞参数据驱动的飞行器结构寿命预测方法,实现对服役飞行器结构剩余寿命的系统化预测和精细化管理。
发明内容
本发明主要解决飞行器服役过程中缺少结构关键部位剩余寿命高精度预测手段的问题,提出一种飞参数据驱动的飞行器结构寿命预测方法,该飞行器结构寿命预测方法以飞参数据作为原始输入,通过人工智能算法和大数据分析技术,挖掘飞参数据中的隐含信息,建立飞参数据到关键部位应变数据的映射关系,并利用疲劳寿命评估方法和损伤累积理论,进一步得到关键部位应变数据到结构剩余寿命的映射关系,实现基于飞参数据的飞行器结构剩余寿命实时评估和预测。
为了达到上述目的,本发明采用的技术方案为:
一种飞参数据驱动的飞行器结构寿命预测方法,包括以下几个步骤:
第一步,获得飞参数据和关键部位应变数据,构建数据集。具体的:
根据飞行器全机强度仿真分析和疲劳试验结果,确定飞行器结构上需要进行疲劳寿命监控的关键部位。在多个关键部位上布置传感器测量关键部位应变数据。在试飞过程中采集飞行器的飞参数据和传感器测量的关键部位应变数据作为原始数据,并在试飞结束后移除传感器,避免对飞行器服役过程造成影响。在试飞过程中飞行器会执行多项飞行科目以测试其性能,飞行科目覆盖服役中的各种飞行状态。
进一步的,所述飞参数据包括高度、温度、速度、加速度、姿态及其他与飞行状态相关的多个飞参变量,所述关键部位应变数据包括多个关键部位的应变值,应变类型包括拉/压应变、切应变、第一主应变。
进一步的,所述的传感器包括电阻应变片传感器、光纤传感器、数字图像传感器及其他可以测量应变的传感器。
第二步,对第一步采集的飞参数据和关键部位应变数据的原始数据进行优化治理,解决原始数据的缺失、异常、外部噪声问题,确保数据可用性和可靠性。数据优化治理的过程包括:
2.1)首先,读取第一步采集的飞参数据和关键部位应变数据的原始数据,针对数据中的缺失值进行识别和填补,数据缺失值填补方法包括相邻值填补法、均值/中位数填补法、回归填补法、k近邻填补法。
2.2)其次,针对数据中的异常值(也称离群值)进行检测和剔除,异常值检测方法包括标准差法、箱型图法、绝对中位差法、群体决策/投票机制法。其中,群体决策/投票机制法采用ABOD(基于角度的离群值检测)、CBLOF(基于聚类的局部离群因子)、FeatureBagging(特征装袋)、HBOS(基于直方图的离群值评分)、孤立森林、k近邻、平均k近邻、MCD(最小协方差行列式)共8种异常值检测模型分别标记数据中的异常值,并基于投票机制最终决策出哪些数据属于异常值。所述投票机制为:数据被标记为异常值的次数超过半数。
2.3)然后,对前述处理后的数据进行降噪,降低数据中噪声干扰,提高数据可信度,数据降噪方法包括均值滤波法、小波包分解与贝叶斯阈值去噪方法。
2.4)最后,对降噪后的数据进行归一化或标准化处理。
第三步,针对优化治理后的飞参数据和关键部位应变数据,自动提取与每个关键部位应变数据相关的飞参数据及特征。具体的:
3.1)首先,使用统计学指标重新表征飞参数据中的每个飞参变量,形成飞参变量的多种数据特征,从而得到飞参数据及其特征。
进一步的,统计学指标(即数据特征)包括均值、峰值、峰谷值、绝对平均值、均方根值、方根幅值、标准差值、峰值因子、脉冲因子、裕度因子、波形因子、斜度、峭度。
进一步的,表征过程采用移动窗口法,包括:以固定时间长度为窗口,截取窗口内的飞参变量值,计算统计学指标,然后将窗口移动固定步长后,计算下一个窗口内的统计学指标,以此类推,直到遍历全部时间段下的数据。
3.2)然后,基于相关性分析方法评估飞参数据及其特征与每个关键部位应变数据的相关性,得到相关性指标,相关性指标值越大,说明该关键部位应变数据的改变是由某个飞参数据或者某个特征的改变产生的,即两者更相关。根据相关性指标排序,并通过阈值或个数限制提取出与每个关键部位应变数据最相关的飞参数据或者特征,称为相关飞参数据及特征。其中,根据不同的关键部位应变数据得到的相关飞参数据及特征是相互独立的。
进一步的,所述相关性分析方法包括线性回归分析、方差分析、Sobol敏感性分析,所述相关性指标包括决定系数R2(由线性回归分析得到)、F统计量(由方差分析得到)、一阶敏感性S1(由Sobol敏感性分析得到)。
3.3)最后,将提取的相关飞参数据及特征和对应的关键部位应变数据一起组成数据集。
第四步,基于数据集训练多个深度学习模型,组合多个深度学习模型形成集成深度学习模型,作为相关飞参数据及特征到关键部位应变数据的映射模型。所述深度学习模型包括多层全连接神经网络、卷积神经网络、长短时记忆神经网络。集成深度学习模型的训练过程包括:
4.1)首先,将第三步得到的相关飞参数据及特征和关键部位应变数据的数据集随机划分为训练集和验证集,所述训练集和验证集只有包含的数据样本量不同。
4.2)其次,基于训练集训练深度学习模型,深度学习模型的输入为相关飞参数据及特征,输出为关键部位应变值,通过参数优化算法迭代更新深度学习模型参数,降低训练集的关键部位应变值预测误差,称为训练集误差。所述参数优化算法包括随机梯度下降法、Adam法、NAdam法。所述关键部位应变值预测误差为均方误差MSE。
在前述训练过程中的每次迭代更新后,同步计算深度学习模型在验证集上的关键部位应变值预测误差,称为验证集误差,采用早停策略提前终止训练过程,可以降低训练耗时,提高深度学习模型泛化性能。所述早停策略为验证集误差在固定迭代次数后不再下降,便终止训练过程,保留验证集误差最小时的深度学习模型参数,并将最小验证集误差作为深度学习模型的泛化性能评价指标,最小验证集误差越小,泛化性能越强。
4.3)再次,以4.2)中得到的最小验证集误差为目标,采用贝叶斯优化方法开展深度学习模型的超参数优化,贝叶斯优化方法的迭代次数为T,最终会得到T个深度学习模型。
4.4)然后,将T个深度学习模型的最小验证集误差按照从小到大进行排序,选择其中前个/>深度学习模型作为基学习器。
进一步的,采用的基学习器可以是异质的,所述异质基学习器表示同时采用多种不同类型的深度学习模型作为基学习器,包括多层全连接神经网络、卷积神经网络、长短时记忆神经网络。若如此做,需要在4.3)步骤的贝叶斯优化中增加不同类型深度学习模型的超参数。
4.5)接着,通过4.4)中选择的个深度学习模型分别预测关键部位应变值,基于集成策略组合/>个深度学习模型的关键部位应变值预测结果,形成集成深度学习模型作为最终的相关飞参数据及特征到关键部位应变数据的映射模型。
进一步的,所述集成策略包括加权平均法、简单平均法、投票法。集成过程包括:
通过个深度学习模型分别预测关键部位应变值,其中第/>个深度学习模型的预测结果为/>,所述加权平均法通过各深度学习模型的权重系数/>加权求和深度学习模型的预测结果得到集成深度学习模型的最终预测结果/>,所述权重系数/>通过各深度学习模型的最小验证集误差/>确定,加权平均法的计算表达式如下:
(1)
从式(1)中可以看出,深度学习模型的最小验证集误差越小,其权重系数就越大,进而代表该深度学习模型对集成深度学习模型的最终预测结果影响程度越大。所述简单平均法为加权平均法的权重系数取时的特例。一般而言,在基学习器性能相差较大时宜使用加权平均法,而在基学习器性能相近时宜使用简单平均法。所述投票法是将不同基学习器的预测结果与预测结果平均值进行比较,取最接近平均值的预测结果作为集成深度学习模型的最终预测结果。
4.6)最后,针对关键部位应变数据中的每个关键部位应变值,重复4.1)到4.5)的步骤,分别建立对应的集成深度学习模型(映射模型)。
第五步,在飞行器服役过程中,将实时获取的飞参数据作为输入,输入到各映射模型中预测关键部位应变数据历程,利用疲劳寿命评估方法和损伤累积理论,评估结构关键部位累积损伤,换算成结构关键部位的寿命损耗,进而计算得到飞行器剩余飞行小时数或飞行次数,即飞行器结构剩余寿命。飞行器结构剩余寿命的计算过程如下:
5.1)首先,通过第四步建立的各映射模型实时预测各关键部位应变数据历程,通过雨流计数法统计出各关键部位应变数据历程的峰谷对,基于疲劳寿命评估方法计算每个峰谷对单独作用下的疲劳寿命,基于损伤累积理论计算/>个峰谷对产生的累积损伤为:
(2)
进一步的,所述的疲劳寿命评估方法包括名义应力法、局部应力-应变法。需要说明的是,如采用应力控制的疲劳寿命评估方法,如名义应力法,则需要将前述关键部位应变数据历程的预测结果通过材料属性换算为关键部位应力数据历程。所述的损伤累积理论包括Miner线性损伤累积理论和相对Miner线性损伤累积理论。
进一步的,当结构关键部位的损伤累积到临界损伤值时发生失效破坏,剩余寿命降为0,临界损伤值由损伤累积理论定义,表达式为:
(3)
式中,为修正后的经验值,通过疲劳试验得到,范围在0.3~3,一般取0.7。
5.2)然后,需要将结构关键部位的累积损伤换算成直观的寿命损耗,以得到飞行器剩余寿命(即剩余飞行次数或飞行小时数),便于进行飞行器健康管理。若已损耗寿命(即已飞行次数或已飞行小时数)已知,令通过疲劳寿命评估方法和损伤累积理论(式(2))求得第/>次飞行或第/>个飞行小时造成的累积损伤为/>,则关键部位的剩余寿命NRUL为:
(4)
进一步的,若飞行器结构总寿命NCR(即飞行器进厂大修前要求达到的全部当量飞行次数或当量飞行小时数)已知,令每个当量飞行次数或当量飞行小时产生的损伤值为Dbase,该值通过疲劳试验得到,则关键部位的剩余寿命NRUL为:
(5)
以上两种剩余寿命计算方式可覆盖大部分飞行器实际使用情况。
5.3)最后,飞行器的结构整体剩余寿命为全部关键部位剩余寿命的最小值。
本发明的有益效果为:
本发明针对飞行器服役过程中缺少结构关键部位剩余寿命高精度预测手段的问题,以飞参数据作为原始输入,通过人工智能算法和大数据分析技术,建立相关飞参数据及特征到关键部位应变数据的映射关系,并利用疲劳寿命评估方法和损伤累积理论,进一步得到关键部位应变数据到结构剩余寿命的映射关系,实现基于飞参数据的飞行器结构剩余寿命实时且准确评估和预测。本发明操作容易、自动化智能化程度高,便于模块化集成到飞行器健康管理软件中。
附图说明
图1为一种飞参数据驱动的飞行器结构寿命预测方法的实现流程图;
图2(a)为缺失值填补效果示意图;图2(b)为异常值检测效果示意图;图2(c)为数据降噪效果示意图;
图3为一种深度学习模型采用贝叶斯优化方法开展超参数优化的迭代曲线;
图4为一种相关飞参数据及特征到关键部位应变数据的映射模型的关键部位应变值预测曲线;
图5为一种飞行器结构关键部位剩余寿命的预测曲线。
具体实施方式
为使本发明解决的方法问题、采用的方法方案和达到的方法效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明实施例提供的一种飞参数据驱动的飞行器结构寿命预测方法的实现流程图。如图1所示,本发明实施例提供的一种飞参数据驱动的飞行器结构寿命预测方法包括:
第一步,获得飞参数据和结构关键部位应变数据,构建数据集。具体的:
通过对本实施例的飞行器开展全机强度仿真分析和疲劳试验,将具有应力集中的局部易损部位或区域作为结构关键部位进行健康监测和管理,在结构关键部位上布置传感器对关键部位应变数据进行测量。在试飞过程中,采集飞行器的飞参数据和传感器测量的关键部位应变数据作为原始数据。试飞共包含12项飞行科目,每项飞行科目都记录了飞行器从起飞到降落的一个完整时间历程下的飞参数据(43个)和应变数据(8个),以构建数据集。
其中,飞参数据包括43个飞参变量:气压高度、校正空速、真空速、马赫数、总温、表决后真迎角、表决后真侧滑角、卫导水平航迹角、俯仰角、横滚角、横滚角速度、航向角速度、俯仰角速度、燃油耗量(全机总油量)、燃油耗量(2、4号油箱油量)、纵向过载、侧向过载、法向过载、左襟副翼位置、右襟副翼位置、左前缘襟翼位置、右前缘襟翼位置、左方向舵位置表决值、右方向舵位置表决值、左平尾位置、右平尾位置、操纵杆俯仰位置、操纵杆倾斜位置、脚蹬位置、左发低压转子转速、左发高压转子转速、右发低压转子转速、右发高压转子转速、左发动机排气温度、右发动机排气温度、左油门杆位置、右油门杆位置、动压表决值、静压表决值、减速板放下指令、前起落架放下指令、左起落架放下指令、右起落架放下指令;关键部位应变数据包括8个关键部位的应变值:右外翼一墙应变、右中央翼一墙应变、油箱右侧应变、油箱左侧应变、左外翼一墙应变、左中央翼三墙应变、左中央翼一墙应变、左外翼三墙应变。
第二步,对第一步采集的飞参数据和关键部位应变数据的原始数据进行优化治理,解决采集数据的缺失、异常、外部噪声问题,确保数据可用性和可靠性。具体的:
对本实施例的飞参数据和关键部位应变数据的原始数据进行优化治理,图2(a)为飞参数据(纵向过载)的缺失值填补效果示意图,图2(b)为飞参数据(纵向过载)的异常值检测效果示意图,图2(c)为飞参数据(纵向过载)的数据降噪效果示意图。首先,识别原始数据中的缺失值,并采用相邻值填补法进行填补。相邻值填补法使用相邻时间点上的数据,即前一行或后一行的数据,来补齐缺失的时间序列数据。其次,针对数据中的异常值采用群体决策/投票机制法进行检测并剔除。然后,对处理后的数据采用小波包分解与贝叶斯阈值去噪方法进行降噪。最后,对降噪后的数据进行归一化处理,将每个维度的数据根据其最小值和最大值缩放到0到1之间。
第三步,针对优化治理后的飞参数据和关键部位应变数据,自动提取与每个关键部位应变数据相关的飞参数据及特征。具体的:
针对本实施例的优化治理后的飞参数据,首先采用移动窗口法计算每个飞参变量的13种统计学指标(13种统计学指标包括均值、峰值、峰谷值、绝对平均值、均方根值、方根幅值、标准差值、峰值因子、脉冲因子、裕度因子、波形因子、斜度、峭度),得到飞参数据及特征共602个。其中,移动窗口法的窗宽为50,步长为10。然后基于方差分析方法开展相关性分析,计算飞参数据及特征与每个关键部位应变的相关性指标统计量F,根据相关性指标对统计量F从大到小排序,提取相关性指标较高的前100个飞参数据及特征作为相关飞参数据及特征。其中,8个关键部位应变数据的相关性分析彼此独立,因此每个关键部位应变数据的相关飞参数据及特征可以不相同。最后将提取的相关飞参数据及特征和对应的关键部位应变数据一起组成数据集。
第四步,基于数据集训练160个深度学习模型,组合其中性能最优的3个深度学习模型形成集成深度学习模型,作为相关飞参数据及特征到关键部位应变数据的映射模型。具体的:
(4.1)针对筛选出的影响本实施例的关键部位应变数据的相关飞参数据及特征,建立相关飞参数据及特征到关键部位应变数据的映射关系。本实施例的深度学习模型为多层全连接神经网络,该深度学习模型的超参数包括第一隐藏层的神经元数目N1,最后隐藏层的神经元数目N2,隐藏层数N3以及学习率lr。通过修改上述超参数可以得到不同的深度学习模型,用来组合集成深度学习模型。首先,将数据集按照8:1:1的比例划分为训练集、验证集和测试集,测试集不参与深度学习模型训练,仅在本实施例中用作测试深度学习模型的预测精度,实际应用本发明时不需要划分测试集。
(4.2)基于第四步4.1)划分的训练集训练每个深度学习模型,深度学习模型的输入为相关飞参数据及特征,输出为关键部位应变值,以降低训练集误差MSE为目标,通过NAdam法迭代更新深度学习模型参数,最大迭代次数为500。基于第四步4.2)划分的验证集评估验证集误差,设定早停策略的耐心值(验证集误差不再下降的迭代次数)为100。训练终止后,获得最小验证集误差,保留验证集误差最小时的深度学习模型参数。
(4.3)其次,通过贝叶斯优化方法(本实施例采用的)优化本实施例深度学习模型的超参数,其中N1和N2的范围为[16, 256],N3的范围为[2, 8],lr的范围为[1e-5, 1e-1]。贝叶斯优化方法的初始样本点为80个,迭代步数为80。贝叶斯优化方法根据初始样本点生成80个深度学习模型,并基于第四步4.1)进行训练;随后,贝叶斯优化的每个迭代步都会生成和训练1个深度学习模型,由此共获得160个训练好的深度学习模型。图3展示了贝叶斯优化迭代曲线,每个深度学习模型都能根据第四步4.2)的过程得到一个最小验证集误差。
(4.4)然后,以最小验证集误差作为评价指标,选择最优(误差越小越好)的3个深度学习模型进行组合,采用加权平均法的集成策略形成集成深度学习模型,作为相关飞参数据及特征到关键部位应变数据的映射模型。最后,针对8个关键部位应变数据,建立了8个对应的映射模型。以第一个关键部位应变为例,单个深度学习模型的验证集误差分别为2.33e-2、2.43e-2、2.66e-2,而集成深度学习模型的验证集误差为2.01e-2,说明了集成深度学习模型比单个深度学习模型具备更强的泛化性能。
第五步,将飞参数据作为输入,输入到各映射模型中预测关键部位应变数据历程,利用疲劳寿命评估方法和损伤累积理论,评估结构关键部位累积损伤,换算成结构关键部位的寿命损耗,进而计算得到飞行器剩余飞行小时数或飞行次数,即飞行器结构剩余寿命。具体的:
首先,将测试集里的飞参数据输入各映射模型预测结构关键部位应变数据历程,图4展示了其中一个关键部位应变值的预测曲线。采用决定系数(R2)和平均精度指标(Acc)评估映射模型的关键部位应变预测精度,表达式如下:
(6)
(7)
式中,N表示测试集样本总数,为测试集中第/>个样本的真实值,/>为第/>个样本的预测值,/>为真实值的均值。/>取值在0到1,越接近1表示映射模型精度越高,Acc取值范围在0到100%,当Acc越接近于100%,表明映射模型精度越高。
本实施例的映射模型的为0.96,Acc为93%,表明该映射模型具备较高的关键部位应变预测精度,保证了结构关键部位累积损伤和剩余寿命的预测精度。
然后,利用疲劳寿命评估方法和损伤累积理论,评估结构关键部位累积损伤,计算出飞行器的剩余飞行小时数,即剩余寿命。在实际应用中,将实时采集的飞参数据输入映射模型,便可实时预测飞行器结构的剩余寿命。
图5展示了一个关键部位剩余寿命的预测曲线。其中,飞行器结构总寿命NCR为1500个当量飞行小时,如果采用传统定时检修策略,将在飞行器完全达到1500个飞行小时后,才能进厂检修。此时由于实际飞行任务比理论值负担更大,该关键部位的实际累积损伤超过理论值,所以在1300个飞行小时后,采用本发明预测的实际当量飞行小时数就已超过1500,剩余寿命小于0,继续使用存在安全风险,应提前进厂检修。因此,本发明相比传统方法可以更准确及时地制定和安排飞行器的维修和飞行任务计划,保障飞行器飞行安全、降低维修成本、提升服役寿命,实现对服役飞行器结构寿命的精细化管理。
最后应说明的是:以上实施例仅用以说明本发明的方法方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通方法人员应当理解:其对前述实施例所记载的方法方案进行修改,或者对其中部分或者全部方法特征进行等同替换,并不使相应方法方案的本质脱离本发明实施例方法方案的范围。
Claims (6)
1.一种飞参数据驱动的飞行器结构寿命预测方法,其特征在于,包括以下几个步骤:
第一步,获得飞参数据和关键部位应变数据,构建数据集;
第二步,对第一步采集的飞参数据和关键部位应变数据的原始数据进行优化处理,确保数据可用性和可靠性;
第三步,针对优化处理后的飞参数据和关键部位应变数据,自动提取与每个关键部位应变数据相关的飞参数据及特征;具体如下:
3.1)使用统计学指标重新表征飞参数据中的每个飞参变量,形成飞参变量的多种数据特征,从而得到飞参数据及其特征;
3.2)基于相关性分析方法评估飞参数据及其特征与每个关键部位应变数据的相关性,得到相关性指标;根据相关性指标排序,并通过阈值或个数限制提取出与每个关键部位应变数据最相关的飞参数据或者特征,称为相关飞参数据及特征;其中,根据不同的关键部位应变数据得到的相关飞参数据及特征是相互独立的;所述相关性分析方法包括线性回归分析、方差分析、Sobol敏感性分析,所述相关性指标包括决定系数R2、F统计量、一阶敏感性S1;
3.3)将提取的相关飞参数据及特征和对应的关键部位应变数据一起组成数据集;
第四步,基于数据集训练多个深度学习模型,组合多个深度学习模型形成集成深度学习模型,作为相关飞参数据及特征到关键部位应变数据的映射模型;所述的深度学习模型包括多层全连接神经网络、卷积神经网络、长短时记忆神经网络;具体的:
4.1)将第三步得到的相关飞参数据及特征和关键部位应变数据的数据集随机划分为训练集和验证集,所述训练集和验证集只有包含的数据样本量不同;
4.2)基于训练集训练深度学习模型,深度学习模型的输入为相关飞参数据及特征,输出为关键部位应变值,通过参数优化算法迭代更新深度学习模型参数,降低训练集的关键部位应变值预测误差,称为训练集误差;所述参数优化算法包括随机梯度下降法、Adam法、NAdam法;所述关键部位应变值预测误差为均方误差MSE;
在前述训练过程中的每次迭代更新后,同步计算深度学习模型在验证集上的关键部位应变值预测误差,称为验证集误差,采用早停策略提前终止训练过程;所述早停策略为验证集误差在固定迭代次数后不再下降,便终止训练过程,保留验证集误差最小时的深度学习模型参数,并将最小验证集误差作为深度学习模型的泛化性能评价指标,最小验证集误差越小,泛化性能越强;
4.3)以4.2)中得到的最小验证集误差为目标,采用贝叶斯优化方法开展深度学习模型的超参数优化,贝叶斯优化方法的迭代次数为T,最终会得到T个深度学习模型;
4.4)将T个深度学习模型的最小验证集误差按照从小到大进行排序,选择其中前Q个深度学习模型作为基学习器,其中Q≤T;
4.5)通过4.4)中选择的Q个深度学习模型分别预测关键部位应变值,基于集成策略组合Q个深度学习模型的关键部位应变值预测结果,形成集成深度学习模型作为最终的相关飞参数据及特征到关键部位应变数据的映射模型;
4.6)针对关键部位应变数据中的每个关键部位应变值,重复4.1)到4.5)的步骤,分别建立对应的集成深度学习模型,即得到映射模型;
第五步,在飞行器服役过程中,将实时获取的飞参数据作为输入,输入到各映射模型中预测关键部位应变数据历程,利用疲劳寿命评估方法和损伤累积理论,评估结构关键部位累积损伤,换算成结构关键部位的寿命损耗,进而计算得到飞行器剩余飞行小时数或飞行次数,即飞行器结构剩余寿命,飞行器结构剩余寿命的计算过程如下:
5.1)通过第四步建立的各映射模型实时预测各关键部位应变数据历程,通过雨流计数法统计出各关键部位应变数据历程的峰谷对,基于疲劳寿命评估方法计算每个峰谷对单独作用下的疲劳寿命Ni,基于损伤累积理论计算n个峰谷对产生的累积损伤为:
5.2)将结构关键部位的累积损伤换算成直观的寿命损耗,以得到飞行器剩余寿命,即剩余飞行次数或飞行小时数,用于进行飞行器健康管理;
若已损耗寿命Nf已知,Nf指已飞行次数或已飞行小时数,令通过疲劳寿命评估方法和损伤累积理论求得第j次飞行或第j个飞行小时造成的累积损伤为Dj,则关键部位的剩余寿命NRUL为:
DCR为临界损伤值;
若飞行器结构总寿命NCR已知,NCR指飞行器进厂大修前要求达到的全部当量飞行次数或当量飞行小时数,令每个当量飞行次数或当量飞行小时产生的损伤值为Dbase,该值通过疲劳试验得到,则关键部位的剩余寿命NRUL为:
5.3)飞行器的结构整体剩余寿命为全部关键部位剩余寿命的最小值。
2.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法,其特征在于,所述5.1)中:所述的疲劳寿命评估方法包括名义应力法、局部应力-应变法;所述的损伤累积理论包括Miner线性损伤累积理论和相对Miner线性损伤累积理论;
当结构关键部位的损伤累积到临界损伤值时发生失效破坏,剩余寿命降为0,临界损伤值由损伤累积理论定义,表达式为:
式中,Df为修正后的经验值,通过疲劳试验得到,范围在0.3~3。
3.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法,其特征在于,所述的第一步具体为:根据飞行器全机强度仿真分析和疲劳试验结果,确定飞行器结构上需要进行疲劳寿命监控的关键部位;在关键部位上布置传感器测量关键部位应变数据,所述关键部位应变数据包括多个关键部位的应变值,应变类型包括拉/压应变、切应变、第一主应变;在试飞过程中采集飞行器的飞参数据和传感器测量的关键部位应变数据作为原始数据,并在试飞结束后移除传感器,避免对飞行器服役过程造成影响;所述的第一步中的飞参数据包括高度、温度、速度、加速度、姿态及其他与飞行状态相关的多个飞参变量。
4.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法,其特征在于,所述的第二步具体包括以下步骤:
2.1)读取第一步采集的飞参数据和关键部位应变数据的原始数据,针对数据中的缺失值进行识别和填补,数据缺失值填补方法包括相邻值填补法、均值/中位数填补法、回归填补法、k近邻填补法;
2.2)针对数据中的异常值进行检测和剔除,异常值检测方法包括标准差法、箱型图法、绝对中位差法、群体决策/投票机制法;
2.3)对处理后的数据进行降噪,数据降噪方法包括均值滤波法、小波包分解与贝叶斯阈值去噪方法;
2.4)对降噪后的数据进行归一化或标准化处理。
5.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法,其特征在于,所述4.4)中,采用的基学习器是异质的,所述异质基学习器表示同时采用多种不同类型的深度学习模型作为基学习器,包括多层全连接神经网络、卷积神经网络、长短时记忆神经网络;若如此做,需要在4.3)步骤的贝叶斯优化中增加不同类型深度学习模型的超参数。
6.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法,其特征在于,所述4.4)中,所述4.5)中,集成策略包括加权平均法、简单平均法、投票法;集成过程包括:
通过Q个深度学习模型分别预测关键部位应变值,其中第i个深度学习模型的预测结果为所述加权平均法通过各深度学习模型的权重系数wi加权求和深度学习模型的预测结果得到集成深度学习模型的最终预测结果/>所述权重系数wi通过各深度学习模型的最小验证集误差ei确定,加权平均法的计算表达式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295379.7A CN117892639B (zh) | 2024-03-15 | 2024-03-15 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295379.7A CN117892639B (zh) | 2024-03-15 | 2024-03-15 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892639A CN117892639A (zh) | 2024-04-16 |
CN117892639B true CN117892639B (zh) | 2024-06-14 |
Family
ID=90652147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410295379.7A Active CN117892639B (zh) | 2024-03-15 | 2024-03-15 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892639B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859741A (zh) * | 2022-12-29 | 2023-03-28 | 中国航空工业集团公司成都飞机设计研究所 | 一种用于飞机结构健康监控的全机健康指数确定方法 |
CN117669033A (zh) * | 2023-12-04 | 2024-03-08 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于飞参及电桥数据的单机关键部位应力监测方法 |
CN117688316A (zh) * | 2023-12-13 | 2024-03-12 | 中国航空工业集团公司西安飞机设计研究所 | 一种用于飞机载荷预测的数据降维处理方法 |
-
2024
- 2024-03-15 CN CN202410295379.7A patent/CN117892639B/zh active Active
Non-Patent Citations (2)
Title |
---|
Deep neural network-based multiagent synergism method of probabilistic HCF evaluation for aircraft compressor rotor;Bowei Wang 等;《Engineering,Computer Science》;20231231;全文 * |
基于改进蚁群算法和Mann⁃Kendall 法的 涡桨发动机性能预测;王佳 等;《航空动力学报》;20220630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117892639A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
CN103500262B (zh) | 用于监视结构的方法和系统 | |
CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
CN110376003B (zh) | 基于bim的智能列车整车服役寿命预测方法及其系统 | |
CN108594788A (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN109947086A (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN110361180B (zh) | 智能列车受电弓服役性能动态监测与评估方法及其系统 | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN113053171B (zh) | 一种民机系统风险预警方法及系统 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
WO2024045246A1 (zh) | 一种针对航空发动机故障预测的脉冲回声状态网络模型 | |
CN114880925A (zh) | 基于时间卷积网络和多层自注意力的装备寿命预测方法 | |
EP3947961A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
CN113743016A (zh) | 基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法 | |
CN116738868A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN114995152A (zh) | 一种民用航空发动机性能模型偏差修正方法 | |
CN117892639B (zh) | 一种飞参数据驱动的飞行器结构寿命预测方法 | |
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 | |
WO2019110957A1 (en) | Estimating fatigue damage in a structure | |
Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
CN116226679A (zh) | 考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |