CN118133431A - 多源数据融合的飞机翼面结构载荷识别方法 - Google Patents
多源数据融合的飞机翼面结构载荷识别方法 Download PDFInfo
- Publication number
- CN118133431A CN118133431A CN202410532635.XA CN202410532635A CN118133431A CN 118133431 A CN118133431 A CN 118133431A CN 202410532635 A CN202410532635 A CN 202410532635A CN 118133431 A CN118133431 A CN 118133431A
- Authority
- CN
- China
- Prior art keywords
- data set
- strain
- finite element
- aircraft
- calibration test
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 19
- 238000005452 bending Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010008 shearing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及飞机飞行载荷识别技术领域,提出了一种多源数据融合的飞机翼面结构载荷识别方法,包括以下步骤:建立多源数据集,所述多源数据集包括:机翼典型工况数据集、有限元数据集、标定工况数据集、标定试验数据集;构建多个多级融合神经网络,所述多级融合神经网络包括第一网络和第二网络,基于所述有限元数据集训练获得第一网络;基于所述标定实验数据集和第一网络的预测值训练获得第二网络;对所述多个多级融合神经网络进行优化,获取飞机翼面结构载荷识别预测模型;将所述飞机翼面结构载荷识别模型应用于载荷识别;本发明能够提高飞机翼面结构载荷识别精度。
Description
技术领域
本发明涉及飞机飞行载荷识别技术领域,具体涉及一种多源数据融合的飞机翼面结构载荷识别方法。
背景技术
载荷识别是飞机结构健康监测与管理的重要工作,是确保全寿命周期内飞行安全和结构完整性的一项关键技术。
载荷识别技术的核心在于建立基于结构特性的载荷模型,从而实现基于测点应变对剖面载荷的计算与预测;对此,目前主要通过在剖面载荷与测点应变之间建立方程组来描述结构特性,并通过地面标定试验对方程组进行标定。然而,地面标定试验受限于试验成本与技术,无法完全覆盖实际飞行中的载荷工况与载荷水平,导致结构特性方程组存在适用范围有限、外推能力较差等问题。
相比之下,基于有限元仿真的虚拟标定试验能够突破试验条件和试验技术的限制,能够实现任意载荷工况与载荷水平的虚拟加载试验,是对地面标定试验的有力补充。然而,结构有限元模型与结构真实特性之间的差异无可避免,完全基于虚拟标定试验所建立的载荷模型存在准确性与可靠性较差的问题。
因此,迫切需要合理利用地面标定试验在结构特性真实性与虚拟标定试验在试验工况充分性的优势,开发一种多源数据融合的飞机翼面结构载荷识别方法,提升基于测点应变数据计算预测剖面载荷的准确性与可靠性,从而有利于飞机结构实测载荷谱编制、单机健康管理与定延寿等后续工作。
发明内容
鉴于上述问题,本发明提供了一种多源数据融合的飞机翼面结构载荷识别方法,该方法在确定剖面载荷与测点应变之间关系时,引入来自地面标定试验与虚拟标定试验的原始数据,使得所建立的载荷模型能够突破试验成本与技术的限制,覆盖更多的飞行工况、更高的载荷水平。基于本发明确定的载荷模型能够准确、可靠地计算预测剖面载荷。
本发明提供了一种多源数据融合的飞机翼面结构载荷识别方法,包括以下步骤:
步骤S1、建立多源数据集,所述多源数据集包括:机翼典型工况数据集、有限元数据集、标定工况数据集和标定试验数据集;
步骤S2、构建多个多级融合神经网络,所述多级融合神经网络包括第一网络和第二网络,基于所述有限元数据集训练第一神经网络代理模型获得第一网络;基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值训练第二神经网络代理模型获得第二网络;
步骤S3、对所述多个多级融合神经网络进行优化,得到优化后的多个多级融合神经网络;
步骤S4、对所述优化后的多个多级融合神经网络进行筛选,获取飞机翼面结构载荷识别模型;
步骤S5、将所述飞机翼面结构载荷识别模型应用于载荷识别。
优选地,所述机翼典型工况数据集包括飞机翼面结构在实际飞行中出现的多个典型工况,所述典型工况所参考的数据包括:飞行试验数据、同系列型号飞机的过往积累数据和飞机载荷计算结果数据;
所述有限元数据集包括有限元仿真获取的应变测点的应变向量和对应工况下的载荷参数;
所述标定工况数据集通过对有限元数据集进行拉丁超立方抽样获得;
所述标定试验数据集包括开展地面标定试验获取的应变测点的应变向量和对应工况下的载荷参数;
所述有限元数据集和标定试验数据集中的载荷参数包括:机翼各站位的弯矩、剪力和扭矩。
优选地,所述地面标定试验中在飞机翼面结构上布置多个标定试验加载点和多个应变测点,获取所述应变测点的应变向量和载荷参数。
优选地,所述有限元数据集的获取方式为:
(1)对于所述机翼典型工况数据集中的每一个典型工况,按照地面标定试验条件,使用ABAQUS软件进行有限元仿真分析;
(2)使用虚拟应变片提取有限元仿真分析的计算结果,其中为有限元仿真分析中所有应变测点的应变向量,保存为一个n列的矩阵作为输入特征,/>为有限元仿真分析的载荷参数,保存为一个单列的矩阵作为预测标签,输入特征和预测标签共同储存在一个n+1列的矩阵中,作为有限元数据集。
优选地,所述标定工况数据集的获取方式包括:
(1)提取所述有限元数据集的前n列数据,每一行作为一个测点应变样本,使用拉丁超立方抽样抽取多个测点应变样本;
(2)在所述机翼典型工况数据集中查询所述多个测点应变样本,获取对应的多个典型工况,将所述多个典型工况作为标定工况并设定为标定工况数据集。
优选地,所述标定试验数据集的获取方式包括:
(1)针对所述标定工况数据集中的各个标定工况,分别进行地面标定试验;
(2)获取所述地面标定试验结果,其中为地面标定试验中所有应变测点的应变向量,保存为一个n列的矩阵作为输入特征,/>为地面标定试验的载荷参数,保存为一个单列的矩阵为预测标签,输入特征和预测标签共同储存在一个n+1列的矩阵中,作为标定试验数据集。
优选地,步骤S2具体包括:
步骤S2-1、基于所述有限元数据集训练第一神经网络代理模型获得第一网络;
步骤S2-2、基于所述标定工况数据集更新所述标定试验数据集;基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值,分别训练多个具有不同神经网络隐藏层节点数量的第二神经网络代理模型,获得多个第二网络;
步骤S2-3、将第一网络分别与多个第二网络连接,得到多个多级融合神经网络。
优选地,基于所述有限元数据集训练第一神经网络代理模型获得第一网络具体包括:采用所述有限元数据集的输入特征与预测标签进行第一神经网络代理模型拟合训练,获取LF-net。
优选地,所述基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值训练第二神经网络代理模型获得第二网络具体包括:
(1)提取所述标定试验数据集的所有应变测点的应变向量输入LF-net,得到载荷参数预测结果/>;
(2)将预测结果拼接到/>之后得到新的输入特征;
(3)采用所述新的输入特征与地面标定试验的载荷参数/>进行第二神经网络代理模型拟合训练,获取HF-net。
优选地,步骤S3具体包括:步骤S3-1、将有限元数据集中的所有应变测点的应变向量分别输入所述多个多级融合神经网络中,得到多个载荷参数预测结果,保存为一个m列的矩阵,m为多级融合神经网络的数量,计算矩阵中每一行的方差;获取方差大于预期方差阈值的载荷参数预测结果所对应的应变测点的应变向量,将所述应变测点的应变向量所对应的工况加入标定工况数据集;步骤S3-2、返回步骤S2-2,直至步骤S3-1的多个载荷参数预测结果的每一行方差均小于预期方差阈值,得到优化后的多个多级融合神经网络。
优选地,步骤S4具体包括:在所述优化后的多个多级融合神经网络中选择隐藏层节点数量最小的作为所述飞机翼面结构载荷识别模型。
与现有技术相比,本发明至少具有如下有益效果:
本发明方法将数百个有限元仿真结果用于翼面结构载荷识别的确定,从而将确定应变载荷关系时所用数据的工况覆盖范围从至多十几个提升至数百个,显著提高了确定出的载荷识别模型的适用范围,并在此基础上,依据地面标定试验数据,修正应变-载荷关系,从而在不增加地面标定试验量的前提下,获得了在更广泛的工况下能够精确描述应变-载荷参数间映射关系的翼面结构载荷识别模型。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明公开的多源数据融合的飞机翼面结构载荷识别方法的流程图;
图2为本发明公开的飞机垂尾的加载点位置示意图;
图3为本发明公开的飞机垂尾的应变电桥布置位置示意图;
图4为本发明公开的LF-net子网络的示意图;
图5为本发明公开的HF-net子网络的示意图;
图6为本发明一个实施例中多源数据融合的飞机翼面结构载荷识别方法的流程图;
图7为本发明公开的多级融合神经网络MF-net的结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
为了说明本发明所提方法的有效性,以下通过一个具体实施例对本发明的上述技术方案进行详细说明。
可以理解,在本发明实施例中的典型工况数量、标定试验中的加载点数量、应变测点的数量、测点应变向量的维度以及测点应变向量的数量、MF-net数量及隐藏层节点数量等具体数量仅作为示例提供。这些数值是为了更好地阐述本发明而选定的,并不意味着对本发明的保护范围有任何形式的限制。本领域技术人员应当理解,这些数字可以根据具体需要进行适当的选择,任何在不脱离本发明原理和实质的情况下进行的合理调整和变化,都应当视为落入本发明所涵盖的保护范围之内。
参阅图6,本发明提供一种多源数据融合的飞机翼面结构载荷识别方法,包括以下步骤:
步骤1、依据飞行试验数据、同系列型号飞机的过往积累数据或者飞机载荷计算结果,确定待测飞机翼面结构在实际飞行中可能出现的典型工况,并建立机翼典型工况数据集,数据集的样本数量不少于300个。
典型工况是在特定环境下设备经常出现或具有代表性的操作或性能状态,具体到飞机翼面结构中,典型工况是指飞机飞行时的姿态、速度等飞行参数以及此时的翼面载荷情况。这些工况被用于模拟和评估飞机结构在各种可能情况下的性能和响应,以确保飞机设计的安全性和可靠性。
具体地,参见图2、图3,待测飞机部件为某型号飞机的垂尾,标定试验加载点J1、J2、…、J6布置在垂尾上,应变测点C1、C2、…、C6布置在翼根接头处,要预测的载荷参数为垂尾翼根弯矩,通过这些加载点施加力和/或力矩,以此来模拟飞机在飞行过程中遇到的不同载荷情况。这样,工程师可以在受控的环境下测量垂尾结构的应变响应,然后将这些测量值与施加的载荷关联起来。通过这种方式,可以建立起垂尾翼根弯矩与应变测点上测得的应变值之间的关系。在本实施例中,共获取了300个典型工况。
步骤2、开展有限元仿真,模拟机翼典型工况数据集各工况下的机翼载荷分布,并通过虚拟应变片法,从仿真结果中提取测点应变向量,依据此应变向量与对应工况下的翼根弯矩/>,基于测点应变向量和对应工况下的翼根弯矩,建立测点应变与载荷参数的有限元仿真数据集,称为有限元数据集,并训练描述该数据集中测点应变-载荷参数关系的神经网络代理模型,称为低精确度网络(LF-net);参见图4,为LF-net子网络的示意图。
在一些实施例中,步骤2具体包括:
步骤2-1、对于机翼典型工况数据集中的每一个样本,按照地面标定试验条件,使用ABAQUS软件进行有限元仿真分析;
步骤2-2、使用虚拟应变片提取有限元计算结果,所有测点应变向量保存为一个300行6列的矩阵作为输入特征,翼根弯矩/>为一个300行1列的矩阵为预测标签,整体储存在一个300行7列的矩阵中,称为有限元数据集。
步骤2-3、训练神经网络代理模型拟合输入特征与预测标签的关系,称为LF-net;在本实施例中,神经网络输入层为1×6大小的矢量,隐藏层为两层全连接层,每层包含100个节点,都采用ReLU函数激活函数,输出层输出翼根弯矩的大小。使用Adam优化器进行训练,使用均方根误差作为损失函数。本发明对深度神经网络的训练方式不作限定。
在一些实施例中,通过虚拟应变片法提取测点应变向量时,各测点位置应与地面标定试验的测点位置保持一致。
在一些实施例中,LF-net的输入特征为有限元数据集中的测点应变向量,预测标签为有限元数据集中的载荷参数/>。
步骤3、对步骤2中有限元数据集进行拉丁超立方抽样,将抽样结果作为标定工况数据集,通过开展地面标定试验,获取标定工况数据集各工况下的测点应变向量,并依据此应变向量与对应工况下的翼根弯矩/>,建立测点应变-载荷参数的标定试验数据集,称为标定试验数据集。
在一些实施例中,步骤3具体包括:
步骤3-1、提取有限元数据集的前6列数据,每一行作为一个样本,使用拉丁超立方抽样共抽取10个样本;
步骤3-2、查询上述10个样本所对应的机翼工况,从机翼典型工况数据集中提取这10个工况,组成标定工况数据集;
步骤3-3、基于所述标定工况数据集,进行各标定工况下的地面标定试验;
步骤3-4、提取地面标定试验结果,所有测点应变向量为一个300行6列的矩阵作为输入特征,翼根弯矩/>为一个300行1列的矩阵为预测标签,整体储存在一个300行7列的矩阵中,称为标定试验数据集。
步骤4、基于所述测点应变-载荷参数标定试验数据集,调用LF-net计算数据集中所有应变向量的LF-net预测值/>,再将原应变向量/>与LF-net预测值/>进行特征向量重构,得到新的输入特征/>,训练神经网络代理模型HF-net,拟合新的输入特征/>与实测翼根弯矩/>之间关系,称为高精确度网络(HF-net);在本实施例中,HF-net与LF-net的内部结构一致,神经网络输入层为1×7大小的矢量,隐藏层为两层全连接层,每层包含100个节点,都采用ReLU函数激活函数,输出层输出翼根弯矩的大小。使用Adam优化器进行训练,使用均方根误差作为损失函数。参见图5,为HF-net子网络的示意图。
在一些实施例中,步骤4具体包括:
步骤4-1、提取标定试验数据集的所有测点应变向量输入LF-net,得到预测结果/>;
步骤4-2、将预测结果拼接到/>之后得到新的输入特征;
步骤4-3、训练神经网络代理模型HF-net,拟合新的输入特征与实测翼根弯矩/>之间关系,称为HF-net;在一些实施例中,HF-net神经网络的训练方法包括:反向传播算法、批量梯度下降、随机梯度下降、Adam等方法,本发明对深度神经网络的训练方式不作限定。
步骤5、用特征向量重构模块,将LF-net与HF-net连接起来,得到多级融合神经网络,该网络称为MF-net;如图7所示为MF-net的结构图;在该步骤中,特征向量重构的目的是利用低精确模型的输出来增强高精确模型的预测能力。通过这种方式,可以构建一个多级融合神经网络,它结合了两个不同精确度模型的优点,旨在提高预测精度并减少计算成本,通过结合两个不同层次的神经网络模型LF-net和HF-net,并通过特征向量重构来融合它们的信息,从而构建一个更为强大和精确的多级融合神经网络MF-net。
在一些实施例中,多级融合神经网络MF-net网络内部包含三个模块,分别为LF-net、特征向量重构模块、HF-net,其中LF-net子网络的功能是基于输入特征给出预测值,特征向量重构模块的功能是对输入特征与LF-net子网络预测值进行特征向量重构,HF-net的功能是根据重构后的新输入特征计算载荷参数预测值。
步骤6、每次使用不同的神经网络超参数,得到若干个不同的MF-net,提取有限元数据集中的所有测点应变向量作为输入特征,输入所有MF-net进行计算,统计不同MF-net载荷参数预测值的方差。
在一些实施例中,步骤6具体包括:
步骤6-1、对于HF-net,每次重复使用不同的神经网络隐藏层节点数量,分别为1200、1100、1000、900、800,得到5个不同的MF-net,分别为MF-net-1, MF-net-2,MF-net-3,MF-net-4,MF-net-5;
步骤6-2、将所有300个有限元数据集中的测点应变向量分别输入MF-net-1,MF-net-2,MF-net-3,MF-net-4,MF-net-5,得到载荷参数预测结果,保存为一个300行5列的矩阵;
步骤6-3、计算载荷参数预测结果矩阵中每一行的方差。
步骤7、将预测方差大于预期方差阈值的样本对应的工况加入标定工况数据集后,反复进行步骤4-6,直至获得的所有MF-net对所有工况下的载荷参数预测值的预测方差小于预期方差阈值后停止重复,并在获得的MF-net中选择一个MF-net作为载荷模型。
可以理解,选择MF-net的依据可以根据现实情况进行设定,例如当需要节省计算量时,可以选择隐藏层节点数量最小的网络作为所述飞机翼面结构载荷识别模型、当对系统的稳定性要求有限时,可以任取一个MF-net作为所述飞机翼面结构载荷识别模型。
在一些实施例中,所述预测方差阈值的获取方式包括:综合考虑试验成本、预测精度要求。
请参阅图1,本发明的实施例提供了一种多源数据融合的飞机翼面结构载荷识别方法,包括以下步骤:
步骤S1、建立多源数据集,所述多源数据集包括:机翼典型工况数据集、有限元数据集、标定工况数据集和标定试验数据集;
步骤S2、构建多个多级融合神经网络,所述多级融合神经网络包括第一网络和第二网络,基于所述有限元数据集训练第一神经网络代理模型获得第一网络;基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值训练第二神经网络代理模型获得第二网络;
步骤S3、对所述多个多级融合神经网络进行优化,得到优化后的多个多级融合神经网络;
步骤S4、对所述优化后的多个多级融合神经网络进行筛选,获取飞机翼面结构载荷识别模型;
步骤S5、将所述飞机翼面结构载荷识别模型应用于载荷识别。
可选地,所述机翼典型工况数据集包括飞机翼面结构在实际飞行中出现的典型工况,所述典型工况的数量大于300个,所述典型工况所参考的数据包括:飞行试验数据、同系列型号飞机的过往积累数据和飞机载荷计算结果数据;
所述有限元数据集包括有限元仿真获取的应变测点的应变向量和对应工况下的载荷参数,所述载荷参数包括:机翼各站位的弯矩、剪力和扭矩;
所述标定工况数据集通过对有限元数据集进行拉丁超立方抽样获得;
所述标定试验数据集包括开展地面标定试验获取的应变测点的应变向量和对应工况下的载荷参数,所述载荷参数包括:机翼各站位的弯矩、剪力和扭矩。
本实施例中的机翼典型工况数据集、有限元数据集、标定工况数据集、标定试验数据集样本的获取方式与上一个实施例中的相同,不再重复说明。
可选地,所述基于所述有限元数据集训练获得第一网络具体包括:将所述有限元数据集的输入特征与预测标签进行第一神经网络代理模型拟合训练,获取LF-net。
可选地,所述基于所述标定实验数据集和第一网络的预测值训练获得第二网络具体包括:
(1)提取所述标定试验数据集的所有测点应变向量输入LF-net,得到预测结果/>;
(2)将预测结果拼接到/>之后得到新的输入特征;
(3)将所述新的输入特征与实测翼根弯矩/>进行神经网络代理模型拟合训练,获取HF-net。
可选地,步骤S2中,所述构建多个多级融合神经网络包括:
步骤S2-1、重复上述步骤五次,在每次重复中使用的神经网络隐藏层节点数量分别为1200、1100、1000、900、800,得到5个不同的HF-net,分别为MF-net-1, MF-net-2,MF-net-3,MF-net-4,MF-net-5;
步骤S2-2、分别将MF-net-1, MF-net-2,MF-net-3,MF-net-4,MF-net-5连接,得到5个不同的多级融合神经网络,分别为:MF-net-1, MF-net-2,MF-net-3,MF-net-4,MF-net-5。
可选地,步骤S3具体包括:
步骤S3-1、将有限元数据集中的300个测点应变向量分别输入MF-net-1, MF-net-2,MF-net-3,MF-net-4,MF-net-5,得到载荷参数预测结果,保存为一个300行5列的矩阵,计算矩阵中每一行的方差;
将预测方差大于预期方差阈值的样本对应的工况加入标定工况数据集;
步骤S3-2、返回步骤S2-2,直至步骤S3-1的所有MF-net对所有工况下的载荷参数预测值的预测方差小于预期方差阈值后停止重复。
步骤S4具体包括:在获得的MF-net中选择一个MF-net作为所述飞机翼面结构载荷识别预测模型。
可以理解,选择MF-net的依据可以根据现实情况进行设定,例如当需要节省计算量时,可以选择隐藏层节点数量最小的网络作为所述飞机翼面结构载荷识别模型、当对系统的稳定性要求有限时,可以任取一个MF-net作为所述飞机翼面结构载荷识别模型。
基于本发明的上述方案可见,本发明通过使用数百个有限元仿真结果,显著提高了工况的覆盖范围,从而使得建立的载荷识别模型能够适用于更多的实际飞行情况;融合有限元仿真数据与实验数据,并利用低精确和高精确网络结合的多级融合神经网络,能够更准确地描述应变与载荷参数之间的映射关系,提高预测精度。
本发明的具体实施方式虽然采用特定次序描绘了各动作或步骤,但是这应当理解为要求这样动作或步骤以所示出的特定次序或以顺序次序执行,或者要求所有图示的动作或步骤应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,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。
Claims (10)
1.一种多源数据融合的飞机翼面结构载荷识别方法,其特征在于,包括以下步骤:
步骤S1、建立多源数据集,所述多源数据集包括:机翼典型工况数据集、有限元数据集、标定工况数据集和标定试验数据集;
步骤S2、构建多个多级融合神经网络,所述多级融合神经网络包括第一网络和第二网络,基于所述有限元数据集训练第一神经网络代理模型获得第一网络;基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值训练第二神经网络代理模型获得第二网络;
步骤S3、对所述多个多级融合神经网络进行优化,得到优化后的多个多级融合神经网络;
步骤S4、对所述优化后的多个多级融合神经网络进行筛选,获取飞机翼面结构载荷识别模型;
步骤S5、将所述飞机翼面结构载荷识别模型应用于载荷识别。
2.根据权利要求1所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
所述机翼典型工况数据集包括飞机翼面结构在实际飞行中出现的多个典型工况,所述典型工况所参考的数据包括:飞行试验数据、同系列型号飞机的过往积累数据和飞机载荷计算结果数据;
所述有限元数据集包括有限元仿真获取的应变测点的应变向量和对应工况下的载荷参数;
所述标定工况数据集通过对有限元数据集进行拉丁超立方抽样获得;
所述标定试验数据集包括开展地面标定试验获取的应变测点的应变向量和对应工况下的载荷参数;
所述有限元数据集和标定试验数据集中的载荷参数包括:机翼各站位的弯矩、剪力和扭矩。
3.根据权利要求2所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
所述地面标定试验中在飞机翼面结构上布置多个标定试验加载点和多个应变测点,获取所述应变测点的应变向量和载荷参数。
4.根据权利要求2所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
所述有限元数据集的获取方式为:
(1)对于所述机翼典型工况数据集中的每一个典型工况,按照地面标定试验条件,使用ABAQUS软件进行有限元仿真分析;
(2)使用虚拟应变片提取有限元仿真分析的计算结果,其中为有限元仿真分析中所有应变测点的应变向量,保存为一个n列的矩阵作为输入特征,/>为有限元仿真分析的载荷参数,保存为一个单列的矩阵作为预测标签,输入特征和预测标签共同储存在一个n+1列的矩阵中,作为有限元数据集。
5.根据权利要求4所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
所述标定工况数据集的获取方式包括:
(1)提取所述有限元数据集的前n列数据,每一行作为一个测点应变样本,使用拉丁超立方抽样抽取多个测点应变样本;
(2)在所述机翼典型工况数据集中查询所述多个测点应变样本,获取对应的多个典型工况,将所述多个典型工况作为标定工况并设定为标定工况数据集。
6.根据权利要求5所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
所述标定试验数据集的获取方式包括:
(1)针对所述标定工况数据集中的各个标定工况,分别进行地面标定试验;
(2)获取所述地面标定试验结果,其中为地面标定试验中所有应变测点的应变向量,保存为一个n列的矩阵作为输入特征,/>为地面标定试验的载荷参数,保存为一个单列的矩阵为预测标签,输入特征和预测标签共同储存在一个n+1列的矩阵中,作为标定试验数据集。
7.根据权利要求6所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:步骤S2具体包括:
步骤S2-1、基于所述有限元数据集训练第一神经网络代理模型获得第一网络;
步骤S2-2、基于所述标定工况数据集更新所述标定试验数据集;基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值,分别训练多个具有不同神经网络隐藏层节点数量的第二神经网络代理模型,获得多个第二网络;
步骤S2-3、将第一网络分别与多个第二网络连接,得到多个多级融合神经网络。
8.根据权利要求7所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
基于所述有限元数据集训练第一神经网络代理模型获得第一网络具体包括:采用所述有限元数据集的输入特征与预测标签进行第一神经网络代理模型拟合训练,获取LF-net。
9.根据权利要求8所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于:
所述基于所述标定试验数据集和将所述标定试验数据集中的数据输入第一网络获得的预测值训练第二神经网络代理模型获得第二网络具体包括:
(1)提取所述标定试验数据集的所有应变测点的应变向量输入LF-net,得到载荷参数预测结果/>;
(2)将预测结果拼接到/>之后得到新的输入特征/>;
(3)采用所述新的输入特征与地面标定试验的载荷参数/>进行第二神经网络代理模型拟合训练,获取HF-net。
10.根据权利要求9所述的多源数据融合的飞机翼面结构载荷识别方法,其特征在于,
步骤S3具体包括:步骤S3-1、将有限元数据集中的所有应变测点的应变向量分别输入所述多个多级融合神经网络中,得到多个载荷参数预测结果,保存为一个m列的矩阵,m为多级融合神经网络的数量,计算矩阵中每一行的方差;
获取方差大于预期方差阈值的载荷参数预测结果所对应的应变测点的应变向量,将所述应变测点的应变向量所对应的典型工况加入标定工况数据集;
步骤S3-2、返回步骤S2-2,直至步骤S3-1的多个载荷参数预测结果的每一行方差均小于预期方差阈值,得到优化后的多个多级融合神经网络;
步骤S4具体包括:在所述优化后的多个多级融合神经网络中选择隐藏层节点数量最小的作为所述飞机翼面结构载荷识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410532635.XA CN118133431A (zh) | 2024-04-30 | 2024-04-30 | 多源数据融合的飞机翼面结构载荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410532635.XA CN118133431A (zh) | 2024-04-30 | 2024-04-30 | 多源数据融合的飞机翼面结构载荷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118133431A true CN118133431A (zh) | 2024-06-04 |
Family
ID=91235919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410532635.XA Pending CN118133431A (zh) | 2024-04-30 | 2024-04-30 | 多源数据融合的飞机翼面结构载荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133431A (zh) |
-
2024
- 2024-04-30 CN CN202410532635.XA patent/CN118133431A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cooper et al. | Static load estimation using artificial neural network: Application on a wing rib | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
CN113125888B (zh) | 基于故障行为的航空机电产品加速寿命试验方法 | |
CN106570281A (zh) | 基于相似产品信息的小子样产品贝叶斯可靠性评估方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN113702855B (zh) | 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法 | |
CN112949131B (zh) | 连续桥梁集群损伤诊断的概率损伤定位向量法 | |
CN110362902B (zh) | 一种基于区间逐维分析的单源动载荷识别方法 | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN111680388A (zh) | 任务电子系统可靠性数据量化方法、装置和计算机设备 | |
CN103364703B (zh) | Led多应力下可靠性快速评测方法 | |
Fuentes et al. | Aircraft parametric structural load monitoring using Gaussian process regression | |
CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN110728089A (zh) | 基于botda技术的大跨桥梁斜拉索结构损伤诊断方法 | |
CN102682344B (zh) | 一种性能数据伴随的产品寿命及其可靠性预测方法 | |
CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
CN117057190A (zh) | 一种轨道车辆制动盘温升预测方法 | |
CN118133431A (zh) | 多源数据融合的飞机翼面结构载荷识别方法 | |
CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
CN116227045B (zh) | 一种结构试件的局部应力应变场构造方法及系统 | |
CN112434369B (zh) | 一种基于机器学习的结构载荷感知方法 | |
US9245067B2 (en) | Probabilistic method and system for testing a material |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |