[發明專利]一種用于確定結構變形的方法和裝置

在審

• 申請號: 201310075700.2
• 申請日: 2013-03-11
• 公開（公告）號: CN103308027A
• 公開（公告）日: 2013-09-18
• 發明（設計）人: J·D·卡恩斯;M·S·小烏爾西亞;C·L·戴維斯;C·L·戈登三世
• 申請（專利權）人: 波音公司
• 主分類號: G01B21/32
• 分類號: G01B21/32
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙蓉民

1.一種用于確定結構（108）的變形的方法，所述方法包含：

為多個訓練事例（136）中的每個訓練事例確定所述結構（108）的訓練變形數據（142），其中所述訓練變形數據（142）被配置為由啟發式模型（104）使用以增加由所述啟發式模型（104）生成的輸出數據（118）的準確度；

為所述多個訓練事例（136）中的所述每個訓練事例確定所述結構（108）的訓練應變數據（144），其中所述訓練應變數據（144）被配置為由所述啟發式模型（104）使用以增加由所述啟發式模型（104）生成的所述輸出數據（118）的準確度；以及

利用所述多個訓練事例（136）中的所述每個訓練事例的所述訓練變形數據（142）和所述訓練應變數據（144）來調整所述啟發式模型（104）的一組參數（121），以便所述啟發式模型（104）被訓練以基于輸入應變數據（126）生成所述結構（108）的估計變形數據（124），其中所述估計變形數據（124）具有期望的準確度水平。

2.如權利要求1所述的方法，其進一步包含：

當所述結構（108）與平臺（110）關聯時，在所述平臺（110）工作期間利用與所述結構（108）關聯的傳感器系統（130）生成所述結構（108）的應變數據（128）；

其中為所述多個訓練事例（136）中的所述每個訓練事例確定所述結構（108）的所述訓練應變數據（144）的步驟包含：

利用與所述結構（108）關聯的傳感器系統（130）為所述多個訓練事例（136）中的所述每個訓練事例確定所述結構（108）的所述訓練應變數據（144），其中所述訓練應變數據（144）被配置為由所述啟發式模型（104）使用以增加由所述啟發式模型（104）生成的所述輸出數據（118）的準確度。

3.如權利要求1或2中任一項所述的方法，其進一步包含：

利用所述啟發式模型（104）和作為所述啟發式模型（104）的所述輸入應變數據（126）的所述應變數據（128）以及所述啟發式模型（104）的附加輸入數據（133），生成所述結構（108）的所述估計變形數據（124）。

4.如權利要求2或3中任一項所述的方法，其進一步包含：

利用由所述啟發式模型（104）生成的所述估計變形數據來調整所述結構（108）的一組控制參數（115），以便在所述平臺（110）利用由所述啟發式模型（104）生成的所述估計變形數據（124）進行工作期間，所述結構（108）具有期望的性能水平。

5.如權利要求2所述的方法，其進一步包含：

為所述傳感器系統（130）選擇傳感器組合，其中當所述估計變形數據（124）被用來調整所述一組控制參數（115）時，所選擇的傳感器組合具有在所述平臺（110）工作期間所述啟發式模型（104）以期望的準確度水平生成所述估計變形數據（124）和所述結構（108）具有期望的性能水平所需的最小數量的傳感器。

6.如權利要求1-5中任一項所述的方法，其中為所述多個訓練事例（136）中的所述每個訓練事例確定所述結構（108）的所述訓練變形數據（142）的步驟包含：

利用由成像系統（152）生成的圖像數據（150）為所述多個訓練事例（136）中的所述每個訓練事例確定所述結構（108）的所述訓練變形數據（142），其中所述訓練變形數據（142）被配置為由所述啟發式模型（104）使用以增加由所述啟發式模型（104）生成的輸出數據（108）的準確度，所述啟發式模型（104）包含神經網絡、基于學習的算法、回歸模型、支持向量機、數據擬合模型、圖案識別模型和人工智能中的至少一個。