[發(fā)明專利]一種基于飛行參數(shù)監(jiān)控的飛機(jī)結(jié)構(gòu)載荷識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510860894.6
• 申請(qǐng)日: 2015-12-01
• 公開（公告）號(hào): CN105488281B
• 公開（公告）日: 2019-01-15
• 發(fā)明（設(shè)計(jì)）人: 熊峻江;萬傲霜;陳克姣;朱云濤
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06F17/50
• 分類號(hào): G06F17/50
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于飛行參數(shù)監(jiān)控的飛機(jī)結(jié)構(gòu)載荷識(shí)別方法，其特征在于：該方法具體步驟如下：

步驟一、通過飛行試驗(yàn)，記錄飛行參數(shù)—飛機(jī)結(jié)構(gòu)危險(xiǎn)部位的載荷數(shù)據(jù)；

步驟二、根據(jù)飛機(jī)結(jié)構(gòu)的飛行參數(shù)—載荷數(shù)據(jù)，對(duì)飛行參數(shù)和飛行載荷進(jìn)行相關(guān)性分析，選取相關(guān)性顯著的參量作為載荷識(shí)別參數(shù)，并將飛行參數(shù)—載荷數(shù)據(jù)無量綱化；

飛機(jī)結(jié)構(gòu)危險(xiǎn)部位載荷和飛行參數(shù)之間的關(guān)系可用數(shù)學(xué)模型表示為

{F}＝{C}{V}^T (1)

式中，{F}表示飛機(jī)結(jié)構(gòu)的工作載荷；{C}表示傳遞函數(shù)；{V}表示飛行參數(shù)；

根據(jù)飛機(jī)的飛行參數(shù)—載荷(V_i^*～F)數(shù)據(jù)，其中V_i^*為原始數(shù)據(jù)，將所有飛行參數(shù)與飛行載荷進(jìn)行相關(guān)性分析，選取相關(guān)性顯著的參量作為載荷識(shí)別參數(shù)，相關(guān)性顯著對(duì)相關(guān)系數(shù)R和雙側(cè)檢驗(yàn)P的要求為：

為統(tǒng)一量綱，將飛機(jī)的飛行參數(shù)—載荷數(shù)據(jù)無量綱化，即

式中V_i為無量綱化的數(shù)據(jù)，maxV_i^*和minV_i^*分別為原始數(shù)據(jù)中的最大值和最小值；

步驟三、利用多項(xiàng)式重構(gòu)技術(shù)，由飛機(jī)的飛行參數(shù)—載荷數(shù)據(jù)，建立飛參—載荷識(shí)別模型；

由Weierstrass第一逼近定理可知，閉區(qū)間[a,b]上任意連續(xù)函數(shù)都可以用多項(xiàng)式一致逼近，用多項(xiàng)式序列來擬合載荷識(shí)別參數(shù)與飛行載荷間的傳遞函數(shù)，其表達(dá)式如下：

式中，v_i為載荷識(shí)別參數(shù)，n為載荷識(shí)別參數(shù)的個(gè)數(shù)，k為多項(xiàng)式序列的最高階數(shù)，C₀、C_ij是待定常數(shù)，可根據(jù)實(shí)測(cè)飛行參數(shù)—載荷數(shù)據(jù)通過多元回歸方法擬合得到；

因?yàn)閿M合精度與多項(xiàng)式序列擬合的最高階次密切相關(guān)，而且多項(xiàng)式序列的最高階次越大，擬合精度越高，可根據(jù)需要制定誤差限r(nóng)₀，即

從k＝1開始擬合傳函，若精度不滿足誤差限要求，增大k值，重新進(jìn)行重構(gòu)，重復(fù)此過程直到精度滿足誤差限要求，得到滿足精度要求的多項(xiàng)式識(shí)別模型；

步驟四、根據(jù)逆向傳播人工神經(jīng)網(wǎng)絡(luò)方法，利用飛機(jī)的飛行參數(shù)—載荷數(shù)據(jù)，建立飛參—載荷識(shí)別模型；

建立三層BP-ANN模型，設(shè)輸入層輸入為p，輸出層為out，根據(jù)神經(jīng)網(wǎng)絡(luò)關(guān)系圖，在信號(hào)的前向傳播過程中，隱藏層和輸出層中輸入和輸出的關(guān)系式可由下列數(shù)學(xué)公式描述：

in₁＝w₁·p+b₁ (6)

out₁＝f₁(in₁) (7)

in₂＝w₂·out₁+b₂ (8)

out₂＝f₂(in₂) (9)

式中in₁和in₂分別為隱藏層和輸出層的輸入?yún)?shù)，b₁為連接輸入層和隱藏層的閾值，b₂為連接隱藏層和輸出層的閾值，w₁為連接輸入層和隱藏層的權(quán)重，w₂為連接隱藏層和輸出層的權(quán)重，out₁和out₂分別為隱藏層和輸出層的輸出參數(shù)，f₁和f₂分別為隱藏層和輸出層中神經(jīng)元對(duì)應(yīng)的激勵(lì)函數(shù)，另外，out₂還可看作整個(gè)BP-ANN的輸出參數(shù)；

在誤差的反向傳播過程中，根據(jù)誤差梯度下降法調(diào)節(jié)各層的權(quán)重和閾值，對(duì)于所有訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)μ₀為：

將選取的載荷識(shí)別參數(shù)數(shù)據(jù)作為BP-ANN的輸入，危險(xiǎn)部位的載荷數(shù)據(jù)作為輸出，選取輸入層和隱藏層的激勵(lì)函數(shù)為輸出層和隱藏層的傳遞函數(shù)為f₂(x)＝x，以運(yùn)用Levenberg-Marquardt算法的trainlm函數(shù)作為訓(xùn)練函數(shù)，學(xué)習(xí)函數(shù)和功能函數(shù)分別選擇learndg和mse，隱藏層神經(jīng)元數(shù)目根據(jù)經(jīng)驗(yàn)公式m＝2n+1計(jì)算，式中n表示載荷識(shí)別參數(shù)的數(shù)目；

選取神經(jīng)網(wǎng)絡(luò)的模擬誤差μ₀，因?yàn)闆Q策誤差μ₀取值越小，模型精度越高，但計(jì)算效率也會(huì)相應(yīng)降低，同樣人為設(shè)定誤差限r(nóng)₀，取μ₀＝1e^-5，將飛機(jī)的飛行參數(shù)—載荷數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)BP-ANN進(jìn)行模型訓(xùn)練，若精度不滿足誤差限要求，減小μ₀值，重新進(jìn)行模型訓(xùn)練，重復(fù)此過程直到精度滿足誤差限要求，即可得到滿足精度要求的逆向傳播人工神經(jīng)網(wǎng)絡(luò)飛參-載荷識(shí)別模型；

步驟五、采用飛行參數(shù)傳感器獲取飛行中的飛行參數(shù)，代入多項(xiàng)式識(shí)別模型或人工神經(jīng)網(wǎng)絡(luò)識(shí)別模型，獲得待識(shí)別載荷。