航空装备振动环境分析和预测方法
技术领域
本发明涉及一种航空装备可靠性
技术领域
方法，具体涉及一种航空装备振动环境分析和预测方法。背景技术
安装在各种飞行器平台上的航空装备，在平台内部多个振动源例如动力装置、旋转部件等和平台外部复杂气动力载荷的联合作用下，其寿命期内经历的的振动环境非常严酷，是导致航空装备结构破坏、性能下降和功能失效的重要原因。因此需要准确确定航空装备寿命期内的振动环境的极值量值，并据此开展设计与试验验证工作，从而确保航空装备的正常和安全使用。
目前确定航空装备的振动环境极值量值的有效手段是对航空装备的安装平台开展振动环境实测工作，通过对平台振动环境实测数据进行有效分析，进而确定振动环境极值量值。
由于飞行器的状态参数直接决定飞行器平台的振动环境量值，但是在实际振动环境实测过程中受一些因素的制约，通常无法测得飞行器所有的极限状态参数，这就导致基于获取实测数据进行分析的结果不能代表航空装备寿命期内的振动环境极限量值，会对航空装备后续的设计和试验验证产生影响。
飞行器的状态参数是一个多因素集合，各个因素之间存在一定耦合；并且飞行状态不同，各个状态参数的权重也不同，因此飞行器状态参数和平台振动响应之间为一个高度复杂的非线性关系，为确保振动响应预测的结果准确性，需要首先对多个状态参数进行分类处理，但是依靠人工手段对多个状态参数进行分类多依赖于人为经验，必然导致预测结果因人而异，存在很大差异。
发明内容
本发明的目的在于提供一种航空装备振动环境分析和预测方法，在已有实测数据的基础上，基于机器学习的方式对飞行器平台状态参数进行特征分类，通过建立飞行器状态参数和平台振动响应的映射关系，进而对未知极限状态参数对应的振动响应进行预测。
为了实现本发明的上述目的，本发明提供一种航空装备振动环境分析和预测方法，其包括以下步骤：
S1、对于安装在飞行器平台上的航空装备，飞行器平台状态参数U和振动环境量值G之间的映射关系表示为：
G＝f(U)
S2、根据航空装备所在的飞行器平台一测点振动响应随飞行状态的不同而不同，将飞行器任务剖面划分为n种状态，飞行器平台所述测点的振动环境量值G表示为：
G＝(g1,g2,g3,…gn)
式中，G为容量为n的振动环境量值集合，gi为飞行器平台第j个区域的振动环境量值，i＝1～n；
同时，飞行器平台的飞行器状态参数集合U为：
U＝(u1,u2,u3,…un)
式中，U为容量为n的飞行器状态参数集合，ui为第i种状态参数，i＝1～n；
S3、归一化处理：
对飞行器状态参数集合U进行归一化处理，获得归一化后的飞行器状态参数集合U'，其中：
U'＝(u'1,u'2…u'n)
式中，u'i为归一化后的第i个状态参数，i＝1～n；
对振动环境量值集合G进行归一化处理，获得归一化后的振动环境量值集合G'，其中：
G'＝(g'1,g'2…g'n)
式中，g'j为归一化后的第i个振动量值，i＝1～n；
S4、构建一组深度学习网络R1对归一化后的飞行器状态参数集合U'进行特征分类,其中R包括可见层和隐含层两个层级，可见层包括n个节点，隐含层包括k个节点，可见层和隐含层的层内无连接且层间全连接；隐含层节点设置有激活函数f，用以将输入的状态参数集合U'变换到一个新的特征参数集合U”；w为层间的权重，ai为可见层节点偏置，bk为隐层节点偏置；
S5、重复构建多组深度学习网络分类器R2--RX，按照前述步骤的要求将R1--RX堆砌起来，并将RX隐含层输出节点与输入节点为k且输出节点为m的神经网络相连接；
S6、将S组U'集合与特征分类器R1相连，给特征分类器R1--RX的参数(w，ai，bk)赋初始值；
S7、输入S组U'集合后计算结果G”，分析计算G”与G'的误差，调节分类器R1--RX的参数(w，ai，bk)和神经网络的结构参数直至误差满足要求，则完成振动环境预测模型建模；设置误差阈值ΔE，计算U'和U”的误差e,当e大于ΔE时，调节分类器R的参数(w，ai，bk)和神经网络的结构参数，直至误差e小于ΔE；
S8、输入任意一组飞行器平台状态参数U至步骤S7建立的模型，计算对应的飞行器平台的振动环境量值G，实现振动环境量值的预计。
在一个优选的实施方式中，所述的飞行器状态参数是指影响飞行器平台振动环境量值的参数，包括飞行器高度、飞行速度、飞行器攻角和发动机转速。
在一个优选的实施方式中，所述的振动环境量值是指表征平台振动程度的数值，用振动均方根值RMS表示。
在一个优选的实施方式中，所述的特征分类器为一种深度网络，其网络架构为一个或多个的自编码器、受限玻尔兹曼机和/或循环神经网络。
可优选的是，所述特征分类器R1--RX的参数(w，ai，bk)的初始值为w＝0，ai＝0和bk＝0。
本发明的效果如下：本发明所采用特征分类器与神经网络的组合方式，解决了振动环境预测中的非线性问题，相比于与传统的线性回归预测方法具有更高的预测精度。同时，本发明采用的特征分类器，能够从多个飞行器状态参数中自动有效地提取特征参量，并采用较少的参量描述平台振动环境的影响因素，消除了人工分类对于操作人员的先验数据或知识的依赖，有效地优化了分类结果。
附图说明
图1是本发明航空装备振动环境分析和预测方法的流程示意图；
图2是本发明基于深度学习网络的振动预计建模流程示意图；
图3是本发明构建的一组包括深度学习网络R1示意图；
图4是本发明神经网络的结构参数调整示意图；
图5是飞行器的振动均方根值进行预测结果示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
如图1所示，本发明提供的航空装备振动环境分析和预测方法，其包括以下步骤：
S1、对于安装在飞行器平台上的航空装备，建立飞行器平台状态参数U和振动环境量值G之间的映射关系，具体表示为：
G＝f(U)
S2、根据航空装备所在的飞行器平台某一测点振动响应随飞行状态的不同而不同，将飞行器任务剖面划分为n种飞行状态，确定飞行器平台的振动环境量值G和飞行器状态参数集合U，其中，飞行器平台的振动环境量值G表示为：
G＝(g1,g2,g3,…gn)
式中，G为容量为m的振动环境量值集合，gi为飞行器平台某测点在第i种飞行状态下的振动环境量值，i＝1～n；
同时，飞行器平台的飞行器状态参数集合U为：
U＝(u1,u2,u3,…un)
式中，U为容量为n的飞行器状态参数集合，ui为第i种状态参数，i＝1～n；
S3、归一化处理：
对飞行器状态参数集合U进行归一化处理，获得归一化后的飞行器状态参数集合U'，其中：
U'＝(u'1,u'2.....u'n)
式中，u'i为归一化后的第i个状态参数，i＝1～n；
对振动环境量值集合G进行归一化处理，获得归一化后的振动环境量值集合G'，其中：
G'＝(g'1,g'2…g'n)
式中，g'i为归一化后的第i个振动量值，i＝1～n；归一化的目的是使得预处理的数据被限定在一定的范围内，比如[0,1]，从而消除奇异样本数据导致的不良影响。
S4、构建一组深度学习网络R1对归一化后的飞行器状态参数集合U'进行特征分类,其中R包括可见层和隐含层两个层级，可见层包括n个节点，隐含层包括k个节点，可见层和隐含层的层内无连接且层间全连接；隐含层节点设置有激活函数f，用以将输入的状态参数集合U'变换到一个新的特征参数集合U”；w为层间的权重，ai为可见层节点偏置，bk为隐层节点偏置。深度学习网络R用作特征分类器的目的是通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。
S5、重复构建多组深度学习网络分类器R2--RX，按照前述步骤的要求将R1--RX堆砌起来，并将RX隐含层输出节点与输入节点为k且输出节点为m的神经网络相连接；
S6、将S组U'集合与特征分类器R1相连，给特征分类器R1--RX的参数(w，ai，bk)赋初始值；
S7、输入S组U'集合后计算结果G”，分析计算G”与G'的误差，调节分类器R1--RX的参数(w，ai，bk)和神经网络的结构参数直至误差满足要求，则完成振动环境预测模型建模；设置误差阈值ΔE，计算U'和U”的误差e,当e大于ΔE时，调节分类器R的参数(w，ai，bk)和神经网络的结构参数，直至误差e小于ΔE；
S8、输入任意一组飞行器平台状态参数U至步骤S7建立的模型，计算对应的飞行器平台的振动环境量值G，实现振动环境量值的分析和预计。
下面结合一个具体的实例，对本发明的航空装备振动环境分析和预测方法做具体说明，具体如图2所示。
以布置在固定翼喷气式飞机上某型航空装备为对象，选取飞机的飞行高度和飞行速度(马赫数)作为振动预测模型的输入参数，以某型航空装备安装区域的振动环境规范谱的均方根值作为预测模型输出。
构建由多个限制玻尔兹曼机(Restr icted Boltzmann Mach ines)堆叠的分类器以及一个神经网络的回归层或分类层组成的预测模型。由于预测模型的输入参数为飞行高度和飞行速度(马赫数)，因此模型输入层节点数为2；预测模型的输出参数为均方根值，因此模型输出层的节点数为1。
选取固定翼喷气式飞机在飞行高度在670-11920m，飞行速度0.25-1.52马赫数的范围内的某型航空装备振动规范谱对应的均方根值，其中均方根最大值为10g，共计252组样本。
对252组样本按照最大最小归一化方法进行归一化处理，将属性数据按比例投射到[0,1]区间。
取其中220组归一化后的样本作为训练集，剩余32组归一化后的样本作为测试集；
如图3所示，构建一组包括深度学习网络R1，R1由1个DBN网络(特征提取器)和1个NN网络(分类器)组成，其中输入层包括2个节点(代表高度和飞参)，输出层包括1个节点(代表振动均方根值)，DBN深度学习网络还包括2个隐含层，每层包括10个节点。因此，DBN模型由2个RBM堆叠而成，分别是RBM1和RBM2,前者的输出作为后者的输入。
如图4，横坐标为模型训练迭代次数，对于RBM1模型，设置训练次数为100，输入归一化后的状态参数向量U'(220行2列)，通过模型的3个参数(wij为层间任意两个相连神经元节点之间的的权重，ai为可见层节点偏置，bk为隐层节点偏置)，模型参数初始值均为0，由此计算出RBM1模型的输出向量h1(220行1列)，采用梯度上升算法优化最大似然函数，求解模型中的参数，直至达到训练上限(100次)后隐层不仅能较为精准地显示显层的特征，同时还能够还原显层，即特征向量映射达到最优；
将RBM1的输出作为RBM2模型的输入，重复上述步骤的操作,计算得出DBN模型的参数如下；
将DBN特征提取器中的模型输出至NN模型中进行回归拟合，并采用测试集中的32组数据进行验证，分别计算RMSE(均方根误差)、MAE(平均绝对误差)和MRE(平均相对误差)；
调节DBN特征提取器中隐含层节点数，设置10,15,20,25，……，100共19组模型，重复前述相关步骤，对比各组模型的三类误差，经过优化后确定最佳网络尺寸为[60,60]。
根据确定网络参数后的预测模型，对飞行器的振动均方根值进行预测，结果见附图5。
本发明提供的航空装备振动环境分析和预测方法，其是在已有获得的大量实际测试数据的基础上，基于深度学习对飞行器平台状态参数进行特征分类，采用较少的参量描述平台振动环境的影响因素，解决了振动环境预测中的非线性问题；通过建立飞行器状态参数和平台振动响应之间的映射关系，进而对处于安全范围边界的未知极限状态参数所对应的振动响应进行预测。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：基于地形单元的滑坡易发性评判方法
