一种基于机器学习的结构载荷感知方法技术

本发明专利技术涉及一种基于机器学习的结构载荷感知方法，包括步骤如下：S1：建立目标结构有限元仿真模型；S2：在有限元仿真模型上确定传感器测点位置；S3：通过有限元仿真模型生成机器学习训练数据集；S4：将步骤S3中得到的训练数据集划分为训练集、测试集和验证集，训练外载荷预测模型；S5：采用验证集评估最终外载荷机器学习模型的载荷识别精度。本发明专利技术的方法用于解决弹箭体典型结构在截面载荷、集中力载荷、随机分布载荷等不同载荷下的载荷识别。随机分布载荷等不同载荷下的载荷识别。随机分布载荷等不同载荷下的载荷识别。

【技术实现步骤摘要】
一种基于机器学习的结构载荷感知方法


[0001]本专利技术涉及一种结构载荷感知方法。

技术介绍

[0002]随着航天技术的发展、航天运输系统面临的新环境、新要求越来越多，性能指标也日趋严格。为了进一步提升设计精细度和可靠性，满足未来新型火箭和导弹武器对运载能力的更高需求，需要更加准确的掌握运载器的外部载荷和环境信息。
[0003]传统的载荷获取方式一般是通过传感器测量外部的气动压力和过载，再结合火箭的弹道和姿控，可以实现对载荷的间接计算。这种方式已经被多次证明对截面载荷有着很高的计算精度，但是仍然存在以下几方面的问题：第一，无法对复杂传力路径，尤其是静不定系统和复杂传力部位的内部载荷进行准确测量，例如捆绑载荷、挂飞载荷，复杂集中力部位的传递载荷。第二，对于外部载荷分布复杂的情况，因为传感器的限制，无法准确测量，例如导弹出水载荷存在的复杂时空分布现象，对传感器的密度要求非常高，很难精确测量。第三，对于运载器结构在操作、使用、维护、飞行过程中受到的不明外力，缺乏有效的故障诊断方法，很难通过测到的机构响应去反求故障发生的现象。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的结构载荷感知方法，其特征在于，包括步骤如下：S1：建立目标结构有限元仿真模型；S2：在有限元仿真模型上确定传感器测点位置；S3：通过有限元仿真模型生成机器学习训练数据集；S4：将步骤S3中得到的训练数据集划分为训练集、测试集和验证集，训练外载荷预测模型；S5：采用验证集评估最终外载荷机器学习模型的载荷识别精度。2.根据权利要求1所述的一种基于机器学习的结构载荷感知方法，其特征在于，步骤S1的具体方法如下：采用二次单元建立有限元模型，结构中的薄壳组件采用壳单元进行离散；单元尺寸为结构件整体尺寸0.02～0.1倍之间，有限元模型整体单元数量在1万～50万之间；除密布铆钉的铆接区和焊接区处理成大面积粘接外，其他连接区、接触区按实际连接关系进行建模。3.根据权利要求2所述的一种基于机器学习的结构载荷感知方法，其特征在于，步骤S1中，选用几何非线性分析内核进行有限元分析。4.根据权利要求3所述的一种基于机器学习的结构载荷感知方法，其特征在于，步骤S2的具体步骤如下：S2-1：将结构上不同的外载荷分别定义为试验设计因子，采用三水平拉丁超立方进行实验设计，获得多组外载荷组合；S2-2：在步骤S1中建立的有限元仿真模型上施加S2-1中的载荷，每一组载荷得到一个计算结果；S2-3:将结构均匀的分为20～50个区域，在每个区域的应力响应≥20MPa的位置初步布置测点；S2-4：提取步骤S2-2中得到的有限元分析结果中在步骤S2-3中布置的测点位置处的响应，构成不同载荷组合下测点响应的小子样数据集；S2-5：对测点进行俩俩交叉相关性分析，并进行相关性排序，随机删除相关性最高的两个测点对中的一个；再对剩下的测点进行交叉相关性分析，并随机删除相关性最高的两个测点对中的一个；如此循环，直至测点数量为外载荷数量的2～3倍；S2-6：记录步骤S2-5中剩余的...

【专利技术属性】
技术研发人员：蒋亮亮，杨帆，黄蔚，乐晨，章凌，郭永辉，张希，王斌，吴浩，王桂娇，芮兴，曹昱，朱振涛，金含玉，
申请(专利权)人：北京宇航系统工程研究所，
类型：发明
国别省市：