基于径向基-反向传播神经网络的故障后飞行包线在线预测方法技术

本发明专利技术公开了一种基于径向基

【技术实现步骤摘要】
基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法


[0001]本专利技术属于故障诊断
，特别涉及一种基于径向基
‑
反向传播(Radial Basis Function
‑
back propagation RBF
‑
BP)神经网络的故障后飞行包线在线预测方法。

技术介绍

[0002]结构损伤和气动故障是威胁飞机安全飞行的重要因素，研究故障情况下的飞行包线预测，对于确保飞机安全飞行具有重要意义。在正常飞行时，安全包线可以给飞行员提供参考。但当飞机发生突然性结构损伤时，这些包线可能将不再有效，因为飞机故障通常会影响飞机的飞行性能，导致飞机的安全飞行包线缩小。因此，当飞机遭受结构损伤时，需要对安全包线进行实时的在线预测，得到的安全包线可以实时传输给飞行员。然而现有技术在进行安全包线的预测时实时性不足，不能及时将新的安全包线反馈给飞行员。因此，本专利技术提出了基于离线数据库的故障诊断及安全包线预测，大大提高了故障诊断及安全包线预测的效率。
[0003]本专利技术提出一种基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法。该方法基于对损伤飞机气动效应建模获得的离线数据库，通过对神经网络进行离线训练，可以对飞行器故障进行实时在线诊断并在线获得新的安全包线。

技术实现思路

[0004]为了完成对故障后飞机安全包线的在线预测，本专利技术提供一种基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法，以解决现有技术中对受损飞机飞行包线预测困难的问题。在离线数据库的帮助下，与获取受损飞机的全局模型和安全包线预测的高计算成本相关的挑战可以被克服。采用模式分类技术，利用局部估计的稳定性导数作为分类特征，对飞机的损伤状态进行检测和识别，从而找到正确的数据库索引。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测，包括以下步骤：
[0007]步骤S1、建立飞行器健康状态监测模块；
[0008]步骤S2、气动参数辨识；
[0009]步骤S3、结构损伤气动效应建模及故障数据库构建；
[0010]步骤S4、rbf
‑
bp神经网络训练及实时故障诊断；
[0011]步骤S5、建立飞行包线数据库。
[0012]优选的，所述步骤S1中，建立飞行器健康状态监测模块，包括以下步骤：
[0013](1)来自机载飞行控制器的命令δ
cmd
被执行器接收；
[0014](2)发生故障时，执行器的实际输出δ
abn
和根据其数学模型计算的预期值δ
nom
之间的异常残差会被传感器检测到；
[0015](3)当出现残差时，将会启动在线气动异常检测过程，同时飞行状态和响应的新测
量值被发送到系统识别模块。
[0016]优选的，所述步骤S2中，气动参数辨识，包括以下步骤：
[0017](1)使用传感器测量值或通过卡尔曼滤波器估计的状态值计算沿每个轴的无量纲力和力矩，飞机的无量纲气动力和力矩可由式(1)和式(2)得到；
[0018][0019][0020]式中，C
L
、C
D
、C
Y
、C
l
、C
m
、C
n
分别为升力系数、阻力系数、侧力系数、滚转力矩系数、俯仰力矩系数和偏航力矩系数，α为攻角，β为侧滑角，m为飞机质量，A
X
、A
Y
、A
Z
分别为沿X、Y、Z轴的加速度分量，ρ为空气密度，V为空速，S为机翼面积，I
xx
、I
yy
、I
zz
、I
xz
为转动惯量和转动积，p、q、r分别为滚转、偏航和俯仰角速度，为滚转、偏航和俯仰角速度导数，b、分别为翼展和平均弦长；
[0021](2)使用递归最小二乘法通过式(3)从仿真数据中估计飞机的稳定性导数；
[0022][0023]式中，分别为升力的基本增量系数、升力与迎角相关增量系数、升力与偏航角相关增量系数、升力与升降舵相关的增量系数；
[0024](3)采用带遗忘因子的递推最小二乘法进行参数估计，递推最小二乘法结构如下：
[0025][0026]为待估计的参数，λ∈[0,1]为遗忘因子，当模型参数突然变化时，可变遗忘因子用于增强新数据的影响，并在稳态条件下减少协方差矩阵饱和。
[0027]优选的，所述步骤S3中，结构损伤气动效应建模及故障数据库构建，包括以下步骤：
[0028](1)根据一系列风洞实验得出，每种损伤情况都会对飞机产生独特的空气动力效应，并改变不同的稳定性导数。水平安定面损伤会导致纵向稳定性改变，可由表示；垂直尾翼翼尖损伤主要导致横向力和方向稳定性的变化，可由的改变值表示。
[0029](2)损伤程度下的变化值可以由下式获得；
[0030][0031]式中，ΔC、C
d
、C分别为机体损伤程度、受损机体的无量纲气动力系数和完整机体的无量纲气动力系数；
[0032](3)通过分析风洞数据，可以假设每个空气动力系数的变化范围与翼尖损失百分比之间近似线性关系；根据计算出的损伤程度变化尺度，使用线性插值，可以建立各损伤等级下的气动损伤模型，并生成水平安定面损伤和垂直尾翼翼尖损伤的包括气动数据和相应稳定性导数的故障气动数据库。
[0033]优选的，所述步骤S4中，rbf
‑
bp神经网络训练及实时故障诊断，包括以下步骤：
[0034](1)确定输入变量x为各马赫下的输出变量为气动数据对应的具体故障类型与损伤程度；
[0035](2)在进行rbf
‑
bp神经网络训练之前，将数据集按7：3划分为训练集和测试集，然后对数据进行归一化处理，将数据归一化到[0，1]之间；
[0036](3)对rbf网络进行初始化，选择t个不同的初始聚类中心，设置迭代步数为1，输入从样本中随即选取。使输入样本与聚类中心的距离最近，可由下式获得：
[0037]iX
k
＝min||X
k
‑
C
i
(m)||，i＝1,2,...,t，k＝1,2,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0038](4)计算和调整隐含层节点的中心：
[0039][0040]当C
i
(m+1)＝C
i
(m)时，聚类过程结束，根据聚类中心可以确定隐层节点的宽度。若二者不相等，则重新进行输入样本与中心距离的计算，直至完成学习过程。均方误差目标设为0.05，径向基的扩展速度为1，最大神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法，其特征在于，包括以下步骤：步骤S1、建立飞行器健康状态监测模块；步骤S2、气动参数辨识；步骤S3、结构损伤气动效应建模及故障数据库构建；步骤S4、rbf
‑
bp神经网络训练及实时故障诊断；步骤S5、建立飞行包线数据库。2.根据权利要求1所述的基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法，其特征在于，所述步骤S1中，建立飞行器健康状态监测模块，包括以下步骤：(1)来自机载飞行控制器的命令δ
cmd
被执行器接收；(2)发生故障时，执行器的实际输出δ
abn
和根据其数学模型计算的预期值δ
nom
之间的异常残差会被传感器检测到；(3)当出现残差时，将会启动在线气动异常检测过程，同时飞行状态和响应的新测量值被发送到系统识别模块。3.根据权利要求1所述的基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法，其特征在于，所述步骤S2中，气动参数辨识，包括以下步骤：(1)使用传感器测量值或通过卡尔曼滤波器估计的状态值计算沿每个轴的无量纲力和力矩，飞机的无量纲气动力和力矩由式(1)和式(2)得到；力矩，飞机的无量纲气动力和力矩由式(1)和式(2)得到；式中，C
L
、C
D
、C
Y
、C
l
、C
m
、C
n
分别为升力系数、阻力系数、侧力系数、滚转力矩系数、俯仰力矩系数和偏航力矩系数，α为攻角，β为侧滑角，m为飞机质量，A
X
、A
Y
、A
Z
分别为沿X、Y、Z轴的加速度分量，ρ为空气密度，V为空速，S为机翼面积，I
xx
、I
yy
、I
zz
、I
xz
为转动惯量和转动积，p、q、r分别为滚转、偏航和俯仰角速度，为滚转、偏航和俯仰角速度导数，为b、分别为翼展和平均弦长；(2)使用递归最小二乘法通过式(3)从仿真数据中估计飞机的稳定性导数；
式中，分别为升力的基本增量系数、升力与迎角相关增量系数、升力与偏航角相关增量系数、升力与升降舵相关的增量系数；(3)采用带遗忘因子的递推最小二乘法进行参数估计，递推最小二乘法结构如下：(3)采用带遗忘因子的递推最小二乘法进行参数估计，递推最小二乘法结构如下：为待估计的参数，λ∈[0,1]为遗忘因子，当模型参数突然变化时，可变遗忘因子用于增强新数据的影响，并在稳态条件下减少协方差矩阵饱和。4.根据权利要求1所述的基于径向基
‑
反向传播神经网络的故障后飞行包线在线预测方法，其特征在于，所述步骤S3中，结构损伤气动效应建模及故障数据库构建，包括以下步骤：(1)水平安定面损伤会导致纵向稳定性改变，由表示；垂直尾翼翼尖损伤导致横向力和方向稳定性的变化，由的改变值表示；(2)损伤程度下的变化值由下式获得；式中，ΔC、C
d
、C分别为机体损伤程度、受损机体的无量纲气动力系数和完整机体的无量纲气动力系数；(3)假设每个空气动力系数的变化范围与翼尖损失百分...

【专利技术属性】
技术研发人员：吴震，尹楚，陆宇平，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：