一种飞行振动数据分类方法及振动试验条件确定方法技术

本发明专利技术提供了一种飞行振动数据分类方法及振动试验条件确定方法，该方法包括获取新型飞行器或相似飞行器的历史飞行振动数据

【技术实现步骤摘要】
一种飞行振动数据分类方法及振动试验条件确定方法


[0001]本专利技术涉及环境适应性
，尤其涉及一种飞行振动数据分类方法及振动试验条件确定方法
。

技术介绍

[0002]关于飞行器振动环境的计算，
GJB150A
中规定了计算导弹和喷气式飞机振动的经验公式，但在实际应用中，对于亚声速飞行器可以使用
GJB150A
中的计算公式，但对于超声速飞行器，其不同飞行阶段的振动数据会存在较大差异，通过
GJB150A
计算的结果与实际飞行测量结果差异很大，这主要是由于在不同飞行阶段的振动激励源存在较大差别，如助推飞行阶段，飞行器的激励源主要为助推器，主发动机工作段时的激励源主要是主发动机和气动噪声，而主发动机又分为固体冲压发动机
、
液体冲压发动机
、
涡喷
、
涡扇发动机等多种形式，在助推器和主发动机都不工作时，飞行器处于无动力阶段，振动激励源则只是气动噪声
。
正是由于不同飞行阶段激励源的差异，造成飞行振动响应也存在较大差异，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种飞行振动数据分类方法，其特征在于，所述方法包括：
S1
，获取新型飞行器或相似飞行器的历史飞行振动数据
、
历史飞行剖面参数和历史飞行姿态参数；
S2
，按照预设时间步长对任一振动测量位置的历史飞行振动数据进行分段，计算每个时间段的振动加速度均方根；
S3
，根据振动加速度均方根通过线性插值对所述历史飞行剖面参数和所述历史姿态参数进行重采样，所述振动加速度均方根
、
重采样后的历史飞行剖面参数和重采样后的历史姿态参数集成为特征数据表格；
S4
，对所述特征数据表格中的数据进行随机分组以得到训练数据和验模数据；
S5
，利用训练数据通过机器学习建立多个分类预测模型，每个分类预测模型具有对应的训练精度；
S6
，利用验模数据对建立的多个分类预测模型进行验证以得到每个分类预测模型的验模精度，针对每个分类预测模型判断其训练精度和验模精度是否同时满足要求，如果否，则转至
S7
，如果是，则转至
S8
；
S7
，直接重复执行
S4
至
S6
或对所述特征数据表格中的数据进行重新分组后重复执行
S4
至
S6
，每轮重复执行
S4
至
S6
后均重新判断分类预测模型的训练精度和验模精度是否同时满足要求，如果是，则转至
S8
，如果否，则判断已重复执行
S4
至
S6
的轮次是否大于或等于预设轮次，如果否，则进入下一轮次，如果是，则剔除该分类预测模型；
S8
，将该分类预测模型作为备选分类预测模型；
S9
，将备选分类预测模型中训练精度最高的作为最终的分类预测模型，将新型飞行器的新飞行剖面参数和新姿态参数代入最终的分类预测模型以得到飞行振动数据的飞行阶段分类结果
。2.
根据权利要求1所述的方法，其特征在于，相似飞行器的确定准则包括气动外形相似
、
飞行器结构相似或飞行姿态角
、
过载和动压变化范围覆盖新型飞行器
。3.
根据权利要求2所述的方法，其特征在于，在
S6
中，对训练精度的要求为训练精度大于或等于预期值，对验模精度的要求为验模精度不低于训练精度的预设百分比
。4.
根据权利要求1至3中任一项所述的方法，其特征在于，对所述特征数据表格中的数据进行重新分组包括：
S71
，从上一轮训练数据中随机抽取占特征数据表格中所有数据预设百分数的数据作为新的验模数据；
S72
，将上一轮验模数据与
S71
中剩余的训练数据集合为新的训练数据
。5.
根据权利要求1至3中任一项所述的方法，其特征在于，对所述特征数据表格中的数据进行重新分组包括：
S71
’
，将特征数据表格中的数据按照每个特征数据集的量值高低进行分组，量值最低的
a
％数据作为
A
组，量值最高的
b
％数据作为
B
组，其余
100
％
‑

【专利技术属性】
技术研发人员：庞勇，张青虎，
申请(专利权)人：北京机电工程研究所，
类型：发明
国别省市：