System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及直升机,特别是涉及一种直升机载荷预测方法、系统、设备及介质。
技术介绍
1、结构疲劳问题严重威胁直升机的飞行安全。直升机动部件大多数采用单通道传力设计,由于其结构特殊且载荷复杂多变,一旦发生疲劳破坏,往往会导致严重的事故风险。传统直升机疲劳寿命管理采用机队统一管理的思想,即以一种型号直升机的机队所包含的全部直升机作为整体按统一的准则和方法进行管理,未考虑到机队每架直升机结构损伤和健康状态的差异。基于数字孪生的直升机单机寿命监控考虑了任务组合、机动严重程度不同所造成的每架直升机结构疲劳寿命差异,根据数字孪生体预测每架直升机健康状态和剩余寿命的差异,并针对性地调整结构检查间隔。
2、进行单机寿命监控首先要获取直升机的载荷数据。目前常用的方法包括基于传感器的直接测量、基于多学科仿真的载荷预测以及基于飞行参数的数据挖掘方法等。相比较于其他方法,基于飞行参数的数据挖掘方法能够发现输入和输出之间的非线性关系,不需要额外加装测量设备,且避免了仿真模型与实际结构的保真度差异和使用传感器计算载荷数据的误差,因此已被广泛用于载荷和疲劳预测。
3、直升机在实际飞行过程中承受非定常气动载荷,每一时刻的气动载荷既依赖于当时的流场状况,又依赖于前一段时间内流场运动的时间历程。因此在载荷预测中,考虑飞参和载荷的时间依赖信息是很有必要的,而且由于直升机结构复杂,飞行环境多变,考虑时变特性的飞参-载荷预测问题仍没有得到较好的解决。此外,在实际的使用过程中,飞行参数与载荷数据的采样频率往往不一致;或是出现所需的计算对采样频率要
技术实现思路
1、本专利技术的目的是提供一种直升机载荷预测方法、系统、设备及介质,实现了升采样载荷预测。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种直升机载荷预测方法,包括:
4、采集目标直升机的历史飞行数据集;所述历史飞行数据集中每个第一样本数据包括输入数据和输出数据,所述输入数据为第一采样频率的飞行参数,所述输出数据为第二采样频率的载荷数据;所述第一采用频率小于所述第二采用频率;
5、对所述历史飞行数据集中各样本数据的输出数据进行小波变换,得到小波分解系数,将每个输入数据和对应的小波分解系数作为第二样本数据,各第二样本数据构成训练数据集;
6、采用所述训练数据集训练神经网络,得到直升机载荷预测模型;
7、将目标直升机的当前飞行参数输入所述直升机载荷预测模型,得到预测输出;
8、对所述预测输出进行小波反变换,得到载荷预测值。
9、可选地,所述神经网络为基于双向长短期记忆网络的神经网络。
10、可选地,所述飞行参数包括纵向过载加速度、侧向过载加速度、法向过载加速度、x轴角速度、y轴角速度、z轴角速度、横向操纵、纵向操纵、航向操纵、陀螺偏航角、陀螺俯仰角、陀螺横滚角、指示速度、无线电高度和总距。
11、可选地,所述第一采样频率为25hz,所述第二采样频率为1000hz。
12、可选地,进行小波变换的公式表示为:
13、
14、其中,wf(a,b)表示小波经过小波变换后的函数,a表示缩放因子,b表示平移参数,表示基函数,t表示时间,f(t)表示小波变换的输入信号。
15、可选地,采用所述训练数据集训练神经网络,得到直升机载荷预测模型,具体包括:
16、将所述训练数据集按照3:1的比例随机划分为训练集和测试集;
17、采用所述训练数据集对所述神经网络进行多轮训练,每轮训练中:
18、以所述训练集中输入数据为输入,以对应的小波分解系数为输出训练所述神经网络;
19、将测试集的数据输入训练过的神经网络,将测试集中各第二样本数据对应的预测输出的均方差作为损失函数调整神经网络的参数。
20、本专利技术还公开了一种直升机载荷预测系统,包括:
21、历史飞行数据集采集模块,用于采集目标直升机的历史飞行数据集;所述历史飞行数据集中每个第一样本数据包括输入数据和输出数据,所述输入数据为第一采样频率的飞行参数,所述输出数据为第二采样频率的载荷数据;所述第一采用频率小于所述第二采用频率;
22、训练数据集构建模块,用于对所述历史飞行数据集中各样本数据的输出数据进行小波变换,得到小波分解系数,将每个输入数据和对应的小波分解系数作为第二样本数据,各第二样本数据构成训练数据集;
23、直升机载荷预测模型确定模块,用于采用所述训练数据集训练神经网络,得到直升机载荷预测模型;
24、直升机载荷预测模型应用模块,用于将目标直升机的当前飞行参数输入所述直升机载荷预测模型,得到预测输出;
25、载荷预测值输出模块,用于对所述预测输出进行小波反变换,得到载荷预测值。
26、本专利技术还公开了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的直升机载荷预测方法。
27、本专利技术还公开了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的直升机载荷预测方法。
28、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
29、本专利技术通过对高采样频率的载荷数据进行小波分解,得到低采样频率的小波分解系数,从而构建数据集得到直升机载荷预测模型,采用直升机载荷预测模型对输入的飞行参数进行预测,将预测输出进行小波变换的反变换,得到高采样频率的载荷预测值,实现了升采样载荷预测。
本文档来自技高网...【技术保护点】
1.一种直升机载荷预测方法,其特征在于,包括:
2.根据权利要求1所述的直升机载荷预测方法,其特征在于,所述神经网络为基于双向长短期记忆网络的神经网络。
3.根据权利要求1所述的直升机载荷预测方法,其特征在于,所述飞行参数包括纵向过载加速度、侧向过载加速度、法向过载加速度、X轴角速度、Y轴角速度、Z轴角速度、横向操纵、纵向操纵、航向操纵、陀螺偏航角、陀螺俯仰角、陀螺横滚角、指示速度、无线电高度和总距。
4.根据权利要求1所述的直升机载荷预测方法,其特征在于,所述第一采样频率为25Hz,所述第二采样频率为1000Hz。
5.根据权利要求1所述的直升机载荷预测方法,其特征在于,进行小波变换的公式表示为:
6.根据权利要求1所述的直升机载荷预测方法,其特征在于,采用所述训练数据集训练神经网络,得到直升机载荷预测模型,具体包括:
7.一种直升机载荷预测系统,其特征在于,包括:
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的直升机载荷预测方法。
...【技术特征摘要】
1.一种直升机载荷预测方法,其特征在于,包括:
2.根据权利要求1所述的直升机载荷预测方法,其特征在于,所述神经网络为基于双向长短期记忆网络的神经网络。
3.根据权利要求1所述的直升机载荷预测方法,其特征在于,所述飞行参数包括纵向过载加速度、侧向过载加速度、法向过载加速度、x轴角速度、y轴角速度、z轴角速度、横向操纵、纵向操纵、航向操纵、陀螺偏航角、陀螺俯仰角、陀螺横滚角、指示速度、无线电高度和总距。
4.根据权利要求1所述的直升机载荷预测方法,其特征在于,所述第一采样频率为25hz,所述第二采样频率为1000hz。
5.根据权利要求1所述的直升...
【专利技术属性】
技术研发人员:董雷霆,谢克诚,姚嘉运,周轩,王克鸿,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。