【技术实现步骤摘要】
本专利技术属于飞行器结构健康监测及管理领域，涉及一种飞参数据驱动的飞行器结构寿命预测方法。
技术介绍
1、传统航空装备飞行器健康管理方法通常采用机队维护理念统一制定定时检修要求，没有充分考虑飞行器的个体服役差异，造成大量维护资源的浪费和高昂的维护费用。这主要是由于缺乏面向实际飞行状态的飞行器结构关键部位的高精度寿命损耗评估手段，难以获得准确的飞行器结构剩余寿命。
2、飞行器结构寿命损耗主要来源于金属疲劳问题，传统方法通过飞行器飞行载荷谱进行仿真分析，得到关键部位的应力和应变，从而根据应力或应变计算关键部位每个飞行小时的当量损伤，根据可承受的总损伤换算出当量飞行小时数，即飞行器结构寿命。在仿真基础上，可以开展全机疲劳试验得到飞行器结构的实际疲劳寿命，并通过应变片等传感器进行监测获得结构关键部位的真实应变和应力，实现对仿真分析结果的修正。但是，全机疲劳试验的载荷谱与飞行器的实际飞行载荷谱有较大区别，不同飞行器之间也由于所执行飞行任务的不同存在较大差异。同时，受限于结构空间、传感器重量等因素，难以在服役飞行器结构上布置大量传感器。飞参数据可以反映飞行器的飞行状态，已被广泛应用于航空发动机的健康监测与管理。但飞参数据量庞大，且缺乏与结构关键部位应变和剩余寿命建立关联的系统性手段。
3、因此，有必要借助人工智能算法和大数据分析技术，建立一种飞参数据驱动的飞行器结构寿命预测方法，实现对服役飞行器结构剩余寿命的系统化预测和精细化管理。
技术实现思路
1、本专利技术主要解决
2、为了达到上述目的，本专利技术采用的技术方案为：
3、一种飞参数据驱动的飞行器结构寿命预测方法，包括以下几个步骤：
4、第一步，获得飞参数据和关键部位应变数据，构建数据集。具体的：
5、根据飞行器全机强度仿真分析和疲劳试验结果，确定飞行器结构上需要进行疲劳寿命监控的关键部位。在多个关键部位上布置传感器测量关键部位应变数据。在试飞过程中采集飞行器的飞参数据和传感器测量的关键部位应变数据作为原始数据，并在试飞结束后移除传感器，避免对飞行器服役过程造成影响。在试飞过程中飞行器会执行多项飞行科目以测试其性能，飞行科目覆盖服役中的各种飞行状态。
6、进一步的，所述飞参数据包括高度、温度、速度、加速度、姿态及其他与飞行状态相关的多个飞参变量，所述关键部位应变数据包括多个关键部位的应变值，应变类型包括拉/压应变、切应变、第一主应变。
7、进一步的，所述的传感器包括电阻应变片传感器、光纤传感器、数字图像传感器及其他可以测量应变的传感器。
8、第二步，对第一步采集的飞参数据和关键部位应变数据的原始数据进行优化治理，解决原始数据的缺失、异常、外部噪声问题，确保数据可用性和可靠性。数据优化治理的过程包括：
9、2.1）首先，读取第一步采集的飞参数据和关键部位应变数据的原始数据，针对数据中的缺失值进行识别和填补，数据缺失值填补方法包括相邻值填补法、均值/中位数填补法、回归填补法、k近邻填补法。
10、2.2）其次，针对数据中的异常值（也称离群值）进行检测和剔除，异常值检测方法包括标准差法、箱型图法、绝对中位差法、群体决策/投票机制法。其中，群体决策/投票机制法采用abod（基于角度的离群值检测）、cblof（基于聚类的局部离群因子）、featurebagging（特征装袋）、hbos（基于直方图的离群值评分）、孤立森林、k近邻、平均k近邻、mcd（最小协方差行列式）共8种异常值检测模型分别标记数据中的异常值，并基于投票机制最终决策出哪些数据属于异常值。所述投票机制为：数据被标记为异常值的次数超过半数。
11、2.3）然后，对前述处理后的数据进行降噪，降低数据中噪声干扰，提高数据可信度，数据降噪方法包括均值滤波法、小波包分解与贝叶斯阈值去噪方法。
12、2.4）最后，对降噪后的数据进行归一化或标准化处理。
13、第三步，针对优化治理后的飞参数据和关键部位应变数据，自动提取与每个关键部位应变数据相关的飞参数据及特征。具体的：
14、3.1）首先，使用统计学指标重新表征飞参数据中的每个飞参变量，形成飞参变量的多种数据特征，从而得到飞参数据及其特征。
15、进一步的，统计学指标（即数据特征）包括均值、峰值、峰谷值、绝对平均值、均方根值、方根幅值、标准差值、峰值因子、脉冲因子、裕度因子、波形因子、斜度、峭度。
16、进一步的，表征过程采用移动窗口法，包括：以固定时间长度为窗口，截取窗口内的飞参变量值，计算统计学指标，然后将窗口移动固定步长后，计算下一个窗口内的统计学指标，以此类推，直到遍历全部时间段下的数据。
17、3.2）然后，基于相关性分析方法评估飞参数据及其特征与每个关键部位应变数据的相关性，得到相关性指标，相关性指标值越大，说明该关键部位应变数据的改变是由某个飞参数据或者某个特征的改变产生的，即两者更相关。根据相关性指标排序，并通过阈值或个数限制提取出与每个关键部位应变数据最相关的飞参数据或者特征，称为相关飞参数据及特征。其中，根据不同的关键部位应变数据得到的相关飞参数据及特征是相互独立的。
18、进一步的，所述相关性分析方法包括线性回归分析、方差分析、sobol敏感性分析，所述相关性指标包括决定系数r2（由线性回归分析得到）、f统计量（由方差分析得到）、一阶敏感性s1（由sobol敏感性分析得到）。
19、3.3）最后，将提取的相关飞参数据及特征和对应的关键部位应变数据一起组成数据集。
20、第四步，基于数据集训练多个深度学习模型，组合多个深度学习模型形成集成深度学习模型，作为相关飞参数据及特征到关键部位应变数据的映射模型。所述深度学习模型包括多层全连接神经网络、卷积神经网络、长短时记忆神经网络。集成深度学习模型的训练过程包括：
21、4.1）首先，将第三步得到的相关飞参数据及特征和关键部位应变数据的数据集随机划分为训练集和验证集，所述训练集和验证集只有包含的数据样本量不同。
22、4.2）其次，基于训练集训练深度学习模型，深度学习模型的输入为相关飞参数据及特征，输出为关键部位应变值，通过参数优化算法迭代更新深度学习模型参数，降低训练集的关键部位应变值预测误差，称为训练集误差。所述参数优化算法包括随机梯度下降法、adam法、nadam法。所述关键部位应变值预测误差为均方误差mse。
23、在前述训练过程中的每次迭本文档来自技高网...
【技术保护点】
1.一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，包括以下几个步骤：
2.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述5.1）中：所述的疲劳寿命评估方法包括名义应力法、局部应力-应变法；所述的损伤累积理论包括Miner线性损伤累积理论和相对Miner线性损伤累积理论；
3.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述的第一步具体为：根据飞行器全机强度仿真分析和疲劳试验结果，确定飞行器结构上需要进行疲劳寿命监控的关键部位；在关键部位上布置传感器测量关键部位应变数据，所述关键部位应变数据包括多个关键部位的应变值，应变类型包括拉/压应变、切应变、第一主应变；在试飞过程中采集飞行器的飞参数据和传感器测量的关键部位应变数据作为原始数据，并在试飞结束后移除传感器，避免对飞行器服役过程造成影响；所述的第一步中的飞参数据包括高度、温度、速度、加速度、姿态及其他与飞行状态相关的多个飞参变量。
4.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述的第二步具体包
5.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述4.4）中，采用的基学习器可以是异质的，所述异质基学习器表示同时采用多种不同类型的深度学习模型作为基学习器，包括多层全连接神经网络、卷积神经网络、长短时记忆神经网络；若如此做，需要在4.3）步骤的贝叶斯优化中增加不同类型深度学习模型的超参数。
6.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述4.4）中，所述4.5）中，集成策略包括加权平均法、简单平均法、投票法；集成过程包括：
...【技术特征摘要】
1.一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，包括以下几个步骤：
2.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述5.1）中：所述的疲劳寿命评估方法包括名义应力法、局部应力-应变法；所述的损伤累积理论包括miner线性损伤累积理论和相对miner线性损伤累积理论；
3.根据权利要求1所述的一种飞参数据驱动的飞行器结构寿命预测方法，其特征在于，所述的第一步具体为：根据飞行器全机强度仿真分析和疲劳试验结果，确定飞行器结构上需要进行疲劳寿命监控的关键部位；在关键部位上布置传感器测量关键部位应变数据，所述关键部位应变数据包括多个关键部位的应变值，应变类型包括拉/压应变、切应变、第一主应变；在试飞过程中采集飞行器的飞参数据和传感器测量的关键部位应变数据作为原始数据，并在试飞结束后移除传感器，避免...
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。