CN109583044A - 基于rbf神经网络的直升机旋翼飞行载荷预测方法 - Google Patents

基于rbf神经网络的直升机旋翼飞行载荷预测方法 Download PDF

Info

Publication number
CN109583044A
CN109583044A CN201811333269.6A CN201811333269A CN109583044A CN 109583044 A CN109583044 A CN 109583044A CN 201811333269 A CN201811333269 A CN 201811333269A CN 109583044 A CN109583044 A CN 109583044A
Authority
CN
China
Prior art keywords
load
parameter
flight
rbf neural
flight parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811333269.6A
Other languages
English (en)
Other versions
CN109583044B (zh
Inventor
张君男
喻溅鉴
陈亚萍
陶宪斌
曾玖海
李玮
杨昌
吴堂珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Helicopter Research and Development Institute
Original Assignee
China Helicopter Research and Development Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Helicopter Research and Development Institute filed Critical China Helicopter Research and Development Institute
Priority to CN201811333269.6A priority Critical patent/CN109583044B/zh
Publication of CN109583044A publication Critical patent/CN109583044A/zh
Application granted granted Critical
Publication of CN109583044B publication Critical patent/CN109583044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种基于RBF神经网络的直升机旋翼飞行载荷预测方法，包括：获取直升机的飞行数据，并对飞行数据进行预处理，筛选出关键飞行参数；建立基于RBF神经网络的旋翼飞行载荷预测模型；将关键飞行参数作为旋翼飞行载荷预测模型的输入，将旋翼飞行载荷矩阵作为旋翼飞行载荷预测模型的输出，对旋翼飞行载荷预测模型进行优化；通过优化后的旋翼飞行载荷预测模型，对旋翼飞行载荷进行预测。

Description

基于RBF神经网络的直升机旋翼飞行载荷预测方法
技术领域
本申请涉及直升机技术领域，具体提供一种基于RBF神经网络的直升机旋翼飞行载荷预测方法。
背景技术
旋翼飞行载荷指直升机旋翼***在飞行中承受的载荷，是直升机关重件疲劳评定的基本依据。直升机旋翼***是高速旋转的动部件，具有振源多、机动状态多、载荷呈现低幅高频的特点，所以，现有技术中的固定翼飞机的载荷预测方法并不适用于直升机。
发明内容
为了解决上述技术问题至少之一，本申请提供了一种基于RBF神经网络的直升机旋翼飞行载荷预测方法，包括：获取所述直升机的飞行数据，并对所述飞行数据进行预处理，筛选出关键飞行参数；建立基于RBF神经网络的旋翼飞行载荷预测模型；将所述关键飞行参数作为所述旋翼飞行载荷预测模型的输入，将旋翼飞行载荷矩阵作为所述旋翼飞行载荷预测模型的输出，对所述旋翼飞行载荷预测模型进行优化；通过优化后的所述旋翼飞行载荷预测模型，对所述旋翼飞行载荷进行预测。
根据本申请的至少一个实施例，所述飞行数据包括飞行参数和载荷数据；获取所述直升机的飞行数据，并对所述飞行数据进行预处理，包括：获取所述直升机在飞行时间内的所述载荷数据和与其相对应的所述飞行参数；提取所述载荷数据在预设时间内周期性出现的载荷峰值和载荷谷值；读取所述载荷峰值对应的所述飞行参数和所述载荷谷值对应的所述飞行参数；计算在所述预设时间内的所述载荷峰值对应的所述飞行参数和所述载荷谷值对应的所述飞行参数的平均值，作为对应的飞行参数；利用最大最小法对所述对应的飞行参数进行归一化处理。
根据本申请的至少一个实施例，利用最大最小法对所述对应的飞行参数进行归一化处理，包括：通过下式对所述对应的飞行参数进行归一化处理，
xk＝(xk-xmin)/(xmax-xmin)-0.5，
其中，xk为飞行参数或载荷数据，xmax为对应的飞行参数或载荷数据的上限，xmin为对应的飞行参数或载荷数据的下限。
根据本申请的至少一个实施例，筛选出关键飞行参数，包括：对所述对应的飞行参数进行筛选，得到所述关键飞行参数，具体地：
设取p个相应的飞行参数，其容量为n的样本数据矩阵为：
简记为X＝(X1X2…Xp)，若存在可逆矩阵A＝(aij)p×p，使
F1＝a11X1+a12X2+…+a1pXp
F2＝a21X1+a22X2+…+a2pXp
Fp＝ap1X1+ap2X2+…+appXp
简写成：
Fi＝ai1X1+ai2X2+…+aipXp，i＝1,2,…,p，满足条件
综合指标向量F1,F2,…,Fp就是主成分，在已确定的全部p个主成分中选择m个来实现最终的评价分析。
根据本申请的至少一个实施例，在已确定的全部p个主成分中选择m个来实现最终的评价分析，包括：
采用方差贡献率解释主成分所反映的信息量的大小：
λi为Fi对应的特征根，m的确定以累积贡献率为指标
当m个主成分的累积贡献率达到85％时，主成分分析的效果是能够接受的；
由此得到所述关键飞行参数。
根据本申请的至少一个实施例，建立基于RBF神经网络的旋翼飞行载荷预测模型，包括：
假设输入层有n个输入变量，隐含层有k个神经元节点，输出层有m个输出变量，设具有N个样本的训练集输入矩阵X和输出矩阵Y分别为：
其中，xij表示第j个训练样本的第i个输入变量，yij表示第j个训练样本的第i个输出变量；
首先确定k个RBF中心点[C1,C2,…,Ck]，并确定径向基函数的扩展常数δ；
输入第i个样本xi，则第j个隐含层节点的输出为
设H为RBF神经网络的隐含层输出矩阵，则有
设隐含层与输出层的连接权值为W，则有
其中，wji为隐含层第j个神经元与输出层第i个神经元之间的连接权值；
则网络输出为ZT，
H·W＝ZT,Z＝[z1,z2,…,zN]m×N
令ε＝||YT-ZT||逼近残差，则w通过求解一下方程组的最小二乘解获得:
其解为其中，H+为H的Moore-Penrose广义逆。
根据本申请的至少一个实施例，对所述旋翼飞行载荷预测模型进行优化，包括：所述旋翼飞行载荷预测模型需要优化的参数有：聚类中心点、径向基函数扩展常数；采用改进K-Means算法以动态调整的方式来确定聚类中心点数值及数目：先随机取(N为样本数)个初始聚类中心，将其余的样本根据其与各个聚类中心的距离分配到距离最近的簇，更新每个簇的聚类中心，重新分配样本，直到新的聚类中心等于上一次的中心点时或准则函数E收敛；再随机取个初始聚类中心，重复上述步骤；依此实现(n为样本维数)所有数目下的空间聚类，最后选取准则函数E最小的k值及相应的聚类中心；径向基函数选取普遍应用的高斯函数高斯函数扩展常数δ取δi＝αdi，通过查阅文献并结合小样本试验，重叠系数一般处于区间0-10之间，使用基于交叉验证的方法在0-10内搜索重叠系数的最优设置值，从而确定出每一个网络模型的径向基函数扩展常数，通过交叉验证方法确定重叠系数，进而确定高斯函数的扩展常数。
本申请实施例提供的基于RBF神经网络的直升机旋翼飞行载荷预测方法，通过自学习已有的实测数据，利用特征飞行参数实现旋翼***飞行载荷的预测，可以在有限飞行试验的情况下，作为一种补充和完善飞行实测载荷的有效手段，同时，由于使用中直升机较易获得飞行参数，难以获得载荷，而采用本发明植入HUMS***预计可以实现单机载荷和寿命预测。
附图说明
图1是本申请实施例提供的基于RBF神经网络的直升机旋翼飞行载荷预测方法的流程示意图；
图2是本申请实施例提供的地面状态载荷判断示意图；
图3是本申请实施例提供的飞行参数和载荷数据特征值提取示意图；
图4是本申请实施例提供的改进K-means算法的流程示意图；
图5是本申请实施例提供的某主桨叶摆振弯矩实测值与预测值对比图；
图6是本申请实施例提供的某主桨叶摆振弯矩实测值与预测值对比局部放大图；
图7是本申请实施例提供的某主桨叶摆振弯矩预测结果残差分布图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1是本申请实施例提供的基于RBF神经网络的直升机旋翼飞行载荷预测方法的流程示意图。
如图1所示，基于RBF神经网络的直升机旋翼飞行载荷预测方法包括以下步骤：
步骤101，获取直升机的飞行数据，并对飞行数据进行预处理，筛选出关键飞行参数。
在本实施例中，由于直升机旋翼***工作环境比较复杂，例如强电磁干扰、传感器的灵敏度有限和数据采集***的***误差，飞行实测数据中往往引入噪声和不确定性误差。
因此，需要首先排除无效数据，造成飞行载荷数据无效的原因有载荷通道损坏、载荷数据静载漂移、载荷数据规律异常等，结合直升机载荷特点，对载荷数据进行规律性分析，剔除无效数据。
在本实施例的一些可选的实施例中，飞行数据包括飞行参数和载荷数据。获取直升机的飞行数据，并对飞行数据进行预处理，包括以下步骤：
步骤201，获取直升机在飞行时间内的载荷数据和与其相对应的飞行参数。
步骤202，提取载荷数据在预设时间内周期性出现的载荷峰值和载荷谷值。
步骤203，读取载荷峰值对应的飞行参数和载荷谷值对应的飞行参数。
步骤204，计算在预设时间内的载荷峰值对应的飞行参数和载荷谷值对应的飞行参数的平均值，作为对应的飞行参数。
步骤205，利用最大最小法对对应的飞行参数进行归一化处理。
在本实施例中，由于在飞行参数所给的飞行时间里，除了空中飞行时间外，还包括地面停放、开车、滑行等时间，在空中飞行和地面停放、开车、滑行过程中，飞行参数与飞行载荷数学关系不同，应根据飞行参数数据文件中的飞行参数信息，确定空中飞行时间的起始点和终止点。
在有效样本数据中提取飞行参数和载荷数据特征值，飞行记录的飞行数据量非常大，在疲劳损伤和寿命计算中，只有载荷峰值点和载荷谷值点起作用，因此，可将中间载荷点去掉，只保留载荷峰谷值点及其对应的飞行参数数据，从而提高工作效率。
在一种可选的实施方式中，可以分别提取各类关键载荷周期性出现的峰值和谷值，并读取各飞行参数在相应时间段内的数据点并计算平均值作为对应的飞行参数。
在一种可选的实施方式中，可以利用最大最小法对对应的飞行参数进行归一化处理，具体地，
通过下式对对应的飞行参数进行归一化处理：
xk＝(xk-xmin)/(xmax-xmin)-0.5，
其中，xk为飞行参数或载荷数据，xmax为对应的飞行参数或载荷数据的上限，xmin为对应的飞行参数或载荷数据的下限。
在本实施例的一些可选的实施例中，飞行参数***所采集的飞行参数很多，需要采用主成分分析法进行飞行参数的降维与筛选，为了提高载荷预测精度，兼顾载荷预测效率，需要对参与主成分分析的飞行参数进行研究分析，避免累计贡献率达到要求的前m个主成分过多而导致模型预测效率低下，寻求预测精度与效率的平衡点。
飞行试验中测量的主要飞行参数如表1所示。
表1飞行试验测量的主要飞行参数
直升机飞行时会受到重力、升力、拉力、阻力和反扭矩，重力与质量有关，方向竖直向下；阻力是在飞行过程中气流对它的阻碍作用，方向与飞行方向相反；升力和拉力都由旋翼产生，它们分别是旋翼产生的力的垂直和水平分量，升力和拉力分别用来克服直升机的重力和阻力。由于旋翼转动给空气以作用力矩，空气同时也以大小相同、方向相反的反作用力矩作用于旋翼，再由旋翼传给机身，这个反作用力矩就是反扭矩，反扭矩靠尾桨来平衡。
根据空气动力学原理，旋翼载荷与相对气流速度、翼型迎角等参数有关，所以飞行参数中速度、姿态角等对旋翼飞行载荷影响较大。
总距杆改变旋翼总距而改变旋翼拉力大小实现直升机的升降，驾驶杆改变桨叶周期变距而改变旋翼拉力方向实现直升机的平移、滚转等，脚蹬改变尾桨桨距而改变尾桨拉力大小实现直升机的转向，所以飞行参数中与操纵有关的参数对旋翼飞行载荷影响较大。
参与主成分分析的飞行参数如表2所示。
表2参与主成分分析的飞行参数
参数名称 参数代号 单位
指示空速 IAS(Vi) km/h
俯仰角 THETA Deg
滚转角 PHI Deg
滚转角速度 P Deg/s
俯仰角速度 Q Deg/s
侧滑角 BETA Deg
重心处横向过载 Ny g
重心处航向过载 Nx g
重心处垂向过载 Nz g
总距操纵位移(DDL) Wf Deg
航向操纵位移(DDN) Wz Deg
操纵杆纵向位移 Wy Deg
操纵杆横向位移 Wx Deg
将以上13个飞行参数进行主成分分析，主成分分析的原理如下：
对对应的飞行参数进行筛选，得到关键飞行参数，具体地：
设取p个相应的飞行参数，其容量为n的样本数据矩阵为：
简记为X＝(X1X2…Xp)，若存在可逆矩阵A＝(aij)p×p，使
F1＝a11X1+a12X2+…+a1pXp
F2＝a21X1+a22X2+…+a2pXp
Fp＝ap1X1+ap2X2+…+appXp
简写成：
Fi＝ai1X1+ai2X2+…+aipXp，i＝1,2,…,p，满足条件
综合指标向量F1,F2,…,Fp就是主成分，在已确定的全部p个主成分中选择m个来实现最终的评价分析。
可以采用方差贡献率解释主成分所反映的信息量的大小：
λi为Fi对应的特征根，m的确定以累积贡献率为指标
当m个主成分的累积贡献率达到85％时，主成分分析的效果是能够接受的；
由此得到关键飞行参数。
步骤102，建立基于RBF神经网络的旋翼飞行载荷预测模型。
在本实施例中，RBF神经网络算法思想：先用无监督学习方法(例如K-Means算法)确定RBF神经网络中隐含层的k个数据中心，并根据各数据中心之间的距离确定隐含层径向基函数的扩展常数δ，然后利用监督学习(例如，梯度法或最小二乘法等)训练隐含层至输出层之间的权值W。
在一示例中，建立基于RBF神经网络的旋翼飞行载荷预测模型包括以下步骤：
假设输入层有n个输入变量，隐含层有k个神经元节点，输出层有m个输出变量，设具有N个样本的训练集输入矩阵X和输出矩阵Y分别为：
其中，xij表示第j个训练样本的第i个输入变量，yij表示第j个训练样本的第i个输出变量；
首先确定k个RBF中心点[C1,C2,…,Ck]，并确定径向基函数的扩展常数δ；
输入第i个样本xi，则第j个隐含层节点的输出为
设H为RBF神经网络的隐含层输出矩阵，则有
设隐含层与输出层的连接权值为W，则有
其中，wji为隐含层第j个神经元与输出层第i个神经元之间的连接权值；
则网络输出为ZT，
H·W＝ZT,Z＝[z1,z2,…,zN]m×N
令ε＝||YT-ZT||逼近残差，则w通过求解一下方程组的最小二乘解获得:
其解为其中，H+为H的Moore-Penrose广义逆。
步骤103，将关键飞行参数作为旋翼飞行载荷预测模型的输入，将旋翼飞行载荷矩阵作为旋翼飞行载荷预测模型的输出，对旋翼飞行载荷预测模型进行优化。
在本实施例中，旋翼飞行载荷预测模型需要优化的参数有：聚类中心点、径向基函数扩展常数。
如图4所示，在一示例中，采用改进K-Means算法以动态调整的方式来确定聚类中心点数值及数目：
先随机取(N为样本数)个初始聚类中心，将其余的样本根据其与各个聚类中心的距离分配到距离最近的簇，更新每个簇的聚类中心，重新分配样本，直到新的聚类中心等于上一次的中心点时或准则函数E收敛；再随机取个初始聚类中心，重复上述步骤；依此实现(n为样本维数)所有数目下的空间聚类，最后选取准则函数E最小的k值及相应的聚类中心。
径向基函数选取普遍应用的高斯函数高斯函数扩展常数δ取δi＝αdi，通过查阅文献并结合小样本试验，重叠系数一般处于区间0-10之间，使用基于交叉验证的方法在0-10内搜索重叠系数的最优设置值，从而确定出每一个网络模型的径向基函数扩展常数，通过交叉验证方法确定重叠系数，进而确定高斯函数的扩展常数。
步骤104，通过优化后的旋翼飞行载荷预测模型，对旋翼飞行载荷进行预测。
在本实施例的一些可选的实施例中，将未进行训练的实测飞行数据作为测试集，测试集飞行参数矩阵输入经过训练、修正的神经网络预测模型，得到载荷的预测值。
参阅图2和图3，下面结合一组具体参数的实例来对本申请作进一步地详细说明。
预处理飞行数据：
经过有效性分析，剔除无效数据和地面数据，提取主桨叶摆振弯矩周期性出现的峰值和谷值，主桨叶旋转一周其摆振弯矩完成一个周期变化，由于主桨叶旋转一周测试设备采集232个点，故将这232个点中的最大值作为峰值、最小值作为谷值，同时读取由飞行参数***记录的表2中13个飞行参数在这一个周期内的11个数据点并计算平均值作为这一对峰谷值对应的飞行参数，依此读取样本数据。
然后用最大最小法进行数据的归一化处理，处理后的数据分为训练集和测试集，将训练集中13个飞行参数进行主成分分析进行降维与筛选,按贡献度从大到小排列，前九项总贡献度大于85％，故选取前9项作为关键飞行参数。
建立及优化基于RBF神经网络的主桨叶摆振弯矩预测模型：
将训练集样本用于模型的建立、训练与修正，其中，训练集的主桨叶摆振弯矩矩阵作为模型的输出，飞行参数矩阵作为模型的输入，通过改进K-Means算法和交叉验证方法得到优化后的模型参数矩阵。
主桨叶摆振弯矩预测模型验证：
将测试集飞行参数矩阵输入建立好的预测模型，输出摆振弯矩预测值，将预测值与实测值进行对比分析，分析结果见图5～图7。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (7)

1.一种基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，包括：
获取所述直升机的飞行数据，并对所述飞行数据进行预处理，筛选出关键飞行参数；
建立基于RBF神经网络的旋翼飞行载荷预测模型；
将所述关键飞行参数作为所述旋翼飞行载荷预测模型的输入，将旋翼飞行载荷矩阵作为所述旋翼飞行载荷预测模型的输出，对所述旋翼飞行载荷预测模型进行优化；
通过优化后的所述旋翼飞行载荷预测模型，对所述旋翼飞行载荷进行预测。
2.根据权利要求1所述的基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，所述飞行数据包括飞行参数和载荷数据；
获取所述直升机的飞行数据，并对所述飞行数据进行预处理，包括：
获取所述直升机在飞行时间内的所述载荷数据和与其相对应的所述飞行参数；
提取所述载荷数据在预设时间内周期性出现的载荷峰值和载荷谷值；
读取所述载荷峰值对应的所述飞行参数和所述载荷谷值对应的所述飞行参数；
计算在所述预设时间内的所述载荷峰值对应的所述飞行参数和所述载荷谷值对应的所述飞行参数的平均值，作为对应的飞行参数；
利用最大最小法对所述对应的飞行参数进行归一化处理。
3.根据权利要求2所述的基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，利用最大最小法对所述对应的飞行参数进行归一化处理，包括：
通过下式对所述对应的飞行参数进行归一化处理，
xk＝(xk-xmin)/(xmax-xmin)-0.5，
其中，xk为飞行参数或载荷数据，xmax为对应的飞行参数或载荷数据的上限，xmin为对应的飞行参数或载荷数据的下限。
4.根据权利要求2所述的基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，筛选出关键飞行参数，包括：
对所述对应的飞行参数进行筛选，得到所述关键飞行参数，具体地：
设取p个相应的飞行参数，其容量为n的样本数据矩阵为：
简记为X＝(X1X2…Xp)，若存在可逆矩阵A＝(aij)p×p，使
F1＝a11X1+a12X2+…+a1pXp
F2＝a21X1+a22X2+…+a2pXp
Fp＝ap1X1+ap2X2+…+appXp
简写成：
Fi＝ai1X1+ai2X2+…+aipXp，i＝1,2,…,p，满足条件
综合指标向量F1,F2,…,Fp就是主成分，在已确定的全部p个主成分中选择m个来实现最终的评价分析。
5.根据权利要求4所述的基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，在已确定的全部p个主成分中选择m个来实现最终的评价分析，包括：
采用方差贡献率解释主成分所反映的信息量的大小：
λi为Fi对应的特征根，m的确定以累积贡献率为指标
当m个主成分的累积贡献率达到85％时，主成分分析的效果是能够接受的；
由此得到所述关键飞行参数。
6.根据权利要求1所述的基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，建立基于RBF神经网络的旋翼飞行载荷预测模型，包括：
假设输入层有n个输入变量，隐含层有k个神经元节点，输出层有m个输出变量，设具有N个样本的训练集输入矩阵X和输出矩阵Y分别为：
其中，xij表示第j个训练样本的第i个输入变量，yij表示第j个训练样本的第i个输出变量；
首先确定k个RBF中心点[C1,C2,…,Ck]，并确定径向基函数的扩展常数δ；
输入第i个样本xi，则第j个隐含层节点的输出为
设H为RBF神经网络的隐含层输出矩阵，则有
设隐含层与输出层的连接权值为W，则有
其中，wji为隐含层第j个神经元与输出层第i个神经元之间的连接权值；
则网络输出为ZT，
H·W＝ZT,Z＝[z1,z2,…,zN]m×N
令ε＝||YT-ZT||逼近残差，则w通过求解一下方程组的最小二乘解获得:
其解为其中，H+为H的Moore-Penrose广义逆。
7.根据权利要求6所述的基于RBF神经网络的直升机旋翼飞行载荷预测方法，其特征在于，对所述旋翼飞行载荷预测模型进行优化，包括：
所述旋翼飞行载荷预测模型需要优化的参数有：聚类中心点、径向基函数扩展常数；
采用改进K-Means算法以动态调整的方式来确定聚类中心点数值及数目：
先随机取(N为样本数)个初始聚类中心，将其余的样本根据其与各个聚类中心的距离分配到距离最近的簇，更新每个簇的聚类中心，重新分配样本，直到新的聚类中心等于上一次的中心点时或准则函数E收敛；再随机取个初始聚类中心，重复上述步骤；依此实现(n为样本维数)所有数目下的空间聚类，最后选取准则函数E最小的k值及相应的聚类中心；
径向基函数选取普遍应用的高斯函数高斯函数扩展常数δ取δi＝αdi，通过查阅文献并结合小样本试验，重叠系数一般处于区间0-10之间，使用基于交叉验证的方法在0-10内搜索重叠系数的最优设置值，从而确定出每一个网络模型的径向基函数扩展常数，通过交叉验证方法确定重叠系数，进而确定高斯函数的扩展常数。
CN201811333269.6A 2018-11-09 2018-11-09 基于rbf神经网络的直升机旋翼飞行载荷预测方法 Active CN109583044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811333269.6A CN109583044B (zh) 2018-11-09 2018-11-09 基于rbf神经网络的直升机旋翼飞行载荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811333269.6A CN109583044B (zh) 2018-11-09 2018-11-09 基于rbf神经网络的直升机旋翼飞行载荷预测方法

Publications (2)

Publication Number Publication Date
CN109583044A true CN109583044A (zh) 2019-04-05
CN109583044B CN109583044B (zh) 2022-07-15

Family

ID=65921963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811333269.6A Active CN109583044B (zh) 2018-11-09 2018-11-09 基于rbf神经网络的直升机旋翼飞行载荷预测方法

Country Status (1)

Country Link
CN (1) CN109583044B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262227A (zh) * 2019-04-19 2019-09-20 南京航空航天大学 一种用于直升机主减***振隔振的惯性元件独立控制方法
CN110632545A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于回归神经网络电子式互感器误差风险评估方法和装置
CN111079296A (zh) * 2019-12-20 2020-04-28 中国航空工业集团公司沈阳飞机设计研究所 一种飞机部件及飞机飞行载荷评估方法
CN111488684A (zh) * 2020-04-12 2020-08-04 中国飞机强度研究所 一种载荷平衡计算方法
CN111506967A (zh) * 2020-04-20 2020-08-07 中国飞机强度研究所 一种强度试验约束点载荷异常的溯源方法
CN112926131A (zh) * 2021-01-26 2021-06-08 中车青岛四方机车车辆股份有限公司 车辆气动载荷确定方法及装置
CN116383975A (zh) * 2023-06-06 2023-07-04 西北工业大学 一种基于试飞数据的起落架载荷预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751609A (en) * 1996-10-24 1998-05-12 The United States Of America As Represented By The Secretary Of The Navy Neural network based method for estimating helicopter low airspeed
US20090043547A1 (en) * 2006-09-05 2009-02-12 Colorado State University Research Foundation Nonlinear function approximation over high-dimensional domains
CN103793613A (zh) * 2013-12-13 2014-05-14 北京航空航天大学 基于回归分析和rbf神经网络的退化数据缺失插补方法
US20150053017A1 (en) * 2013-08-23 2015-02-26 Michael M. Khonsari Fatigue assessment
CN106339355A (zh) * 2016-08-31 2017-01-18 哈尔滨工程大学 一种舰载机着舰短期航迹在线预测方法
CN106600059A (zh) * 2016-12-13 2017-04-26 北京邮电大学 基于改进rbf神经网络的智能电网短期负荷预测方法
CN107992648A (zh) * 2017-11-15 2018-05-04 南京航空航天大学 一种自适应rbf神经网络进行航空发动机推力估计算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751609A (en) * 1996-10-24 1998-05-12 The United States Of America As Represented By The Secretary Of The Navy Neural network based method for estimating helicopter low airspeed
US20090043547A1 (en) * 2006-09-05 2009-02-12 Colorado State University Research Foundation Nonlinear function approximation over high-dimensional domains
US20150053017A1 (en) * 2013-08-23 2015-02-26 Michael M. Khonsari Fatigue assessment
CN103793613A (zh) * 2013-12-13 2014-05-14 北京航空航天大学 基于回归分析和rbf神经网络的退化数据缺失插补方法
CN106339355A (zh) * 2016-08-31 2017-01-18 哈尔滨工程大学 一种舰载机着舰短期航迹在线预测方法
CN106600059A (zh) * 2016-12-13 2017-04-26 北京邮电大学 基于改进rbf神经网络的智能电网短期负荷预测方法
CN107992648A (zh) * 2017-11-15 2018-05-04 南京航空航天大学 一种自适应rbf神经网络进行航空发动机推力估计算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HASSAAN BIN YOUNIS等: "Prediction of fatigue crack growth rate in aircraft aluminum alloys using radial basis function neural network", 《2018 TENTH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI)》 *
廖文峰等: "采用模糊RBF神经网络的直升机旋翼不平衡故障诊断", 《南京航空航天大学学报》 *
邓旭东等: "基于神经网络模型的襟翼主动控制旋翼减振分析", 《南京航空航天大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262227A (zh) * 2019-04-19 2019-09-20 南京航空航天大学 一种用于直升机主减***振隔振的惯性元件独立控制方法
CN110632545A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于回归神经网络电子式互感器误差风险评估方法和装置
CN110632545B (zh) * 2019-09-25 2021-09-21 国网江苏省电力有限公司电力科学研究院 基于回归神经网络电子式互感器误差风险评估方法和装置
CN111079296A (zh) * 2019-12-20 2020-04-28 中国航空工业集团公司沈阳飞机设计研究所 一种飞机部件及飞机飞行载荷评估方法
CN111079296B (zh) * 2019-12-20 2023-09-08 中国航空工业集团公司沈阳飞机设计研究所 一种飞机部件及飞机飞行载荷评估方法
CN111488684A (zh) * 2020-04-12 2020-08-04 中国飞机强度研究所 一种载荷平衡计算方法
CN111506967A (zh) * 2020-04-20 2020-08-07 中国飞机强度研究所 一种强度试验约束点载荷异常的溯源方法
CN112926131A (zh) * 2021-01-26 2021-06-08 中车青岛四方机车车辆股份有限公司 车辆气动载荷确定方法及装置
CN112926131B (zh) * 2021-01-26 2022-11-29 中车青岛四方机车车辆股份有限公司 车辆气动载荷确定方法及装置
CN116383975A (zh) * 2023-06-06 2023-07-04 西北工业大学 一种基于试飞数据的起落架载荷预测方法
CN116383975B (zh) * 2023-06-06 2023-08-15 西北工业大学 一种基于试飞数据的起落架载荷预测方法

Also Published As

Publication number Publication date
CN109583044B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN109583044A (zh) 基于rbf神经网络的直升机旋翼飞行载荷预测方法
Brandon et al. Real-time onboard global nonlinear aerodynamic modeling from flight data
CN108594788A (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
EP2364910B1 (en) Techniques for use with rotor track and balance to reduce vibration
Qing et al. Aerodynamic modeling and parameter estimation from QAR data of an airplane approaching a high-altitude airport
AU2020344464B2 (en) Unsupervised anomaly detection for autonomous vehicles
US7440857B2 (en) Method and a system for detecting and locating an adjustment error or a defect of a rotorcraft rotor
CN105550473B (zh) 一种基于支持向量机分类的重着陆预测方法
US11353890B1 (en) Electrical vertical take-off and landing aircraft having reversionary flight control and method of use
Kumar et al. Rotorcraft parameter estimation using radial basis function neural network
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
US11679890B2 (en) Systems and methods for an aircraft motion observer in an electric aircraft
Thanaraj et al. Actuator fault detection and isolation on multi-rotor UAV using extreme learning neuro-fuzzy systems
Roy et al. Adaptive backstepping controller for altitude control of a small scale helicopter by considering the ground effect compensation
CN108228977B (zh) 一种基于飞行状态参数的直升机振动特征折算方法
CN102968553A (zh) 一种飞行器着陆风险评测方法
US20220319257A1 (en) Aircraft motion observer configured for use in electric aircraft
Pose et al. Actuator fault detection in a hexacopter using machine learning
CN115373275A (zh) 四旋翼无人机的指定时间预定性能容错控制方法
CN114896681A (zh) 一种基于耦合盘旋爬升试飞数据的爬升性能修正方法
Hussain et al. Aircraft sensor estimation for fault tolerant flight control system using fully connected cascade neural network
Dutta et al. Machine-learning based rotor fault diagnosis in a multicopter with strain data
Yue et al. Optimal design of Vertical-Taking-Off-and-Landing UAV wing using multilevel approach
Perdolt et al. Efficient Mid-Fidelity Aerodynamic Modeling of a Tilt-Wing eVTOL for Control Applications
Zou et al. Parallel crosschecking neural network based fault-tolerant flight parameter estimation and faulty sensor identification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant