CN110262227A - 一种用于直升机主减***振隔振的惯性元件独立控制方法 - Google Patents
一种用于直升机主减***振隔振的惯性元件独立控制方法 Download PDFInfo
- Publication number
- CN110262227A CN110262227A CN201910316830.8A CN201910316830A CN110262227A CN 110262227 A CN110262227 A CN 110262227A CN 201910316830 A CN201910316830 A CN 201910316830A CN 110262227 A CN110262227 A CN 110262227A
- Authority
- CN
- China
- Prior art keywords
- mass block
- frequency
- isolation system
- neural network
- vibrating isolation
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于直升机主减***振隔振的惯性元件独立控制方法,包括:在主减隔振***有限元模型和实体模型中,仿真测量获得主减隔振***的四个质量块位置和对应的***振频率样本;采用BP神经网络方法,训练有限元模型和实体模型质量块位置预测神经网络;以单个质量块位置最大变化量最小为约束条件,分别在有限元模型和实体模型中,多组神经网络决策最优质量块位置;综合频率跟踪算法和神经网络算法,编制控制质量块独立运动的控制程序;根据测得的激励频率,电机驱动各质量块到预测的最优质量块位置,使得***迅速恢复隔振效果。本发明可使隔振效率能够覆盖频段所有频率,并且当外激励改变时,使隔振***更快恢复隔振效果。
Description
技术领域
本发明属于直升机减隔振技术领域,涉及一种用于直升机主减***振隔振的惯性元件独立控制方法。
背景技术
动力***振隔振技术是直升机减隔振技术领域中一项关键技术,具有隔振效率高的优点。它由常规的隔振器(由弹性元件和阻尼元件组成)附加一个惯性元件构成。聚焦式隔振对平面内载荷具备良好的隔离效应,它运用聚焦弹性方式促使旋翼主减***稳定在机身上,机身和主减间的连杆于顶端汇集在一个虚的焦点上,主减下端借助弹性设备和机身连接。
以聚焦式***振隔振装置DAVI(Dynamic Anti-resonant Vibration Isolator,简称DAVI)为基础,参照法国八十年代研制成功的SARIB隔振方案,将单向动力***振与聚焦式隔振两者结合在一起。前者能对升力方向激振力起到隔振作用,后者则对旋翼旋转平面内激振力进行隔振。所构成的主减隔振***四根主减速器撑杆汇于一虚焦点,整个旋翼主减***在旋翼旋转平面内激振力作用下能绕虚焦点摆动。在其四个共振梁上加入线性模组,质量块置于模组上方。控制电机以调节质量块的移动,实现直升机主减半主动隔振。经过验证,当四个DAVI上质量块对称运动,可以在外激励频率改变时,识别新的外激励频率,调整质量块位置降低直升机振动水平。
在质量块对称运动时,一个主减隔振******振频率对应一种质量块位置配置。理论上所有质量块位置配置可以覆盖隔振带宽中所有频率,但是由于实际控制过程中,电机精度等原因,无法覆盖隔振带宽中所有频率。并且当频率发生突变时,需要四个质量块同时移动较长距离到达指定位置,主减隔振***恢复隔振效果时间较长,从而导致无法快速降低直升机振动水平。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种用于直升机主减***振隔振的惯性元件独立控制方法,通过控制惯性元件质量块的各自独立移动,在保证隔振效率的同时,可以覆盖隔振带宽中所有频率,并且当外激励改变时,使主减隔振***更快恢复隔振效果。
为解决上述技术问题,本发明采用以下技术方案。
本发明的一种用于直升机主减***振隔振的惯性元件独立控制方法,采用主减隔振***,所述的主减隔振***包括:四根主减速器撑杆汇于一虚焦点,整个旋翼主减隔振***在旋转平面内激振力作用下能绕虚焦点摆动;四个共振梁上各设置有一个线性模组,每个线性模组上方设置有一个质量块;由控制电机调节质量块的移动。
本发明方法具体包括以下步骤:
步骤一、测取主减隔振***的外激励频率;
步骤二、针对主减隔振***有限元模型,仿真获得主减隔振***有限元模型质量块位置预测神经网络训练样本;
步骤三、选择BP神经网络结构、参数以及训练方法,训练多组主减隔振***有限元模型质量块位置预测神经网络;以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置;
步骤四、针对主减隔振***实体模型,对照主减隔振***有限元模型仿真样本数据,试验获得主减隔振***实体模型质量块位置预测神经网络训练样本;
步骤五、针对主减隔振***有限元模型实体模型质量块位置预测神经网络训练样本,训练多组主减隔振***有限元模型实体模型质量块位置预测神经网络,并以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置;
步骤六、针对主减隔振***实体模型,综合频率跟踪算法和神经网络算法,设计基于神经网络质量块独立运动跟频控制试验,验证质量块独立运动的控制方法。
所述步骤一包括以下过程:
采用离散傅里叶方法进行信号采集时,如果信号的频率与离散傅里叶方法频谱分辨率的整数倍并不等同,运用原有的离散傅里叶算法就会致使“栅栏效应”,继而造成频谱外泄,进而使误差超出允许的范畴。因此采用加Hanning窗的离散傅里叶频谱修正分析方式对信号的频率进行采样。根据力传感器获得的激振力的时域信号,将取到的信号内幅值最大的单一频率,亦或在特定的频域中搜索,最后呈现出单一频率的频率值、幅值以及相位。所输入的信号主要包含实数、复数、单个或者多个通道等。
其实数单频信号可以借助以下表达式来表现:
复数单频信号可以表示为
其中,A、f以及Φ依次代表单频信号的幅值、频率以及相位,Fs代表输入波形信号的采样率。
所述步骤二包括以下过程:
针对主减隔振***有限元模型,不断改变四个质量块位置,计算该位置下主减隔振***的***振频率;获取多组质量块位置与对应***振频率数据,以研究质量块位置与对应***振频率的关系。研究表明当质量块对称运动时,质量块位置与***振频率一一对应;当质量块独立运动时,某一***振频率下质量块位置不唯一。根据***振频率数据,预测各个质量块的独立运动位置,采用BP神经网络建立频率值与各质量块之间的非线性映射关系。由于频率与质量块位置关系不是一一对应的关系,为保证神经网络误差可控以及单个神经网络的单值性,选择不同频率的样本作为训练样本,并使所选择的样本***振频率分散均匀。由于不同频率对应质量块位置不唯一,从而获取多组***振频率与质量块位置样本。
所述步骤三包括以下过程:
BP神经网络包括以下两个方面:信号的前向传播和误差的反向传播,即计算时从输入到输出方向进行,权值和阈值的修正从输出到输入进行。本训练采用Levenberg-Marquardt训练方法。选择输入神经元个数为1,输出神经元个数为4,隐层神经元个数为20,样本中训练样本数为总数的70%,另外验证样本15%,测试样本15%,设定全局最小误差为0.005,最大迭代次数为200。针对训练好的有限元模型质量块位置预测神经网络,在有限元中验证此神经网络可行性。输入激励频率,预测四个质量块位置,有限元计算在激励频率下主减隔振***的隔振效果,并与***振频率下的隔振效果进行对比。选择不同组的样本,或者选择不同的BP神经网络算法,如附加动量的自适应速率调整算法等,训练不同的主减隔振***有限元模型质量块位置预测神经网络。以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置。
所述步骤四包括以下过程:
针对步骤二的样本数据,移动质量块到样本数据指定的质量块位置,对主减隔振***做激励扫频,采取同步采样的采样方法,利用力传感器测量获得激励与响应幅值;以底座支反力作为响应,当响应不再降低,并且激励频率变大时,响应变大,此时激励频率为***的***振频率;在主减隔振***有限元模型中变换质量块位置,测得质量块在不同位置的***振频率。
所述步骤五包括以下过程:
根据步骤四获得的质量块位置与***振频率样本,仿照步骤三的神经网络训练过程,训练多组主减隔振***实体模型质量块位置预测神经网络,并以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置。
所述步骤六包括以下过程:
试验中采用加Hanning窗的离散傅里叶频谱修正分析方式对信号的频率进行采样,利用四个电机配合驱动器控制四个质量块移动,控制电机转速以及行程主要是通过Labview软件编程实现。由Signal Express发出定频激励信号,然后由Labview程序识别到激励信号的频率,通过主减隔振***实体模型质量块位置预测神经网络决策最优质量块位置。由质量块应在的位置和目前所在位置之差,计算出电机驱动质量块移动所需要的脉冲数。计算完成后,电机驱动质量块移动到目标位置。改变激励频率之后,Labview程序可以自动识别新的激励频率,并且及时移动质量块,以保证主减隔振***能一直保持在高效隔振状态下。
经仿真与实验验证,控制主减隔振***惯性元件质量块独立运动,在保证隔振效率的同时,可以覆盖隔振带宽所有频率。在高速直升机中旋翼转速变化时,可使主减隔振***迅速恢复隔振效果。
与现有技术相比,本发明具有以下优点和有益效果:
1.采用本发明方法,质量块的位置配置更多,能够覆盖整个主减隔振***隔振带宽。
本发明方法的质量块独立运动与质量块对称运动相比较,质量块不受其他质量块限制,质量块互相没有关系,质量块位置配置更多。理论上,质量块对称运动可以覆盖隔振带宽所有频率,但是由于电机精度不足等原因,对称运动无法覆盖隔振带宽所有频率。而质量块独立运动时,由于一个***振频率对应多个质量块位置配置,因此可以实现覆盖整个主减隔振***隔振带宽。
2.本发明方法下,外激励频率变化时,单个质量块位置最大变化量缩短,可以使隔振***迅速恢复隔振效果。
以激励力频率变化1Hz为例,前当质量块对称运动时,外频率变化1Hz时,单个质量块移动距离约为100mm。当质量块独立运动时,初始频率为23.6Hz时,选择某一种质量块位置配置使得******振频率恰好为23.6Hz,此时质量块位置为180,30,80,280mm,当外激励频率频率突变为24.6Hz时,选择一种可行的质量块位置为240,110,160,300mm。这种情况下,单个质量块最大位置变化量为80mm,主减隔振***可以更快驱动质量块到指定位置,使得***迅速恢复隔振效果。
3.本发明方法的质量块独立运动下,依然保持较好的隔振效果。
以外激励为24.8Hz为例,对称运动质量块都在230mm处,此时***振频率为24.8Hz,此时约束点处支反力为188.9N,即此时隔振效率为81.1%。质量块独立运动时,一种四个质量块位置配置分别为130,180,230,280mm,此时******振频率也是24.8Hz,此时约束点支反力为162.16N,即此时隔振效率为83.8%,同理可以验证其他位置配置,结果表明质量块独立运动时,选择合适的质量块位置,可以提高主减隔振***隔振效率。
附图说明
图1是本发明的一种实施例的惯性元件质量块独立运动控制流程示意图。
图2是本发明的一种实施例的直升机主减***振隔振***实体模型示意图。
图3是本发明的一种实施例的直升机主减***振隔振***有限元模型示意图,其中,1、2、3、4为四个共振梁。
图4是本发明的一种实施例的惯性元件质量块对称运动时位置配置与***振频率关系图。
图5是本发明的一种实施例的神经网络训练样本与实际输出的适应分布图。
图6是本发明的一种实施例的神经网络预测位置***振频率与输入激励频率对比分析图。
图7是本发明的一种实施例的多组神经网络决策最优质量块位置示意图。
图8是本发明的一种实施例的实体模型外激励激励方法示意图。
图9是本发明的一种实施例的实体模型主减底座响应测量示意图。
图10是本发明的一种实施例的电机控制子VI程序框图。
图11是本发明的一种实施例的质量块跟频独立控制试验响应时域图。
具体实施方式
在直升机主减速器聚焦式***振隔振中,需要调整惯性元件质量块的位置,使得直升机主减隔振装置在转速改变时始终具有较好的隔振效果。本发明提出一种控制惯性元件质量块各自独立运动的方法。本发明采用主减隔振***,所述的主减隔振***包括:四根主减速器撑杆汇于一虚焦点,在整个旋翼与主减速器旋翼旋转平面内的激振力作用下能绕虚焦点摆动;四个共振梁上各设置有一个线性模组,每个线性模组上方设置有一个质量块;由控制电机调节质量块的移动。本发明方法在有限元以及实体模型中,仿真测量主减隔振***的四个质量块位置和对应的***振频率样本;采用BP神经网络方法,训练有限元和实体模型质量块位置预测神经网络;以单个质量块位置最大变化量最小为优化目标,分别在有限元模型和实体模型中,多组神经网络决策最优质量块位置;综合频率跟踪算法和神经网络算法,编制控制质量块独立运动的控制程序;根据测得的激励频率,电机驱动质量块到预测的最优质量块位置,使得***迅速恢复隔振效果。
下面结合附图对本发明做进一步详细说明。
图1是本发明的一种实施例的惯性元件质量块独立运动控制流程示意图。如图所示,本实施例方法包括以下步骤:
步骤一、测取主减隔振***的外激励频率;
步骤二、针对主减隔振***有限元模型,仿真获得有限元模型质量块位置预测神经网络训练样本;
步骤三、选择BP神经网络结构、参数以及训练方法,以单个质量块位置最大变化量最小为优化目标,多组有限元模型质量块位置预测神经网络决策最优质量块位置;
步骤四、针对主减隔振***实体模型,对照有限元仿真样本数据,试验获得实体模型质量块位置预测神经网络训练样本;
步骤五、针对主减隔振***实体模型质量块位置预测神经网络训练样本,训练多组实体模型质量块位置预测神经网络,并以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置;
步骤六、针对主减隔振***实体模型,设计基于神经网络质量块独立运动跟频控制试验,验证质量块独立运动的控制方法。
所述步骤一包括以下过程:
采用离散傅里叶方法进行信号采集时,如果信号的频率与离散傅里叶方法频谱分辨率的整数倍并不等同,运用原有的离散傅里叶算法就会致使“栅栏效应”,继而造成频谱外泄,进而使误差超出允许的范畴。因此采用加Hanning窗的离散傅里叶频谱修正分析方式对信号的频率进行采样。根据力传感器获得的激振力的时域信号,将取到的信号内幅值最大的单一频率,亦或在特定的频域中搜索,最后呈现出单一频率的频率值、幅值以及相位。所输入的信号主要包含实数、复数、单个或者多个通道等。
其实数单频信号可以借助以下表达式来表现:
复数单频信号可以表示为
这之中,A、f以及Φ依次代表单频信号的幅值、频率以及相位,Fs代表输入波形信号的采样率。
所述步骤二包括以下过程:
针对主减隔振***实体模型,建立主减隔振***有限元模型。直升机主减***振隔振***实体模型示意图如附图2所示。针对有限元模型,不断改变四个质量块位置,计算该位置下主减隔振***的***振频率,有限元模型见附图3。有限元模型中获取尽可能多的质量块位置与对应***振频率数据,研究质量块位置与对应***振频率的关系。研究表明当质量块对称运动时,质量块位置与***振频率一一对应;当质量块独立运动时,某一个***振频率下质量块位置不唯一。对称运动质量块位置与***振频率变化规律如附图表1和附图4,独立运动质量块位置与***振频率变化规律如附图表2。探索根据频率值,预测各个质量块的独立运动位置,采用BP神经网络建立频率值与各质量块之间的非线性映射关系。由于频率与质量块位置关系不是一一对应的关系,为保证神经网络误差可控以及单个神经网络的单值性,选择不同频率的样本作为训练样本,选择的样本***振频率分散均匀。由于不同频率对应质量块位置不唯一,有限元模型中获取多组***振频率与质量块位置样本。其中一组质量块位置与***振频率样本如表3所示。
所述步骤三包括以下过程:
BP神经网络包括以下两个方面:信号的前向传播和误差的反向传播,即计算时从输入到输出方向进行,权值和阈值的修正从输出到输入进行。本次训练采用Levenberg-Marquardt训练方法。
根据表3的样本,选择输入神经元个数为1,输出神经元个数为4,隐层神经元个数为20,样本中训练样本数为总数的70%,另外验证样本15%,测试样本15%,设定全局最小误差为0.005,最大迭代次数为200。
训练的有限元模型质量块位置预测神经网络结果如附图5,图为训练后的***经网络非线性模型拟合曲线,曲线代表神经网络实际函数图像,点表示训练数据。从误差图看出,拟合效果较好。
针对训练好的有限元模型质量块位置预测神经网络,在有限元中验证此神经网络可行性。输入激励频率,预测四个质量块位置,变换有限元中质量块位置,有限元计算在该激励频率下主减隔振***的隔振效果,并与***振频率下的隔振效果进行对比。对比验证表与分析图,见附图表4与附图6。
选择不同组的样本,或者选择不同的BP神经网络算法,如附加动量的自适应速率调整算法等,训练多组有限元模型质量块位置预测神经网络。以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置。神经网络决策原理图见附图7。
所述步骤四包括以下过程:
针对步骤二的样本数据,移动质量块到指定位置,对主减隔振***做激励扫频,采取同步采样的采样方法,以底座支反力作为响应。当响应不再降低,并且激励频率变大时,响应变大,此时激励频率为***的***振频率。在有限元模型中变换质量块位置,测得在不同位置的***振频率。其激振方法与响应测量方法如附图8和附图9,利用力传感器测量获得激励与响应幅值。
所述步骤五包括以下过程:
根据步骤四获得的质量块位置与***振频率样本,仿照步骤三的神经网络训练过程,训练多组实体模型质量块位置预测神经网络,并以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置。
所述步骤六包括以下过程:
试验中采用加Hanning窗的离散傅里叶频谱修正分析方式对信号的频率进行采样,采用四个电机配合驱动器控制四个质量块移动,控制电机转速以及行程主要是通过Labview软件编程实现,电机控制FPGA子VI程序见附图10。由机箱的Signal Express发出定频激励信号,然后由笔记本电脑上的Labview程序识别到激励信号的频率,经过实体模型质量块位置预测神经网络计算出此激励频率下质量块应在的位置。由质量块应在的位置和目前所在位置之差,计算出电机驱动质量块移动所需要的脉冲数。计算完成后,电机驱动质量块移动到目标位置。改变激励频率之后,***可以自动识别新的激励频率,并且及时移动质量块,以保证隔振***能一直保持在高效隔振状态下。
以初始频率23.6Hz为例,初始时刻主减***几乎没有隔振效果,待质量块移动后,隔振效率升高。待主减隔振***稳定后,改变激励为24.4Hz,主减隔振***隔振效果降低,***再次识别频率,调整质量块位置,经过5秒左右,隔振***效率升高,恢复隔振效果。整个跟频过程,底座力传感器的响应图如图11所示。同理可以验证其他激励频率。
经仿真与实验验证,控制主减隔振***质量块独立运动,可以在高速直升机旋翼转速变化时,使得主减隔振***较为迅速的恢复较好隔振效果。
表1、有限元模型质量块对称运动质量块位置-***振频率变化规律表
表2、有限元模型质量块独立运动质量块位置-***振频率变化规律表
表3、有限元模型质量块位置预测训练样本
表4、有限元模型质量块位置预测神经网络对比验证表
Claims (7)
1.一种用于直升机主减***振隔振的惯性元件独立控制方法,采用主减隔振***,所述的主减隔振***包括:四根主减速器撑杆汇于一虚焦点,在整个旋翼与主减速器旋翼旋转平面内的激振力作用下能绕虚焦点摆动;四个共振梁上各设置有一个线性模组,每个线性模组上方设置有一个质量块;由控制电机调节质量块的移动;其特征在于,所述方法包括:
步骤一、测取主减隔振***的外激励频率;
步骤二、针对主减隔振***有限元模型,仿真获得主减隔振***有限元模型质量块位置预测神经网络训练样本;
步骤三、选择BP神经网络结构、参数以及训练方法,训练多组主减隔振***有限元模型质量块位置预测神经网络;以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置;
步骤四、针对主减隔振***实体模型,对照主减隔振***有限元模型仿真样本数据,试验获得主减隔振***实体模型质量块位置预测神经网络训练样本;
步骤五、针对主减隔振***有限元模型实体模型质量块位置预测神经网络训练样本,训练多组主减隔振***有限元模型实体模型质量块位置预测神经网络,并以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置;
步骤六、针对主减隔振***实体模型,综合频率跟踪算法和神经网络算法,设计基于神经网络质量块独立运动跟频控制试验,验证质量块独立运动的控制方法。
2.根据权利要求1所述的一种用于直升机主减***振隔振的惯性元件独立控制方法,其特征在于,在所述步骤一中,采用加Hanning窗的离散傅里叶频谱修正分析方式对外激励频率信号进行测量采样。
3.根据权利要求1所述的一种用于直升机主减***振隔振的惯性元件独立控制方法,其特征在于:所述步骤二包括以下过程:
针对主减隔振***有限元模型,不断改变四个质量块位置,计算该位置下主减隔振***的***振频率;获取多组质量块位置与对应***振频率数据;采用BP神经网络建立频率值与各质量块之间的非线性映射关系;选择不同频率的样本作为训练样本,并使所选择的样本***振频率分散均匀;由于不同频率对应质量块位置不唯一,在主减隔振***有限元模型中获取多组***振频率与质量块位置样本。
4.根据权利要求1所述的一种用于直升机主减***振隔振的惯性元件独立控制方法,其特征在于,所述步骤三的训练采用Levenberg-Marquardt训练方法;选择输入神经元个数为1,输出神经元个数为4,隐层神经元个数为20,样本中训练样本数为总数的70%,另外验证样本15%,测试样本15%,设定全局最小误差为0.005,最大迭代次数为200;针对训练完成的有限元模型质量块位置预测神经网络,在主减隔振***有限元模型中验证此神经网络的可行性;输入激励频率,预测四个质量块位置,有限元计算在激励频率下主减隔振***的隔振效果,并与***振频率下的隔振效果进行对比;选择不同组的样本,或者选择不同的BP神经网络算法,训练多组主减隔振***有限元模型质量块位置预测神经网络;以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置。
5.根据权利要求1所述的一种用于直升机主减***振隔振的惯性元件独立控制方法,其特征在于:所述步骤四包括以下过程:
针对步骤二的样本数据,移动质量块到指定位置,对主减隔振***做激励扫频,采取同步采样的采样方法,以底座支反力作为响应;当响应不再降低,并且激励频率变大时,响应变大,此时激励频率为主减隔振***的***振频率;在主减隔振***有限元模型中变换质量块位置,测量在不同位置的***振频率;利用力传感器测量获得激励与响应幅值。
6.根据权利要求1所述的一种用于直升机主减***振隔振的惯性元件独立控制方法,其特征在于:所述步骤五的过程为:
根据步骤四获得的质量块位置与***振频率样本,仿照步骤三的神经网络训练过程,训练多组主减隔振***实体模型质量块位置预测神经网络,并以单个质量块位置最大变化量最小为优化目标,多组神经网络决策最优质量块位置。
7.根据权利要求1所述的一种用于直升机主减***振隔振的惯性元件独立控制方法,其特征在于:所述步骤六的过程为:
试验中采用加Hanning窗的离散傅里叶频谱修正分析方式对信号的频率进行采样,采用四个电机配合驱动器控制四个质量块移动,控制电机转速以及行程主要是通过Labview软件编程实现;由Signal Express发出定频激励信号,然后由Labview程序识别到激励信号的频率,经过主减隔振***实体模型的质量块位置预测神经网络计算出此激励频率下质量块应在的位置;由质量块应在的位置和目前所在位置之差,计算出电机驱动质量块移动所需要的脉冲数;计算完成后,电机驱动质量块移动到目标位置;改变激励频率之后,Labview程序可以自动识别新的激励频率,并且及时移动质量块,以保证主减隔振***能一直保持在高效隔振状态下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316830.8A CN110262227A (zh) | 2019-04-19 | 2019-04-19 | 一种用于直升机主减***振隔振的惯性元件独立控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316830.8A CN110262227A (zh) | 2019-04-19 | 2019-04-19 | 一种用于直升机主减***振隔振的惯性元件独立控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262227A true CN110262227A (zh) | 2019-09-20 |
Family
ID=67913814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910316830.8A Pending CN110262227A (zh) | 2019-04-19 | 2019-04-19 | 一种用于直升机主减***振隔振的惯性元件独立控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262227A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113955130A (zh) * | 2021-11-19 | 2022-01-21 | 中国直升机设计研究所 | 一种双频可调直升机主减速器隔振装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
CN105045272A (zh) * | 2015-08-07 | 2015-11-11 | 北京航空航天大学 | 一种小型无人直升机的自动起飞控制策略设计 |
CN108153334A (zh) * | 2017-12-01 | 2018-06-12 | 南京航空航天大学 | 无合作目标式无人直升机视觉自主返航与着降方法及*** |
CN108228977A (zh) * | 2017-12-14 | 2018-06-29 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于飞行状态参数的直升机振动特征折算方法 |
CN108469728A (zh) * | 2018-03-28 | 2018-08-31 | 山东理工大学 | 一种机载LiDAR姿态角补偿装置解耦控制方法 |
CN109583044A (zh) * | 2018-11-09 | 2019-04-05 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
-
2019
- 2019-04-19 CN CN201910316830.8A patent/CN110262227A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
CN105045272A (zh) * | 2015-08-07 | 2015-11-11 | 北京航空航天大学 | 一种小型无人直升机的自动起飞控制策略设计 |
CN108153334A (zh) * | 2017-12-01 | 2018-06-12 | 南京航空航天大学 | 无合作目标式无人直升机视觉自主返航与着降方法及*** |
CN108228977A (zh) * | 2017-12-14 | 2018-06-29 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于飞行状态参数的直升机振动特征折算方法 |
CN108469728A (zh) * | 2018-03-28 | 2018-08-31 | 山东理工大学 | 一种机载LiDAR姿态角补偿装置解耦控制方法 |
CN109583044A (zh) * | 2018-11-09 | 2019-04-05 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
Non-Patent Citations (1)
Title |
---|
邓婷: ""直升机主减主动式***振隔振技术研究"", 《万方数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113955130A (zh) * | 2021-11-19 | 2022-01-21 | 中国直升机设计研究所 | 一种双频可调直升机主减速器隔振装置 |
CN113955130B (zh) * | 2021-11-19 | 2023-10-27 | 中国直升机设计研究所 | 一种双频可调直升机主减速器隔振装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915498A (zh) | 基于模型识别与等效简化的高速平台运动参数自整定方法 | |
Woodhouse | On the “bridge hill” of the violin | |
CN107543672B (zh) | 多自由度微振动环境模拟方法 | |
CN110346720A (zh) | 一种马达非线性参数的测试方法及装置 | |
CN108638056A (zh) | 基于柔体动力学模型的机器人关节振动分析与抑制方法 | |
CA2811017C (en) | Apparatus, system and method for dynamically measuring material viscoelasticity using shear wave induced resonance | |
CN109060386A (zh) | 一种非驱动前悬总成综合性疲劳耐久测试装置及方法 | |
CN104713721A (zh) | 隔振器***动态性能测试试验平台及其测试方法 | |
JP3425365B2 (ja) | 構造物の試験装置及び試験方法 | |
CN107505841A (zh) | 一种基于干扰估计器的机械臂姿态鲁棒控制方法 | |
CN104792485B (zh) | 一种电机阻尼特性识别的试验方法 | |
CN110262227A (zh) | 一种用于直升机主减***振隔振的惯性元件独立控制方法 | |
CA2217151C (en) | Method and apparatus for modeling a tire for use with vehicle couple-spindled simulator | |
CN107368630A (zh) | 一种获取耦合损耗因子的数值方法 | |
Roesch et al. | Remote control of mechatronic systems over communication networks | |
CN103512715A (zh) | 机舱测试设备 | |
CN106446354B (zh) | 混合动力客车传动***扭振预测及消除方法 | |
JP4802195B2 (ja) | 動力学系の物理量を制御/調整する方法 | |
CN104238367A (zh) | 一种基于神经网络的壳体结构表面振动一致性控制方法 | |
CN107704679A (zh) | 直驱式发电机模型的修正设备和方法 | |
CN107741702A (zh) | 复杂光机部件图像采集地面仿真平台姿态扰动发生装置 | |
CN112729734B (zh) | 一种测量串联式隔振器传递特性的方法 | |
CN108804766A (zh) | 阻尼参数的识别方法 | |
CN109682568A (zh) | 一种翼型高速风洞双天平动态测力装置及方法 | |
Dey et al. | Application of smartphone and model updating technique in structural health monitoring |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190920 |