基于雙隱藏層BP網絡的民用飛機載荷監測方法研究

何超杰,朱林剛,黃 勇,喻 文,陸 琪

(上海飛機設計研究院,上海 201210)

在民用飛機的全壽命周期中,機體結構起著承受載荷的作用,以確保飛機的安全性。隨著航空技術的進步,機體結構健康監測技術成為當前保證飛機結構安全性的重要研究方向[1-4]。當前,對飛機機體結構的健康監測依賴于對載荷和結構特性相關參數的識別和分析。對載荷的監測有2種途徑:1)對飛機進行改裝,在每架飛機上直接加裝傳感器,實時監測結構關鍵部位載荷水平;2)采集試飛/運營飛參,通過現有工程計算分析方法,進行單機載荷、強度、疲勞分析[5]。第1種途徑能夠對載荷水平進行快速預測和評估,但改裝的成本較高;第2種途徑則囿于預測評估耗時較長(往往需要一個月以上),且結果較為保守。

隨著計算機和傳感器及監測儀器技術的進步[6],飛機結構健康監測面臨參數眾多、數據分析量巨大的瓶頸。為突破現有方法的局限性,研究人員引入數字孿生[7]、大數據[8]和人工智能等先進技術手段,提高載荷預測評估的準確度和效率。尚琳等[9]基于神經網絡建立了垂尾根部剪力和彎矩的載荷模型,并進行了垂尾載荷預測分析;曹善成等[10]提出了改進的支持向量機回歸模型,并通過分析半滾機動動作下某部位彎矩驗證了該方法的有效性;趙燕[11]通過引入遺傳算法,創建了集成多目標遺傳算法(ensemble multi-objective genetic algorithm,EMGA)的方法,并通過和傳統方法對比,驗證了該方法的優越性;金鑫等[12]結合精細化有限元仿真和深度學習,對翼面載荷分布進行反演和重構,并通過和有限元計算結果對比,驗證了方法的有效性;李海泉等[13]建立了基于隨機森林的飛行載荷代理模型,并驗證了模型的高精度和高效率。

以上工作表明數字孿生、大數據和人工智能等新興技術的應用,能夠有效提高飛機載荷預測準確度和效率,然而這些工作的驗證數據來源于仿真,因此不能完全捕捉實際試飛/運營中載荷的變化。本文利用試飛實測機翼和平尾載荷數據,基于雙隱藏層BP神經網絡進行代理模型訓練,獲取飛參-載荷代理模型,并通過預測對比其他架次試飛載荷的預測值和試飛實測值,驗證方法的適用性。

1 神經網絡構建與代理模型建立

飛機的載荷受眾多參數影響。根據文獻[14]可知,對載荷具有顯著影響的飛參見表1。

表1 對載荷具有顯著影響的飛參

(1)

考慮到當飛機遇到紊流、突風或著陸場景時,載荷具有較強的非線性,因此本文采用雙隱藏層BP神經網絡建立代理模型,其網絡結構如圖1所示。為獲取泛化性好和精度優良的代理模型,對網絡結構進行優化,隱藏層節點數量取n1=2,n2=3,…,nq=20,進行多次訓練和評估,并選取最優的代理模型。其流程如圖2所示。

圖1 雙隱藏層神經網絡結構

圖2 代理模型訓練與優化流程

(2)

建立標準化的飛參協方差矩陣A:

A=

(3)

式中:c為協方差函數cov。

求解A的特征值λ1,λ2,…,λn及其特征向量u1,u2,…,un,其中特征值從大到小排列。則N0個主成分[Z1,Z2,…,ZN0]為:

(4)

第k個主成分的貢獻率Wk為:

(5)

累加貢獻率Sk為:

(6)

(7)

(8)

對于第2隱藏層,有:

(9)

對于輸出層有:

(10)

式中:s為輸出層輸入,N2為第2隱藏層節點數量,ωj為第2隱藏層第j個節點到輸出層的權值,θ為輸出層的偏置,z為輸出層輸出。

誤差反向傳播采用梯度下降法修正各權值和偏置。設實際載荷為Y,誤差函數E為:

E=(Y-z)2/2

(11)

則輸出層權值Δωj和偏置修正量Δθ為:

(12)

(13)

(14)

式中:η為學習率。模型訓練時通過對各權值和偏置進行不斷地迭代修正,實現對模型的優化,從而得到用于預測的代理模型。

2 預測結果分析

從各架次試飛結果中篩選、剔除冗余樣本,選擇106 313個樣本對神經網絡開展訓練得到代理模型,并用其他架次進行載荷預測(該架次包含樣本數量l為31 879個),同試飛采集載荷數據對比。從表2可以看出,翼根剪力和平尾根部扭矩的決定系數均達到0.98以上,歸一化標準誤差不超過1%,說明代理模型具有較好的泛化性,且預測結果精度高。圖3和圖4對比了用代理模型預測的載荷和試飛結果?？梢钥闯?預測的載荷規律和試飛結果較為吻合,翼根剪力在極大/小值處的誤差不超過4%,平尾根部扭矩在極大/小值處的誤差不超過3%。由此可見利用該代理模型可快速準確地預測翼根剪力和平尾根部扭矩。

圖3 翼根剪力對比

圖4 平尾根部扭矩對比

表2 預測結果和試飛數據對比

表中歸一化標準誤差nrmse的計算公式為:

(15)

3 結束語

傳統的民用飛機載荷/結構健康監測依賴于傳感器加裝以及工程計算和分析。其中載荷計算分析需要經歷機動仿真、外載荷計算、有限元仿真、強度及疲勞分析等過程,耗費大量人力和時間,且結果偏保守。本文利用試飛數據,基于雙隱藏層BP神經網絡,建立的某型號飛機翼根剪力和平尾根部扭矩的代理模型能夠快速準確地預測載荷。用基于雙隱藏層BP網絡的載荷代理模型代替傳統載荷計算分析中的機動仿真與外載荷計算過程,能夠更加準確、快速地獲取機體結構載荷。隨著飛機投入運營,能夠采集到更多樣本,從而對代理模型進行持續的優化調整,進一步提高載荷預測的精度。為獲取訓練樣本,該方法只需要在同型號的一架試飛機上進行傳感器加裝,從而顯著降低了改裝成本。綜上所述,該方法對提高載荷監測準確度和效率、縮減改裝成本具有明顯成效,在民用飛機載荷計算分析與試飛/運營載荷監測領域具有很好應用前景。