[发明专利]航空装备振动环境分析和预测方法

说明书

本发明提供一种航空装备振动环境分析和预测方法，其包括以下步骤：建立飞行器平台状态参数U和振动环境量值G之间的映射关系，确定飞行器平台的振动环境量值G和飞行器状态参数集合U，归一化处理，构建一组深度学习网络R1对归一化后的飞行器状态参数集合U'进行特征分类,重复构建多组深度学习网络分类器R2‑‑RX，将S组U'集合与特征分类器R1相连，给特征分类器R1‑‑RX的参数赋初始值，完成振动环境预测模型建模，实现振动环境量值的分析和预计。本发明所采用特征分类器与神经网络的组合方式，解决了振动环境预测中的非线性问题；而且采用的特征分类器，能够从多个飞行器状态参数中自动有效地提取特征参量，有效地优化了分类结果。

技术领域

本发明涉及一种航空装备可靠性技术领域方法，具体涉及一种航空装备振动环境分析和预测方法。

背景技术

安装在各种飞行器平台上的航空装备，在平台内部多个振动源例如动力装置、旋转部件等和平台外部复杂气动力载荷的联合作用下，其寿命期内经历的的振动环境非常严酷，是导致航空装备结构破坏、性能下降和功能失效的重要原因。因此需要准确确定航空装备寿命期内的振动环境的极值量值，并据此开展设计与试验验证工作，从而确保航空装备的正常和安全使用。

目前确定航空装备的振动环境极值量值的有效手段是对航空装备的安装平台开展振动环境实测工作，通过对平台振动环境实测数据进行有效分析，进而确定振动环境极值量值。

由于飞行器的状态参数直接决定飞行器平台的振动环境量值，但是在实际振动环境实测过程中受一些因素的制约，通常无法测得飞行器所有的极限状态参数，这就导致基于获取实测数据进行分析的结果不能代表航空装备寿命期内的振动环境极限量值，会对航空装备后续的设计和试验验证产生影响。

飞行器的状态参数是一个多因素集合，各个因素之间存在一定耦合；并且飞行状态不同，各个状态参数的权重也不同，因此飞行器状态参数和平台振动响应之间为一个高度复杂的非线性关系，为确保振动响应预测的结果准确性，需要首先对多个状态参数进行分类处理，但是依靠人工手段对多个状态参数进行分类多依赖于人为经验，必然导致预测结果因人而异，存在很大差异。

发明内容

本发明的目的在于提供一种航空装备振动环境分析和预测方法，在已有实测数据的基础上，基于机器学习的方式对飞行器平台状态参数进行特征分类，通过建立飞行器状态参数和平台振动响应的映射关系，进而对未知极限状态参数对应的振动响应进行预测。

为了实现本发明的上述目的，本发明提供一种航空装备振动环境分析和预测方法，其包括以下步骤：

S1、对于安装在飞行器平台上的航空装备，飞行器平台状态参数U和振动环境量值G之间的映射关系表示为：

G＝f(U)

S2、根据航空装备所在的飞行器平台一测点振动响应随飞行状态的不同而不同，将飞行器任务剖面划分为n种状态，飞行器平台所述测点的振动环境量值G表示为：

G＝(g₁,g₂,g₃,……g_n)

式中，G为容量为n的振动环境量值集合，g_i为飞行器平台第j个区域的振动环境量值，i＝1～n；

同时，飞行器平台的飞行器状态参数集合U为：

U＝(u₁,u₂,u₃,……u_n)

式中，U为容量为n的飞行器状态参数集合，u_i为第i种状态参数，i＝1～n；

S3、归一化处理：

对飞行器状态参数集合U进行归一化处理，获得归一化后的飞行器状态参数集合U'，其中：