变截面悬臂梁结构动载荷辨识方法

在航空航天领域，作用在结构上动载荷的确定对结构健康监测是非常必要和重要的。为此，本文以类似机翼结构的变截面悬臂梁结构为研究对象，提出了一种基于光纤光栅传感器与卡尔曼滤波器的动载荷识别方法。首先，根据变截面梁单元形式，推导出变截面梁的质量矩阵与刚度矩阵，建立动力学运动方程。然后，以光纤光栅传感器测得的应变信息作为观测信号，通过卡尔曼滤波器生成的增益矩阵、新息序列矩阵以及协方差矩阵，得到灵敏度矩阵和估计力的增益矩阵。在此基础上，利用广义回归模型及其最小二乘算法，估算出动载荷大小、判断出动载荷激励位置。借助数值仿真与实验手段，分别验证了该方法对于单点正弦激励、方波激励、锯齿波激励以及多点同时激励等工况下的动载荷识别效果。结果表明，本文所提算法具有较好的动载荷识别效果和噪声抑制能力，能够为未来风洞试验和真实飞行试验环境中诸如大展弦比机翼表面气动压力等载荷实时辨识、气动外形自适应控制以及结构健康监测提供技术支撑。     

基于模态滤波器改进的动载荷识别模型

 基于模态滤波器概念提出了对载荷识别模态模型法的原理性校正方案,构造了动载荷识别的离散模态滤波器模型。以其他点激励代替常常不可达的实际工作输入点,通过建立系统的模态参数并相继在模态和物理坐标下的求解对动态载荷作出估算,可以避免经典模态模型法通常对结构或边界条件所作的修改和由于模态参数自身误差而导致的较大识别误差,实例分析表明该模型识别精度较高并具有普遍的工程适用性。     

加筋复合材料结构的冲击载荷识别

 提出了一种冲击载荷识别方法,同时识别冲击位置并重建冲击载荷时间历程。该方法采用一组适当的参数来表示冲击载荷,将时域内的载荷识别问题转换为参数识别问题;通过最小化冲击响应模型计算结果与实际量测信息之间的差别,智能优化方法自适应地识别出描述冲击位置和载荷时间历程的参数。该方法算法明确、过程简单、通用性强。将此方法应用于复合材料加筋结构的冲击载荷识别,加筋结构等效为材料性质不均匀分布的层板结构,采用假设模态法建立正向冲击响应模型。数值仿真结果表明了本方法的有效性和可应用性。     

基于遗传神经网络的飞行载荷参数识别

针对飞行载荷参数识别问题,结合典型机动动作,提出一种优化改进的BP神经网络模型。模型采用留出方法和遗传算法对BP神经网络的设置参数进行优化,利用最优设置参数训练得到飞行载荷与飞行参数的BP神经网络模型。在半滚机动下,通过利用飞行参数识别某一部位弯矩并与未优化BP神经网络对比,表明优化改进的BP神经网络模型对飞行载荷参数识别是一种可行且精度高的方法。     

复合材料板壳任意位置处载荷识别

提出了一种受载单元判别法,根据遗传算法生成的染色体所对应的载荷作用点的横、纵坐标和每个单元四条边间的几何关系,判断出集中载荷作用的单元,再根据力的等效分配原则,把载荷等效分配到所在单元的节点上,进而基于有限元分析和遗传算法自身优越的全局搜索能力实现作用于复合材料结构网格节点或单元内部任意位置处的载荷识别.与现有的神经网络识别法和有限元反分析法相比,该方法具有能够识别非网格节点处的载荷的优点,且仿真算例表明其识别精度更高.      

结构高频载荷识别的统计能量分析法

提出了结构高频载荷识别的统计能量分析法,给出了多子系统受激情况下,结构子系统输入功率识别的步骤和方法.对一个板壳组合结构系统的高频载荷识别分别进行了AutoSEA2仿真和实验研究.仿真与实验结果表明:采用所述方法,能很好地识别出单激励和多激励下结构子系统的输入功率.研究工作为工程结构的高频载荷识别提供了理论参考.      

一种基于神经网络的飞机载荷参数识别方法

提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别.首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率.载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求.     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

动态载荷识别方法研究

动态载荷识别技术是飞机设计中的关键技术之一，本文对动态载荷识别方法进行了综述，详细介绍了频域反演法，时域反演法，神经网络反演法，逆虚拟激励法以及优化反演法的研究进展。     

翼面结构结点载荷转换分配方法的比较分析

在对飞机的翼面结构进行有限元分析时,如何将气动载荷有效地加载到有限元模型上至关重要。研究翼面结构中气动结点载荷向有限元结点载荷转换的三种分配方法:三点排、四点排、多点排,并使用这三种方法对翼面结构有限元模型进行分析计算。结果表明:三种方法均能满足总载荷相同、总压心相同,且满足载荷分配要求;多点排方法不仅能适用于极端条件下的载荷分配且算法实现简单、计算效率高、理论依据强,还能实现载荷加载点位置的自由选取,四点排、三点排依次次之。所得结论可为结构有限元计算的载荷前处理和拓扑优化中的载荷分配提供一定参考和借鉴。     

未知时延系统的全局优化辅助变量辨识

对于未知时延系统,借助分离性原理,推导出迭代的可分离的非线性最小二乘（SNLS）辨识方法。为了降低收敛于局部最小的可能性,消除强观测噪声所引起的参数估计的偏差,利用全局优化理论,引进辅助变量,推导了全局优化的辅助变量（GOIV）辨识方法。仿真试验验证了算法的有效性。     

电液负载模拟器的神经网络参数辨识

基于神经网络,提出一种根据参数上下界辨识系统参数的新方法。在建立电液负载模拟器模型的基础上,在待辨识参数的上下界内,使用神经网络对动态系统的参数进行辨识,找到一组参数使之满足对实际系统的最佳逼近,使系统在实际输入信号下能更好地复现实际系统的实际输出。并使用另一组实验数据检验辨识结果对实际系统的任意实际输入输出采样数据组的逼近程度。验证结果表明该辨识结果能很精确地逼近实际系统。该方法可用于一般复杂系统的实际参数辨识。     

直升机六力素识别

本文介绍载荷识别技术。提出了“应变传递矩阵法”载荷识别的基础理论、不同性质载荷的识别方法和公式。叙述了直升机飞行载荷-六力素识别的三个主要阶段:传递矩阵的确定（地面标定）、结构响应实测（空中飞行试验）、载荷计算（六力素计算）。文中还就随机载荷识别进行了讨论。     

基于全航段QAR数据和卷积神经网络的航空发动机状态辨识

为了充分挖掘全航段飞行数据中蕴含的丰富信息以提高发动机状态辨识的准确率,提出一种基于全航段快速存取记录器（QAR）数据和卷积神经网络的发动机状态辨识方法。该方法将每次飞行循环的全航段QAR数据变换为一个红绿蓝（RGB）多通道样本实现全航段数据图像化处理,根据发动机维修记录中的水洗时间,将发动机划分为不同的衰退状态,采用卷积神经网络对不同衰退状态进行分类和辨识。该方法经某航空公司飞机QAR数据验证,结果表明：基于全航段QAR数据的衰退状态辨识算法的精确度相比于仅使用巡航段数据的精确度提升超过13%,辨识准确率达到98%。     

基于AFDX网络的时间同步分析与实现

时间同步技术对分布式网络是不可缺少的。根据AFDX网络的完整性、冗余性等特点,提出一种AFDX网络时间同步模型和实现方法。分析了时间同步过程中产生的时间延迟,并提出两种延迟补偿方法,分别为一次性补偿法和分段补偿法。对两种时间延迟补偿方法进行对比后,采用较为理想的分段补偿法给出AFDX网络的时间同步实现。提出一种时间同步精度的测量方法,并对AFDX网络的时间同步进行了实验和测量。结果表明,方法具有较高的同步精度,能够满足AFDX网络的使用要求。     

一种识别单盘柔性转子不平衡的新方法

基于柔性转子瞬态响应和反向传播神经网络理论,提出了一种识别单盘柔性转子不平衡的新方法.通过转子的理论模型建立识别转子不平衡方位角的BP神经网络,在此基础上只需两次加速启动过程就可完成对转子不平衡的识别.首先通过BP神经网络和第一次启动过程的瞬态响应数据,识别出转子不平衡的方位角;然后再通过一次加试重启动过程,利用瞬态挠度的幅值与不平衡大小之间的线性关系,识别出不平衡的大小.实验结果证明了该方法的有效性.      

飞控-飞机低阶等效系统的在线辨识

以飞控—飞机低阶等效系统为背景，采用Taylor展开法研究了带纯延迟环节的二阶系统的在线辨识。采取了对低信息点进行抛弃，变步数起动等算法对传统的最小二乘法加以改进，大大减少了辨识过程中产生的误差，更适合于实时辨识。实际应用结果表明：该方法可以有效地对具有时变特性的带纯延迟的非线性系统加以辨识，辨识结果满足工程要求。     

Identification and standardization of maneuvers based upon operational flight data

To find a way of loads analysis from operational flight data for advanced aircraft,maneuver identification and standardization jobs are conducted in this paper. For thousands of sorties from one aircraft, after studying the flight attitude when performing actions, the start and end time of the maneuvers can be determined. According to those time points, various types of maneuvers during the flight are extracted in the form of multi-parameters time histories. By analyzing the numerical range and curve shape of those parameters, a characteristic data library is established to model all types of maneuvers. Based on this library, a computer procedure using pattern-recognition theory is programmed to conduct automatic maneuver identification with high accuracy. In that way, operational loads are classified according to maneuver type. For a group of identified maneuvers of the same type, after the processes of time normalization, trace shifting, as well as averaging and smoothing, the idealization standard time history of each maneuver type is established.Finally, the typical load statuses are determined successfully based on standard maneuvers. The proposed method of maneuver identification and standardization is able to derive operational loads effectively, and might be applied to monitoring loads in Individual Aircraft Tracking Program(IATP).     

基于PNN-DS信息融合模型的目标识别方法

针对目标识别中常用BP—DS信息融合方法识别率低,运行速度慢,抗噪性差等问题,提出一种基于PNN网络和DS证据的信息融合方法。该方法不仅综合了证据理论在处理不确定信息方面的优点和神经网络在数值逼近上的长处,利用神经网络和证据推理算法获取了基本概率赋值,同时突出了PNN网络在处理多传感器信息的准确性和运算速度上都要优越于BP网络的特点。