基于模糊灰色聚类和组合赋权法的飞机健康状态综合评估方法

针对目前飞机健康状态不易准确评估的难题,以飞机液压系统为具体研究对象,提出一种基于模糊灰色聚类和组合赋权相结合的健康状态综合评估新方法。首先,利用熵权法和层次分析法（AHP）分别计算并确定飞机液压系统各关键部件相关参数的权重,再通过组合赋权法将上述两种权重进行组合,得到具有主客观意义的组合权重。第二,采用灰色聚类法评估飞机液压系统各关键部件的健康状态。针对评估结果,由飞机液压系统各关键部件聚类系数创建飞机液压系统的健康评估模糊评判矩阵。然后依据该矩阵,采用熵权法和AHP分别求出各关键部件权重,并用组合赋权法进行组合。最终,采用模糊综合评判法评估飞机液压系统的健康状态。以某型飞机真实液压系统为例进行了试验验证,结果表明,所提出的基于模糊灰色聚类和组合赋权相结合的健康状态综合评估方法能够有效实现飞机液压系统健康评估的效能,具有很好的工程应用价值。     

基于GRNN-ELM的飞机复合材料结构损伤识别

飞机结构的损伤严重影响着飞机的飞行安全,为了解决飞机复合材料结构损伤难以有效识别问题,本文提出一种基于广义回归神经网络(General regression neural network,GRNN)与极限学习机(Extreme learning machine,ELM)组合的飞机复合材料结构损伤识别新方法。首先对飞机复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用变分模态分解(Variational mode decomposition,VMD)对募集的应变信息进行自适应分解,得到多个基本模式分量(Intrinsic mode function,IMF)。计算各阶IMF分量的奇异熵,通过核独立主元分析(Kernel independent component analysis,KICA)方法对奇异熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于GRNN-ELM的复合材料结构损伤识别模型,通过试验对损伤识别模型的有效性进行了验证,并分别与所构建的ELM和GRNN损伤识别模型的识别结果进行比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的工程应用价值。     

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。