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。     

贝叶斯正则化BP网络在机翼载荷分析中的应用

采用贝叶斯正则化与BP网络相结合的方法,构造了一个分析飞机机翼载荷的三层BP网络。贝叶斯正则化方法提高了BP神经网络的泛化能力,且能考虑非特征化的非线性影响。使用某型飞机对称机动和滚转机动的试飞实测数据作为载荷激励来训练神经网络,并用这个训练完的网络预测了该飞机机翼的飞行载荷。最后将神经网络预测结果与实测结果进行了比较,结果表明该方法能够准确地实现飞机机翼载荷预测,对新机研制和飞行试验有较高的参考价值。     

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.     

基于改进支持向量机回归的非线性飞机结构载荷模型建模

为进行飞机结构载荷安全监控并为飞机结构疲劳寿命评估积累相关数据,需建立与飞行参数相关的 飞机结构载荷模型。针对飞机结构载荷与飞行参数之间的非线性关系,采用改进停机准则的 SMO 算法及粒 子群模型参数优化算法对支持向量机回归方法进行改进,并通过飞行动力学理论分析结合皮尔逊相关系数的 方法对参与建模的飞行参数进行选取。以飞机跨声速俯仰机动为例,建立机翼某一测载剖面结构剪力模型,并 对该建模方法进行仿真验证。结果表明:采用改进支持向量机回归方法所建立模型精度优于原始支持向量机回归方法建立的模型,即采用改进支持向量机回归方法可提高建模精度及泛化能力。     

复杂结构飞行器的飞行载荷建模方法研究

复杂结构飞行器的传统飞行载荷建模方法存在误差大、效率低的问题。考虑电桥指标及载荷方程指标对载荷模型的综合影响,提出一种飞行载荷改进建模方法,以多梁多墙结构为例,基于某型机机翼地面载荷校准试验数据建立载荷模型,将改进方法与传统方法计算的弯矩及剪力进行对比,结合试飞数据对改进方法所得模型进行验证。结果表明：该飞行载荷改进建...     

发动机机动飞行类综合载荷谱研究

按照疲劳、蠕变以及热冲击损伤等效的原则 ,保证实测飞行载荷谱和综合载荷谱主要循环数、各功率状态持续时间以及主要功率状态的变化顺序相同 ,推导了某发动机机动飞行类综合载荷谱 ,为编制该发动机的加速任务试车谱提供了依据。首先根据空测结果对机动飞行任务剖面进行分类和飞行任务段的识别 ,然后统计发动机功率或转速的雨流计数循环以及各载荷状态持续的时间 ,并分析次循环对发动机造成的损伤情况 ,以决定取舍。将各机动飞行任务的同类任务段和同类载荷循环乘以任务混频后进行加权平均即得到机动飞行类综合载荷谱。最后根据发动机的高度—速度特性计算出发动机的工作参数谱     

某机翼的安全预测载荷模型建立

基于试飞阶段全V-N包线的实测飞行载荷，将改进遗传算法、线性回归与BP神经网络融合，给出了一种适用于全寿命周期的自适应安全预测载荷模型建立方法。将该方法应用于某飞机机翼的安全预测载荷模型建立，并对所建立的载荷模型进行了全V-N包线的验证。分析了样本空间与载荷模型精度的关系。结果表明：建立的弯矩预测载荷全包线最大误差为10.6%、平均误差为1.0%，剪力的最大误差为9.1%、平均误差为0.4%，比优化线性和分段线性的误差小，比神经网络的收敛性好。随着建模数据从全样本、1/2、1/3、…、1/10样本的变化，弯矩和剪力方程的全V-N包线的最大误差整体呈增大趋势，弯矩最大误差变化范围为10.6%~19.6%，最大剪力误差变化范围为9.1%~27.9%。     

基于动态贝叶斯网络和模糊灰度理论的飞行训练评估

针对战斗机飞行训练中的评估问题,提出了一种基于动态贝叶斯网络和模糊灰度理论的评估方法。首先,分析了训练过程中典型飞行参数与机动动作的因果关系,根据专家经验与先验知识构建基于动态贝叶斯网络的机动动作识别模型,推理得到战斗机机动动作识别结果。然后,建立战斗机飞行训练评估指标体系,根据战斗机机动识别结果选择飞行训练评估指标,并采用综合赋权法确定了指标权重。最后,建立灰度模糊评估矩阵,结合飞行训练过程中各评估指标的飞行数据得到评估结果。实验结果表明该评估方法能够根据飞行过程中的参数信息进行机动动作识别及飞行训练评估,提高了飞行训练评估的效率。     

图—144LL超音速运输机低阶等效系统识别

介绍了依据超音速运输机图－144LL的飞行试验数据进行的低阶等效系统模型识别。飞行试验包括在超音速巡航状态下，纵向和横／航向的机动。采用飞行员扫频和多步机动获取闭环低阶等效系统建模的数据。使用灵活的高精度傅氏变换和频域范围内的方程误差／输出误差（EE／OE）公式估算了模型参数，将结果与参数估算值做比较。其估计方法是采用频谱估算和在伯德图上对频响数据做连续最小二乘拟配，两种方法所取得的结果对于扫频和多步连续机动来说都十分吻合，对多步机动来说，EE／OE方法给出了一个可改进预估能力的较好的模型拟合，给出了图－144LL闭环低阶等效系统识别结果的计算值及列表，包括估算参数。标准差，飞行品质等级的预测值。     

直升机急拉杆机动飞行仿真建模与验证

 针对直升机大机动飞行仿真,建立了一个非线性的飞行动力学模型,考虑了翼型非定常/动态失速、机动飞行引起的动态尾迹畸变、桨叶弹性变形效应和发动机动态特性。采用基于有限元分析的挥舞-摆振-扭转耦合的弹性桨叶模型,并利用一种新的数值方法将旋翼/机体耦合运动方程表示为显式形式,整个飞行动力学模型表示为状态空间格式。以UH-60A直升机在高速飞行条件下的急拉杆机动飞行为例进行仿真计算,并与飞行试验数据进行对比验证。分析表明,仿真结果与试验结果吻合,高速飞行条件下机体抬头过程中前行桨叶非定常气动载荷的计算误差是引起旋翼和机体运动仿真误差的主要原因。