СПОСОБ ОЦЕНКИ НАГРУЖЕНИЯ КОНСТРУКЦИИ САМОЛЁТА ПРИ ЛЁТНЫХ ПРОЧНОСТНЫХ ИССЛЕДОВАНИЯХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Российский патент 2016 года по МПК B64F5/00 G01M7/02 G06N3/08 

Область техники

Настоящее изобретение относится к области измерения усилий, моментов и напряжений, к компьютерным системам, основанным на специфических вычислительных моделях, и к системам обработки данных, предназначенных для прогностических целей, при летных прочностных исследованиях самолетов.

Уровень техники

Летные прочностные исследования, проводимые с целью оценки нагружения элементов конструкции планера самолета, - это процедура обычно достаточно длительная и многостадийная из-за необходимости выполнять исследования при различных условиях полета (которые в необходимых диапазонах их измерения обычно нельзя достигнуть в малом числе полетов). Кроме того, летные прочностные исследования - это процедура по большей части достаточно ответственная (по условиям безопасности) и сложная из-за большого разнообразия и количества рассматриваемых конструктивных элементов планера. Перечисленные свойства этих исследований (многостадийность, ответственность и сложность) создают ряд проблем. В частности, необходимо отметить, что воздействие на элементы конструкции статических и динамических составляющих нагружающих силовых факторов (усилий, моментов и напряжений) различаются по характеру влияния на них условий полета, что требует отдельного анализа статических и динамических составляющих силовых факторов.

При оценке статических составляющих важно как можно раньше по условиям безопасности оценить возможные предельные значения этих составляющих и их производных по параметрам, характеризующим условия полета. Основными из этих параметров являются:

- перегрузки по трем осям в центре тяжести самолета (n_x, n_y, n_z);

- число Маха (М);

- высота (Н);

- отклонения аэродинамических органов управления и элементов механизации крыла (δ_i, φ_i), отклонения рычагов управления двигателями (РУД_i);

- угловые скорости по трем осям и их производных по времени (ω_х, ω_y, ω_z, , , );

- температуры в точках, близких к точкам измерения силовых факторов, необходимые для температурных поправок к силовым факторам.

При оценке динамических составляющих важно как можно раньше (для уточнения технологии этих исследований) оценить предельные значения размахов колебаний этих составляющих и их производных по следующим параметрам, характеризующим условия полета:

- скоростной напор (q);

- число Маха (М);

- высота (Н);

- углы атаки (α) и скольжения (β);

- отклонения аэродинамических органов управления и элементов механизации крыла (δ_i, φ_i), отклонения рычагов управления двигателями (РУД_i);

- угловые скорости по трем осям (ω_x, ω_y, ω_z).

Важно также как можно раньше оценить частоты и формы возникающих в полете колебаний конструкции.

К особенностям летных прочностных исследований также относятся:

- многочисленность динамических моделей нагружения конструктивных частей или элементов планера самолета;

- многомерность моделей нагружения из-за большого числа влияющих параметров полета.

Отмеченные особенности летных прочностных исследований неизбежно приводят к необходимости:

- обработки большого объема экспериментальных данных;

- роста числа полетов из-за необходимости выполнять более мелкие шаги изменения параметров полета для повышения точности результатов и обеспечения безопасности испытательных полетов.

Следует также учесть, что достижение предельных (или близких к ним) значений ряда параметров полета возможно только после выполнения специальных не прочностных летных испытаний. Поэтому для сокращения сроков летных прочностных испытаний необходимо иметь средства обработки данных для интерполяции и экстраполяции величин силовых факторов на режимах полета, в которых они еще не измерялись.

В разрешении проблем, возникающих при оценке нагружения конструкции самолета в полете, может существенное содействие оказать предлагаемый способ анализа материалов летных прочностных исследований с использованием искусственных нейронных сетей (С. Хайкин. Нейронные сети. - М.: Вильямс, 2008 г.). Искусственные нейронные сети - это, как известно, компьютерная система, позволяющая с помощью комплекса программ (или специальных «нейрокомпьютеров») запоминать на основе «обучения» в экспериментах алгоритмы вычисления отдельных, зависимых от условий эксперимента параметров (в данном случае силовых факторов) объекта (в данном случае конструкции планера самолета) по данным об условиях проведения эксперимента (в данном случае параметров полета).

«Обучение» искусственных нейронных сетей бывает двух типов:

- «обучение» с «учителем», при котором оператор искусственных нейронных сетей («учитель») назначает в ходе просмотров записей зарегистрированных параметров (в данном случае силовых факторов и параметров полета) участки «обучения»; программы построения и «обучения» искусственных нейронных сетей; в процессе многократных воспроизведений указанных участков уточняются параметры искомых алгоритмов;

- «обучение» без «учителя» с построением в ходе анализа текущих записей, зарегистрированных (или измеряемых в реальном времени) параметров, так называемых, «самонастраивающихся» и «самоорганизующихся» искусственных нейронных сетей.

Искусственные нейронные сети, построенные с «учителем», являются более простыми и дешевыми, но они не допускают столь значительных отклонений значений параметров состояния объекта и условий его функционирования от параметров и условий, встреченных при «обучении», сколь возможны при эксплуатации.

«Обученная» описанным способом (в данном случае с «учителем») компьютерная система позволяет получать с некоторой точностью (которая до определенного предела растет с увеличением числа циклов «обучения») указанные параметры объекта в экспериментах (летных или компьютерных), в которых известны параметры условий эксперимента, но не измерялись соответствующие параметры объекта.

Известен способ контроля прочности и вибрации судна и устройство для его осуществления (патент RU 2363935 C1, 2009 г.), использующий искусственные нейронные сети для оценки нагружения элементов конструкции корабля при его эксплуатации, в том числе в ледовых условиях, и диагностики состояния конструкции. Для чего регистрируют сигналы с блоков измерения, сравнивают их с заранее зафиксированными значениями и по отклонению поступивших сигналов с блоков измерения от заранее зарегистрированных сигналов судят о состоянии конструкции. Проводят анализ технического состояния исследуемого элемента конструкции в зависимости от сложившейся ситуации и прогнозируют ее развитие с помощью интеллектуальной системы; блок обучения формирует самоорганизующуюся нейронную сеть на основе нейрокомпьютера; в случае отказа датчика осуществляют контроль датчиков и настройку ассоциативных нейронных сетей, определяющих место отказа.

Известен «Способ диагностики деформации объекта, подверженного нагрузкам, в особенности конструкции летательного аппарата, и система для его осуществления», US 2014/0012461. A1, 2013 г., обеспечивающий диагностику повреждений конструкции с помощью искусственных нейронных сетей с использованием данных о нагружении элементов конструкции самолета при его эксплуатации. Способ предусматривает «обучение» нейросети с целью установления ассоциативных взаимоотношений между состоянием части конструкции, использованной для построения модели деформации в подмножестве соответствующих точек, и состоянием конструкции, по крайней мере, в оставшихся точках. При этом сравнивают оцененное по модели состояние конструкции с обнаруженным состоянием. Оценивается как неповрежденное состояние, если ожидаемые и обнаруженные значения параметров состояний совпадают и как поврежденное, если параметры состояния различны. При этом в описании патента отмечено, что удовлетворительность подобной диагностики существенно зависит от правильности размещения датчиков деформации, что затруднительно сделать до того, как дефект появится. Для идентификации наличия дефекта целесообразно дополнять диагностику частотным анализом получаемых данных. Патент US 2014/0012461 A1 предлагает использовать локальные измерения деформации конструкции для диагностики повреждений и дефектов (последнее особенно важно для композитных конструкций).

В обоих случаях речь идет о мониторинге в процессе эксплуатации, а следовательно, об обработке на бортовых компьютерах параметров полета (или плавания) и внешнего воздействия, а также о построении на указанных компьютерах в ходе «обучения» достаточно полных моделей деформации конструкции корабля (самолета). По результатам обработки в обоих случаях предполагается осуществлять мониторинг силовых факторов во всех критических точках (включая точки, где не измеряются силовые факторы). Мониторинг нагружения в обоих случаях предполагается осуществлять с помощью установленных на борту и соединенных с компьютером экранов, расположенных на рабочих местах операторов объекта (судоводителя или пилота самолета).

В обоих указанных случаях использовалось «обучение» без «учителя», что позволило создать такие искусственные нейронные сети для использования в условиях повышенной сложности (например, при плавании во льдах или при отсутствии измерений силовых факторов, даже в ходе «обучения» в отдельных критических точках). Следует, однако, указать, что число циклов «обучения» в случаях «самонастраивающихся» систем или недостаточно для достижения нужной точности, или предполагает «обучение» с имитацией повышенных значений параметров на основе предельных расчетов. Подобное «обучение» при летных прочностных исследованиях представляется нерациональным по причине его большей сложности и трудоемкости.

Рассмотренные патенты, по-видимому, предполагают мониторинг статических составляющих силовых факторов, сравнивая их с допускаемыми величинами. Между тем, как показывает теория и опыт летных прочностных исследований, даже при значениях статических составляющих силовых факторов в зоне линейных упругих деформаций и значениях размахов динамических составляющих силовых факторов существенно ниже, чем характерные для предела усталости, возможно быстрое возникновение многоцикловых усталостных повреждений в зонах концентраторов напряжений. Это особенно проявляется при достаточно высокой частоте колебаний конструкции особенно для форм колебаний с высоким уровнем динамических составляющих вблизи концентраторов напряжений.

Отсюда следует необходимость уделять внимание в равной степени значениям статическим и динамическим составляющим силовых факторов, тем более что для уменьшения их значений часто используются различные мероприятия, например:

- увеличение площади сечений главных несущих элементов конструкции для увеличения статической прочности;

- применение более частых подкреплений на панелях обшивки для увеличения динамической прочности.

Другим недостатком способов указанных патентов является использование для построения нейросетей исходных неосредненных результатов измерения силовых факторов, что при случайном характере большинства процессов нагружения конструкции транспортных средств приводит к повышенным разбросам в результатах оценки нагрузок. Это отмечено в описании обоих изобретений прототипов и отличается от подходов, принятых для методов летных прочностных исследований в России.

Раскрытие изобретения

Технический результат, на достижение которого направлено заявляемое изобретение, состоит в сокращении числа испытательных режимов и полетов, необходимых для получения оценок силовых факторов, и повышении точности (особенно это относится к динамическим составляющим силовых факторов), в ускорении анализа материалов летных прочностных исследований, получении достаточно точного прогноза нагружения, за счет интерполяции и экстраполяции, и прогноза появления повреждений, дефектов даже при их небольших размерах.

Существенные признаки

Для достижения указанного технического результата в способе оценки нагружения конструкции самолета при летных прочностных исследованиях, базирующихся на анализе многомерных моделей нагружения, используется комплекс операций, заключающийся: в измерении значений силовых факторов реакции конструкции датчиками деформаций, размещенных на конструкции самолета с учетом собственных форм ее колебаний, передаче этих значений и параметров полета из памяти бортовых регистраторов в память компьютеров, построении, «обучении» и тестировании искусственных нейронных сетей, сравнении ожидаемого и обнаруженного нагружения конструкции самолета. На первом шаге находят относительно стационарные по нагружению короткие интервалы времени, на которых на втором шаге вычисляются средние значения параметров полета, средние значения силовых факторов, определяемые, как статические составляющие, среднеквадратические отклонения (СКО) динамических составляющих силовых факторов с осреднением на выбранных интервалах Δt_1оср. На третьем шаге строятся, «обучаются с учителем» и тестируются две отдельные нейросети для статических и динамических составляющих, на одни входы которых подают средние значения параметров полета, осредненные после интерполяции исходных физических значений параметров, характеризующих условия полета. Дополнительно на другой вход блоков построения и «обучения» первой нейросети подают статические составляющие силовых факторов, а на другой вход блока построения и «обучения» второй нейросети подают после интерполяции на указанной частоте значения среднеквадратических отклонений динамических составляющих этих силовых факторов. На четвертом шаге с помощью построенных и «обученных» указанных нейросетей выполняют формирование многомерных моделей нагружения. При этом создаются две группы искусственных нейронных сетей, в которых на основе введенных многомерных векторов строят многомерные модели нагружения для статических составляющих и для динамических составляющих силовых факторов. На их основе прогнозируют силовые факторы (моменты, усилия, напряжения) посредством интерполяции и экстраполяции (характер которых зависит от свойств конкретного нагружения), выполняемых в первой и второй нейросетях в случаях ввода оператором параметров полета, отличных от значений, использованных при построении и «обучении» нейросетей.

Кроме того, для прогноза спектральных характеристик - спектральной плотности и спектральной функции процесса колебаний (СФП) - динамических составляющих силовых факторов и диагностики появления возможных повреждений конструкции самолета формируют третью нейростеть, для построения и «обучения с учителем» которой на ее одних входах используются параметры полета, на ее других входах используют спектральные характеристики динамических составляющих силовых факторов (моментов, усилий, напряжений) и СКО их динамических составляющих, которые вычислены с осреднением на интервале Δt_2ocp, равном по длительности выбранному для спектрального анализа участку режима, а на ее выходе определяют прогнозируемые оценки указанных спектральных характеристик, вычисленные с помощью третьей нейросети и соответствующие параметрам полета на рассматриваемом режиме, где, однако, не измерялись силовые факторы. Сравнение указанных прогнозированных оценок спектральных характеристик для данных ПП значений СПМ и СФП со значениями, полученными в блоке их расчета, полученными в очередном полете, может позволить выявить неисправность конструкции или сделать вывод об исправности конструкции для очередного полета.

Более того, для различных режимов полета, при которых на силовые факторы и их спектральные характеристики существенно влияют многие параметры полета - имеет место многомерная модель нагружения - и неясно какие параметры полета превалируют, формируют четвертую нейросеть, для построения и «обучения» которой на ее одном входе используют средние для каждого режима полета значения всех рассматриваемых параметров полета многомерной модели, на другой вход нейросети подают также средние для каждого режима полета корреляционные коэффициенты средних статических составляющих, динамических составляющих и спектральных характеристик относительно всех указанных средних значений параметров полета для перехода с помощью четвертой нейросети от первоначальных многомерных моделей нагружения к моделям меньших размерностей, то есть на заключительном шаге используют данную нейросеть для выявления наиболее влияющих на силовые факторы параметры полета.

В послеполетной обработке на первом шаге находят относительно стационарные по нагружению короткие интервалы времени, на которых на втором шаге вычисляются средние значения параметров полета, средние значения силовых факторов, определяемые, как статические составляющие, среднеквадратические отклонения силовых факторов, определяемые, как динамические составляющие, и передаваемые на экран оператора. На третьем шаге строятся, «обучаются» и тестируются две нейросети, на вход которых подаются средние значения параметров полета. На вход первой нейросети подаются статические составляющие силовых факторов. На вход второй нейросети подаются динамические составляющие этих силовых факторов. На четвертом шаге с помощью построенных и «обученных» указанных нейросетей выполняют прогноз силовых факторов в случаях известности только параметров полета и на базе значений параметров полета, статических составляющих и среднеквадратических отклонений динамических составляющих силовых факторов вычисляют для каждого режима (или наиболее существенной части, частей удлиненного режима), запоминают и подготавливают к выдаче по вызову таблицы средних для режима, или существенной части (частей) удлиненного режима. Затем вычисляют корреляционные коэффициенты для каждой статической составляющей и среднеквадратического отклонения динамических составляющих относительно всех рассматриваемых параметров полета. Определяют вид параметрических зависимостей.

Таким образом, технический результат достигается за счет одновременности вычисления осредненных на коротких интервалах времени значений статических составляющих силовых факторов и динамических составляющих силовых факторов, корреляционных таблиц (для выявления в четвертой нейросети наиболее влияющих на силовые факторы параметры полета путем анализа многомерных моделей нагружения), прогнозирования путем интерполяции и экстраполяции с помощью первой и второй нейросетей составляющих силовых факторов на режимах, где они не измерялись, а после выполнения режимов полета, используемых при спектральном анализе, и вычислении ориентировочных данных о спектральной плотности мощности и спектральной функции процесса колебаний, подобное же прогнозирование спектральных характеристик с использованием третьей нейросети.

Предлагаемый способ поясняется чертежами:

на фиг. 1 изображена блок-схема послеполетной обработки на компьютере НК1 материалов летных прочностных исследований для подготовки к вводу в нейросети;

на фиг. 2 показана блок-схема построения, «обучения»и функционирования нейросетей на компьютере НК2;

на фиг. 3 показан узел навески закрылка, использованный в примере для нейросети по статической составляющей усилия в «шатуне»;

на фиг. 4 показана структура, использованного в примере персептрона для прогнозирования статической составляющей процесса нагружения шатуна закрылка в точке Ph2, где

на фиг. 1-4

1 Бортовая система сбора полетных данных

2 Рабочее место с компьютерами

3 Блок памяти силовых факторов (СФ)

4 Блок данных статических составляющих силовых факторов (СССФ)

5 Блок данных динамических составляющих силовых факторов (ДССФ)

6 Блок памяти параметров полета (ПП)

8 Блок памяти температуры в точках, близких к точкам измерения силовых факторов (ТСФ)

9 Блок расчета температурных поправок к физическим значениям силовых факторов (ТП)

10 Искусственные нейронные сети (ИНС)

11 Блок данных среднеквадратических отклонений динамических составляющих (СКО ДССФ)

12 Память бортового регистратора силовых факторов (ПБР СФ)

13 Память бортового регистратора параметров полета (ПБР ПП)

16 Данные о собственных частотах (ДСЧ) рассматриваемой части самолета

17 Данные о формах колебаний (ДФК) рассматриваемой части самолета

18 Режимы полета, пригодные для спектрального анализа (PCА) и соответствующие Δt_2оср.

19 Блок констант (БКОН)

20 Искусственные нейросети для статических составляющих силовых факторов (ИНС СС)

21 Искусственные нейросети для динамических составляющих силовых факторов (ИНС ДС)

22 Искусственные нейросети для спектрального анализа (ИНС СА)

23 Наземный компьютер для подготовки материалов к ИНС (НК1)

24 Наземный компьютер для ИНС (НК2)

25 Электронная копия памяти бортового регистратора силовых факторов

26 Электронная копия памяти бортового регистратора параметров, характеризующих условия полета (ПХП)

27 Перечень режимов (ПР)

28 Кроссировка силовых факторов (КР СФ)

29 Кроссировка параметров полета (КР ПП)

30₁, 30₂ Маркированные (интересующие) каналы (МК СФ и МК ПП)

31 Калибровочные коэффициенты силовых факторов (КК СФ)

32 Калибровочные коэффициенты параметров ПХП (КК ПХП)

33 Электрические нули силовых факторов (ЭН СФ)

34 Электрические нули параметров ПХП (ЭН ПХП)

35 Данные для расчета температурных поправок к физическим значениям силовых факторов

36 Блок расчета исходных физических значений силовых факторов (ИФЗ СФ)

37 Блок расчета исходных физических значений параметров полета (ИФЗ ПП)

38 Данные о частотах опроса и интервалах осреднения Δt_1ocp

39 Блок осреднения исходных физических значений силовых факторов

40 Блок интерполяция осредненных исходных физических значений силовых факторов

41 Блок интерполяции исходных физических значений температуры в точках, близких к точкам измерения силовых факторов

42 Блок интерполяции исходных физических значений параметров, характеризующих условия полета

43 Блок осреднения после интерполяции исходных физических значений параметров, характеризующих условия полета

44 Расчет ДССФ 5 и СКО ДССФ 11

45 Расчет СПМ, СФП и СКО ДССФ для режимов полета, пригодных для частотного анализа 18

46 Электронная копия результатов 23 (4, 5, 11, 43, 45, 16, 17)

47 Блок построения ИНС СС

48 Блок «обучения» ИНС СС

49 Блок функционирования ИНС СС

50 Блок построения ИНС ДС

51 Блок «обучения» ИНС ДС

52 Блок функционирования ИНС ДС

53 Блок построения ИНС СА

54 Блок «обучения с учителем» ИНС СА

55 Блок функционирования ИНС СА

56 Электронная копия результатов наземного компьютера для ИНС (НК2) 24

57 Экран наземного компьютера для ИНС (НК2) 24

58 Печать наземного компьютера для ИНС (НК2) 24

59 Шатун

60 Тензодатчик для измерения усилия в «шатуне» привода закрылка

61 Измеритель усилия в «шатуне» левого внутреннего закрылка (Ph2)

62 Измеритель усилия в «шатуне» правого внешнего закрылка (Ph3)

63 Динамическая составляющая усилия в «шатуне» левого внутреннего закрылка (dPh2)

64 Динамическая составляющая усилия в «шатуне» правого внешнего закрылка

64 Динамическая составляющая усилия в «шатуне» правого внешнего закрылка (dPh3)

65 Угол атаки (α)

66 Вертикальная перегрузка (Ny)

67 Скоростной напор (q)

68 Число Маха (М)

69 Высота барометрическая (Hbar)

70 Скорость приборная (Vpr)

71 Боковая перегрузка (Nz)

72 Угол скольжения (β)

73 Угол отклонения закрылка левого (dzklv)

74 Угловая скорость по крену (Wx)

75 Угловая скорость по тангажу (Wz)

76 Угол отклонения стабилизатора (dst)

77 Угол отклонения руля направления (drn)

78 Угол отклонения закрылка правого (dzkpr)

79÷87 Номера ячеек (сверху вниз на фиг. 4) промежуточных слоев нейросетей

88÷91 Номера выходных ячеек нейросетей, предназначенных соответственно для параметров 61÷64

На фиг. 1-2 представлена блок-схема реализации способа оценки нагружения конструкции самолета при летных исследованиях с использованием искусственных нейронных сетей, содержащая бортовую систему сбора полетных данных (1) (не показана), рабочее место с процессорами (2) (не показано), блок обработки сигналов для диагностики, употребляемых при обработке материалов летных прочностных исследований на наземных компьютерах (НК1) (фиг. 1) и (НК2) (фиг. 2).

Обработка и анализ полетных данных начинаются с электронной копии силовых факторов в блоке (25), к входу которого подключен блок памяти бортового регистратора силовых факторов (ПБР СФ) (12) с системы (1), а выход подключен к входу блока с использованием (31) и (33) расчета исходных физических значений силовых факторов (ИФЗ СФ) (36), взаимосвязанный с входом блока осреднения исходных физических значений силовых факторов (39), подключенного через блок интерполяции осредненных исходных физических значений силовых факторов (40) к блоку расчета ДССФ и СКО ДССФ (44), и второй выход (39) подключен к блоку памяти статических составляющих силовых факторов (4). Выходы блоков (44) и (36) подключены к входам блоков памяти массивов для электронного копирования результатов в (46): статических составляющих силовых факторов (СССФ) (4), динамических составляющих силовых факторов (ДССФ) (5), среднеквадратических отклонений динамических составляющих (СКО ДССФ) (11). Выход блока расчета (45) спектральной плотности мощности (СПМ), спектральной функции процесса колебаний (СФП) и СКО ДССФ, режимов полета, пригодных для спектрального анализа (РСА), соединен с блоком (46), а вход подключен к выходу блока ИФЗ СФ (36) и блоку (18), определяющему длительность осреднения Δt_2осp при спектральном анализе.

Соответственно, вход электронной копии параметров ПХП (26) связан с выходом блока памяти бортового регистратора параметров управляющих полетом (ПБР ПП) (13) с системы (1), а выход подключен к последовательно соединенным блоку расчета исходных физических значений параметров полета (ИФЗ ПП) (37), блоку интерполяции исходных физических значений параметров, характеризующих условия полета (42), блоку осреднения после интерполяции исходных физических значений параметров (43), связанному с блоком (46) электронной копии.

Блок констант (БКОН) (19) содержит перечень режимов (27), базу данных для расчета температурных поправок, вычисляемых в блоке (9) с использованием блока температур (8), а также блоков (32), (34) и (35), к физическим значениям силовых факторов, базу данных о частотах опроса и интервале осреднения (38), о собственных частотах рассматриваемой части самолета (ДСЧ) (16), о формах соответствующих колебаний (ДФК) (17), кроссировки СФ, кроссировки параметров ПХП, маркированные каналы, электрические нули, калибровочные коэффициенты СФ и ПХП.

На фиг. 2 показаны сформированные три искусственные нейросети для статических составляющих ИНС1 (20), для динамических составляющих ИНС 2 (21), для спектрального анализа ИНС 3 (22), включающих блоки построения (47, 50, 53), блоки «обучения» (48, 51, 54), блоки функционирования (49, 52, 55) на компьютере НК2 (24); входы (47, 48) первой нейросети связаны с выходом блока статических составляющих силовых факторов (4); входы (50, 51) ИНС2 связаны с выходом СКВ ДССФ (11); входы (53, 54) ИНС3 связаны с выходом блока расчета СКО ДССФ, СФП и СКО ДССФ для режимов полета, пригодных для частотного анализа (45); входы (47, 48, 49) ИНС1, входы (50, 51, 52) ИНС2, входы (53, 54, 55) связаны с выходами блока осреднения после интерполяции исходных физических значений параметров полета (43), а выходы (49, 52, 55) взаимосвязаны с экраном (57), печатью (58), электронной копией результатов (56).

Способ осуществляется следующим образом.

Оценка динамических составляющих силовых факторов в практике летных прочностных исследований обычно выполняется с помощью вычисления текущих значений среднеквадратических отклонений силовых факторов от их (тоже текущих) осредненных значений (то есть статических составляющих силовых факторов). Такие осреднения принято выполнять на относительно коротких интервалах времени Δt_1ocp (обычно Δt_1ocp=0,1 с÷1 с). Величины Δt_1ocp (различные для разных элементов конструкции) выбираются с учетом значений предварительно оцененных собственных частот элементов конструкции и результатов просмотра зарегистрированных в полете процессов.

После установления участков относительной стационарности текущие значения статических составляющих и среднеквадратические отклонения динамических составляющих находят на кратковременных характерных участках (режимах) полета. Часто порежимная обработка процессов используется с самого начала. Непрерывная обработка текущих значений применяется и при преобладании порежимной обработки на удлиненных режимах с плавным изменением параметров полета.

Значения параметров полета, характерные для каждого рассматриваемого режима или для наиболее существенной части удлиненного режима, а также соответствующие осредненные значения статических составляющих и среднеквадратические отклонения динамических составляющих являются многомерными векторами, используемыми для «обучения» искусственных нейронных сетей, в рамках данного изобретения. При этом создаются две группы искусственных нейронных сетей, в которых на основе введенных многомерных векторов строят многомерные модели нагружения - сети для статических составляющих и сети для динамических составляющих силовых факторов.

Вычисление указанных осредненных значений, а также значений соответствующих параметров полета (которые при необходимости также осредняются на интервалах Δt_оср) выполняют на том же компьютере, который служит для послеполетной обработки данных о силовых факторах и параметрах полета. Наряду с осредненными значениями предполагается осреднять для каждого анализируемого интервала Δt_ocp максимальные и минимальные величины силовых факторов и их динамических составляющих.

При построении искусственных нейронных сетей на базе значений параметров полета, статических составляющих и среднеквадратических отклонений динамических составляющих силовых факторов предполагается вычислять для каждого режима (или наиболее существенной части, частей удлиненного режима), запоминать и подготавливать к выдаче по вызову таблицы средних для режима или существенной части (частей) удлиненного режима. Затем вычисляются корреляционные коэффициенты для каждой статической составляющей и среднеквадратического отклонения динамических составляющих относительно всех рассматриваемых параметров полета. Эти таблицы позволят ускорить анализ многомерных моделей нагружения и наметить вид параметрических зависимостей и, если возможно, уменьшить размерность многомерной модели нагружения.

Наряду с перечисленным предполагается с помощью стандартных программ (например, с использованием быстрого преобразования Фурье) выполнять на отдельных участках полета спектральный анализ (нормированных спектральных плотностей мощности и спектральных функций). Требуемая (по условиям допустимой погрешности) длительность указанных участков и шаг дискретизации процессов зависят от представляющего интерес частотного диапазона рассматриваемого элемента конструкции. Они могут быть назначены на основе данных наземных частотных испытаний или расчетов. Также привлекаются данные о формах колебаний на собственных частотах особенно критические формы с большой кривизной деформированной конструкции вблизи концентраторов напряжений.

Как показывает опыт, возбуждающиеся в полете тона колебаний зависят главным образом от следующих параметров полета:

- углов атаки (α) и скольжения (β);

- числа Маха (M);

- углов отклонения аэродинамических органов управления и элементов механизации крыла (δ_i, φ_i).

Соответственно, в эксплуатационном диапазоне измерения этих параметров следует выполнить специальные режимы полета с достаточно длительной стационарностью по всем указанным параметрам. Подобные режимы назовем «режимами спектрального анализа» (18). Данные (45) по спектральным плотностям мощности, спектральным функциям процесса колебаний и СКО динамических составляющих, полученные при обработке материалов (18) (вместе с ними данные по (43) режима (18), а также данные о собственных частотах и формах колебаний, взятые из блока констант (19) компьютера НК1, с соответствующими проявившимися в полете частотами - следует ввести в искусственные нейронные сети (ИНС), предназначенные для спектрального анализа. Указанный ввод осуществляется для «обучения» этих специализированных искусственных нейронных сетей ИНС 3 для спектрального анализа, которые назовем (ИНС СА).

На чертежах (фиг.1-2) представлены блок-схемы устройства, реализующего способ оценки нагружения конструкции самолета при летных исследованиях с использованием искусственных нейронных сетей для послеполетной обработки материалов летных прочностных исследований. В блок-схеме фиг. 1 осуществляют подготовку их к вводу в нейросети. На фиг. 2 показана блок-схема построения, «обучения» и функционирования трех нейросетей на компьютере НК2, четвертая нейросеть на схеме не показана. Указанный комплекс состоит из ряда блоков, обычно употребляемых при обработке материалов летных прочностных исследований и адаптированных в данном случае для подготовки материалов к использованию в ИНС (в компьютере НК1), и специально разработанных блоков для рассматриваемого способа (в компьютере НК2), включая блоки для построения ИНС (47, 50, 53), блоки для «обучения» ИНС (48, 51, 54), блоки функционирования ИНС (49, 52, 55). В данной системе компьютеров предусмотрены следующие операции:

- вызов из блока констант 19: перечня режимов полета 27, кроссировок 28 и 29 с маркировкой интересующих каналов (МК); при каждом вызове в составе МК - один канал СФ из (30₁)-(25) один канал ТСФ из (30₂)-(8), все каналы из (30₂)-(6), соответствующих набору МК калибровочных коэффициентов из (31 и 32) и «электрических нулей» из (33 и 34), данных для расчета температурных поправок из (35);

- преобразование электрических сигналов, поступивших по маркированным каналам (МК) в память компьютера (23) из памяти бортовых регистраторов силовых факторов (СФ) (12) и параметров полета (ПП) (13) в соответствующие исходные физические значения силовых факторов в блоке (36) и параметров полета в блоке (37) с учетом соответствующих калибровочных коэффициентов (КК) из (30) и (32), электрических нулей (ЭН) из (33) и (34) и температурных поправок (ТП), вычисленных в блоке (9), вход которого связан со входом (36), передача исправленных сигналов в соответствующие файлы памяти; поскольку опрос измерений ПП и измерений СФ производится с различными частотами опроса при регистрации (обычно fопр ПП < fопр СФ) и обычно этот опрос производится без синхронизации, следует для дальнейшей обработки массивы данных ПП преобразовать с помощью линейной интерполяции в массивы с fопр ПП = fопр СФ, синхронизированные по времени с массивом СФ; температурные поправки в СФ вносятся после последнего преобразования; в итоге образуются - массив в блоке расчета исходных физических значений СФ (36) и преобразованные, описанной интерполяцией, исходных физических значений температуры в точках, близких к точкам измерения, и параметров, характеризующих условия полета, составляющие массивы в блоках (41) и (42);

- проведение (при сохранении исходных массивов в блоках (36) и (37)) осреднения последовательных отрезков указанных массивов на последовательных интервалах Δt_1ocp, взятых в базе данных (38) о частотах опроса и интервале осреднения (значения Δt_1ocp=0,1 с÷1 с, выбираются и задаются для каждого силового фактора из блока констант с учетом размещенных в блоке констант данных о собственных частотах; получаются в отдельных файлах синхронные с одинаковой частотой fопр (fопр=1÷10 Гц по выбору Δt_1ocp) массивы осредненных значений исходных физических значений, блок (39), и интерполяция исходных физических значений параметров, характеризующих условия полета (43);

- вычисление в блоке (44) последовательных значений динамических составляющих СФ с исходной fопр путем достижения указанной частоты (в специальном файле интерполяции на указанной частоте (40)) с помощью линейной интерполяции и дальнейшего последовательного почленного вычитания значения массива (40) из значений массива (36); результат занести в файл (5);

- вычисление в блоке (44) по стандартной методике последовательных значений среднеквадратических отклонений динамических составляющих силовых факторов с осреднением на выбранных интервалах Δt_1оср; получается массив (11);

- на основе одного или нескольких режимов полета (полетов) построение в (47), (50), а также «обучение» в (48), (51) с использованием массивов (4), (11) и (43) соответствующих нейросетей для статических составляющих СΦ и динамических составляющих СФ (20) и (21), их тестирование, а при поступлении из (43) данных о ПП на режимах, где необходимо выполнить прогнозирование, получение прогнозируемых значений СССФ и СКОДССФ в блоках (49) и (52);

- использование построенных, «обученных» и оттестированных нейросетей (20) и (21) для выдачи на экран и на печать значений массивов из (49) и (52);

- выдача при необходимости на экран и на печать для контроля правильности функционирования комплекса значений массивов (4), (5), (11), (36), (43);

- вычисление средних для каждого режима таблиц корреляционных коэффициентов статистических составляющих СФ и среднеквадратических отклонений динамических составляющих относительно всех рассматриваемых параметров, характеризующих условия полета, выдача указанных таблиц на экран и на печать;

- для режимов полета, обозначенных в блоке (18) как режимы полета, пригодные для спектрального анализа, используются при спектральном анализе введенные в отдельные файлы расчета исходные физические значения СФ и параметров полета ПП (36) и (37);

- вычисление (с выдачей при необходимости на экран и на печать) средних по режиму полета, пригодных для частотного анализа параметров, характеризующих условия полета и вычисленных в (45) по стандартным методикам (с использованием быстрого преобразования Фурье) значений спектральной плотности мощности и спектральной функции процесса колебаний (в формах таблиц и графиков), а также среднеквадратических отклонений динамических составляющих СФ на режимах полетов, вычисленных для интервала At2OCp; выдача на экран и печать по вызову данных о формах колебаний, данных о собственных частотах, данных о режимах полета;

- построение, «обучение» и тестирование (с помощью полученных осредненных по (18) параметров из (26) и соответствующих СПМ, СФП и СКО из (45), (53), (54) и (55);

- использование построенных «обученных» и оттестированных искусственных нейронных сетей (22) через (55) для выдачи на экран и на печать таблиц и графиков спектральной плотности мощности, спектральной функции процесса колебаний, а также значений на режимах, отличных от режимов полета, пригодных для частотного анализа, используемых при частотном анализе, но с близкими значениями параметров, характеризующим условия полета; подобное прогнозирование спектральных характеристик СФ и сравнение прогнозированных их значений с вычисленными по результатам очередного полета значениями этих характеристик может позволить выявить неисправность конструкции.

Пример

Предлагаемый способ отрабатывался с использованием материалов летных прочностных исследований небольшого скоростного самолета, касающихся нагружения элементов механизма отклонения закрылка (фиг. 3). В качестве примера более подробно рассматривались нейросети для статических составляющих, разработанные для анализа параметра полета (усилие в «шатуне» левого внутреннего закрылка Ph2). ИНС разрабатывались на базе обработанных в компьютере (23) результатов летных измерений, обработка для ИНС велась в соответствии со схемой (фиг. 2). В результате были образованы на компьютере в электронной форме таблицы Excel, содержащие по избранным летным режимам значения, например значения усилия в шатуне левого внутреннего закрылка Ph2 и значения Ph3. Частоты опроса всех выданных материалов составляли 256 Гц.

При предварительном нагружении рассматриваемых закрылков было установлено, что на указанное нагружение большее влияние оказывают значения параметра полета угла атаки α или значения параметра вертикальной перегрузки Ny и значения параметра скоростного напора q. Поэтому в основном рассматривались режимы выполнения виражей с разными значениями параметра перегрузки (Ny=4,5÷7,8) при различных значениях параметра (числа M≈0,6÷0,85).

Далее после осреднения (39) на заданных последовательных интервалах времени Δt_ocp=1 с были выполнены на компьютере НК2 для каждого режима работы по созданию блоков (47), (48) и блок констант (19). Для разработки нейросетей данные по каждому режиму для каждого силового фактора делились на 3 части:

- «обучающая» последовательность (70% выборки);

- последовательность для контроля (15% выборки);

- последовательность для тестирования (15% выборки).

В качестве ПМО для постройки нейросетей использовались пакеты STATISTICA Нейронные сети. В качестве способа для «обучения» нейросетей использовался комбинированный метод, сочетающий детерминистский метод «обратного распространения ошибки» со стохастическим методом Коши.

Время, затраченное на «обучение» воспроизведению режима нагружения закрылков, составило около 10 с. Число циклов обучения для разных режимов составляло 170÷322. Погрешность воспроизведения статических составляющих силовых факторов на режиме с использованием «обученной» нейросети составляла 1%÷6%.

При «обучении» нейросетей и при воспроизведении значений параметров статические составляющие силовых факторов на вход нейросетей подавались значения входных параметров угла атаки α, значения параметра вертикальной перегрузки Ny и значения параметра скоростного напора q, режимы выполнения виражей с разными значениями параметра перегрузки (Ny=4,5÷7,8), при различных значениях параметра (числа M≈0,6÷0,85), скорость приборная, боковая перегрузка, угол скольжения, угловая скорость по крену, по тангажу, угол отклонения стабилизатора, угол отклонения руля направления угол отклонения закрылка правого.

При «обучении» нейросетей на выход ее подавались значения выходных параметров усилий в шатуне левого внутреннего закрылка и правого внешнего закрылка Ph2, Ph3 и динамических составляющих усилия в шатуне левого внутреннего закрылка и правого внешнего закрылка d Ph2,3 (2 статических составляющих силовых факторов СССФ=(Ph2, Ph3) и 2 динамических составляющих ДССФ=(d Ph2, d Ph3)).

Созданные ИНС представляли собой по структуре трехслойный персептрон. Образец структуры нейросети для выхода параметра шатуна левого внутреннего закрылка и правого внешнего закрылка Ph2 приведен в виде схемы на фигуре 4. В этой структуре входной слой отведен под параметры условия полета. Выходной слой отведен под 4 (№88). Настоящая структурная схема приведена для одного выходного параметра. Промежуточный слой согласно анализу ИНС состоит из элементов номера ячеек нейросетей, предназначенных соответственно для параметров. При этом каждая ячейка входного слоя напрямую связана с каждой ячейкой промежуточного слоя (пример этих связей показан лишь на примере связей ячейки (71) с ячейками (79÷87)). В свою очередь, каждая ячейка из (79÷87) напрямую связана с (88).

Изобретение относится к способам прочностных испытаний самолета. Для оценки нагружения конструкции самолета при летных прочностных испытаниях измеряют значения силовых факторов реакции конструкции датчиками деформаций, размещенными на конструкции самолета, передают измеренные значения и значения параметров полета из памяти бортовых регистраторов в память компьютеров, строят, обучают и тестируют четыре искусственные нейронные сети. На первом шаге находят относительно стационарные по нагружению короткие интервалы времени, на втором шаге вычисляют средние значения параметров полета, силовых факторов, на третьем шаге строят, обучают с учителем и тестируют две отдельные нейросети определенным образом для статических и динамических составляющих, на четвертом шаге выполняют построение многомерных моделей нагружения на основе построенных нейросетей и прогноз на их основе силовых факторов, формируют третью нейронную сеть для прогноза спектральных характеристик динамических составляющих силовых факторов и диагностики повреждений, формируют четвертую нейросеть, используя средние значения параметров полета и средние значения спектральных характеристик динамических составляющих силовых факторов для выявления наиболее влияющих на силовые факторы параметров полета. Обеспечивается повышение точности результатов прочностных исследований и сокращение числа испытательных режимов и полетов. 4 ил.

Способ оценки нагружения конструкции самолета при летных прочностных исследованиях с использованием искусственных нейронных сетей, базирующийся на анализе многомерных моделей нагружения, заключающийся в измерении значений силовых факторов реакции конструкции датчиками деформаций, размещенными на конструкции самолета, с учетом собственных форм ее колебаний, передаче этих значений и параметров полета из памяти бортовых регистраторов в память компьютеров, построении, «обучении» и тестировании искусственных нейронных сетей, отличающийся тем, что на первом шаге находят относительно стационарные по нагружению короткие интервалы времени, на которых на втором шаге вычисляют средние значения параметров полета, средние значения силовых факторов, определяемые, как статические составляющие, среднеквадратические отклонения (СКО) динамических составляющих силовых факторов, с осреднением на выбранных интервалах Δt_1оср, на третьем шаге строятся, «обучаются с учителем» и тестируются две отдельные нейросети для статических и динамических составляющих, на первые входы которых подают средние значения параметров полета, на вторые входы блоков построения и «обучения» первой нейросети подают статические составляющие силовых факторов, а на вторые входы блоков построения и «обучения» второй нейросети подают СКО динамических составляющих этих силовых факторов, на четвертом шаге с помощью построенных и «обученных» указанных нейросетей выполняют построение многомерных моделей нагружения и на их основе осуществляют прогноз силовых факторов посредством интерполяции и экстраполяции (характер которых зависит от свойств конкретного нагружения), выполняемых в первой и второй нейросетях в случаях ввода оператором параметров полета, отличных от значений, использованных при построении и обучении нейросетей;
для прогноза спектральных характеристик динамических составляющих силовых факторов и диагностики появления возможных повреждений конструкции самолета формируют третью нейросеть, для построения и «обучения» которой на одном ее входе используются параметры полета, на ее втором входе используются спектральные характеристики динамических составляющих силовых факторов и СКО их динамических составляющих, вычисленные для Δt_2оср, равного длительности режима, выбранного для спектрального анализа, а на ее выходе определяют оценки указанных спектральных характеристик, вычисленные с помощью третьей нейросети и соответствующие параметрам полета на рассматриваемом режиме, где, однако, не измерялись силовые факторы; на основе сравнения прогнозируемых для данных параметров полета (ПП) значений спектральной плотности мощности (СПМ) и спектральной функции процесса колебаний (СФП) со значениями, полученными в блоке их расчета, для очередного полета можно сделать вывод об исправности конструкции;
для различных режимов полета, при которых на силовые факторы и их спектральные характеристики существенно влияют многие параметры полета - многомерная модель - и неясно, какие параметры полета превалируют, формируют четвертую нейросеть, для построения и «обучения» которой на одном ее входе используют средние для каждого режима полета значения всех рассматриваемых параметров полета многомерной модели, на другой вход нейросети подают также средние для каждого режима полета корреляционные коэффициенты средних статических составляющих, динамических составляющих и спектральных характеристик относительно всех указанных средних значений параметров полета для перехода с помощью четвертой нейросети от первоначальных многомерных моделей нагружения к моделям меньших размерностей, то есть на заключительном шаге используют данную нейросеть для выявления наиболее влияющих на силовые факторы параметров полета.