基于遗传神经网络的飞行载荷参数识别

《基于遗传神经网络的飞行载荷参数识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第43卷第1期2013年1月航空计算技术AeronauticalComputingTechniqueV01．43No．1Jan．2013基于遗传神经网络的飞行载荷参数识别曹善成，殷之平，黄其青，马凯超(西北工业大学航空学院，陕西西安710072)摘要：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

2、飞行栽荷参数识别是一种可行且精度高的方法。关键词：飞行载荷；飞行参数；BP；遗传算法；留出方法中图分类号：TPl83文献标识码：A文章编号：1671．654x(2013)0l一0061．04DeVelopmentofaParametricnightloadsIdentincationMethod璐ingGeneticImproVedBPNeuralNetworl【sCAOShan-cheng，YINZhi-ping，HUANGQi—qing，MAKai-chao(Sc，mDf矿Aero加以泌，Ⅳon^埘船抛mPo加ec^n恐nf‰i钾巧妙，施’帆7100

3、72，吼i眦)Abstract：Basedonspeci6cnightmaneuvers，thispaperbrienypresentsaparametricnightloadsidentifi—cationmethodofthegeneticimpmvedbackpmpagation(BP)neuralnetworks．Firstly，geneticalgorithmandhold-outmethodareutilizedtooptimizetheparameteI弓ofBPneuralnetworks．Then，theoptimizedparamet

4、ersareusedtotraintheBPneuralnetworksbetweennighfparametersandnightloads．Bycompa—ringt}Iepredictingbendingmomemwiththemeasuredbendingmomentofsemi—mUnightmaneuVer，theimpmvedBPmodelispmvedtobevalidated，accuracyandfeasible．Keywords：night10ads；nightparameters；backpropagation；genetical

5、gorithm；hold—outmethod引言飞行载荷参数识别技术至少有以下三个用途：第一，验证飞机载荷理论计算方法和计算精度；第二，在新机定型试飞中通过识别载荷扩展飞行包线；第三，建立的载荷一参数识别模型可用于使用中飞机的疲劳载荷监控¨1。目前直接在关键部位上加装应变传感器比较困难，而且现有应变测量技术难以保证在复杂环境下长期可靠的准确测量，因此，为满足疲劳载荷监控技术的需要，必须在分析有限的飞行实测数据的基础上，建立飞行载荷参数识别模型。常用的载荷识别模型有回归分析技术、神经网络技术和混合型识别技术。机动动作识别超出本文研究内容，本文主要在典型机动

6、动作，如半滚、盘旋、横滚、斤斗和平飞等¨≈1动作下，建立飞行载荷与飞行参数基于留出方法和遗传算法的BP神经网络模型。1飞行载荷参数识别模型影响飞行载荷的主要飞行参数有重心法向过载、方向舵偏角、高度、马赫数、攻角、副翼偏角、滚转角速度、俯仰角速度和偏航角速度等，飞行载荷主要指关键部位的弯矩、扭矩和剪力。飞行载荷参数识别模型流程见图l。确定训练集，测试集ll留出方法和遗传算法优化BP神经网络模型参数I利用优化参数训练BP模型l测试集载荷识别与误差分析图1飞行载荷参数识别模型流程为避免识别载荷估算的飞机疲劳寿命与实际疲劳寿命产生较大误差，现给出识别载荷与实测载

7、荷误差的技术指标‘引：收稿日期：2012一10—1l基金项目：国家自然基金项目资助(11102158)作者简介：曹善成(1989一)。男，山东济宁人，硕士研究生，主要研究方向为飞行器设计及系统建模。·62·航空计算技术第43卷第l期1)最大误差占一应控制在设计极限载荷的20％以内。2)平均误差占应该控制在设哼十-吸限载荷的3％以内。本文平均误差是指所有误差取绝对值后的平均值，其次由于暂无设计极限载荷数据，本文将最大误差控制在实测载荷的20％以内，平均误差控制在实测载荷的3％以内，完全满足工程要求精度。2BP神经网络模型BP神经网络的基本算法：学习过程由数

8、据的正向传播和误差的反向传播两个过程组成，根据反传的误差修正各层神经元的权值，再