一种基于层次分析法与多专家网络模型的飞机壁板结构权重校正方法

本发明属于机械领域，特别是飞机壁板力学机构分析领域。

背景技术：

1、飞机结构强度评估是保障航空器安全运行的核心环节，在预防结构失效、延长服役寿命、优化维护策略等方面发挥着至关重要的作用。在飞机结构全生命周期管理中，准确量化各部件在整体结构安全中的相对重要性，是实现合理的载荷分配与精确计算分析、保障结构完整性和可靠性的基石。相反，部件权重赋值的偏差将导致关键部件风险被低估、非关键部件资源过度投入，最终影响评估结果的准确性和维护决策的有效性。因此，亟需科学、鲁棒地确定飞机各部件的权重，以提升结构强度评估的精度与可信度。

2、然而，部件权重的确定往往面临主观经验依赖性与数据驱动复杂性交织的挑战：一方面，专家基于工程经验的主观判断，虽然蕴含领域知识，但易受个体认知局限影响，可能出现判断逻辑不一致（如：一致性检验失败）或难以捕捉复杂非线性关系的问题；另一方面，基于实际观测数据（如：部件强度、损伤历史和载荷谱）的客观方法虽然具备数据支撑，但可能对数据噪声敏感或无法充分融入先验知识。这两种赋权方式在信息源、理论基础及可靠性上的差异，会导致权重分配模型存在潜在冲突与不确定性。

3、因此，构建融合专家经验判断与数据驱动校正的部件权重动态修正模型，是提升飞机结构强度评估精度与鲁棒性的关键路径。本发明将面向飞机结构强度评估领域，构建融合层次分析法（analytic hierarchy process, ahp）/熵权法与混合专家模型（mixtureof experts, moe）模型的部件权重计算与修正框架。首先剖析传统权重确定方法（特别是ahp）面临的核心挑战（如：一致性约束和主观性局限）与现有改进方法的不足，聚焦评估过程中数据噪声、部件异质性及复杂关联性等特征，揭示单一方法在复杂航空结构场景下的适应性缺陷。在此基础上，提出一种融合ahp初始赋权与moe非线性校正的权重修正模型，通过ahp（或熵权法）量化部件相对重要性，并利用moe的特征学习与融合能力，基于部件实际观测数据动态调整初始权重，以应对专家判断偏差与数据不完美性，最终输出更符合系统真实性能需求的部件权重，为后续强度评估提供可靠输入。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种能够生成通过ahp对系统中各底层部件的重要性进行量化赋权，构建成对比较矩阵并计算最大特征值与相应特征向量，以获得各部件的权重分布；同时针对可能出现的一致性检验不通过情况，引入熵权法作为备选，对成对比较矩阵进行列标准化、熵值与差异系数计算，并以此生成备用权重，为进一步提升部件权重的准确性与鲁棒性，基于moe模型对ahp/熵权法初步计算得到的部件权重进行校正，最终获取完善的权重评估。

2、本发明是通过以下技术方案实现的：一种基于层次分析法与多专家网络模型的飞机壁板结构权重校正方法，包括步骤：

3、步骤1：计算部件权重；

4、步骤1.1：构建的成对比较矩阵，矩阵元素表示第个部件相对于第个部件的重要性，且满足正互反性，，，即和；表述如下：

5、    (1)；

6、为的替代；采用ahp计算部件权重；部件即底层部件，下文提到的部件都是指的底层部件；

7、步骤1.2：计算特征值和特征向量：

8、对于矩阵，求解其特征值和特征向量：

9、   （2）；

10、式中，和分别表示特征值和对应的特征向量；

11、找到最大特征值和对应的特征向量：

12、   （3）；

13、式中，表示该矩阵主对角线上的数所构成的向量，和是通过计算得到的特征向量矩阵和特征值对角矩阵，是的索引，表示的该矩阵的所有特征值；

14、步骤1.3：归一化部件权重：

15、    (4)；

16、式中，为特征向量的第个元素；

17、ahp算法参数设置：saaty标度为1到9的随机整数，矩阵阶数为n，特征向量为归一化部件权重，最大特征值为；

18、步骤2：一致性验证；

19、计算一致性指标ci和一致性比率ri：

20、  （5）；

21、式中，n为矩阵阶数，即部件数量；ri为随机一致性指标，基于n从预定义表中查找；若一致性比率，则一致性通过；否则尝试重新构建强度评估矩阵或使用熵权法计算部件权重；

22、步骤3：熵权法计算部件权重；

23、若一致性检验未通过，则使用熵权法计算部件权重，包括：

24、1)成对比较矩阵标准化；

25、2)计算熵；

26、3)计算差异系数；

27、4)计算部件权重；

28、步骤4：数据准备与划分步骤：

29、获取实验测试数据特征矩阵和上述步骤获取的初始权重矩阵；

30、其中：表示部件的观测数据维度，p表示进行实验测试的部件数，l表示熵权法设置的初始部件数量参数，数值上都等于部件数量n，有。

31、步骤5：moe网络结构；

32、构建的moe网络结构包括一个门控网络和三个专家网络，包括：

33、1)构建门控网络；

34、2)构建专家网络；

35、3)moe组合层搭建；

36、4)训练与预测；

37、步骤6：有效性与泛化能力验证；

38、1)通过随机生成部件特征矩阵并添加可控高斯噪声（噪声水平为0.001），构建包含30组样本的数据集，按照70%、15%和15%的比例划分为训练集、验证集与测试集，用于moe模型的训练与性能评估；

39、2)采用均方根误差作为核心性能指标，通过损失曲线监控训练过程，并对比ahp/熵权法原始权重与moe校正权重的分布差异；

40、3)通过权重对比直方图可视化校正效果，并分析训练过程中平滑损失与均方根误差的变化趋势，验证模型收敛性与稳定性。

41、进一步地，所述步骤3中若ahp一致性检验未通过，则使用熵权法计算部件权重包括：

42、步骤3.1：成对比较矩阵标准化；

43、将矩阵按列标准化：  （6）；

44、式中，和分别表示第个部件相对于第个部件的重要性以及归一化后的重要性；

45、步骤3.2：计算熵；

46、计算每列的熵值：  （7）；

47、式中，是归一化常数，是一个正数参数；

48、步骤3.3：计算差异系数；

49、差异系数为：  （8）；

50、步骤3.4：归一化差异系数得到部件j的权重：  （9）。

51、进一步地，所述步骤4中的数据准备与划分包括：

52、获取特征矩阵和初始权重矩阵，其按照70%，15%和15%的划分比例将和的数据划分为训练集：即和；测试集：即和；验证集：即和；此外，表示将计算得到的权重重复m次；

53、对添加高斯随机扰动，得到：

54、  （10）；

55、式中，和分别为噪声量和噪声水平，表示均值为0，方差为ν2的高斯发布，用来模拟现实中数据的随机扰动，表示训练集里第i条观测数据对应第j个部件的初始权重值。

56、进一步的，所述步骤5具体方法为：

57、构建的moe网络结构包括一个门控网络和三个专家网络；具体步骤如下：

58、步骤5.1：构建门控网络：

59、对于输入维度，输出维度即专家数为3的门控网络，表示形式为：

60、  （11）；

61、式中，表示输入到门控网络的特征向量，表示对输入进行一次线性变换；为专家权重矩阵，为偏置向量，表示将输入投影到3维空间，得到未归一化的专家“打分”向量，表示将中的每个分量转化为正数且和为1的权重，即，同时，输出向量为门控概率；

62、步骤5.2：构建专家网络：

63、每个专家网络表征成一个多层感知机，针对专家1：

64、  （12）；

65、式中，为权重矩阵，表示第一层全连接有64个神经元，列数p与输入维度对应；为偏置向量；表示尚未经过非线性激活的第一层的线性输出向量；表示第1个隐藏层经过激活后的输出，作为下一层全连接层的输入；为权重矩阵，表示第二层全连接有64个神经元，列数p与输入维度对应；为偏置向量；表示专家1对输入学习得到的校正后权重向量；

66、采用相同的方法，得到专家2和3的专家网络参数分别表示为和；

67、步骤5.3：moe组合层搭建：

68、在moe组合层中，组合门控输出和专家输出，表示为：  （13）；

69、式中，最终输出向量，即moe模型对输入学习得到的校正后权重；是门控网络的softmax输出，是三个专家网络的输出，表示专家1在每个维度上的预测；

70、步骤5.4：使用回归损失训练网络，即：

71、（14）；

72、式中，为第i个训练样本通过moe模型得到的输出向量，为第i个训练样本对应的目标向量，表示部件的观测数据维度；

73、步骤5.5：在预测阶段，通过输入，其中为测试样本的特征矩阵维度，将moe的输出向量作为校正后的权重向量，表示第j个部件的权重。

74、进一步地，所述步骤1中：

75、安全裕度不足时,输入成对比矩阵a1如下：

76、a1= ；

77、安全裕度过剩时,输入成对比矩阵a2如下：

78、a2=；

79、安全裕度适中时,输入成对比矩阵a3如下：

80、a3=。

81、本发明提出了一种融合ahp初始赋权与moe非线性校正的权重修正模型，通过ahp（或熵权法）量化部件相对重要性，并利用moe的特征学习与融合能力，基于部件实际观测数据动态调整初始权重，以应对专家判断偏差与数据不完美性，最终输出更符合系统真实性能需求的部件权重，为后续对飞机部件的强度评估提供可靠的各部件权重输入。