一种基于自组织神经网络的飞机结构状态识别方法与流程

摘要: 本发明属于飞机结构试验数据分析,特别涉及一种基于自组织神经网络(self-organizingmap,som)的飞机结构状态识别方法。背景技术:1、在飞机静力试...
一种基于自组织神经网络的飞机结构状态识别方法与流程

本发明属于飞机结构试验数据分析,特别涉及一种基于自组织神经网络(self-organizing map,som)的飞机结构状态识别方法。

背景技术:

1、在飞机静力试验中,飞机结构可能发生的形态变化有以下六种:弹性形变、线性失稳、结构非线性失稳、材料非线性失稳、结构裂纹和结构宏观破坏。其中,结构弹性形变的特征为:应变与载荷呈线性关系,当载荷撤掉后结构恢复原状,局部无残余应变,整体无残余变形,在限制载荷作用下,飞机结构以弹性形变为主。结构线性失稳的特征为:应变或者形变与荷载在初始段呈线性关系,当载荷达到临界值后,结构突然发生失稳,但结构的应变值并未到达材料的屈服极限,当载荷撤去后结构可恢复原状,结构内无残余变形,线性失稳一般发生于蒙皮等处。结构非线性失稳的特征为:应变或者形变与荷载在初始段呈线性关系,当载荷达到临界值后,结构发生失稳,同时结构的应变值并未到达材料的屈服极限,但是当载荷撤去后结构不能恢复原状态,需施加横向载荷使其恢复原状,恢复原状后结构内无残余变形。材料非线性失稳的特征为:应变或者形变与荷载在初始段呈线性关系,当压载达到临界值后,结构发生失稳,同时结构内局部区域进入塑性,即出现塑性变形,结构失稳的常见形态如图1所示。结构裂纹一般首先出现在铆钉、缺口、r区等高应力区,当裂纹出现后,裂纹附近的应力测量值出现非线性特征。结构宏观破坏后整体或局部失去承载能力,附近区域应力场发生剧烈变化,通常出现由极大值跳跃至接近零的情况。

2、现有技术中针对飞机结构静力试验的数据处理方法一般有以下两种:

3、第一种是通过大量审阅上述六种形态变化的数据特征形成经验模式,通过人工对试验数据进行逐个分析,从而识别出飞机结构状态,但是面对海量的试验数据,人工分析的效率低下,时效性差,远不能满足试验数据的处理要求;

4、第二种是根据审阅数据所形成的经验模式,通过编写固定制式的判断程序对试验数据进行分析从而识别出结构状态,这种方法虽然效率高,但是程序的算法是固定的,不具备学习进化能力,难以适应复杂多变的飞机结构响应特征。

技术实现思路

1、本发明的目的是提供了一种基于自组织神经网络的飞机结构状态识别方法,以解决或减轻背景技术中的至少一个问题。

2、本发明的技术方案是:一种基于自组织神经网络的飞机结构状态识别方法,包括:

3、步骤s1,采集试验数据构造用于自组织神经网络模型训练的输入向量x,基于所有的输入类型得到度量空间;

4、步骤s2,确定自组织神经网络模型的基本参数;

5、步骤s3,确定自组织神经网络模型的聚类中心向量初始值;

6、步骤s4:将输入向量与聚类中心向量进行归一化;

7、步骤s5,基于归一化后的输入向量与聚类中心向量进行自组织神经网络模型的训练,按照预设的获胜准则确定获胜聚类中心并对获胜聚类中心对应的聚类中心向量进行调整,当获胜聚类中心对应的聚类中心向量的变化量趋于稳定时得到自组织神经网络模型;

8、步骤s6,基于训练好的自组织神经网络模型对未知飞机结构状态类别的输入向量进行状态识别,获得飞机结构的形变状态。

9、在本发明至少一个实施方式中,步骤s3中,所述聚类中心向量初始值根据经验选取与飞机结构形态对应数据类型匹配的向量,或是随机给出。

10、在本发明至少一个实施方式中,步骤s4中,将输入向量与聚类中心向量进行归一化的方式为:

11、,(i=1,2,...,n)

12、式中,x̄为归一化后的输入向量,‖x‖为输入向量的模长,x为输入向量,xi为输入向量中的第i个元素;

13、,(j=1,2,…,m)

14、式中,ōⱼ为归一化后的聚类中心向量,‖x‖为聚类中心向量的模长,oj为聚类中心向量,oj为聚类中心向量中的第j个元素。

15、在本发明至少一个实施方式中,步骤s5中,所述预设的获胜准则包括:

16、以欧氏距离最小为准则:‖x̄ - ōⱼ‖ = min{ ‖x̄ - ōⱼ‖ },(j=1,2,...,m);

17、以点积最大为准则:x̄ᵀ · ōⱼ = max{ x̄ᵀ · ōⱼ },(j=1,2,...,m)。

18、在本发明至少一个实施方式中,步骤s5中,对获胜聚类中心对应的聚类中心向量进行调整的方法为:

19、oⱼ(k+1) = oⱼ(k) + α · ( x̄ - oⱼ(k) );

20、式中,oⱼ(k)为第k次迭代前的聚类中心向量;oⱼ(k+1)为第k次迭代后的聚类中心向量;α为学习率。

21、在本发明至少一个实施方式中,所述学习率 α 为训练次数的减函数,随着训练迭代次数的增加逐渐减小。

22、与现有技术相比,本发明具有以下有益效果:

23、1)利用自组织神经网络的自组织、自适应特性,能够从海量试验数据中自动学习并积累经验,网络参数可随训练不断进化优化,克服了固定算法程序无法适应复杂数据特征的缺陷;

24、2)通过构造反映分类模式特征的可量化计算的数据结构作为网络模型的输入,使网络模型能够准确捕捉飞机结构响应与载荷之间的映射关系,提高状态识别的精度;

25、3)采用归一化处理消除了不同量纲对分类结果的影响,同时支持欧氏距离和点积两种获胜准则,增强了方法的适用性和鲁棒性;

26、4)聚类中心可根据经验初始化,显著提高了网络收敛速度;同时支持随机初始化,满足不同应用场景的需求;

27、5)本发明的方法能够替代人工分析工作,大幅提升飞机静力试验数据的处理效率和时效性,满足工程实际应用中对海量数据快速分析的需求。

1.一种基于自组织神经网络的飞机结构状态识别方法,其特征在于,包括:

2.如权利要求1所述的基于自组织神经网络的飞机结构状态识别方法,其特征在于,步骤s3中,所述聚类中心向量初始值根据经验选取与飞机结构形态对应数据类型匹配的向量,或是随机给出。

3.如权利要求1或2所述的基于自组织神经网络的飞机结构状态识别方法,其特征在于,步骤s4中,将输入向量与聚类中心向量进行归一化的方式为:

4.如权利要求3所述的基于自组织神经网络的飞机结构状态识别方法,其特征在于,步骤s5中,所述预设的获胜准则包括:

5.如权利要求4所述的基于自组织神经网络的飞机结构状态识别方法,其特征在于,步骤s5中,对获胜聚类中心对应的聚类中心向量进行调整的方法为:

6.如权利要求5所述的基于自组织神经网络的飞机结构状态识别方法,其特征在于,所述学习率 α 为训练次数的减函数,随着训练迭代次数的增加逐渐减小。