基于动态超图双分支网络的起落架多方向载荷计算方法

摘要: 本发明涉及人工智能与航空结构健康监测,具体涉及一种基于动态超图双分支网络的起落架载荷计算方法。背景技术:1、飞机起落架是飞机起飞、着陆、滑跑和地面停放过程中的关...
基于动态超图双分支网络的起落架多方向载荷计算方法

本发明涉及人工智能与航空结构健康监测,具体涉及一种基于动态超图双分支网络的起落架载荷计算方法。

背景技术:

1、飞机起落架是飞机起飞、着陆、滑跑和地面停放过程中的关键承力部件,其承受的载荷状态直接关系到结构安全、疲劳寿命评估和维修保障决策。通过准确有效的飞行载荷监测,可以及时掌握起落架真实服役状态,为结构健康监测、载荷谱编制和寿命评估提供可靠数据支撑。目前,获得实测飞行载荷的重要方式之一是应变式间接测量方法,即通过地面载荷标定试验获取起落架结构的“载荷-应变”样本,建立应变与载荷之间的映射关系,并在实际飞行或试验过程中根据测得的应变数据反演结构载荷。

2、载荷标定方程是传统飞机结构载荷计算中最常用的方法之一。该方法基于地面载荷标定试验数据,利用最小二乘法、多元线性回归或多元二次回归确定载荷-应变关系模型,被广泛应用于实际工程中。近年来,相关研究也从方程参数优化、有限元仿真辅助、非线性拟合等方面对传统载荷方程进行了改进。然而,起落架在复杂工况下往往同时受到航向、纵向和垂向等多方向载荷作用,结构响应中存在环境噪声、传感器布设差异和多方向耦合效应,传统载荷方程在非线性表达能力和复杂工况泛化能力方面仍有不足。

3、随着人工智能技术的发展,支持向量机、随机森林、xgboost、高斯过程回归、bp神经网络、长短期记忆网络和注意力模型等方法逐渐应用于飞机载荷预测任务。与传统载荷标定方程相比,机器学习和深度学习方法具有更强的非线性建模能力,能够在一定程度上提高载荷计算精度。但多数方法将不同传感器采集的应变值直接拼接为普通特征向量,未充分考虑传感器布贴位置、结构连接关系以及不同传感器之间的空间依赖关系。因此,在面对起落架这类结构复杂、传感器分布具有明确空间属性的对象时,单纯基于向量输入的模型难以充分挖掘传感器网络中的结构信息。

4、图神经网络能够将传感器视为图节点,并通过边连接描述节点之间的空间拓扑或数据相关关系,适合处理具有结构关联的传感器数据。普通图卷积可以有效建模传感器之间的两两关系,但起落架在多方向组合载荷作用下的应变响应往往表现为多个传感器共同参与的高阶耦合模式,这类模式难以完全由普通图中的两两边关系表示。

5、因此,如何同时利用传感器的空间拓扑和动态高阶耦合关系,以实现复杂多向载荷的高精度实时计算,是现有技术亟待解决的关键问题。

技术实现思路

1、本发明提供了基于动态超图双分支网络的起落架多方向载荷计算方法,旨在通过协同建模传感器之间的静态空间关联与动态高阶耦合关系,解决复杂工况下载荷计算精度低和泛化能力差的问题。

2、本发明的技术方案如下:

3、本发明方法将分布式布设于起落架关键承力部位的多个光纤布拉格光栅应变传感器视为图网络节点,以各路实时测量获得的应变数据作为输入,通过如下四个核心模块的处理,最终输出起落架在多个预设方向上的载荷值:

4、节点编码与位置嵌入模块:负责对每个传感器的原始一维应变值进行非线性编码,提升特征维度,并将表征该传感器在起落架上唯一安装位置的可学习位置嵌入向量与之相加融合,生成同时包含“响应信息”与“结构位置信息”的初始节点特征矩阵。

5、普通图分支:用于提取传感器之间由物理结构决定的、相对稳定的空间关联。首先,根据传感器的实际布设位置和起落架的结构力学连接关系,构建一个先验邻接矩阵;同时,引入一个全局、可学习的邻接参数矩阵,通过加权融合上述两种邻接关系,形成最终的普通图邻接矩阵。在此图上,利用门控残差图卷积进行信息传播,实现对节点特征的空间增强。最后,通过一个多层级特征读出函数,将原始应变、初始节点特征和图增强特征拼接,经回归头计算得到第一多方向载荷预测值。

6、动态超图分支:用于提取随不同载荷工况动态变化的、多个传感器之间的高阶耦合关系。该分支预设一组可学习超边原型,用以表征潜在的多传感器组合响应模式。随后,执行一个节点-超边双向注意力机制:首先,通过计算节点对超边原型的注意力权重并进行第一次top-k稀疏筛选,将关键节点信息聚合到各超边,从而将原型实例化为当前样本相关的超边特征;随后,通过计算更新后超边对节点的注意力权重并进行第二次top-k稀疏筛选,生成一个稀疏的动态超图关联矩阵。基于此动态超图进行超图卷积,将高阶耦合信息传播回各节点,并将得到的节点特征进行池化和回归,得到第二多方向载荷预测值。

7、方向感知门控融合模块:负责自适应地整合两个分支的预测结果。通过将原始应变数据、第一载荷预测值、第二载荷预测值、以及两个预测值之间的差异进行拼接,构造一个能表征当前工况和预测状态的融合上下文。将此上下文输入一个门控映射网络,为每一个载荷方向生成一个特定的门控权重。最终,利用该权重对第一预测值和第二预测值进行加权求和,得到起落架各方向的最终载荷计算值。

8、进一步地,所述普通图分支中的图信息传播采用门控机制与双重残差连接,以控制邻域信息的注入强度并防止原始信息丢失。

9、进一步地,所述动态超图分支中的双向注意力机制,分别在“节点到超边”和“超边到节点”两个方向上执行top-k稀疏筛选,以减少无关节点和超边的信息干扰,提升高阶关系学习的信噪比。

10、进一步地,所述门控融合模块中,利用两个分支预测值的差异作为输入的一部分,使得网络能够自主感知普通图关系与高阶耦合关系在当前工况下的不一致性,并据此动态调整融合权重。

11、进一步地,对整个网络的训练采用一个包含最终融合损失、普通图分支辅助损失和动态超图分支辅助损失的联合损失函数,以确保两个分支在融合前均已独立具备有意义的载荷预测能力。

12、与现有技术相比,本发明具有以下有益效果:

13、显著提升了复杂工况下载荷计算的精度与泛化能力。本发明将载荷预测任务解耦为“静态空间关系建模”和“动态高阶耦合关系建模”两个相对独立的子任务,并交由两个专用分支处理。当面对训练集中未曾出现的新工况时,动态超图分支能够凭借其样本自适应的超图结构生成能力,捕捉独特的传感器响应组合模式,而不受限于固定的静态图结构。这种“分工协作”的架构,使得模型对新旧工况均有优异的预测表现,从根本上增强了泛化性能。

14、具备对多传感器高阶协同效应的显式建模能力。动态超图分支采用超边原型这一数据结构,天然地表达了一组节点的集合。配合双向注意力机制,能够精确地定位出在特定工况下,是哪些传感器节点共同响应形成了某种力学耦合模式,并将信息在这些节点中流动。这超越了普通图神经网络只能描述两两关系的能力边界,可以捕捉诸如“着陆时,某些工况下多个传感器可形成耦合响应”这样的复杂情况。

15、能够针对不同载荷方向实施自适应的融合策略。方向感知门控融合模块的输入包含了两个分支预测结果的“差异”。这一差异值是衡量当前工况复杂度的有效信号——差异越大,通常意味着高阶耦合关系越显著。门控网络通过学习这个信号,能够动态地为每个载荷方向分配不同的融合权重。例如,在一个以垂向受力为主z向工况下,网络可能自动为z向输出赋予更依赖普通图的权重;而在一个存在侧向与垂向耦合的工况下,则可能为z和y向输出赋予更高的动态超图权重。