一种飞机载荷预测的数据降维处理方法与流程

1.本技术属于飞机结构设计技术领域，特别涉及一种飞机载荷预测的 数据降维处理方法。


背景技术：

2.精准的飞机使用载荷是对飞机寿命进行预测和健康监控的基础。传统 方法通过实测数据编制实测载荷谱，进而进行载荷计算、全机应力求解 才能得到关键部位的载荷和应力，从而进行损伤分析和寿命评估，这种 计算和分析过程涉及环节多、流程复杂，往往需要耗费巨大的人力和物 力。利用机器学习神经网络方法，从大量飞行使用数据中建立飞机关键 结构载荷预测模型，可以对目标值进行预测。然而，积累的飞行参数数 据是海量和多维度的，尤其当样本数量巨大时，计算机运算的时间会增 加，效率会降低，对于载荷的快速、高效的预测提出了新的考验，因此 需要对输入的数据进行降维处理。


技术实现要素：

3.本技术的目的是提供了一种飞机载荷预测的数据降维处理方法，以 解决或减轻背景技术中的至少一个问题。
4.本技术的技术方案是：一种飞机载荷预测的数据降维处理方法，所 述方法包括：
5.步骤一、对仅包含飞行参数数据的数据集进行中心化，得到原数据 集x，原数据集的列数为维度m，行数为样本数n；
6.步骤二、计算原数据集的协方差矩阵c；
7.步骤三、对协方差矩阵c进行特征分解，得到协方差矩阵的特征值及 其对应的特征向量；
8.步骤四、将所述特征值从大到小进行排序后，计算每个特征值的方 差贡献率η，然后再计算方差累计贡献率η
total
；
9.步骤五、根据设置的方差累计贡献率数值计算得到数据的前k个特征 向量；
10.步骤六、将原数据集转换到k个特征向量构建的新空间中，得到数据 降到k维后的新数据集。
11.进一步的，步骤一中，对仅包含飞行参数数据的数据集进行中心化 过程中，通过每一列飞行参数数据减去该列的均值而得到原数据集。
12.进一步的，步骤二中，计算原数据集的协方差矩阵c为：
13.c＝[c
x,y
]
[0014]cx,y
＝e[(x-μ
x
)(y-μy)]
[0015]
式中，x,y为飞参，μ
x
和μy分别表示x和y的均值，e表示求期望。
[0016]
进一步的，步骤三中，对协方差矩阵c进行特征分解，得到协方差矩 阵的特征值λ及其对应的特征向量ω的过程为：
[0017]
|c-λi|
·
w＝0
[0018]
式中，i为单位矩阵。
[0019]
进一步的，步骤四中，将特征值λ从大到小排序后为λ1、λ2、λ3、
…
、 λm，特征值λ对于的特征向量为ω1、ω2、ω3、
…
、ωm，计算方差贡献率η 和方差累计贡献率η
total
为；
[0020][0021]
式中，ηi表示第i个特征值的方差贡献率，i∈m，η
total_j
表示前j个特征 值的方差累计贡献率，j∈i。
[0022]
进一步的，步骤五中，根据设置对方差累计贡献率数值，得到数据 的前k个特征向量分别为ω1、ω2、ω3、
…
、ωk。
[0023]
进一步的，步骤六中，将原数据集转换到k个特征向量构建的新空间 中，即数据降到k维，形成降维后的新数据集x
′
：
[0024]
x
′
＝ω
t
x；
[0025]
其中，ω＝[ω1,ω2,ω3,...,ωk]，k《m。
[0026]
进一步的，还包括：
[0027]
步骤七、建立基于神经网络的飞参-载荷预测模型，将原数据集和降 维后的新数据集输入到基于神经网络的飞参-载荷预测模型中；
[0028]
步骤八、对比数据处理前后载荷预测输出的精度，确定是否满足要 求。
[0029]
进一步的，步骤八中，对比数据处理前后载荷预测输出的精度以决 定系数r2为评价标准：
[0030][0031]
式中，yj为预测集中的第j个样本对应的应变真实值，为相应的预 测值，为预测集中所有应变真实值的均值，预测集样本数一共为n个。
[0032]
本技术所提供的飞机载荷预测的数据降维处理方法能够实现飞机关 键结构海量飞行参数数据的降维，提升飞机载荷预测模型的性能，该方 法可广泛应用于航空航天结构强度分析和健康监控之中。
附图说明
[0033]
为了更清楚地说明本技术提供的技术方案，下面将对附图作简单地 介绍。显而易见地，下面描述的附图仅仅是本技术的一些实施例。
[0034]
图1为本技术的飞机载荷预测的数据降维处理方法流程图。
[0035]
图2为本技术一实施例中的飞参数据降维前和降维后剪力、弯矩和扭 矩预测结果的r2图。
具体实施方式
[0036]
为使本技术实施的目的、技术方案和优点更加清楚，下面将结合本 申请实施例中的附图，对本技术实施例中的技术方案进行更加详细的描 述。
[0037]
为了实现飞机关键结构海量飞行参数数据的降维，对海量数据中的 信息进行挖掘，去除数据中噪声和干扰项，给基于机器学习的载荷预测 模型提供易于使用的数据，为飞机关键结构载荷高效重构和健康监控提 供支持，本技术中提出一种数据降维处理方法。
[0038]
如图1所示，本技术提供的飞机载荷预测数据降维处理方法包括如下 步骤：
[0039]
步骤一，对仅包含飞行参数数据的数据集进行中心化，得到原数据 集x，原数据集的列数为维度m，行数为样本数n。
[0040]
例如在本技术该实施例中对大型运输机平尾根部1肋进行飞行参数 记录，同时有限元计算得到相应的剪力、弯矩、扭矩载荷值。
[0041]
从上述海量数据中获取一段样本数为160的数据集，并将其划分为样 本数为121的训练集和样本数为39的预测集，每一个样本中均包含28个飞 参数值(参见表1)和对应的剪力、弯矩、扭矩3个载荷数值，并将上述 数据进行中心化处理得到原数据集x，原数据集的列数为维度m，行数为 样本数n，中心化过程本处不在赘述。
[0042]
表1飞行参数列表
[0043][0044]
[0045]
步骤二，对飞参数据进行中心化后，计算原数据集的协方差矩阵c， 其中，计算原数据集的协方差矩阵c为：
[0046]
c＝[c
x,y
]
[0047]cx,y
＝e[(x-μ
x
)(y-μy)]
[0048]
式中，x,y为飞参，μ
x
和μy分别表示x和y的均值，e表示求期望。
[0049]
步骤三，对协方差矩阵c进行特征分解，得到特征值和相应的特征 向量，分解过程为：
[0050]
|c-λi|
·
w＝0
[0051]
式中，i为单位矩阵。
[0052]
步骤四，将所述特征值从大到小进行排序后，计算每个特征值的方 差贡献率η，然后再计算方差累计贡献率η
total
，其中：
[0053]
方差贡献率
[0054]
方差累计贡献率
[0055]
式中，ηi表示第i个特征值的方差贡献率，i∈m，η
total_j
表示前j个特征 值的方差累计贡献率，j∈i。
[0056]
步骤五、根据设置的方差累计贡献率数值计算得到数据的前k个特征 向量。
[0057]
如表2所示为根据特征值和特征向量及上述方法得到的每个特征值 的方差贡献率及特征值的方差累计贡献率计算排序结果。
[0058]
从表2中可以看出，大部分方差都包含在前面的几个特征值中。前4 个特征值覆盖了数据96.61％的方差，而前10个特征值已经覆盖了99.83％ 的方差，舍弃后面的特征值并不会损失太多的信息。如果保留前4个特 征值，则数据集可以从28个维度约简成4个维度，从而实现了7：1的 数据压缩，会使得数据更加干净，更加易于使用。
[0059]
表2飞参数据特征值的方差贡献率和累计贡献率
[0060][0061]
步骤六、将原数据集转换到k个特征向量构建的新空间中，得到数据 降到k维后的新数据集。
[0062]
新数据集与原数据集的关系有：x
′
＝ω
t
x；
[0063]
其中，ω＝[ω1,ω2,ω3,...,ωk]，k《m。
[0064]
另外，本技术的方法中还包括：
[0065]
步骤七：建立基于神经网络的飞参-载荷预测模型，将原数据集和降 维后的数据集输入到预测模型中，输出预测集的决定系数r2：
[0066][0067]
式中，yj为预测集中的第j个样本对应的应变真实值，为相应的预 测值，为预测集中所有应变真实值的均值，预测集样本数一共为n个。 决定系数r2越大，其值越接近1，表示模型预测效果越好。
[0068]
步骤八：对比数据处理前后载荷预测输出的精度，确定是否满足要 求。
[0069]
如图2所示为飞参数据降维前(维度28)和飞参数据降维后(维度 4)的三种载荷剪力、弯矩和扭矩预测结果r2的对比，从图中可以看出， 降维处理后，剪力的决定系数r2接近9.8，弯矩的决定系数r2超过9.8， 而扭矩的决定系数r2也接近9.5，满足使用要求。
[0070]
本技术所提供的飞机载荷预测的数据降维处理方法能够实现飞机关 键结构海量飞行参数数据的降维，提升飞机载荷预测模型的性能，该方 法可广泛应用于航空航天结构
强度分析和健康监控之中。
[0071]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不 局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内， 可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此， 本技术的保护范围应以所述权利要求的保护范围为准。