第 14 卷 第 1 期 航空工程进展 Vol. 14 No.

1
2023 年 2 月 ADVANCES IN AERONAUTICAL SCIENCE AND ENGINEERING Feb. 2023

文章编号：1674-8190（2023）01-090-08

飞行载荷神经网络代理模型研究
彭玉酌，唐朕，肖启之
（航空工业第一飞机设计研究院 总体气动设计研究所，西安 710089）

摘 要 ：在 飞 机 结 构 强 度 设 计 时 ，需 要 进 行 飞 行 载 荷 分 析 ，但 载 荷 分 析 的 周 期 较 长 ，需 要 研 究 更 加 高 效 精 准 的
飞 行 载 荷 分 析 方 法 以 缩 短 载 荷 设 计 周 期。 以 某 型 涡 桨 飞 机 平 尾 为 研 究 对 象 ，根 据 规 范 进 行 全 包 线 飞 行 仿 真 和
平尾分布载荷计算，得到训练和校验的输入工况和平尾输出载荷；分别建立基于 BP 神经网络、RBF 神经网络和
ELM 神 经 网 络 的 平 尾 载 荷 代 理 模 型 ，比 较 不 同 神 经 网 络 模 型 对 平 尾 根 剖 面 载 荷 预 测 的 精 度 和 效 率 ，并 对 载 荷
输入参数贡献度进行定量分析。结果表明：三种神经网络模型都具有较高的精度，基于神经网络的飞行载荷代
理模型可以大幅提高飞行载荷分析效率。
关键词：飞行载荷；平尾；神经网络；代理模型；参数贡献度
中图分类号：V215. 1 文献标识码：A
DOI: 10. 16615/j. cnki. 1674-8190. 2023. 01. 10

Research on flight load surrogate model using neural networks

PENG Yuzhuo，TANG Zhen，XIAO Qizhi

（General Configuration and Aerodynamic Design Department，AVIC The First
Aircraft Design Institute，Xi’an 710089，China）

Abstract：In aircraft structural strength design，flight load analysis is required，but the load analysis cycle is long，
so it is necessary to study more efficient and accurate flight load analysis methods to shorten the load design cycle.
The horizontal tail of a turboprop aircraft is studied for example. The input cases and output loads for training and
checking are obtained by flight simulation in the full flight envelope according to standards and horizontal tail distrib⁃
uted loads calculation. In this paper，three surrogate models of horizontal tail loads are built based on BP neural net⁃
work，RBF neural network and ELM neural network respectively. And the accuracy and efficiency for horizontal
tail root section loads prediction of different models are compared. And the quantitative analysis of contribution for
input load parameters is conducted. The study results show that all three neural network models are accurate，
which can greatly improve the analysis efficiency of flight load.
Key words：flight load；horizontal tail；neural network；surrogate model；parameter contribution

收稿日期：2022⁃02⁃13； 修回日期：2022⁃05⁃15
通信作者：彭玉酌, pyz603@sina. com
引用格式：彭玉酌, 唐朕, 肖启之 . 飞行载荷神经网络代理模型研究[J]. 航空工程进展, 2023, 14(1): 90-97.
PENG Yuzhuo, TANG Zhen, XIAO Qizhi. Research on flight load surrogate model using neural networks[J]. Advances in Aero⁃
nautical Science and Engineering, 2023, 14(1): 90-97. (in Chinese)
第1期 彭玉酌等：飞行载荷神经网络代理模型研究
0 引 言 风 洞 中 光 纤 传 感 器 应 变 和 襟 翼 偏 度 ，建 立 神 经 网
飞行载荷是飞机从起飞至着陆的整个飞行过
程中所承受的载荷。进行飞行载荷分析的目的是
从 复 杂 的 飞 行 过 程 中 ，找 出 各 个 部 件 最 严 重 受 载
发 生 在 哪 种 情 况 ，其 载 荷 的 大 小 和 分 布 如 何 ，以 此
［1］
作为飞机结构强度设计的依据 。
目前国内外飞行载荷设计都已发展到了一个
［2］
相对成熟的阶段 。通常先根据规范条款的要求
选 取 不 同 构 型 、重 量 等 ，在 飞 行 包 线 内 对 足 够 多 的
点 进 行 机 动 仿 真 或 阵 风 响 应 分 析 ，得 到 海 量 的 部
件 载 荷 计 算 工 况 ；然 后 根 据 CFD 或 风 洞 试 验 的 压
力 分 布 建 立 部 件 载 荷 数 据 库 ，经 静 气 动 弹 性 和 阻
尼 修 正 后 进 行 插 值 积 分 计 算 ，得 到 部 件 的 气 动 载
荷 分 布 ；最 后 筛 选 出 部 件 载 荷 设 计 工 况 。 由 于 数
据 和 计 算 量 极 大 ，载 荷 分 析 工 况 的 数 量 可 达 千 万
级，载荷分析的周期通常较长。
为 了 提 高 分 析 效 率 ，一 方 面 可 以 在 机 动 仿 真
阶 段 根 据 主 要 飞 行 参 数 进 行 工 况 精 简 ，从 而 降 低
部件载荷计算的工作量。但由于各部件受载特点
不 同 ，很 难 保 证 对 于 所 有 部 件 都 不 遗 漏 严 重 载 荷
工 况 ；另 一 方 面 可 以 建 立 部 件 压 力 分 布 数 据 库 ，对
指 定 工 况 进 行 预 先 载 荷 积 分 计 算 ，从 而 只 需 要 进
行实际工况的插值计算。但这种静态载荷无法顾
及气动阻尼和静气动弹性的影响。
因 此 ，要 缩 短 载 荷 设 计 周 期 ，需 要 研 究 更 加 高
效 精 准 的 飞 行 载 荷 分 析 方 法 。 近 年 来 ，基 于 神 经
网 络 的 机 器 学 习 理 论 快 速 发 展 ，已 成 为 一 热 门 的
新 兴 交 叉 学 科 。 神 经 网 络 具 有 并 行 处 理 性 、分 布
存 贮 性 、自 适 应 性 和 非 线 性 等 特 点 ，已 广 泛 应 用 于
信 息 、医 学 、经 济 、控 制 、交 通 和 心 理 学 等 领 域 ，具
有巨大的应用潜力［3］。因此，建立基于神经网络的
飞 行 载 荷 代 理 模 型 ，来 简 化 繁 琐 的 传 统 飞 行 载 荷
计算，具有重要的前景。
将 神 经 网 络 应 用 于 飞 行 载 荷 方 面 ，国 内 外 已
有 较 多 的 研 究 。 国 外 ，S. Jeong 等 建 立 神 经 网 络
［4］
模 型 ，根 据 飞 机 着 陆 实 测 飞 行 参 数 来 预 测 关 键 部
位的应变和载荷；P. M. Trivailo 等［5］利用神经网络
从 结 构 应 变 响 应 数 据 反 演 飞 机 气 动 载 荷 ；S. B.
Cooper 等 根 据 15 个 点 的 应 变 数 据 ，利 用 一 个 双
［6］
层 前 馈 网 络 预 测 翼 肋 上 的 静 载 荷 ；M. J. Allen 等
利 用 人 工 神 经 网 络 模 型 ，以 飞 机 速 度 、加 速 度 和 控
制 面 位 置 等 参 数 预 测 机 翼 载 荷 ；D. Wada 等 根 据 ［8］
91
络模型来预测试验模型机翼的载荷和迎角。国
内 ，诸 多 研 究 人 员 利 用 优 化 的 BP 神 经 网 络 ，通 过
实 测 飞 行 参 数 预 测 机 翼 载 荷［9-14］；黄 其 青 等［15-16］采
用 优 化 的 ELM 网 络 ，建 立 起 落 飞 行 参 数 和 机 翼 根
部 弯 矩 的 映 射 模 型 ；金 鑫 等［17］通 过 有 限 元 仿 真 获
取 训 练 数 据 ，建 立 深 层 前 馈 神 经 网 络 ，从 而 反 演 机
翼 载 荷 分 布 ；尚 琳 等［18］建 立 BP 网 络 模 型 ，根 据 应
变 计 电 桥 响 应 预 测 垂 尾 根 部 的 剪 力 和 弯 矩 ；马 凯
超 等［19］研 究 了 遗 传 算 法 优 化 的 卡 尔 曼 滤 波 神 经 网
络 ，建 立 实 测 飞 行 参 数 和 关 键 部 位 载 荷 的 模 型 ；李
海 泉 等［20］提 出 了 基 于 随 机 森 林 的 飞 行 载 荷 代 理 模
型分析方法。
上述研究多基于实测飞行参数或者应变响应
数 据 ，但 这 些 在 方 案 设 计 阶 段 难 以 获 得 ，此 阶 段 飞
行载荷分析的主要目的是快速准确地获得全机各
部 件 设 计 载 荷 ，多 基 于 理 论 计 算 和 风 洞 试 验 数 据 。
而 且 ，目 前 还 缺 乏 对 不 同 神 经 网 络 模 型 建 模 的 对
比分析。
对 于 飞 行 载 荷 来 说 ，建 立 代 理 模 型 实 质 是 以
拟 合 和 预 测 精 度 为 约 束 ，利 用 数 学 方 法 对 非 线 性
离 散 数 据 的 一 种 拟 合 ，以 近 似 反 映 复 杂 物 理 规 律 。
神 经 网 络 包 含 多 种 类 型 ，其 中 前 馈 神 经 网 络 中 的
BP 网 络 、RBF 网 络 和 ELM 网 络 等 具 有 结 构 简 单 、
学 习 快 速 和 非 线 性 强 的 特 点 ，在 飞 行 载 荷 研 究 中
应用较多。为了比较不同神经网络模型在飞行载
荷 建 模 分 析 中 的 有 效 性 ，本 文 以 某 双 发 T 型 尾 翼
涡 桨 飞 机 的 平 尾 载 荷 为 例 ，分 别 建 立 基 于 BP 神 经
网 络 、RBF 神 经 网 络 和 ELM 神 经 网 络 的 平 尾 载 荷
代 理 模 型 ，通 过 随 机 抽 取 的 工 况 来 验 证 三 种 模 型
的 载 荷 预 测 精 度 ，进 而 验 证 基 于 神 经 网 络 的 飞 行
载荷代理模型在飞行载荷分析中的有效性和应用
潜力。
1 神经网络模型构建
1. 1 数据集生成
模 型 飞 机 采 用 上 单 翼 、T 型 尾 翼 ，翼 吊 两 台 涡
桨 发 动 机 布 局 。 根 据 CCAR25 的 相 关 条 款 要 求 ，
对 不 同 重 量 的 巡 航 构 型 ，在 高 度 速 度 包 线 内 选 择
［7］
足 够 多 的 状 态 点 ，考 虑 不 同 的 发 动 机 拉 力 系 数 ，进
行 机 动 仿 真 分 析 ，工 况 类 型 主 要 包 括 纵 向 机 动 、偏
航 机 动 、滚 转 机 动 和 阵 风 响 应 ，得 到 数 万 种 典 型 飞
92 航空工程进展 第 14 卷

行工况的机动时间历程。然后根据 CFD 和风洞全 1. 2 BP 神经网络模型

机 测 压 试 验 结 果 建 立 尾 翼 压 力 分 布 数 据 库 ，对 每
BP（Back Propagation）神 经 网 络 是 一 种 基 于
一 种 工 况 进 行 气 动 阻 尼 、滑 流 影 响 和 静 气 动 弹 性
误 差 反 向 传 播 算 法（BP 算 法）的 多 层 前 馈 神 经 网
修 正 ，经 插 值 并 积 分 后 ，得 到 平 尾 的 总 载 荷 和 相 应
络 。 网 络 包 含 输 入 层 、输 出 层 以 及 一 个 或 多 个 隐
载荷分布。
含 层 ，每 层 神 经 元 只 与 前 一 层 神 经 元 通 过 权 值 矩
该飞机平尾载荷受不对称螺旋桨滑流影响，
阵 相 连 ，同 一 层 神 经 元 之 间 无 连 接 。 具 有 单 隐 含
不 同 机 动 工 况 受 载 特 点 复 杂 ，具 有 工 程 代 表 性 。
层的 BP 网络拓扑结构如图 1 所示。
平尾载荷计算原始压力分布数据来自 CFD 仿真和
风 洞 试 验 ，仿 真 或 试 验 的 主 要 模 拟 参 数 包 括 马 赫
数 、速 压（或 高 度）、迎 角 、侧 滑 角 、拉 力 系 数 、升 降
舵 偏 度 和 方 向 舵 偏 度 ，另 外 考 虑 气 动 阻 尼 的 俯 仰
角 速 度 的 影 响 通 过 工 程 方 法 修 正 ，飞 机 的 弹 性 变
形可由上述参数求得。因此将这些参数作为神经
网 络 模 型 的 输 入 参 数 。 选 择 平 尾 翼 根 的 弯 矩 、剪
力 和 扭 矩 作 为 表 征 平 尾 载 荷 水 平 的 指 标 ，这 样 就
构 成 了 模 型 的 输 出 参 数 。 随 机 选 择 15 000 组 工 况
图 1 BP 网络拓扑结构图
的 平 尾 载 荷 数 据 用 于 模 型 训 练 ，在 剩 余 工 况 中 随 Fig. 1 The topological structure of BP neural network
机选择 3 000 组数据用于模型精度测试。
BP 神 经 网 络 具 有 误 差 反 向 传 播 的 特 点 ，通 过
若 模 型 精 度 和 效 率 经 检 验 符 合 要 求 ，则 可 作
比 较 网 络 输 出 与 样 本 期 望 输 出 的 误 差 ，来 不 断 修
为平尾载荷代理模型对大量飞行工况进行批量载
正 各 连 接 层 的 权 值 与 阈 值 向 量 ，直 到 满 足 误 差 要
荷 计 算 ，省 去 了 分 布 载 荷 修 正 、插 值 和 积 分 等 复 杂
求，BP 算法采用的是最速下降法，即沿误差函数的
计 算 ，可 大 幅 提 高 载 荷 分 析 的 效 率 。 根 据 剖 面 弯
负梯度方向进行权值和阈值更新。神经网络的广
矩 — 剪 力 — 扭 矩 的 组 合 包 线 筛 选 出 严 重 工 况 ，对
泛互联和并行工作特点使得其具有强大的非线性
这 些 少 量 的 工 况 再 进 行 详 细 地 分 布 载 荷 计 算 ，即
映射能力。
可得到平尾的限制载荷。
BP 神 经 网 络 是 应 用 最 广 泛 的 神 经 网 络 之 一 ，
综 上 ，平 尾 的 神 经 网 络 载 荷 模 型 为 8 输 入 3 输
但 也 存 在 学 习 速 度 慢 、容 易 陷 入 局 部 极 小 的 缺 点 。
出 结 构 ，输 入 输 出 数 据 一 般 要 经 过 归 一 化 处 理 ，消
将智能优化算法用于神经网络的初始权值和阈值
除 各 维 数 据 的 数 量 级 差 异 。 模 型 的 输 入 、输 出 参
优 化 ，可 以 显 著 降 低 网 络 陷 入 局 部 极 小 的 概 率 ，常
数分别如表 1~表 2 所示。
用 的 智 能 优 化 算 法 有 遗 传 算 法（GA）、粒 子 群 算 法
表 1 输入变量
（PSO）、蚁 群 算 法（AG）、退 火 算 法（SA）和 思 维 进
Table 1 Input variables
化 算 法（MEC）等 。 研 究 表 明 ，将 多 组 优 化 后 的 初
输入变量 单位 输入变量 单位
始 权 值 阈 值 进 行 模 糊 C 均 值 聚 类［21］，将 包 含 最 多
马赫数 无量纲 拉力系数 无量纲
个 体 的 类 的 聚 类 中 心 作 为 最 优 初 始 权 值 阈 值 ，能
速压 Pa 俯仰角速度 （°）/s 够进一步降低网络训练误差。
迎角 （°） 升降舵偏度 （°）
1. 3 RBF 神经网络模型
侧滑角 （°） 方向舵偏度 （°）

径 向 基 函 数（Radical Basis Function，简 称

表 2 输出变量
Table 2 Output variables RBF）最初应用于多维空间插值。1988 年，RBF 被
引 入 神 经 网 络 设 计 中 ，产 生 了 RBF 神 经 网 络 。
输出变量 单位 输出变量 单位
RBF 神经网络是一种包含单隐含层的三层前馈神
翼根剪力 N 翼根扭矩 N·m
经 网 络 ，隐 含 层 神 经 元 的 激 活 函 数 采 用 对 中 心 点
翼根弯矩 N·m
径向对称且衰减的非线性径向基函数。
第1期 彭玉酌等：飞行载荷神经网络代理模型研究 93

这种激活函数使得神经元的输入离中心越 2006 年 被 提 出 ，其 特 点 是 连 接 输 入 层 和 隐 含 层 的
远 ，则 其 激 活 程 度 越 低 ，模 仿 了 某 些 生 物 神 经 元 的 权 值 以 及 隐 含 层 的 阈 值 是 随 机 选 择 的 ，并 且 不 随
“近兴奋远抑制”特点。RBF 神经网络通过隐含层 训练过程调整。选择了隐含层神经元的个数和无
单 元 构 成 的 隐 层 空 间 ，将 低 维 输 入 数 据 映 射 到 高 限 可 微 的 激 活 函 数 ，就 可 计 算 得 到 隐 含 层 的 输 出
维 空 间 ，可 以 解 决 低 维 空 间 中 的 线 性 不 可 分 问 题 。 权 重 ，这 组 结 果 是 唯 一 且 最 优 的 。 从 其 特 点 可 以
RBF 网络因为只有单隐含层 ，所以结构较为简单 ， 看出，ELM 网络具有极快的学习速度。
学 习 收 敛 速 度 快 ，具 有 最 佳 局 部 逼 近 特 性 和 全 局 设输入层与隐含层的权值矩阵为 w，隐含层到
最 优 的 性 能 。 RBF 神 经 网 络 的 拓 扑 结 构 如 图 2 输出层的权值矩阵为 β，隐含层的阈值向量为 b，具
所示。 有 Q 个样本的输入矩阵为 X，则网络的期望输出 T
可表示为
T'=Hβ （4）
H=f（w，b，X） （5）
求 解 β 使 得 误 差 函 数（式（6））最 小 ，可 得 β 的
最小二乘解，其中 H + 是 H 的广义逆矩阵。
2
e = min ‖ Hβ - T' ‖ （6）

β = H + T' （7）
为 了 避 免 出 现 有 时 矩 阵 无 法 求 逆 的 现 象 ，可
引 入 正 则 化 参 数 ，对 误 差 函 数 进 行 岭 回 归 分 析 ，使
图 2 RBF 网络拓扑结构图 得求逆的矩阵始终是正定的。
Fig. 2 The topological structure of RBF neural network

RBF 神 经 网 络 常 用 的 激 活 函 数 是 高 斯 函 数 ， 2 数值仿真验证
可表示为 采用上文所述的模型飞机平尾载荷数据集，

R ( x p - c i )= e
( -
2σ
1
2
||x p - c i ||2
) （i=1，2，…，h）（1） 对 三 种 神 经 网 络 载 荷 模 型 进 行 训 练 并 检 验 ，得 到

式 中 ：x p 为 第 p 个 输 入 样 本 ，x p = ( x p1，x p2，…，x pm )；c i 平尾翼根弯矩、剪力和扭矩的预测结果。

为 隐 含 层 节 点 的 聚 类 中 心 ；||x p - c i || 为 输 入 向 量 与 2. 1 BP 神经网络模型验证
中心的欧式范数；σ 为高斯函数的方差。
图 2 所示网络的输出为 本 文 建 立 的 BP 神 经 网 络 载 荷 模 型 包 含 两 层

yj = ∑
h

w ij e
( -
1
2σ 2
||x p - c i ||2
) （j=1，2，…，n） （2）
隐含层，采用双曲正切激活函数，且各有 20 个神经
元 节 点 ，在 普 通 PC 机 上 训 练 耗 时 约 2 min。 3 000
i= 1

设 d 为样本的期望输出值，则方差采用最小二 个测试工况的平尾载荷预测结果相对误差分布如

乘法表示为 图 3 所 示 。 通 过 计 算 可 得 ，翼 根 剪 力 、弯 矩 和 扭 矩

1 m 预 测 的 平 均 相 对 误 差 分 别 为 1. 64%、1. 77% 和
σ=
P
∑||d - y c ||
j
j j i
2
（i=1，2，…，h） （3） 1. 33%，其中 90% 以上工况误差在 3% 以内。

式中：P 为样本总数。
RBF 神 经 网 络 有 多 种 学 习 方 法 ，包 括 聚 类 选
取 中 心 方 法 、随 机 梯 度 训 练 方 法 和 正 交 最 小 二 乘
回归方法等［22］。

1. 4 ELM 神经网络模型

极 限 学 习 机（Extreme Learning Machine，简 称

ELM）是 一 类 具 有 单 隐 含 层 的 前 馈 神 经 网 络 ，于 （a）平尾剪力预测相对误差
94 航空工程进展 第 14 卷

（b）平尾弯矩预测相对误差 （c）平尾扭矩真实值和预测值对比

图 4 平尾载荷真实值和预测值对比（BP）
Fig. 4 Comparison of real values and predicted
values of horizontal tail flight loads（BP）

2. 2 RBF 神经网络模型验证
建 立 的 RBF 神 经 网 络 载 荷 模 型 包 含 500 个 隐
含 层 神 经 元 ，训 练 耗 时 1 min，因 网 络 规 模 较 大 ，训
练样本较多时会占用较大的运行内存。测试工况
的平尾载荷预测结果相对误差分布如图 5 所示。
（c）平尾扭矩预测相对误差

图 3 平尾载荷预测相对误差（BP）
Fig. 3 Relative error of horizontal tail flight
loads predictions（BP）

平尾载荷真实值和预测值的对比如图 4 所示，
样 本 点 越 接 近 对 角 线 ，代 表 预 测 精 度 越 高 ，可 以 看
出 ：除 扭 矩 的 部 分 点 稍 有 偏 差 外 ，剪 力 和 弯 矩 的 预
测效果很好。 （a）平尾剪力预测相对误差

（b）平尾弯矩预测相对误差

（a）平尾剪力真实值和预测值对比

（c）平尾扭矩预测相对误差

图 5 平尾载荷预测相对误差（RBF）
Fig. 5 Relative error of horizontal tail flight
（b）平尾弯矩真实值和预测值对比 loads predictions（RBF）
第1期 彭玉酌等：飞行载荷神经网络代理模型研究 95

通 过 计 算 可 得 ，翼 根 剪 力 、弯 矩 和 扭 矩 预 测 的 的平均相对误差分别为 2. 11%、2. 33% 和 2. 16%。

平均相对误差分别为 3. 00%、2. 39% 和 1. 83%。
平尾载荷真实值和预测值的对比如图 6 所示，
可 以 看 出 ：除 扭 矩 的 部 分 点 偏 差 明 显 外 ，剪 力 和 弯
矩的预测精度均较高。

（a）平尾剪力预测相对误差

（a）平尾剪力真实值和预测值对比

（b）平尾弯矩预测相对误差

（b）平尾弯矩真实值和预测值对比

（c）平尾扭矩预测相对误差

图 7 平尾载荷预测相对误差（ELM）
Fig. 7 Relative error of horizontal tail flight
loads predictions（ELM）

平尾载荷真实值和预测值的对比如图 8 所示，
（c）平尾扭矩真实值和预测值对比
可 以 看 出 ：剪 力 和 弯 矩 预 测 结 果 与 真 实 值 基 本
图 6 平尾载荷真实值和预测值对比（RBF）
吻合。
Fig. 6 Comparison of real values and predicted
values of horizontal tail flight loads（RBF）

2. 3 ELM 神经网络模型验证

ELM 神 经 网 络 训 练 速 度 快 ，尤 其 适 合 大 样 本
量的情况，但通常需要较多的隐含层神经元。本文
建立的 ELM 神经网络载荷模型包含 800 个隐含层
神经元，在普通 PC 机上只需几秒钟即可完成训练。
测试工况的平尾载荷预测结果相对误差分布如图 7
所 示 。 通 过 计 算 可 得 ，翼 根 剪 力 、弯 矩 和 扭 矩预测 （a） 平尾剪力真实值和预测值对比
96 航空工程进展 第 14 卷

六 个 变 量 对 于 平 尾 翼 根 剪 力 、弯 矩 和 扭 矩 的
贡 献 度 如 表 3 所 示 ，可 以 看 出 ：对 平 尾 剪 力 和 弯 矩
影 响 最 大 的 因 素 是 迎 角 、升 降 舵 偏 度 和 俯 仰 角 速
度 ，飞 行 速 压 对 翼 根 扭 矩 也 有 较 大 贡 献 。 该 结 果
具 有 可 预 见 性 ，符 合 平 尾 受 载 规 律 ，也 进 一 步 验 证
了飞行载荷神经网络代理模型的合理性。

表3 输入变量对平尾载荷贡献度
Table 3 Contribution of input variables to
（b）平尾弯矩真实值和预测值对比 horizontal tail flight loads
贡献度/%
输入变量
剪力 弯矩 扭矩

马赫数 4. 36 5. 54 1. 59

速压 9. 59 6. 79 20. 32

拉力系数 5. 16 5. 50 5. 66

迎角 49. 78 43. 96 39. 90

升降舵偏度 20. 03 25. 79 15. 86

俯仰角速度 11. 09 12. 41 16. 67

（c）平尾扭矩真实值和预测值对比

图 8 平尾载荷真实值和预测值对比（ELM）
Fig. 8 Comparison of real values and predicted
values of horizontal tail flight loads（ELM）
综 上 所 述 ，三 种 神 经 网 络 载 荷 模 型 都 具 有 较
高 的 预 测 精 度 和 较 快 的 训 练 速 度 。 其 中 BP 神 经
网络载荷模型预测精度最高，网络规模最小，ELM
神经网络载荷模型训练速度最快。
3 参数贡献度分析
4 结 论
（1）三 种 基 于 神 经 网 络 的 载 荷 模 型 都 具 有 较
高 的 预 测 精 度 和 建 模 效 率 ，可 以 满 足 飞 行 载 荷 分
析的需要。
（2）神 经 网 络 载 荷 模 型 能 够 便 捷 地 给 出 参 数
对 于 载 荷 贡 献 度 的 定 量 结 果 ，对 于 飞 行 器 和 载 荷
优化设计具有参考意义。
（3）基 于 神 经 网 络 的 飞 行 载 荷 代 理 模 型 省 去
了 复 杂 受 载 下 的 分 布 载 荷 修 正 、插 值 和 积 分 等 运

相 较 于 传 统 的 飞 行 载 荷 分 析 方 法 ，基 于 神 经 算 流 程 ，可 大 幅 提 高 设 计 阶 段 飞 行 载 荷 分 析 效 率 ，

网络的飞行载荷代理模型可以方便地进行载荷参 具有较大的工程应用价值。

数 的 贡 献 度 分 析 ，有 助 于 把 握 部 件 载 荷 规 律 ，从 而
优化飞行器设计。
本 文 以 BP 神 经 网 络 载 荷 模 型 为 例 ，采 用 平 均
影 响 值（Mean Impact Value，简 称 MIV）方 法 分 析
马 赫 数 、速 压 、迎 角 、拉 力 系 数 、俯 仰 角 速 度 和 升 降
舵 偏 度 这 六 个 变 量 对 平 尾 翼 根 剪 力 、弯 矩 和 扭 矩
的 贡 献 度 。 MIV 方 法 是 在 网 络 训 练 完 成 后 ，将 训
练样本 P 中每一自变量特征在其原值基础上分别
加上和减去 10%，构成两个新的样本 P 1 和 P 2 ，将 P 1
和 P 2 代 入 训 练 完 成 的 网 络 ，得 到 两 个 仿 真 结 果 T 1
和 T 2 ，T 1 和 T 2 的 差 值 即 该 变 量 对 输 出 的 影 响 值 。
每个变量的平均影响值绝对值所占百分比可作为
该变量的贡献度。
参考文献
［1］ 飞机设计手册总编委会 . 飞机设计手册：第 9 册 ——载荷、
强度和刚度［M］. 北京：航空工业出版社，2001.
The General Editorial Board of Aircraft Design Manual.
Aircraft design manual：Vol. 9—load，strength and rigidity
［M］. Beijing：Aviation Industry Press，2001.（in Chinese）
［2］ 闫 中 午 ，宗 宁 ，任 文 广 ，等 . 飞 行 载 荷 发 展 综 述［J］. 航 空
工程进展，2020，11（6）：873-886.
YAN Zhongwu，ZONG Ning，REN Wenguang，et al. De⁃
velopment overview of flight loads［J］. Advances in Aero⁃
nautical Science and Engineering，2020，11（6）：873-886.
（in Chinese）
［3］ 彭玉酌 . 高超声速飞行环境参数辨识方法研究［D］. 杭州：
浙江大学，2017.
PENG Yuzhuo. Research on identification method of hyper⁃
sonic flight environment parameters［D］. Hangzhou：Zheji⁃
第1期 彭玉酌等：飞行载荷神经网络代理模型研究
ang University，2017.（in Chinese）
［4］ JEONG S，LEE K，HAM J，et al. Estimation of maximum
strains and loads in aircraft landing using artificial neural net⁃
work［J］. International Journal of Aeronautical and Space
Sciences，2020，21：117-132.
［5］ TRIVAILO P M，CARN C L. The inverse determination
of aerodynamic loading from structural response data using
neural networks［J］. Inverse Problems in Science and Engi⁃
neering，2006，14（4）：379-395.
［6］ COOPER S B，DIMAIO D. Static load estimation using ar⁃
tificial neural network：application on a wing rib［J］. Advanc⁃
es in Engineering Software，2018，125（1）：113-125.
［7］ ALLEN M J，DIBLEY R P. Modeling aircraft wing loads
from flight data using neural networks［J］. SAE Technical
Papers，2003，21：20-32.
［8］ WADA D，TAMAYAMA M. Wing load and angle of at⁃
tack identification by integrating optical fiber sensing and neu⁃
ral network approach in wind tunnel test［J］. Applied Scienc⁃
es，2019，9（7）：1461.
［9］ 何发东，舒成辉 . 贝叶斯正则化 BP 网络在机翼载荷分析中
的应用［J］. 飞行力学，2009，27（4）：85-88.
HE Fadong，SHU Chenghui. Application of BP neural net⁃
works based on Bayesian regularization to aircraft wing loads
analysis［J］. Flight Dynamics，2009，27（4）：85-88.（in Chi⁃
nese）
［10］ 王 勇 军 ，董 江 ，刘 小 冬 . 基 于 机 动 的 飞 机 结 构 载 荷 分 析 模
型［C］∥ 第 六 届 中 国 航 空 学 会 青 年 科 技 论 坛 . 沈 阳 ：中 国
航空学会，2014：361-367.
WANG Yongjun， DONG Jiang， LIU Xiaodong. Aircraft
structure load analysis model based on maneuvers［C］∥ The
6th Youth Science and Technology Forum of CSAA.
Shenyang：CSAA，2014：361-367.（in Chinese）
［11］ 唐宁 . 基于神经网络的机翼结构载荷模型建立方法［J］. 空
军工程大学学报，2021，22（4）：41-46.
TANG Ning. A method of establishing wing structure load
model based on neural network［J］. Journal of Air Force En⁃
gineering University，2021，22（4）：41-46.（in Chinese）
［12］ 王 珲 玮 . 基 于 神 经 网 络 的 飞 行 器 力 载 荷 识 别 算 法 研 究
［D］. 杭州：浙江大学，2018.
WANG Huiwei. Research on load identification algorithm of
aircraft based on neural network［D］. Hangzhou：Zhejiang
University，2018.（in Chinese）
［13］ 陈奇 ，安彦 . 基于神经网络的机翼载荷识别［J］. 中国高新
科技，2020（24）：54-55.
CHEN Qi，AN Yan. Wing load identification based on neu⁃
ral network［J］. China High-Tech，2020（24）：54-55.（in
Chinese）
［14］ 曹善成，殷之平，黄其青，等 . 基于遗传神经网络的机翼载
荷参数识别［J］. 航空计算技术，2013，43（1）：61-65.
CAO Shancheng， YIN Zhiping， HUANG Qiqing， et al.
Development of a parametric flight loads identification meth⁃
od using genetic improved BP neural networks［J］. Aeronau⁃
tical Computing Technique，2013，43（1）：61-65.（in Chi⁃
nese）
［15］ 张 夏 阳 ，黄 其 青 ，殷 之 平 ，等 . 基 于 GA-ELM 的 飞 行 载 荷
97
参数识别［J］. 航空工程进展，2014，5（4）：497-501.
ZHANG Xiayang，HUANG Qiqing，YIN Zhiping，et al.
Establishing a parametric flight loads identification method
with GA-ELM model［J］. Advances in Aeronautical Sci⁃
ence and Engineering，2014，5（4）：497-501.（in Chinese）
［16］ 刘飞，黄其青，殷之平，等 . 一种对飞行参数选取的自适应
方法［J］. 航空计算技术，2014，44（6）：14-17.
LIU Fei，HUANG Qiqing，YIN Zhiping，et al. A self adap⁃
tion method of flight parameters selection［J］. Aeronautical
Computing Technique，2014，44（6）：14-17.（in Chinese）
［17］ 金 鑫 ，殷 建 业 ，王 健 志 . 基 于 深 度 学 习 的 飞 行 载 荷 测 试 与
反演方法研究［J］. 航空工程进展，2020，11（6）：887-893.
JIN Xin，YIN Jianye，WANG Jianzhi. Research on deep-
learning-based flight load test and estimation method［J］.
Advances in Aeronautical Science and Engineering， 2020，
11（6）：887-893.（in Chinese）
［18］ 尚琳，何发东，杨华保，等 . 基于神经网络的垂尾飞行载荷
模型研究［J］. 强度与环境，2011，38（5）：49-53.
SHANG Lin， HE Fadong， YANG Huabao， et al. Re⁃
search on flight loads model of vertical tail based on neural
networks［J］. Structure & Environment Engineering，2011，
38（5）：49-53.（in Chinese）
［19］ 马凯超，宋笔锋，殷之平，等 . 一种基于神经网络的飞机载
荷参数识别方法［J］. 飞行力学，2013，31（4）：363-366.
MA Kaichao，SONG Bifeng，YIN Zhiping，et al. An alter⁃
native approach for parameter based flight loads identification
using the neural networks［J］. Flight Dynamics，2013，31
（4）：363-366.（in Chinese）
［20］ 李海泉，陈小前，左林玄，等 . 基于随机森林的飞行载荷代
理模型分析方法［J］. 航空学报，2022，43（3）：317-326.
LI Haiquan，CHEN Xiaoqian，ZUO Linxuan，et al. Ran⁃
dom forest-based surrogate model for flight load analysis
［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43
（3）：317-326.（in Chinese）
［21］ 邓文杰 . 基于聚粒子群算法的神经网络权值优化方法［J］.
计算机技术与发展，2017，27（10）：16-18.
DENG Wenjie. A neural network weights optimization
method based on clustering particle swarm optimization［J］.
Computer Technology and Development， 2017， 27（10）：
16-18.（in Chinese）
［22］ CHEN S， COWAN C F N， GRANT P M. Orthogonal
least squares learning algorithm for radial basis function net⁃
works［J］. IEEE Transaction on Neural Networks，1991，2
（2）：302-309.
作者简介：
彭玉酌（1993-），男，硕士，工程师。主要研究方向：飞行载荷
设计。
唐 朕（1982-），男，学士，高级工程师。主要研究方向：飞行
载荷设计。
肖启之（1982-），男，学士，高级工程师。主要研究方向：飞行
载荷设计。
（编辑：马文静）