Professional Documents
Culture Documents
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
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 91
0 引 言 风 洞 中 光 纤 传 感 器 应 变 和 襟 翼 偏 度 ,建 立 神 经 网
络模型来预测试验模型机翼的载荷和迎角。国
飞行载荷是飞机从起飞至着陆的整个飞行过 内 ,诸 多 研 究 人 员 利 用 优 化 的 BP 神 经 网 络 ,通 过
程中所承受的载荷。进行飞行载荷分析的目的是 实 测 飞 行 参 数 预 测 机 翼 载 荷[9-14];黄 其 青 等[15-16]采
从 复 杂 的 飞 行 过 程 中 ,找 出 各 个 部 件 最 严 重 受 载 用 优 化 的 ELM 网 络 ,建 立 起 落 飞 行 参 数 和 机 翼 根
发 生 在 哪 种 情 况 ,其 载 荷 的 大 小 和 分 布 如 何 ,以 此 部 弯 矩 的 映 射 模 型 ;金 鑫 等[17]通 过 有 限 元 仿 真 获
[1]
作为飞机结构强度设计的依据 。 取 训 练 数 据 ,建 立 深 层 前 馈 神 经 网 络 ,从 而 反 演 机
目前国内外飞行载荷设计都已发展到了一个 翼 载 荷 分 布 ;尚 琳 等[18]建 立 BP 网 络 模 型 ,根 据 应
[2]
相对成熟的阶段 。通常先根据规范条款的要求 变 计 电 桥 响 应 预 测 垂 尾 根 部 的 剪 力 和 弯 矩 ;马 凯
选 取 不 同 构 型 、重 量 等 ,在 飞 行 包 线 内 对 足 够 多 的 超 等[19]研 究 了 遗 传 算 法 优 化 的 卡 尔 曼 滤 波 神 经 网
点 进 行 机 动 仿 真 或 阵 风 响 应 分 析 ,得 到 海 量 的 部 络 ,建 立 实 测 飞 行 参 数 和 关 键 部 位 载 荷 的 模 型 ;李
件 载 荷 计 算 工 况 ;然 后 根 据 CFD 或 风 洞 试 验 的 压 海 泉 等[20]提 出 了 基 于 随 机 森 林 的 飞 行 载 荷 代 理 模
力 分 布 建 立 部 件 载 荷 数 据 库 ,经 静 气 动 弹 性 和 阻 型分析方法。
尼 修 正 后 进 行 插 值 积 分 计 算 ,得 到 部 件 的 气 动 载 上述研究多基于实测飞行参数或者应变响应
荷 分 布 ;最 后 筛 选 出 部 件 载 荷 设 计 工 况 。 由 于 数 数 据 ,但 这 些 在 方 案 设 计 阶 段 难 以 获 得 ,此 阶 段 飞
据 和 计 算 量 极 大 ,载 荷 分 析 工 况 的 数 量 可 达 千 万 行载荷分析的主要目的是快速准确地获得全机各
级,载荷分析的周期通常较长。 部 件 设 计 载 荷 ,多 基 于 理 论 计 算 和 风 洞 试 验 数 据 。
为 了 提 高 分 析 效 率 ,一 方 面 可 以 在 机 动 仿 真 而 且 ,目 前 还 缺 乏 对 不 同 神 经 网 络 模 型 建 模 的 对
阶 段 根 据 主 要 飞 行 参 数 进 行 工 况 精 简 ,从 而 降 低 比分析。
部件载荷计算的工作量。但由于各部件受载特点 对 于 飞 行 载 荷 来 说 ,建 立 代 理 模 型 实 质 是 以
不 同 ,很 难 保 证 对 于 所 有 部 件 都 不 遗 漏 严 重 载 荷 拟 合 和 预 测 精 度 为 约 束 ,利 用 数 学 方 法 对 非 线 性
工 况 ;另 一 方 面 可 以 建 立 部 件 压 力 分 布 数 据 库 ,对 离 散 数 据 的 一 种 拟 合 ,以 近 似 反 映 复 杂 物 理 规 律 。
指 定 工 况 进 行 预 先 载 荷 积 分 计 算 ,从 而 只 需 要 进 神 经 网 络 包 含 多 种 类 型 ,其 中 前 馈 神 经 网 络 中 的
行实际工况的插值计算。但这种静态载荷无法顾 BP 网 络 、RBF 网 络 和 ELM 网 络 等 具 有 结 构 简 单 、
及气动阻尼和静气动弹性的影响。 学 习 快 速 和 非 线 性 强 的 特 点 ,在 飞 行 载 荷 研 究 中
因 此 ,要 缩 短 载 荷 设 计 周 期 ,需 要 研 究 更 加 高 应用较多。为了比较不同神经网络模型在飞行载
效 精 准 的 飞 行 载 荷 分 析 方 法 。 近 年 来 ,基 于 神 经 荷 建 模 分 析 中 的 有 效 性 ,本 文 以 某 双 发 T 型 尾 翼
网 络 的 机 器 学 习 理 论 快 速 发 展 ,已 成 为 一 热 门 的 涡 桨 飞 机 的 平 尾 载 荷 为 例 ,分 别 建 立 基 于 BP 神 经
新 兴 交 叉 学 科 。 神 经 网 络 具 有 并 行 处 理 性 、分 布 网 络 、RBF 神 经 网 络 和 ELM 神 经 网 络 的 平 尾 载 荷
存 贮 性 、自 适 应 性 和 非 线 性 等 特 点 ,已 广 泛 应 用 于 代 理 模 型 ,通 过 随 机 抽 取 的 工 况 来 验 证 三 种 模 型
信 息 、医 学 、经 济 、控 制 、交 通 和 心 理 学 等 领 域 ,具 的 载 荷 预 测 精 度 ,进 而 验 证 基 于 神 经 网 络 的 飞 行
有巨大的应用潜力[3]。因此,建立基于神经网络的 载荷代理模型在飞行载荷分析中的有效性和应用
飞 行 载 荷 代 理 模 型 ,来 简 化 繁 琐 的 传 统 飞 行 载 荷 潜力。
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 1 神经网络模型构建
有 较 多 的 研 究 。 国 外 ,S. Jeong 等 建 立 神 经 网 络
[4]
1. 1 数据集生成
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 模 型 飞 机 采 用 上 单 翼 、T 型 尾 翼 ,翼 吊 两 台 涡
从 结 构 应 变 响 应 数 据 反 演 飞 机 气 动 载 荷 ;S. B. 桨 发 动 机 布 局 。 根 据 CCAR25 的 相 关 条 款 要 求 ,
Cooper 等 根 据 15 个 点 的 应 变 数 据 ,利 用 一 个 双
[6]
对 不 同 重 量 的 巡 航 构 型 ,在 高 度 速 度 包 线 内 选 择
层 前 馈 网 络 预 测 翼 肋 上 的 静 载 荷 ;M. J. Allen 等 [7]
足 够 多 的 状 态 点 ,考 虑 不 同 的 发 动 机 拉 力 系 数 ,进
利 用 人 工 神 经 网 络 模 型 ,以 飞 机 速 度 、加 速 度 和 控 行 机 动 仿 真 分 析 ,工 况 类 型 主 要 包 括 纵 向 机 动 、偏
制 面 位 置 等 参 数 预 测 机 翼 载 荷 ;D. Wada 等 根 据 [8]
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
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
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
(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
(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
(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) 4 结 论
Fig. 8 Comparison of real values and predicted
values of horizontal tail flight loads(ELM) (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
综 上 所 述 ,三 种 神 经 网 络 载 荷 模 型 都 具 有 较 析的需要。
高 的 预 测 精 度 和 较 快 的 训 练 速 度 。 其 中 BP 神 经 (2)神 经 网 络 载 荷 模 型 能 够 便 捷 地 给 出 参 数
网络载荷模型预测精度最高,网络规模最小,ELM 对 于 载 荷 贡 献 度 的 定 量 结 果 ,对 于 飞 行 器 和 载 荷
神经网络载荷模型训练速度最快。 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
3 参数贡献度分析 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
参考文献
优化飞行器设计。 [1] 飞机设计手册总编委会 . 飞机设计手册:第 9 册 ——载荷、
本 文 以 BP 神 经 网 络 载 荷 模 型 为 例 ,采 用 平 均 强度和刚度[M]. 北京:航空工业出版社,2001.
The General Editorial Board of Aircraft Design Manual.
影 响 值(Mean Impact Value,简 称 MIV)方 法 分 析
Aircraft design manual:Vol. 9—load,strength and rigidity
马 赫 数 、速 压 、迎 角 、拉 力 系 数 、俯 仰 角 速 度 和 升 降 [M]. Beijing:Aviation Industry Press,2001.(in Chinese)
舵 偏 度 这 六 个 变 量 对 平 尾 翼 根 剪 力 、弯 矩 和 扭 矩 [2] 闫 中 午 ,宗 宁 ,任 文 广 ,等 . 飞 行 载 荷 发 展 综 述[J]. 航 空
的 贡 献 度 。 MIV 方 法 是 在 网 络 训 练 完 成 后 ,将 训 工程进展,2020,11(6):873-886.
YAN Zhongwu,ZONG Ning,REN Wenguang,et al. De⁃
练样本 P 中每一自变量特征在其原值基础上分别
velopment overview of flight loads[J]. Advances in Aero⁃
加上和减去 10%,构成两个新的样本 P 1 和 P 2 ,将 P 1 nautical Science and Engineering,2020,11(6):873-886.
和 P 2 代 入 训 练 完 成 的 网 络 ,得 到 两 个 仿 真 结 果 T 1 (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:
和 T 2 ,T 1 和 T 2 的 差 值 即 该 变 量 对 输 出 的 影 响 值 。
浙江大学,2017.
每个变量的平均影响值绝对值所占百分比可作为 PENG Yuzhuo. Research on identification method of hyper⁃
该变量的贡献度。 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 97