基于PSO⁃BiLSTM神经网络的机身筒段应力预测

doi:10.7527/S1000-6893.2022.26991

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于PSO⁃BiLSTM神经网络的机身筒段应力预测

杨超¹^,²(), 张开富¹

^1.西北工业大学机电学院，西安　710072
^2.中国航空工业集团公司北京长城航空测控技术研究所，北京　101111

收稿日期:2022-01-24 修回日期:2022-02-18 接受日期:2022-04-01 出版日期:2023-04-15 发布日期:2022-07-08
通讯作者: 杨超 E-mail:yangc@avic-bmc.com
基金资助:
国家级项目

Stress prediction of fuselage tube section based on PSO⁃BiLSTM neural network

Chao YANG¹^,²(), Kaifu ZHANG¹

^1.School of Mechanical Engineering，Northwestern Polytechnical University，Xi’an 　710072，China
^2.AVIC Beijing Chang Cheng Aeronautic Measurement and Control Technology Research Institute，Beijing 　101111，China

Received:2022-01-24 Revised:2022-02-18 Accepted:2022-04-01 Online:2023-04-15 Published:2022-07-08
Contact: Chao YANG E-mail:yangc@avic-bmc.com
Supported by:
National Level Project

摘要/Abstract

摘要：

飞机机身部件在装配对接前，通常需要使用形状控制工装调节机身筒段形状以达到对接标准，为避免出现控形过程中筒段局部应力过大损坏机身的情况，需实时监测机身筒段应力变化，为此提出基于粒子群优化算法和双向长短期记忆（PSO-BiLSTM）神经网络的应力预测方法。通过机身筒段控形历史数据对应力预测模型进行训练和测试，采用粒子群优化算法迭代优化神经网络超参数，实验结果表明，PSO-BiLSTM神经网络凭借长记忆细胞和高模型容量优势在处理序列式数据方面具有明显优势，应力预测损失在0.3%的均方根误差范围内收敛。与竞争模型循环神经网络（RNN）、标准长短期记忆（LSTM）神经网络和双向长短期记忆（BiLSTM）神经网络相比，PSO-BiLSTM神经网络模型不仅预测结果更准确，训练效率也明显提高。

关键词: 装配, 机身筒段, 形状控制, 实时监测, 应力预测, 粒子群算法

Abstract:

Before aircraft fuselage components are assembled and docked， shape control tools are usually used to adjust the shape of the fuselage tube section to meet the docking standard. In order to avoid damage to the fuselage due to excessive local stress during the shape control process， it is necessary to monitor changes in stress. This research proposes a stress prediction method， which combines Particle Swarm Optimization and Bidirectional Long Short-Term Memory （PSO-BiLSTM） neural network. In this paper， the model input data is converted into sliding window sequential data with extremely high data correlation， and the stress data set is trained and tested. The experimental results show that the PSO-BiLSTM neural network has obvious advantages in processing sequential data. This is because the PSO-BiLSTM network has long memory cells and high model capacity. Stress prediction loss converges within 0.3% Root Mean Square Error （RMSE） error range. Compared with the competitive model RNN network， the standard Long Short-Term Memory （LSTM） network and the Bidirectional Long Short-Term Memory （BiLSTM） neural network， the PSO-BiLSTM model not only predicts more accurately， but also significantly improves training efficiency.

Key words: assembly, fuselage tube section, shape control, real-time monitoring, stress prediction, particle swarm optimization

中图分类号:

V214.4⁺1

杨超, 张开富. 基于PSO⁃BiLSTM神经网络的机身筒段应力预测[J]. 航空学报, 2023, 44(7): 426991-426991.

Chao YANG, Kaifu ZHANG. Stress prediction of fuselage tube section based on PSO⁃BiLSTM neural network[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(7): 426991-426991.

图/表 14

图 1

图 2

图 3

图 4

图 5

图 6

表 1

表 2

图 7

图 8

图 9

图 10

表 3

4种模型评价指标比较（监测点2）

模型	RMSE	MAE	$R 2$
RNN	0.011 8	0.027 8	0.763 5
LSTM	0.008 8	0.020 3	0.862 5
BiLSTM	0.004 5	0.012 5	0.956 6
PSO-BiLSTM	0.003 2	0.010 2	0.978 4

表 3

表 4

4种模型评价指标比较（监测点4）

模型	RMSE	MAE	$R 2$
RNN	0.010 6	0.024 7	0.8542
LSTM	0.008 3	0.016 4	0.938 9
BiLSTM	0.004 5	0.009 6	0.975 1
PSO-BiLSTM	0.003 6	0.007 4	0.986 9

表 4

参考文献 22

1	荆涛，田锡天. 基于蒙特卡洛-自适应差分进化算法的飞机容差分配多目标优化方法［J］. 航空学报， 2022， 43（3）： 425278.
	JING T， TIAN X T. Multi-objective optimization method for aircraft tolerance allocation based on Monte Carlo-adaptive differential evolution algorithm［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（3）： 425278 （in Chinese）.
2	唐成顺，孙丹，唐威，等．基于LSTM循环神经网络的汽轮机转子表面应力预测模型［J］．中国电机工程学报，2021， 41（2）： 451-460.
	TANG C S， SUN D， TANG W， et al. A turbine rotor surface stress prediction model based on LSTM recurrent neural network［J］. Proceedings of the CSEE， 2021， 41（2）： 451-460 （in Chinese）.
3	袁泓磊，李尚平，李向辉，等．基于深度学习模型的甘蔗转运车节点应力预测［J］．装备制造技术，2020（4）： 1-4.
	YUAN H L， LI S P， LI X H， et al. Stress prediction of key nodes of sugarcane transport vehicle based on deep learning［J］．Equipment Manufacturing Technology， 2020（4）： 1-4 （in Chinese）.
4	GULGEC N， TAKAC M， PAKZAD S. Innovative sensing by using deep learning framework［C］∥Dynamics of Civil Structures， Volume 2 Proceedings of the 35th IMAC， A Conference and Exposition on Structural Dynamics 2017. 2017： 293-300.
5	HUANG R J， WEI C J， WANG B H， et al. Well performance prediction based on Long Short-Term Memory （LSTM） neural network［J］. Journal of Petroleum Science and Engineering， 2022， 208（Part D）： 109686.
6	MA Y H， DU X， SUN X M. Adaptive modification of the turbofan engine nonlinear model based on LSTM neural networks and hybrid optimization method［J］. Chinese Journal of Aeronautics， 2021， 1-23.Avilable from：.
7	HAJIAGHAYI M， VAHEDI E. Code failure prediction and pattern extraction using LSTM networks［C］∥ 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications （Big Data Service）. Newark： Institute for Electrical and Electronic Engineers， 2019： 55-62.
8	ZHANG Y. Aeroengine fault prediction based on bidirectional LSTM neural network［C］∥ 2020 International Conference on Big Data， Artificial Intelligence and Internet of Things Engineering （ICBAIE）. Piscataway， NJ： IEEE Press， 2020： 317-320.
9	PAN D W， SONG Z， NIE L Q， et al. Satellite telemetry data anomaly detection using Bi-LSTM prediction based model［C］∥ 2020 IEEE International Instrumentation and Measurement Technology Conference （I2MTC）. Piscataway， NJ： IEEE Press， 2020： 1-6.
10	车畅畅，王华伟，倪晓梅，等. 基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测［J］. 机械工程学报， 2021， 57（14）： 304-312.
	CHE C C， WANG H W， NI X M， et al. Residual life prediction of aeroengine based on 1D-CNN and Bi-LSTM［J］. Journal of Mechanical Engineering， 2021， 57（14）： 304-312 （in Chinese）.
11	BIAN C， HE H L， YANG S K. Stacked bidirectional long short-term memory networks for state-of-charge estimation of lithium-ion batteries［J］. Energy， 2020， 191： 116538.
12	LIU J W， LI Q， CHEN W R， et al. Remaining useful life prediction of PEMFC based on long short-term memory recurrent neural networks［J］. International Journal of Hydrogen Energy， 2019， 44（11）： 5470-5480.
13	QUE Z Q， LIU Y Y， GUO C， et al. Real-time anomaly detection for flight testing using AutoEncoder and LSTM［C］∥ 2019 International Conference on Field-Programmable Technology （ICFPT）. Piscataway， NJ： IEEE Press， 2019： 379-382.
14	LI D Z， YAN M J， MIAO Z W， et al. LSTM neural network based tensile stress prediction of rubber streching［C］∥ 2020 IEEE International Conference on Networking， Sensing and Control （ICNSC）. Piscataway， NJ： IEEE Press， 2020： 1-5.
15	SUN Q， TANG Z， GAO J P， et al. Short-term ship motion attitude prediction based on LSTM and GPR［J］. Applied Ocean Research， 2022， 118： 102927.
16	YAO W Y， HUANG P， JIA Z X. Multidimensional LSTM networks to predict wind speed ［C］∥ 2018 37th Chinese Control Conference （CCC）. Piscataway， NJ： IEEE Press， 2018： 7493-7497.
17	DU Y， CUI N X， LI H X， et al. The vehicle’s velocity prediction methods based on RNN and LSTM neural network［C］∥ 2020 Chinese Control and Decision Conference （CCDC）. Piscataway， NJ： IEEE Press， 2020： 99-102.
18	MA J Y， LUO D C， LIAO X P， et al. Tool wear mechanism and prediction in milling TC18 titanium alloy using deep learning［J］. Measurement， 2020， 173（1）： 108554.
19	CUI Z Y， KE R M， PU Z Y， et al. Stacked bidirectional and unidirectional LSTM recurrent neural network for forecasting network-wide traffic state with missing values ［J］. Transportation Research Part C： Emerging Technologies， 2020， 118： 102674.
20	SIAMI-NAMINI S， TAVAKOLI N， NAMIN A S. The performance of LSTM and BiLSTM in forecasting time series［C］∥ 2019 IEEE International Conference on Big Data （Big Data）. Piscataway， NJ： IEEE Press， 2019： 3285-3292.
21	KENNEDY J， EBERHART R. Particle swarm optimization ［C］∥ Proceedings of IEEE International Conference on Neural Networks. Piscataway， NJ： IEEE Press， 1995： 1942-1948.
22	GREFF K， SRIVASTAVA R K， KOUTNIK J， et al. LSTM： a search space odyssey［J］. IEEE Transactions on Neural Networks and Learning Systems， 2017， 28（10）： 2222 -2232.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

超参数	RNN	LSTM	BiLSTM	PSO-BiLSTM
隐藏层神经元数量	80	80	70	100
最大时代	200	150	120	110
学习率	0.001 8	0.001 5	0.001 6	0.002 4
辍学率	0.5	0.5	0.3	0.2
学习率下降因子	0.3	0.5	0.3	0.3

[1]	王震宇, 王计真, 杨婧艺, 何鹏远, 潘成浩, 周凌波, 何成, 何欢. 基于新型粒子群算法的结构动力学热振模型修正[J]. 航空学报, 2023, 44(7): 226559-226559.
[2]	肖和业, 杨建峰, 白俊强, 张旭东, 吴利荣. 面向任务需求的模块化无人机配置方法[J]. 航空学报, 2023, 44(7): 327100-327100.
[3]	何晓煦, 雷沛, 潘登, 杨阳, 李现坤, 邓珍波. 基于PSO与WSVD的飞机部件位姿拟合方法[J]. 航空学报, 2023, 44(7): 427162-427162.
[4]	张盛, 杨宇, 王志刚, 石欣桐. 变弯度机翼后缘偏心梁设计与验证[J]. 航空学报, 2022, 43(6): 525892-525892.
[5]	王皓, 陈根良. 机器人型装备在航空装配中的应用现状与研究展望[J]. 航空学报, 2022, 43(5): 626128-626128.
[6]	荆涛, 田锡天. 基于蒙特卡洛-自适应差分进化算法的飞机容差分配多目标优化方法[J]. 航空学报, 2022, 43(3): 425278-425278.
[7]	张瑞鹏, 冯彦翔, 杨宜康. 多无人机协同任务分配混合粒子群算法[J]. 航空学报, 2022, 43(12): 326011-326011.
[8]	赵罡, 李瑾岳, 徐茂程, 张鹏飞. 航空发动机关键装配技术综述与展望[J]. 航空学报, 2022, 43(10): 527484-527484.
[9]	郭永恒, 江雄, 肖中云, 王子维, 卢风顺. 一种自动化并行重叠网格隐式装配方法[J]. 航空学报, 2021, 42(6): 124369-124369.
[10]	贾庆轩, 段嘉琪, 陈钢. 机器人在轨装配无标定视觉伺服对准方法[J]. 航空学报, 2021, 42(6): 424063-424063.
[11]	邹东阳, 林敬周, 黄洁, 刘君. 面向三维激波问题的装配方法[J]. 航空学报, 2021, 42(3): 124141-124141.
[12]	隋东, 邢娅萍, 涂诗晨. 恶劣天气条件下航路网络修复优化[J]. 航空学报, 2021, 42(2): 324300-324300.
[13]	涂建波, 李震, 葛浩田, 刘亮, 刘洪慧. 基于几何代数理论的转子堆叠装配多目标优化[J]. 航空学报, 2021, 42(10): 524197-524197.
[14]	丁司懿, 郑小虎. 基于改进Jacobian-Torsor理论的转子组件装配精度控制方法[J]. 航空学报, 2021, 42(10): 524670-524670.
[15]	张杰, 季宝宁, 杨宁, 唐文斌. 一种装配体模型的离散量化与相似性分析方法[J]. 航空学报, 2021, 42(10): 524992-524992.

基于PSO⁃BiLSTM神经网络的机身筒段应力预测

Stress prediction of fuselage tube section based on PSO⁃BiLSTM neural network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价