融合试验-仿真标定数据的机翼应变载荷关系神经网络模型

doi:10.7527/S1000-6893.2024.30921

飞行器数字孪生技术专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

融合试验-仿真标定数据的机翼应变载荷关系神经网络模型

施英杰¹^,², 刘斌超¹^,², 鲁嵩嵩¹(), 陈亮³, 尚海⁴, 鲍蕊¹

^1.北京航空航天大学航空科学与工程学院强度与结构完整性全国重点实验室，北京 100191
^2.北京航空航天大学国际创新研究院，杭州 311115
^3.航空工业沈阳飞机设计研究所，沈阳 110035
^4.航空工业北京长城计量测试技术研究所，北京 100095

收稿日期:2024-07-09 修回日期:2024-09-02 接受日期:2024-09-23 出版日期:2024-10-11 发布日期:2024-10-11
通讯作者: 鲁嵩嵩 E-mail:song_lu@buaa.edu.cn
基金资助:
强度与结构完整性全国重点实验室自主研究课题

Neural network model for wing strain-load relationship based on fusion of real and virtual data

Yingjie SHI¹^,², Binchao LIU¹^,², Songsong LU¹(), Liang CHEN³, Hai SHANG⁴, Rui BAO¹

^1.National Key Laboratory of Strength and Structural Integrity，School of Aeronautic Science and Engineering，Beihang University，Beijing 100191，China
^2.International Innovation Institute，Beihang University，Hangzhou 311115，China
^3.AVIC Shenyang Aircraft Design and Research Institute，Shenyang 110035，China
^4.AVIC Changcheng Institute of Metrology and Measurement，Beijing 100095，China

Received:2024-07-09 Revised:2024-09-02 Accepted:2024-09-23 Online:2024-10-11 Published:2024-10-11
Contact: Songsong LU E-mail:song_lu@buaa.edu.cn
Supported by:
National Key Laboratory of Strength and Structural Integrity Independent Research Project

摘要/Abstract

摘要：

建立飞机结构应变载荷关系模型时，地面标定试验数据保真度高，但工况范围及数量受限；有限元仿真工况范围覆盖广，但数据保真度低，导致单独依据地面标定试验数据和有限元仿真数据建立的应变载荷关系模型难以兼顾适用范围和预测精度。提出了映射式与补偿式两种融合“试验-仿真”虚实数据的多级神经网络架构，开发了基于子学习器方差的模型认知程度度量方法，形成了精度高、适用性广、能够预警不可靠输出结果的机翼应变载荷关系神经网络模型，并采用缩比机翼对上述模型进行验证。结果表明：虚实数据融合的神经网络模型能够更好地描述机翼的应变载荷关系，且补偿式模型的预测效果优于映射式模型；提出的模型认知程度度量方法能够在不影响模型预测精度的前提下，有效判别神经网络模型认知程度差的数据样本，对神经网络的不可靠输出做出预警。

关键词: 应变载荷关系, 飞机结构, 数据融合, 神经网络模型, 子学习器

Abstract:

When establishing a strain-load relationship model for aircraft structures， ground calibration tests can obtain high-fidelity data but are trapped with limited test ranges， while finite element simulations are not limited by test ranges but the data fidelity is low. This leads to difficulties in achieving win-win situation of accuracy and applicability based solely on either ground calibration test data or finite element simulation data. To address the above issue， two multi-level neural network models fusing real and virtual data are put forward， a mapping-based model and a compensation-based model. A method for measuring the model’s cognitive degree based on the variance of base learners is established and embedded into the compensation-based model. A neural network model with high accuracy， wide applicability， and the capability to forewarn unreliable prediction results is then developed. This developed model is validated using a scaled-down wing. Compared with complete reliance on real data from ground calibration tests， the load models based on fusion of multi-source data demonstrate superior capabilities， and the compensation-based model is better than the mapping-based one. Moreover， the compensation-based model can effectively identify the data samples with poor cognitive degree of the load model and thereby provide warnings for unreliable prediction results.

Key words: strain load relationship, aircraft structure, data fusion, neural network model, base learner

中图分类号:

V214.1

施英杰, 刘斌超, 鲁嵩嵩, 陈亮, 尚海, 鲍蕊. 融合试验-仿真标定数据的机翼应变载荷关系神经网络模型[J]. 航空学报, 2025, 46(19): 530921.

Yingjie SHI, Binchao LIU, Songsong LU, Liang CHEN, Hai SHANG, Rui BAO. Neural network model for wing strain-load relationship based on fusion of real and virtual data[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(19): 530921.

图/表 13

图 1

图 2

图 3

表 1

图 4

图 5

图 6

图 7

图 8

表 2

表 3

图 9

图 10

参考文献 21

[1]	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 Z W， ZONG N， REN W G， et al. Development overview of flight loads［J］. Advances in Aeronautical Science and Engineering， 2020， 11（6）： 873-886 （in Chinese）.
[2]	蒋祖国，田丁栓，周占廷. 飞机结构载荷/环境谱［M］. 北京：电子工业出版社， 2012： 260-267.
	JIANG Z G， TIAN D S， ZHOU Z T. Aircraft structural load/environment spectrum［M］. Beijing： Publishing House of Electronics Industry， 2012： 260-267 （in Chinese）.
[3]	张海涛，余建虎，李志蕊，等. T型尾翼布局的垂尾载荷测量技术［J］. 航空学报， 2019， 40（3）： 122074.
	ZHANG H T， YU J H， LI Z R， et al. Measuring technology for vertical fin load of T-shaped empennage layout［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（3）： 122074 （in Chinese）.
[4]	曹景涛. 飞机全动式鸭翼载荷飞行测量技术［J］. 航空学报， 2015， 36（4）： 1135-1141.
	CAO J T. Aircraft all movable canard load flight measurement technology［J］. Acta Aeronautica et Astronautica Sinica， 2015， 36（4）： 1135-1141 （in Chinese）.
[5]	兑红娜，刘栋梁，张志贤，等. 基于应变测量的结构载荷分布反演方法［J］. 航空学报， 2021， 42（5）： 524337.
	DUI H N， LIU D L， ZHANG Z X， et al. Distributed load recovery approach based on strain measurements［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（5）： 524337 （in Chinese）.
[6]	闫楚良. 飞机载荷谱实测技术与编制原理［M］. 北京：航空工业出版社， 2011： 96-102.
	YAN C L. Measurement technology and compilation principle of aircraft load spectrum［M］. Beijing： Aviation Industry Press， 2011： 96-102 （in Chinese）.
[7]	段垚奇，刘克格，赵丽娜，等. 飞机翼面标定试验中加载点载荷优化分配算法［J］. 计量与测试技术， 2022， 49（7）： 75-78.
	DUAN Y Q， LIU K G， ZHAO L N， et al. The optimization algorithm of loading-points load allocation during calibration test of the aircraft wings［J］. Metrology & Measurement Technique， 2022， 49（7）： 75-78 （in Chinese）.
[8]	阎楚良，张书明，卓宁生，等. 飞机机翼结构载荷测量试验力学模型与数据处理［J］. 航空学报， 2000， 21（1）： 56-59.
	YAN C L， ZHANG S M， ZHUO N S， et al. Mechanical model and data processing of load measurement test for the airplane’s wing structure［J］. Acta Aeronautica et Astronautica Sinica， 2000， 21（1）： 56-59 （in Chinese）.
[9]	刘佳玮，于明鑫，祝连庆，等. 基于深度学习的机翼蒙皮载荷计算方法［J］. 电子测量与仪器学报， 2022， 36（4）： 1-8.
	LIU J W， YU M X， ZHU L Q， et al. Calculation method of wing skin load based on deep learning［J］. Journal of Electronic Measurement and Instrumentation， 2022， 36（4）： 1-8 （in Chinese）.
[10]	杨全伟，舒成辉，赵华. 飞机机翼载荷校准试验的有限元仿真方法［J］. 系统仿真学报， 2008， 20（23）： 6569-6571.
	YANG Q W， SHU C H， ZHAO H. Technology of FEM simulation in aircraft wing loads calibration test［J］. Journal of System Simulation， 2008， 20（23）： 6569-6571 （in Chinese）.
[11]	COOPER S B， DIMAIO D. Static load estimation using artificial neural network： application on a wing rib［J］. Advances in Engineering Software， 2018， 125： 113-125.
[12]	孟敏，吴波，李俊. 飞机载荷校准虚拟试验建模方法研究［J］. 现代机械， 2020（1）： 51-54.
	MENG M， WU B， LI J. Modeling method for aircraft load calibration virtual test［J］. Modern Machinery， 2020（1）： 51-54 （in Chinese）.
[13]	唐吉运，张赐宝，滕申科. 基于BP神经网络的三角机翼飞行载荷模型研究［J］. 工程与试验， 2014， 54（3）： 5-8.
	TANG Y J， ZHANG C B， TENG S K. Study on flight load model for delta wing based on BP neural network［J］. Engineering & Test， 2014， 54（3）： 5-8 （in Chinese）.
[14]	郝云霄，闫楚良，刘克格. 基于支持向量机的机翼载荷模型研究［J］. 科学技术与工程， 2013， 13（25）： 7432-7437.
	HAO Y X， YAN C L， LIU K G. Modeling aircraft wing loads based on support vector machine［J］. Science Technology and Engineering， 2013， 13（25）： 7432-7437 （in Chinese）.
[15]	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 L， HE F D， YANG H B， et al. Research on flight loads model of vertical tail based on neural networks［J］. Structure & Environment Engineering， 2011， 38（5）： 49-53 （in Chinese）.
[16]	陈高颖，刘清惓，丁仁惠，等. 基于数据融合降低气温测量辐射误差的仿真分析与试验研究［J］. 气象科学， 2021， 41（3）： 404-409.
	CHEN G Y， LIU Q Q， DING R H， et al. Simulation analysis and experimental study of reducing temperature measurement radiation error based on data fusion［J］. Journal of the Meteorological Sciences， 2021， 41（3）： 404-409 （in Chinese）.
[17]	王旋，狄鹏. 基于虚实试验数据融合的装备测试性评估方法［J］. 舰船电子工程， 2021， 41（6）： 131-134.
	WANG X， DI P. Testability evaluation method of equipment based on data fusion for virtual and real test data fusion［J］. Ship Electronic Engineering， 2021， 41（6）： 131-134 （in Chinese）.
[18]	GAWLIKOWSKI J， TASSI C R N， ALI M， et al. A survey of uncertainty in deep neural networks［J］. Artificial Intelligence Review， 2023， 56（1）： 1513-1589.
[19]	YANG J K， ZHOU K Y N， LI Y X， et al. Generalized out-of-distribution detection： a survey［DB/OL］. arXiv preprint： 2110.11334， 2024.
[20]	DEVRIES T， TAYLOR G W. Learning confidence for out-of-distribution detection in neural networks［DB/OL］. arXiv preprint： 1802.04865， 2018.
[21]	LEE K， LEE H， LEE K， et al. training confidence-calibrated classifiers for detecting out-of-distribution samples［DB/OL］. arXiv preprint： 1711.09325， 2018.

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

测点编号	位置
1	后梁上表面
2	后梁下表面
3	主梁上表面
4	主梁腹板中间厚度位置
5	前梁上表面
6	前梁腹板中间厚度位置

子学习器编号	神经元数量
1	100
2	110
3	120
4	130
5	140
6	150
7	160
8	170
9	180
10	190
11	200
12	210

测试样本编号	误差/%
测试样本编号	未嵌入子学习器的补偿式神经网络模型	嵌入子学习器的补偿式神经网络模型
1	0.80	-0.13
2	-3.72	-2.91
3	45.79	42.06
4	1.17	0.50
5	4.95	3.96
6	0.34	0.25

融合试验-仿真标定数据的机翼应变载荷关系神经网络模型

Neural network model for wing strain-load relationship based on fusion of real and virtual data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

[1]	黄熠玮, 耿一斌, 高天贺, 胡轩玮, 王圆, 马红艳, 田阔. 数字孪生驱动的结构全场变形高精度反演方法[J]. 航空学报, 2025, 46(19): 530967-530967.
[2]	代定强, 周轩, 董雷霆, 孙侠生. 数字工程与数字孪生在航空疲劳与结构完整性领域的研究进展与展望[J]. 航空学报, 2025, 46(19): 531022-531022.
[3]	郭程洁, 徐典, 李进宝, 程超宇, 郭硕昌, 李锐. 基于数据融合-知识迁移方法的高温数字图像相关试验应力表征[J]. 航空学报, 2025, 46(19): 531574-531574.
[4]	王鹏飞, 曾丽芳, 邵雪明, 黎军. 基于预训练微调的机翼气动载荷多源数据融合建模方法[J]. 航空学报, 2025, 46(19): 532297-532297.
[5]	李立功, 张超, 苏婧婷. 面向多源着舰引导信息的分布式融合技术[J]. 航空学报, 2025, 46(13): 531461-531461.
[6]	孟宪超, 陶俊. 基于目标检验条件生成对抗网络的翼型反设计方法[J]. 航空学报, 2025, 46(10): 631182-631182.
[7]	胡登峰, 向渝, 张骏, 杨佳辰, 汪文勇. 基于径向基生成式对抗网络的多源数据融合方法[J]. 航空学报, 2025, 46(10): 631478-631478.
[8]	杨华, 陈树生, 高正红, 姜权峰, 张伟. 基于贝叶斯框架的旋翼气动力数据融合[J]. 航空学报, 2024, 45(8): 128960-128960.
[9]	田阔, 孙志勇, 李增聪. 面向结构静力试验监测的高精度数字孪生方法[J]. 航空学报, 2024, 45(7): 429134-429134.
[10]	宋海浪, 张建东, 史国庆, 杨啟明, 张耀中. 航空火控系统试飞综合评估技术与方法探讨[J]. 航空学报, 2024, 45(5): 529687-529687.
[11]	张帆, 丛玮, 田润操, 王鹏. 基于双层变权的异构数据融合及可靠性分析[J]. 航空学报, 2024, 45(22): 230297-230297.
[12]	顾兆军, 赵欢, 王家亮, 聂留阳. 基于马尔可夫决策的四轴飞行器自动着陆方法[J]. 航空学报, 2024, 45(15): 329652-329652.
[13]	张怀捷, 马静雅, 刘浩源, 郭品, 邓慧超, 徐坤, 丁希仑. 视觉与惯性融合的多旋翼飞行机器人室内定位技术[J]. 航空学报, 2023, 44(5): 426964-426964.
[14]	聂祥樊, 李阳, 王亚洲, 万全红, 何卫锋. 飞机结构激光冲击强化研究进展与展望[J]. 航空学报, 2023, 44(24): 28595-028595.
[15]	雷世英, 孙见忠, 刘赫. 涡轮叶片累积损伤指数模型及服役可靠性评估[J]. 航空学报, 2022, 43(3): 225064-225064.