数字孪生驱动的飞机起降系统可靠域分析

doi:10.7527/S1000-6893.2025.32256

第二届空天前沿大会优秀论文专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

数字孪生驱动的飞机起降系统可靠域分析

张钰倩¹, 李永歌¹^,²(), 刘小川³, 许勇¹^,²

^1.西北工业大学数学与统计学院，西安 710072
^2.西北工业大学空天领域复杂性科学教育部重点实验室，西安 710072
^3.中国飞机强度研究所强度与结构完整性全国重点实验室，西安 710065

收稿日期:2025-05-19 修回日期:2025-06-10 接受日期:2025-07-01 出版日期:2025-07-21 发布日期:2025-07-15
通讯作者: 李永歌 E-mail:liyonge@nwpu.edu.cn
基金资助:
国家自然科学基金(52225211);航空科学基金(20230041053005);西北工业大学“1-0”重大工程科学问题项目(G2024KY0613)

Digital-twin-driven reliability domain analysis for aircraft landing gear systems

Yuqian ZHANG¹, Yongge LI¹^,²(), Xiaochuan LIU³, Yong XU¹^,²

^1.School of Mathematics and Statistics，Northwestern Polytechnical University，Xi’an 710072，China
^2.MOE Key Laboratory for Complexity Science in Aerospace，Northwestern Polytechnical University，Xi’an 710072，China
^3.National Key Laboratory of Strength and Structural Integrity，Aircraft Strength Research Institute of China，Xi’an 710065，China

Received:2025-05-19 Revised:2025-06-10 Accepted:2025-07-01 Online:2025-07-21 Published:2025-07-15
Contact: Yongge LI E-mail:liyonge@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(52225211);Aeronautical Science Foundation of China(20230041053005);Northwestern Polytechnical University“1-0” Major Engineering Science Problem Project(G2024KY0613)

摘要/Abstract

摘要：

针对由高低温等复杂工况导致的飞机起降系统失效问题，提出了一种基于数字孪生的起降系统可靠域分析方法，实现参数的全局优化和可靠域的动态确定。首先，建立了具有5个层级的数字孪生框架，阐述了各层级功能。其次，结合长鼻浣熊算法（COA）的高效率、强平衡性以及无需设置控制参数的优势，优化了支持向量机（SVM），并建立了COA-SVM数字孪生模型，实现了系统效率、行程和过载3个性能指标功能函数的映射。然后，提出了基于群体交互的长鼻浣熊算法，用于求解由高低温、多失效模式张成高维参数空间产生的优化问题，进而确定起降系统在低温环境下的可靠域。最后，以考虑温度效应的起降系统落震为例进行验证，建立的数字孪生模型能够准确反映物理模型，并发现低温环境下起降系统的失效概率较大。基于数字孪生技术开展可靠域分析，为飞机起降系统的优化设计提供了新的策略和技术路径。

关键词: 飞机起降系统, 数字孪生, 多失效模式, 低温环境, 灵敏度分析, 可靠域

Abstract:

Aimed at the failure issues of aircraft landing gear systems caused by complex operating conditions such as high and low temperatures， this study proposes a reliability domain analysis method based on digital twin technology to achieve global parameter optimization and dynamic determination of reliability domain. First， a five-level digital twin framework is established， with the functionalities of each layer elaborated. Second， leveraging the high efficiency， robust balancing capability， and absence of control parameter requirements of the Coati Optimization Algorithm （COA）， an optimized Support Vector Machine （SVM） is developed， and a COA-SVM digital twin model is constructed. This model establishes functional mappings for three performance indicators： system efficiency， stroke， and overload. Subsequently， a population-interaction-enhanced COA is proposed to address the optimization challenges arising from high-dimensional parameter spaces formed by multi-failure modes under extreme temperatures， thereby determining the reliability domain of aircraft landing gear systems in low-temperature environments. Finally， a landing gear drop test incorporating temperature effects is conducted for validation. The established digital twin model accurately reflects the physical system and reveals that the failure probability of aircraft landing gear systems increases under low-temperature conditions. The proposed digital-twin-driven reliability analysis provides novel strategies and technical pathways for the optimal design of aircraft landing gear systems.

Key words: aircraft landing gear systems, digital twin, multimodal failure, low-temperature environments, sensitivity analysis, reliability domain

中图分类号:

V226

张钰倩, 李永歌, 刘小川, 许勇. 数字孪生驱动的飞机起降系统可靠域分析[J]. 航空学报, 2025, 46(24): 632256.

Yuqian ZHANG, Yongge LI, Xiaochuan LIU, Yong XU. Digital-twin-driven reliability domain analysis for aircraft landing gear systems[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(24): 632256.

图/表 17

图 1

图 2

表1

随机变量统计信息

随机变量	标识
初始充填压力/MPa	$x 1$
初始充气体积/cm³	$x 2$
压气面积/m²	$x 3$
正行程回油孔流量系数	$x 4$
反行程回油孔流量系数	$x 5$
主油腔压油面积/m²	$x 6$
回油腔压油面积/m²	$x 7$
主油孔面积/m²	$x 8$
正行程回油腔油孔面积/m²	$x 9$
反行程回油腔油孔面积/m²	$x 10$

表1

图 3

图 4

图 5

图 6

图 7

图 8

图 9

表 2

低温环境下失效概率值

温度/℃	效率失效模式	行程失效模式	过载失效模式
$- 40$	$1.0 × 10 - 6$	$6.76 × 10 - 4$	$6.76 × 10 - 4$
$- 30$	$0$	$8.3 × 10 - 5$	$8.3 × 10 - 5$
$- 20$	$0$	$2.0 × 10 - 6$	$2.0 × 10 - 6$

表 2

图 10

图 11

图 12

图 13

表 3

低温环境下最优参数值

温度/℃	初始充填压力/MPa	初始充气体积/cm³	压气面积/m²
$- 40$	$1.818 520$	$660.01$	$0.002 203$
$- 30$	$1.704 350$	$641.22$	$0.002 238 8$
$- 20$	$1.648 956$	$637.64$	$0.002 190 9$

表 3

图 14

参考文献 28

[1]	惠旭龙，刘小川，白春玉，等. 民机机身框段和全机坠撞响应的对比研究［J/OL］. 航空学报，（2025-01-21）［2025-02-18］. .
	XI X L， LIU X C， BAI C Y， et al. Research on the com parison of crash response between the fuselage section and full-scale civil aircraft［J/OL］. Acta Aeronautica et Astronautica Sinica，（2025-01-21）［2025-02-18］. （in Chinese）.
[2]	SWATI R F， ASFANDYAR AMJAD M， TALHA M， et al. Crashworthiness study of UCAV’s main landing gear using explicit dynamics［J］. International Journal of Crashworthiness， 2022， 27（6）： 1843-1859.
[3]	朱晨辰，王彬文，刘小川，等. 复杂环境下起落架动力学行为研究现状与展望［J］. 航空科学技术， 2023， 34（1）： 1-11.
	ZHU C C， WANG B W， LIU X C， et al. Research status and prospect of landing gear dynamics in complex environment［J］. Aeronautical Science & Technology， 2023， 34（1）： 1-11 （in Chinese）.
[4]	HEININEN A A. Modeling and simulation of an aircraft main landing gear shock absorber［D］. Tampere： Tampere University of Technology， 2015： 34-40.
[5]	胡锐，牟让科，宋得军，等. 温度对油：气式起落架缓冲性能的影响研究［J］. 航空工程进展， 2022， 13（3）： 150-156.
	HU R， MU R K， SONG D J， et al. Research on the influence of temperature on the cushioning performance of oil-air landing gear［J］. Advances in Aeronautical Science and Engineering， 2022， 13（3）： 150-156 （in Chinese）.
[6]	方威，朱林刚，王友善. 环境温度对飞机起落架缓冲性能影响分析［J］. 机械设计与制造工程， 2021， 50（11）： 76-80.
	FANG W， ZHU L G， WANG Y S. Analysis of ambient temperature influence to landing gear shock absorber performance of aircraft［J］. Machine Design and Manufacturing Engineering， 2021， 50（11）： 76-80 （in Chinese）.
[7]	陈艺夫，马宇航，蓝庆生，等. 基于多项式混沌法的翼型不确定性分析及梯度优化设计［J］. 航空学报， 2023， 44（8）： 127446.
	CHEN Y F， MA Y H， LAN Q S， et al. Uncertainty analysis and gradient optimization design of airfoil based on polynomial chaos expansion method［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（8）： 127446 （in Chinese）.
[8]	LUO C Q， ZHU S P， KESHTEGAR B， et al. Active Kriging-based conjugate first-order reliability method for highly efficient structural reliability analysis using resample strategy［J］. Computer Methods in Applied Mechanics and Engineering， 2024， 423： 116863.
[9]	杨倩，郭晓峰，李芹，等. 基于POD和代理模型的热气防冰性能预测方法［J］. 航空学报， 2023， 44（1）： 626992.
	YANG Q， GUO X F， LI Q， et al. Hot air anti-icing performance estimation method based on POD and surrogate model［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（1）： 626992 （in Chinese）.
[10]	刘佳奇，冯蕴雯，路成，等. 基于智能神经网络的航空发动机运行安全分析［J］. 航空学报， 2022， 43（9）： 625375.
	LIU J Q， FENG Y W， LU C， et al. Safety analysis of aero-engine operation based on intelligent neural network［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625375 （in Chinese）.
[11]	LIU Q， XU Y， LI Y G， et al. Fixed-interval smoothing of an aeroelastic airfoil model with cubic or free-play nonlinearity in incompressible flow［J］. Acta Mechanica Sinica， 2021， 37（7）： 1168-1182.
[12]	FENG J， WANG X L， LIU Q， et al. Fusing deep learning features for parameter identification of a stochastic airfoil system［J］. Nonlinear Dynamics， 2025， 113（5）： 4211-4233.
[13]	TORZONI M， TEZZELE M， MARIANI S， et al. A digital twin framework for civil engineering structures［J］. Computer Methods in Applied Mechanics and Engineering， 2024， 418： 116584.
[14]	TAO F， QI Q. Make more digital twins［J］. Nature， 2019， 573（7775）： 490-491.
[15]	郭丞皓，于劲松，宋悦，等. 基于数字孪生的飞机起落架健康管理技术［J］. 航空学报， 2023， 44（11）： 227629.
	GUO C H， YU J S， SONG Y， et al. Application of digital twin-based aircraft landing gear health management technology［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（11）： 227629 （in Chinese）.
[16]	朱晨辰，王彬文，马晓利，等. 考虑温度效应的起落架落震缓冲性能研究［J］. 应用力学学报， 2023， 40（1）： 25-33.
	ZHU C C， WANG B W， MA X L， et al. Landing gear shock buffering performance considering the temperature effect［J］. Chinese Journal of Applied Mechanics， 2023， 40（1）： 25-33 （in Chinese）.
[17]	张峰，杨旭锋，刘永寿，等. 飞机起落架缓冲器参数可靠性灵敏度分析［J］. 振动工程学报， 2015， 28（1）： 67-72.
	ZHANG F， YANG X F， LIU Y S， et al. Reliability parameter sensitivity analysis for aircraft landing gear shock absorber［J］. Journal of Vibration Engineering， 2015， 28（1）： 67-72 （in Chinese）.
[18]	SOARES C， BRAZDIL P B， KUBA P. A meta-learning method to select the kernel width in support vector regression［J］. Machine Learning， 2004， 54（3）： 195-209.
[19]	DEHGHANI M， MONTAZERI Z， TROJOVSKÁ E， et al. Coati optimization algorithm： A new bio-inspired metaheuristic algorithm for solving optimization problems［J］. Knowledge-Based Systems， 2023， 259： 110011.
[20]	GUIMARÃES H， MATOS J C， HENRIQUES A A. An innovative adaptive sparse response surface method for structural reliability analysis［J］. Structural Safety， 2018， 73： 12-28.
[21]	TIZHOOSH H R. Opposition-based learning： A new scheme for machine intelligence［C］∥International Conference on Computational Intelligence for Modelling， Control and Automation and International Conference on Intelligent Agents， Web Technologies and Internet Commerce （CIMCA-IAWTIC’06）. Piscataway： IEEE Press， 2005： 695-701.
[22]	YAN A J， HU K C. Improved strategy and its application to the optimization of seagull optimization algorithm［J］. Information and Control， 2022， 51（6）： 688-698.
[23]	TANYILDIZI E， DEMIR G. Golden sine algorithm： A novel math-inspired algorithm［J］. Advances in Electrical and Computer Engineering， 2017， 17（2）： 71-78.
[24]	WU Y T. Computational methods for efficient structural reliability and reliability sensitivity analysis［J］. AIAA Journal， 1994， 32（8）： 1717-1723.
[25]	WU Y T， MOHANTY S. Variable screening and ranking using sampling-based sensitivity measures［J］. Reliability Engineering & System Safety， 2006， 91（6）： 634-647.
[26]	XUE J K， SHEN B. Dung beetle optimizer： A new meta-heuristic algorithm for global optimization［J］. The Journal of Supercomputing， 2023， 79（7）： 7305-7336.
[27]	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69： 46-61.
[28]	MIRJALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016， 95： 51-67.

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

数字孪生驱动的飞机起降系统可靠域分析

Digital-twin-driven reliability domain analysis for aircraft landing gear systems

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价

[1]	黄蕾, 郭聪, 张小波, 孙良臣, 左迎荟, 王博, 田阔. 基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法[J]. 航空学报, 2025, 46(21): 532382-532382.
[2]	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.
[3]	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.
[4]	李尚宇, 冯杭, 陈俊全, 陈彬, 梅丹. 一种数字孪生的设计架构和概念建模方法[J]. 航空学报, 2025, 46(19): 531118-531118.
[5]	雷珺祺, 程月华, 姜斌, 徐骋, 徐贵力, 孙天宇. 面向舵回路故障的数字孪生建模及动态调整机制[J]. 航空学报, 2025, 46(19): 531273-531273.
[6]	陈亮, 黄蕾, 顾宇轩, 郭聪, 林可欣, 管宇, 宋健. 基于飞行参数的结构关键部位载荷孪生技术[J]. 航空学报, 2025, 46(19): 531292-531292.
[7]	顾宇轩, 郭聪, 黄蕾, 董一飞, 董宏达, 邓智伦. 数字孪生驱动的机群寿命精细化管理[J]. 航空学报, 2025, 46(19): 531290-531290.
[8]	张音旋, 张起, 许镇勇, 孟琳书. 基于残差神经网络的飞机力学响应预测方法[J]. 航空学报, 2025, 46(19): 531295-531295.
[9]	肖若瑶, 郑联语, 周健, 赵思如, 张洁茹, 陈育武. 面向筒段对接数字孪生的定位精度在线优化方法[J]. 航空学报, 2025, 46(19): 531978-531978.
[10]	胡家亮, 吴江鹏, 霍思旭, 高一地, 郑华. 基于颤振试飞数字孪生扫频数据重构的模态参数估计[J]. 航空学报, 2025, 46(19): 531602-531602.
[11]	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.
[12]	王逸飞, 曹戈勇, 曹阳, 王晓军. 飞行器数字强度孪生中的不确定性技术[J]. 航空学报, 2025, 46(19): 532408-532408.
[13]	陈亮, 孟凡星, 王成波, 张音旋, 孟琳书. 数字孪生技术在飞行器强度设计中的发展及应用[J]. 航空学报, 2025, 46(19): 532252-532252.
[14]	卓然, 闫楚良. 飞机结构数字孪生的关键一环：多参数飞行实测[J]. 航空学报, 2025, 46(19): 532375-532375.
[15]	林琳, 索世伟, 刘丹, 张音旋, 岳凌宇, 张思豪, 刘奕坤, 付松. 基于多尺度核构造的深度特征融合网络及其在机翼应力场数据填补中的应用[J]. 航空学报, 2025, 46(19): 532343-532343.