基于飞行参数的结构关键部位载荷孪生技术

doi:10.7527/S1000-6893.2024.31292

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

基于飞行参数的结构关键部位载荷孪生技术

陈亮¹^,², 黄蕾³, 顾宇轩¹^,², 郭聪³, 林可欣¹^,²(), 管宇¹^,², 宋健¹^,²

^1.航空工业沈阳飞机设计研究所，沈阳 110000
^2.辽宁省飞行器结构强度数字孪生重点实验室，沈阳 110000
^3.大连理工大学力学与航天航空学院，大连 116024

收稿日期:2024-09-30 修回日期:2024-10-24 接受日期:2024-12-11 出版日期:2024-12-25 发布日期:2024-12-23
通讯作者: 林可欣 E-mail:d20152303@163.com
基金资助:
国防基础科研计划(JCKY2021205B003)

Twinning technology of key part load based on flight parameters

Liang CHEN¹^,², Lei HUANG³, Yuxuan GU¹^,², Cong GUO³, Kexin LIN¹^,²(), Yu GUAN¹^,², Jian SONG¹^,²

^1.AVIC Shenyang Aircraft Design and Research Institute，Shenyang 110000，China
^2.Key Laboratory of Digital Twin for Aircraft Structural Strength in Liaoning Province，Shenyang 110000，China
^3.School of Mechanics and Aerospace Engineering，Dalian University of Technology，Dalina 116024，China

Received:2024-09-30 Revised:2024-10-24 Accepted:2024-12-11 Online:2024-12-25 Published:2024-12-23
Contact: Kexin LIN E-mail:d20152303@163.com
Supported by:
National Defense Basic Scientific Research Program(JCKY2021205B003)

摘要/Abstract

摘要：

为了有效监控飞机的健康，针对飞机服役过程中所受的复杂载荷条件，提出了基于飞行参数的结构关键部位载荷孪生技术。首先，基于相邻值填补、一维/多维数据异常检测、小波包分解和贝叶斯阈值去噪等方法完成光纤传感器数据优化治理；其次，基于数据挖掘手段和线性回归法，建立了结构关键部位应变特征及相关参数提取方法；最后，针对影响飞机结构关键部位应变的相关飞行参数和特征，采用XGBoost模型训练相关飞行参数和特征到关键部位应变的映射关系，构建了飞行参数-应变的高精度孪生映射模型。高精度孪生映射预测模型以飞参和传感器数据作为原始输入，平均预测精度达到95%以上，能够高效准确对飞机结构健康状态进行监测。

关键词: 数字孪生, 飞行参数, 结构强度, 映射模型, 健康监控

Abstract:

To effectively monitor the health of the aircraft， a twinning technology for load of key parts of the structure is proposed based on flying parameters in view of the complex load conditions during the service of the aircraft. Firstly， fiber optic sensor data optimization governance is completed using the methods such as adjacent value filling， one-/multi-dimensional data anomaly detection， wavelet packet decomposition and Bayesian threshold denoising. Secondly， based on the data mining method and linear regression method， methods are developed to extract the strain feature and related parameter of the key parts of the structure. Finally， the XGBoost model is used to train the mapping relationship between the relevant flight parameters and features and the strain of key parts， and a high precision twin mapping model of the flight parameters and strain is constructed. Using the flight parameters and sensor data as the original input， the high precision twin mapping model has an average prediction accuracy of above 95%， and can effectively and accurately monitor the healthy state of aircraft structure.

Key words: digital twin, flight data, structural strength, mapping model, health monitoring

中图分类号:

V215.2⁺7

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.

Liang CHEN, Lei HUANG, Yuxuan GU, Cong GUO, Kexin LIN, Yu GUAN, Jian SONG. Twinning technology of key part load based on flight parameters[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(19): 531292.

图/表 15

图 1

图 2

图 3

表 1

飞行参数特征

名称	公式	说明	名称	公式	说明
均值	$x ¯ = 1 N ∑ n = 1 N x n$	表征信号能量的静态分量和中心趋势	峰值因子	$C = x p x r m s = m a x x n 1 N ∑ n = 1 N x n 2$	表征峰值在波形中的极端程度
峰值	$x p = m a x (x n)$	表征信号冲击的瞬时强度	脉冲因子	$I = x p x ¯ = m a x x n 1 N ∑ n = 1 N x n$	表征信号中冲击信号占比
峰峰值	$x p p = x m i n - x m a x$	表征信号强度的变化	裕度因子	$L = x p x r = m a x x n 1 N ∑ n = 1 N x n 2$	表征信号中冲击信号占比
绝对平均值	$x ¯ = 1 N ∑ n = 1 N x n$	表征信号的总体水平和变化特征	波形因子	$W = x r m s x ¯ = 1 N ∑ n = 1 N x n 2 1 N ∑ n = 1 N x n$	表征信号中冲击信号占比
均方根值	$x r m s = 1 N ∑ n = 1 N x n 2$	表征信号振动能量的大小	斜度	$S = ∑ n = 1 N x n - x ¯ 3 N - 1 σ 4$	表征数据分布的偏斜程度
方根幅值	$x r = 1 N ∑ n = 1 N x n 2$	表征信号的振动强度	峭度	$K = ∑ n = 1 N x n - x ¯ 4 N - 1 σ 4$	表征波形的平缓程度
差值	$σ = 1 N ∑ n = 1 N (x n - x ¯) 2$	表征信号能量的动态分量

表 1

图 4

图 5

图 6

图 7

图 8

表 2

图 9

表 3

图 10

表 4

图 11

参考文献 20

[1]	朱亮，雷晓欣，李小鹏，等. 加改装飞机局部结构载荷谱实测与数据处理方法研究［J］. 航空科学技术， 2022， 33（6）： 46-52.
	ZHU L， LEI X X， LI X P， et al. Research on load measurement and data processing method of local structure of modified aircraft［J］. Aeronautical Science & Technology， 2022， 33（6）： 46-52 （in Chinese）.
[2]	OU J P， LI H. Structural health monitoring in mainland China： Review and future trends［J］. Structural Health Monitoring， 2010， 9（3）： 219-231.
[3]	王彬文，肖迎春，白生宝，等. 飞机结构健康监测与管理技术研究进展和展望［J］. 航空制造技术， 2022， 65（3）： 30-41.
	WANG B W， XIAO Y C， BAI S B， et al. Research progress and prospect of aircraft structural health monitoring and management technology［J］. Aeronautical Manufacturing Technology， 2022， 65（3）： 30-41 （in Chinese）.
[4]	MOLENT L， AKTEPE B. Review of fatigue monitoring of agile military aircraft［J］. Fatigue & Fracture of Engineering Materials & Structures， 2000， 23（9）： 767-785.
[5]	庄存波，刘检华，熊辉，等. 产品数字孪生体的内涵、体系结构及其发展趋势［J］. 计算机集成制造系统， 2017， 23（4）： 753-768.
	ZHUANG C B， LIU J H， XIONG H， et al. Connotation， architecture and trends of product digital twin［J］. Computer Integrated Manufacturing Systems， 2017， 23（4）： 753-768 （in Chinese）.
[6]	张彦军，王斌团，宁宇，等. 基于健康监测的飞机结构寿命预测技术［J］. 航空工程进展， 2024， 15（1）： 1-14.
	ZHANG Y J， WANG B T， NING Y， et al. Life prediction technology of aircraft structures based on structural health monitoring［J］. Advances in Aeronautical Science and Engineering， 2024， 15（1）： 1-14 （in Chinese）.
[7]	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）.
[8]	李文龙，杨美娟，唐宁，等. 某型飞机关键部位结构应变预测［J］. 应用力学学报， 2021， 38（2）： 649-654.
	LI W L， YANG M J， TANG N， et al. Structural strain prediction of key parts of an aircraft［J］. Chinese Journal of Applied Mechanics， 2021， 38（2）： 649-654 （in Chinese）.
[9]	薛海峰，宁宇，张彦军，等. 一种飞参应变预测模型的多参数优化方法： CN114282307A［P］. 2022-04-05.
	Xue H F， Ning Y， Zhang Y J， et al. A multi-parameter optimization method for a strain prediction model of flight parameters： CN114282307A［P］. 2022-04-05 （in Chinese）.
[10]	中国人民解放军总装备部军事训练教材编辑工作委员会. 飞行器系统辨识学［M］. 北京：国防工业出版社， 2003：345-367.
	CAI J S. Aircraft system identification ［M］. Beijing： National Defense Industry Press， 2003： 345-367 （in Chinese）.
[11]	马明，李启明，丁玲. 基于激光跟踪仪的民用飞机风标式攻角传感器零位误差测量数据分析［J］. 科技视界， 2018（18）： 24-26.
	MA M， LI Q M， DING L. Analysis of zero error measurement data of wind-vane angle-of-attack sensor of commercial airplane based on laser tracker［J］. Science & Technology Vision， 2018（18）： 24-26 （in Chinese）.
[12]	ZHANG P X， WANG H Y， SHI Z S. Registration algorithm of time and sensor system errors for multi-platform［J］. Advanced Materials Research， 2012， 468-471： 2832-2835.
[13]	李富刚，张聪，田福礼，等. 飞行数据相容性检验方法［J］. 航空工程进展， 2017， 8（4）： 479-485.
	LI F G， ZHANG C， TIAN F L， et al. Method for flight data compatibility analysis［J］. Advances in Aeronautical Science and Engineering， 2017， 8（4）： 479-485 （in Chinese）.
[14]	叶子豪，张晓敏，刘亚飞，等. 用于飞机模型参数辨识的飞行数据处理方法研究［J］. 航空科学技术， 2022， 33（8）： 78-87.
	YE Z H， ZHANG X M， LIU Y F， et al. Research on flight data processing method applied to parameters identification of aircraft model［J］. Aeronautical Science & Technology， 2022， 33（8）： 78-87 （in Chinese）.
[15]	刘超，刘庆，田福礼. 用于气动导数辨识的试飞数据处理方法研究［J］. 航空工程进展， 2014， 5（2）： 187-192.
	LIU C， LIU Q， TIAN F L. Research on flight test data processing method applied to the identification of aerodynamic derivatives［J］. Advances in Aeronautical Science and Engineering， 2014， 5（2）： 187-192 （in Chinese）.
[16]	兑红娜，王勇军，董江，等. 基于飞行参数的飞机结构载荷最优回归模型［J］. 航空学报， 2018， 39（11）： 222167.
	DUI H N， WANG Y J， DONG J， et al. Optimal regression model for aircraft structural load based on flight data［J］. Acta Aeronautica et Astronautica Sinica， 2018， 39（11）： 222167 （in Chinese）.
[17]	MCCOLLOM N N， BROWN E R. PHM on the F-35 fighter［C］∥2011 IEEE Conference on Prognostics and Health Management. Piscataway： IEEE Press， 2011： 1-10.
[18]	TIKKA J， SALONEM T. Parameter based fatigue life analysis for F-18 aircraft［C］∥24th ICAF Symposium. Amsterdam： ICAF， 2007.
[19]	CHEN T Q， GUESTRIN C. XGBoost： A scalable tree boosting system［C］∥Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 785-794.
[20]	张成龙，刘杰. 基于梯度提升决策树的轴承剩余使用寿命预测方法［J］. 信息与电脑（理论版）， 2020， 32（10）： 34-35.
	ZHANG C L， LIU J. Prediction method of bearing remaining useful life based on gradient boosting decision tree［J］. China Computer & Communication， 2020， 32（10）： 34-35 （in Chinese）.

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

飞行参数	相关性系数	飞行参数	相关性系数
A1	0.433	A24	0.097
A2	0.027	A25	0.008
A3	2.7×10^-3	A26	0.015
A4	0.145	A27	0.02
A5	0.038	A28	4.6×10^-3
A6	4.5×10^-3	A29	4.6×10^-3
A7	0.159	A30	8.4×10^-5
A8	0.159	A31	1.5×10^-3
A9	0.158	A32	0.387
A10	0.012	A33	4.4×10^-3
A11	0.01	A34	0.096
A12	0.159	A35	0.088
A13	0.159	A36	0.094
A14	0.158	A37	0.094
A15	0.176	A38	2.3×10^-3
A16	0.177	A39	0.028
A17	0.138	A40	0.053
A18	0.133	A41	0.03
A19	0.227	A42	0.011
A20	0.249	A43	4.6×10^-4
A21	0.015	A44	0.175
A22	0.165	A45	0.17
A23	0.263

输出	E_NRMSE/%
B1	2.74
B2	2.61
B3	2.57
B4	2.50
B5	2.97
B6	4.37
B7	2.82
B8	2.97
B9	2.89
B10	2.58
B11	2.58

输出	精度/%
输出	测试组2	测试组18	测试组20	测试组24
B1	4.06	4.11	2.92	3.83
B2	1.97	2.94	2.07	3.89
B3	2.95	3.32	2.46	3.71
B4	2.31	2.40	1.77	3.69
B5	2.29	2.72	2.51	3.95
B6	3.74	8.78	5.16	5.64
B7	2.36	2.13	1.79	4.04
B8	2.46	3.26	2.69	3.63
B9	2.60	3.28	1.93	4.11
B10	1.74	2.74	1.79	4.04
B11	3.92	3.29	2.94	3.58

基于飞行参数的结构关键部位载荷孪生技术

Twinning technology of key part load based on flight parameters

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 20

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]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	黄维娜, 黎方娟, 祁宏斌. 航空发动机数字工程初步研究与发展思考[J]. 航空学报, 2024, 45(5): 529693-529693.