[发明专利]一种对飞行器结构损伤状态进行多元化识别与检测的方法

说明书

技术领域

本发明涉及一种对飞行器结构损伤状态进行多元化识别与检测的方法。

背景技术

结构参数的变化直接体现在物理参数的改变上，造成其固有频率、振型等特征参数的变化，进而使结构的动力响应发生变化。直接基于结构振动测试信号识别结构参数变化情况，可以避免对结构进行繁杂的模态参数求解。此类方法采用傅立叶变换、小波变换等信号处理方法直接对结构响应信号进行分析和处理，根据信号参数的变化或统计特性，识别结构的参数变化情况。与傅立叶变换相比，小波分析具有多尺度特性，在时域和频域都具有表征信号局部特征的能力，可以检测到结构参数变化引起的微弱信号突变。

人工神经网络是对人脑的抽象、简化和模拟，反映人脑的基本特性，可以完成学习、记忆、识别和推理等功能。从系统观点看，人工神经网络是由大量神经元通过极其丰富和完善的联结形成的自适应非线性动态系统。神经元之间的连接方式不同，神经网络的结构形态也就不同。人工神经网络具有下列特征：(1)分布储存和容错性；(2)大规模并行处理；(3)自学习、自组织和自适应性；(4)表现出复杂的非线性动态系统的特征；(5)可以处理一些环境信息复杂、知识背景不清楚和推理规则不明确的问题。

考虑到某些结构损伤的能量参数变化指标，面临样本少、不确定性大、确定性解析预测模型难以建立等难题，这正符合灰色系统理论研究问题的特点，即序列性、少数据性、全信息性、时间传递性、灰因果性。

当飞行器结构出现参数变化(损伤)后，结构的响应信号会相应发生变化，损伤对各频率成份的抑制和增强作用发生变化。通常，它会明显地对某些频率成份起抑制作用，而对另外一些频率成份起增强作用。因此，结构损伤时的响应输出与结构正常时的响应输出相比，相同频带内信号的能量会有较大的差别，某些频带内信号能量减小，而其它一些频带的信号能量增大。于是，在各频率成份信号的能量中，包含着丰富的结构参数变化信息，某种或某几种频率成份能量的改变即代表了一种损伤情况。

发明内容

由于飞行器系统复杂，并且结构参数变化种类也多种多样，处理的数据量较大。为了对飞行器结构的参数变化损伤程度进行精确地量化，得到表征结构损伤的特征向量，本发明提出了一种对飞行器结构损伤状态进行多元化识别与检测的方法。该方法是基于飞行器结构的振动测试信号，应用小波包方法，用于识别结构损伤发生的空间位置和损伤程度，同时提出一种小波包能量变化率指标，结合神经网络，以小波包能量指标为网络输入对结构的损伤程度进行精确地量化分析，还采用灰色理论模型方法进行小波包能量指标预测，进行结构损伤状态量化预测分析。本发明具有快速性、高精度及实现预测性的优点，功能多样性，有利于发挥小波包的高频分辨率、BP神经网络的非线性映射以及灰色理论模型预测能力相结合的优势，提高飞行器结构损伤的识别与预测能力。

本发明的一种对飞行器结构损伤状态进行多元化识别与检测的方法，其特征在于该方法包括下列步骤：

第一步：对飞行器结构输出的结构位移响应信号通过小波包分解处理，得到结构振动位移响应信号的能量分量(简称为信号能量分量)；

第二步：采用能量变化率指标模型a为初始状态，b为当前时刻下的状态，对信号能量分量进行处理，获得小波能量变化率指标WEI_f(t)j(简称为小波-变化率WEI_f(t)j)，所述的小波-变化率WEI_f(t)j能够用于识别飞行器结构损伤发生的空间位置A(x，y，z)；

第三步：采用BP神经网络算法对小波-变化率WEI_f(t)j进行处理，得到小波能量-损伤程度WDD_f(t)，该小波能量-损伤程度WDD_f(t)也就是当前时刻下的小波能量-损伤程度；

第四步：采用灰色系统理论对信号能量分量进行处理，获得下一时刻的信号能量分量

第五步：采用能量变化率指标模型对下一时刻的信号能量分量进行处理，获得下一时刻的小波-变化率WEI_f(t+1)j；

第六步：采用BP神经网络算法对下一时刻的小波-变化率WEI_f(t+1)j进行处理，得到下一时刻的小波能量-损伤程度NWDD_f(t)，该下一时刻的小波能量-损伤程度NWDD_f(t)也就是可能出现的小波能量-损伤程度。

本发明多元化识别与检测的方法的优点在于：