[发明专利]一种大尺寸机翼装配型架温度及热变形预测方法

权利要求书

1.一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于包括以下步骤：

步骤一，大尺寸机翼装配型架包括框架和膨胀板两部分，框架和膨胀板上设置多个温度测量点，在固定时间对全部温度测量点的温度进行测量并记录；

步骤二，根据温度测量点的温度数据，建立基于学习率优化的BP神经网络的温度分布模型；

步骤三，通过温度分布模型，得到对未来时间待进行装配的型架的温度特性；

步骤四，根据温度特性，计算出未来时间型架的热变形量。

2.根据权利要求1所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的温度测量点布置间距不大于3000mm，温度测量点位于ERS点处或机翼定位器处。

3.根据权利要求1所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于步骤2所述的基于学习率优化的BP神经网络的温度分布模型为三层BP神经网络模型，包含输入层、隐含层和输出层，输入层的特征包括时间、环境温度和型架结构自身温度，输出层的特征为要预测的工作时间的温度测量点的温度，温度分布模型的建立需要确定三个原则：隐含层节点数确定原则、学习率优化原则、输入特征的组成原则。

4.据权利要求3所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的隐含层节点设置原则为：

其中n为隐含层数目，n_inp为输入层节点数，n_out为输出层节点数，m₁、m₂分别为输入层、输出层权重系数，m₁、m₂值取值范围为1～2，m_c为0～10的调整常数。

5.据权利要求3所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的优化的学习率建立原则为：前期网络训练过程中采取较大学习率，以获得更好的全局搜索能力，后期采用较小的学习率，以得到更高精度的局部逼近值，建立的学习率优化公式如下：

其中lrmax为最大学习率，lrmin为最小学习率，k为当前迭代次数，Max_iter为最大迭代次数，a为动态调整因子，a为

a＝0.4*(1-k/Max_iter)^0.25。

6.根据权利要求3所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的输入特征的组成确定方案为：将时间和型架结构自身一点温度作为输入特征的温度预测方案。

7.根据权利要求3所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的输入特征的组成确定方案为：或将时间和环境温度作为特征输入的温度预测方案，其中环境温度包括日最高温度、最低温度和平均温度。

8.根据权利要求3所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的输入特征的组成确定方案为：或将时间、型架自身温度和环境温度作为共同输入特征的温度预测方案。

9.根据权利要求1所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的热变形量的计算原则为：将型架变形分为膨胀板和框架两部分的变形。

10.根据权利要求9所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的膨胀板的变形确定原则为：膨胀板通过两组滑轨连接在型架上，其中一端固定，一端可以沿滑轨方向变形，可视为一维模型，其由温度引起的热变形量D_i可以用如下公式描述：

其中i表示测量点，α_p表示膨胀板热膨胀系数，T_i表示第i个测量点的温度，n_p表示膨胀板测量点数目。

11.根据权利要求9所述的一种大尺寸机翼装配型架温度及热变形预测方法，其特征在于所述的框架的变形确定原则为：框架整体结构可简化为左侧立柱、斜梁、右侧立柱，其中斜梁与机翼相连，左右侧立柱底端固定，斜梁两端分别与左右侧立柱相连，，斜梁由温度变化引起的变形D_j由三部分组成，为斜梁热变形与左右侧立柱变形叠加，具体表达式如下：

其中j表示框架斜梁测量点，L_f为框架斜梁长度，L_l为框架左侧立柱高度，L_r为框架右侧立柱高度，α_f为框架热膨胀系数，T_j为第j个斜梁测量点温度，n_f表示斜梁测量点数目，n_l表示左侧立柱测量点数目，n_r为右侧立柱测量点数目，T_kl和T_kr分别为左侧、右侧立柱测量点温度。