[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

说明书

本发明公开了一种大尺寸机翼装配型架温度及变形预测方法，通过测量全年间型架温度数据，建立了基于学习率优化的BP神经网络的型架温度数学模型，并提供了三种预测型架温度特性的方案，通过建立好的温度模型，可对下一个工作阶段的型架温度进行预测，并分析型架的热变形特性。该方法能够快速、准确、低成本的预测大尺寸机翼装配型架温度和热变形特性。

技术领域

本发明属于飞机制造过程中装配领域，涉及一种大尺寸机翼装配型架温度及变形预测方法。

背景技术

温度是影响飞机装配精度和可靠性的重要因素，尤其在新型大尺寸飞机装配过程中，由于相应装配工装尺寸大，较小的温度变化将引起较大的热变形，导致装配后飞机结构内部产生装配残余应力或局部应力集中，影响飞机寿命。此外，随着数字化装配技术的发展，装配型架ERS系统建立同样受到温度的影响，引发系统偏差较大，产生大量定检问题，因此，保证飞机装配及测量精度，必须准确表征大尺寸型架的温度特性。

目前，在飞机型架温度影响研究中，一般将型架温度视作线性，认为型架温度均匀分布，然而随着大尺寸飞机的发展，其装配型架尺寸也越来越大，且装配周期长，无论在空间还是时间维度上，温度都表现出了强烈的非线性，此时再将型架某一处的温度作为型架的均匀温度表征将会造成较大的误差。除去采用型架一点温度作为整体温度特性外，第二种方案是直接观测飞机型架温度特性，可通过红外热成像摄像机记录分布不均的温度场，得到温度数据精度较高。但对于大尺寸型架，对其温度进行完全测量和记录将会耗费大量时间及人力，在实际工程中较难实现。

因此，如何通过一定代表数据得到装配型架的温度分布特性并进行准确地预测，是研究型架温度特性的难点和关键。能够较准确的分析和预测型架温度特性后，型架的热变形可基于离散思想，即将型架膨胀板和框架分为数个由温度测量点构成的测量单元，进而得到型架的热变形特性。

发明内容

本发明提供一种大尺寸机翼装配型架温度及热变形预测方法，通过全年温度数据积累，基于BP神经网络建立大尺寸机翼装配型架温度模型，对新阶段的型架温度进行预测，并对型架由温度引起的热变形进行分析。

为达到以上目的，本发明采取如下技术方案予以实现：

一种大尺寸机翼装配型架温度及热变形预测方法，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，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。

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；

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。

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。

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：