[发明专利]基于随机参数-神经网络的民机机构全局灵敏度分析方法

摘要

本发明涉及一种基于随机参数‑神经网络的民机机构全局灵敏度分析方法，旨在提高民机缝翼机构的系统稳健性，考虑以磨损为主要形式的性能退化机理，对缝翼机构典型部件进行全局灵敏度分析。引入人工智能神经网络技术结合随机参数法得出缝翼机构输入参数与输出响应的函数关系，通过全局灵敏度分析方法，得到缝翼机构输入变量对系统响应影响的全局灵敏度指标。

主权项

一种基于随机参数‑神经网络的民机机构全局灵敏度分析方法，其特征在于步骤如下：步骤1：采用MSC.Adams建立缝翼系统多体动力学模型，缝翼的3根弧形滑轨从右向左依次记为：1～3号滑轨，各滑轨上下的限位滚轮组依次记为：r1～r12，则滚轮磨损量记为：Δr1～Δr12；步骤2：以缝翼系统多体动力学模型为基础，在MSC.Adams软件环境下，选择改变限位滚轮组r1～r12参数中的六个典型部件的尺寸参数作为缝翼系统多体动力学模型的输入进行仿真，得到输出参数缝翼系统输出响应量σ＝[A1(x),A2(x)]；所述六个典型部件的尺寸参数为xi(i＝1,2,…,6)：三个翼肋中，每个翼肋的滑轨上部靠近缝翼根部的滚轮以及滑轨下部远离缝翼根部的滚轮；所述输出参数缝翼系统输出响应量σ＝[A1(x),A2(x)]：飞机在服役过程中缝翼根据升力系数需求相对机翼翼面位置转动两次的角度；所述选择改变限位滚轮组r1～r12参数中的六个典型部件的尺寸参数的方法：计算每个滚轮半径的磨损量Δr，得到磨损后的滚轮尺寸，以该尺寸作为输入参数；所述磨损量的计算为：其中：P为接触面的法向压力，K为磨损因数，为滚轮相对滑轨转过的角度，n为滚轮的磨损次数，H为材料布氏硬度，b为滚轮的高，r为滚轮的半径，r0为与滚轮接触的滑轨半径；步骤3：将输入参数xi(i＝1,2,…,6)和输出参数σ＝[A1(x),A2(x)]作为三层BP神经网络模型的训练样本，得到神经网络仿真模型函数表达式：σ=f2(βj+Σk=115vkjf1(αk+Σi=16wikxi))(i=1,2,...,6,j=1,2,k=1,2,...,10)]]>其中：wik为输入层节点xi与隐藏层节点hk间的网络权值，vkj为隐藏层节点hk与输出层节点yj间的网络权值，αk是隐藏层节点的阀值，βj是输出层节点的阀值，f1(·)为S型非线性函数tansig，f2(·)是线性函数purelin；所述三层BP神经网络模型为：输入层节点为6，表示六组滚轮磨损后半径值xi(i＝1,2,…,6)，隐藏层节点选取缺省值10，传递函数选用S型对数函数，输出层节点为2，表示系统的两个输出响应量，指飞机在服役过程中缝翼根据升力系数需求相对机翼翼面位置转动两次的角度，记为：A1(xi)、A2(xi)，输出层传递函数选用线性传递函数，训练函数选用trainlm函数；训练时：在神经网络中经过36步迭代训练网络达到设定误差值10‑4，网络收敛迭代训练过程终止系统的网络误差；步骤4：通过基于方差的全局灵敏度指标对缝翼机构典型部件进行全局灵敏分析：将响应量方差分解为各分解项方差之和，即：其中，Vi是输入变量Xi对系统的一阶方差贡献，表达式如下：式中X‑i表示在输入变量中除Xi以外的变量，X‑i＝(X1,…,Xi‑1,Xi+1,…Xn)T；方差分解项表示为：一阶方差贡献Vi作为Xi对输出响应量方差的主影响，用来描述输入变量的全局灵敏度指标；为了量化输入变量的贡献，定义Xi的全局灵敏度指标如下：其中Y＝g(X)，