[发明专利]一种基于飞行状态参数的直升机振动特征折算方法

说明书

本发明涉及一种基于飞行状态参数的直升机振动特征折算方法，采用RBF神经网络的方法分别在标准飞行状态和目标飞行状态下建立直升机飞行状态参数及发动机状态参数与振动特征参数之间的关系，分别计算在当前飞行状态参数及发动机状态参数条件下和标准状态下的振动特征参数理论值，通过比较两者之间的差别得出相应的振动参数折算因子，并利用折算因子对实际测得的振动特征进行折算，从而达到将振动特征参数折算到标准工况下的目的。

技术领域

本发明属于直升机状态监测与健康管理领域，具体涉及一种应用于变飞行状态条件下直升机机上振动特征参数的折算方法。

背景技术

对直升机的振动特性进行分析，可以认为直升机的振动主要来自于四个方面：直升机本身的振动，飞行状态变化引起的振动，故障引发的振动和噪声。根据直升机飞行状态的不同，直升机各相关振动传感器测得的振动信号及其相应的振动特征参数等也都会不同。在采用基于特征参数趋势分析的方法进行故障预测之时，若不消除飞行状态变化引起的振动对振动特征参数的影响，将会极大的影响预测的精度和准确度。

通常，直升机在飞行过程中状态多变，扭矩、速度等参数变化频繁，导致直升机的振动特性变化较大从而掩盖了因其本身健康状态性能退化而产生的振动特性的变化。因此，为提高趋势分析和故障预测处理结果的可信度，尽可能减小飞行状态变化导致的影响，需要开展基于飞行状态参数的振动特征参数折算方法研究。

发明内容

本发明的目的是：提供一种可根据直升机飞行状态参数进行振动特征参数折算的方法，采用了基于RBF神经网络的方法，可将不同飞行状态下的振动特征参数折算至标准状态下。

考虑到现有技术的上述问题，根据本发明公开的一个方面，本发明采用以下技术方案：

一种基于飞行状态参数的直升机振动特征折算方法，包括以下步骤：

步骤一：针对直升机机上监测的各种飞行状态参数和发动机状态参数，选取与其飞行状态及振动特征相关的参数，利用标准飞行状态下的样本数据，将样本数据中的飞行状态参数和发动机状态参数作为输入，振动特征参数作为输出，对RBF神经网络进行训练，构建标准飞行状态下的RBF模型；

步骤二：基于已构建的标准飞行状态下的RBF模型，根据标准飞行状态下样本数据中的飞行状态参数和发动机状态参数进行计算，得到振动特征参数的理论值，计算其均值，作为标准飞行状态下振动特征参数的基准值；

步骤三：选取目标飞行状态下的样本数据，将样本数据中的飞行状态参数和发动机状态参数作为输入，振动特征参数作为输出，对RBF神经网络进行训练，构建目标飞行状态下的RBF模型；

步骤四：将该目标飞行状态下的实时监测数据中的飞行状态参数和发动机状态参数作为已构建的目标飞行状态下RBF模型的输入，计算得到其对应的振动特征参数的理论值，与标准飞行状态下振动特征参数的基准值作差，得到当前飞行状态参数和发动机状态参数下的折算因子，将该时刻对应的振动特征参数实测值减去折算因子，得到该时刻的振动特征参数实测值折算至标准状态下的振动特征参数。

有益效果：

根据本发明的方法，可以将在不同飞行状态下测得的直升机振动特征参数快速折算至同一标准飞行状态下，从而可以保证在进行趋势分析和故障预测过程中其输入振动特征参数处于同一标准飞行状态工况下，提升故障预测的准确性。

附图说明

图1为RBF神经网络结构图

图2为聚类中心计算示意图

图3为振动特征折算流程图

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。