本發(fā)明屬于直升機(jī)動(dòng)力學(xué)智能化分析，尤其涉及一種基于數(shù)據(jù)驅(qū)動(dòng)的直升機(jī)機(jī)身振動(dòng)預(yù)測方法及裝置。

背景技術(shù)：

1、直升機(jī)的振動(dòng)問題會(huì)加劇飛行員操作負(fù)擔(dān)，影響飛行品質(zhì)。同時(shí)振動(dòng)過大不僅會(huì)降低乘坐的舒適度，而且可能導(dǎo)致結(jié)構(gòu)部件的疲勞破壞，嚴(yán)重影響飛行過程中的舒適性與安全性。隨著直升機(jī)高速化、高信息化與高智能化的發(fā)展趨勢，裝備所處的動(dòng)力學(xué)環(huán)境越來越復(fù)雜，直升機(jī)的振動(dòng)問題也更加復(fù)雜且突出。飛行過程中安全、舒適性要求的不斷提高，機(jī)身振動(dòng)的精準(zhǔn)預(yù)測已成為行業(yè)發(fā)展的迫切需求。

2、針對直升機(jī)機(jī)身振動(dòng)分析模型可以分為兩種：一種是基于振動(dòng)數(shù)學(xué)模型的振動(dòng)機(jī)理分析模型，另一種是近期興起的基于數(shù)據(jù)挖掘技術(shù)的智能算法模型。直升機(jī)由于其結(jié)構(gòu)復(fù)雜、強(qiáng)耦合、非線性的特征，當(dāng)前的直升機(jī)振動(dòng)機(jī)理分析模型在建模過程中進(jìn)行了大量的工程性假設(shè)，導(dǎo)致振動(dòng)機(jī)理分析模型機(jī)身振動(dòng)預(yù)測結(jié)果與實(shí)際測量值之間存在著一定的誤差，同時(shí)機(jī)理模型的運(yùn)算時(shí)間相對較長，不能進(jìn)行實(shí)時(shí)的預(yù)警。相較于傳統(tǒng)機(jī)理模型，數(shù)據(jù)驅(qū)動(dòng)的智能分析方法的預(yù)測結(jié)果精度更高，更容易實(shí)現(xiàn)復(fù)雜裝備的控制與診斷，然而智能算法在直升機(jī)振動(dòng)研究上的應(yīng)用實(shí)例較少。

技術(shù)實(shí)現(xiàn)思路

1、針對上述技術(shù)問題，本發(fā)明提供了一種基于數(shù)據(jù)驅(qū)動(dòng)的直升機(jī)機(jī)身振動(dòng)預(yù)測方法及裝置，克服傳統(tǒng)機(jī)理模型建模過程復(fù)雜、振動(dòng)預(yù)測困難精度差的缺陷，能滿足直升機(jī)機(jī)身短時(shí)高精度預(yù)測的需求。

2、第一方面，本技術(shù)提供一種基于數(shù)據(jù)驅(qū)動(dòng)的直升機(jī)機(jī)身振動(dòng)預(yù)測方法，所述方法包括以下步驟：

3、步驟1：采集直升機(jī)試驗(yàn)試飛數(shù)據(jù)，所述直升機(jī)試驗(yàn)試飛數(shù)據(jù)包括飛行數(shù)據(jù)與振動(dòng)數(shù)據(jù)；

4、步驟2：對直升機(jī)試驗(yàn)試飛數(shù)據(jù)進(jìn)行預(yù)處理，包括飛行/振動(dòng)數(shù)據(jù)頻率協(xié)同、異常點(diǎn)剔除、五點(diǎn)三次平滑和歸一化，獲得預(yù)處理數(shù)據(jù)集；

5、步驟3：對振動(dòng)數(shù)據(jù)進(jìn)行變分模態(tài)分解(variational?mode?decomposition，vmd)，得到分解后的各個(gè)本征模態(tài)函數(shù)(intrinsic?mode?functions，imf)分量，利用k-means算法計(jì)算各個(gè)imf分量的權(quán)重系數(shù)；利用權(quán)重系數(shù)對振動(dòng)數(shù)據(jù)進(jìn)行加權(quán)重構(gòu)，獲得加權(quán)重構(gòu)后振動(dòng)數(shù)據(jù)集，降低信號(hào)中噪聲成分的影響；

6、步驟4：利用預(yù)處理數(shù)據(jù)集和加權(quán)重構(gòu)后振動(dòng)數(shù)據(jù)集，建立極限提升決策樹(extreme?gradient?boosting?regression，xgboost)模型，基于所述極限提升決策樹模型對直升機(jī)機(jī)身振動(dòng)進(jìn)行預(yù)測。

7、進(jìn)一步的，所述步驟2的具體方法為：

8、步驟2.1：對不同類型數(shù)據(jù)的采樣頻率進(jìn)行頻率協(xié)同，利用目標(biāo)頻率對振動(dòng)數(shù)據(jù)進(jìn)行降采樣，對飛行數(shù)據(jù)進(jìn)行三次樣條插值擴(kuò)充，從而實(shí)現(xiàn)不同樣本之間頻率協(xié)同；

9、步驟2.2采用pauta準(zhǔn)則，剔除直升機(jī)試驗(yàn)試飛數(shù)據(jù)中的異常值：

10、

11、

12、式中：yi是第i個(gè)樣本的試驗(yàn)測量值，是特定變量平均值，n是樣本總個(gè)數(shù)；

13、步驟2.3：采用五點(diǎn)三次平滑法去除直升機(jī)試驗(yàn)試飛數(shù)據(jù)中的高頻振動(dòng)噪聲，提高樣本數(shù)據(jù)綜合質(zhì)量：

14、

15、式中：是數(shù)據(jù)平滑后的值；

16、步驟2.4：對直升機(jī)試驗(yàn)試飛數(shù)據(jù)進(jìn)行z-score標(biāo)準(zhǔn)化處理，公式如下：

17、

18、式中：yii是第i個(gè)樣本歸一化后的數(shù)值，μx是平滑后樣本數(shù)據(jù)的均值。

19、進(jìn)一步的，所述步驟3的具體方法為：

20、步驟3.1：對經(jīng)過預(yù)處理后的振動(dòng)數(shù)據(jù)進(jìn)行快速傅里葉變化(fast?fouriertransformation，fft)，得到振動(dòng)數(shù)據(jù)的主要頻率特征；

21、步驟3.2：針對振動(dòng)數(shù)據(jù)，利用變分模態(tài)分解(vmd)將振動(dòng)數(shù)據(jù)分解成k個(gè)不同的本征模態(tài)函數(shù)(imf)，公式如下：

22、yk(t)＝ak(t)cos[φk(t)]??????????????????(5)

23、式中：ak(t)為第k個(gè)imf分量的幅值，φk(t)為第k個(gè)imf分量的相位；

24、其中，vmd分解模態(tài)個(gè)數(shù)k的計(jì)算方法為：

25、遍歷搜索k∈[2,3,4,5,6,7,8,9]，隨著k的增大，當(dāng)分解后的imf分量中首次出現(xiàn)與步驟3.1中振動(dòng)數(shù)據(jù)中的主要頻率特征一致時(shí)，得到最優(yōu)的分解模態(tài)數(shù)k；

26、步驟3.3：根據(jù)k個(gè)不同的本征模態(tài)函數(shù)(imf)，繪制各imf分量均值與方差的分布情況，根據(jù)各imf信號(hào)均值與方差的分布情況，利用歐式距離公式采用k-means算法計(jì)算各個(gè)imf分量的權(quán)值，具體公式如下所示：

27、

28、式中：為分解后第i個(gè)imf分量的平均值，vi為分解后第i個(gè)imf分量的方差；

29、步驟3.4：利用各個(gè)imf分量的權(quán)值，完成振動(dòng)數(shù)據(jù)的加權(quán)重構(gòu)，具體公式如下所示：

30、y(t)＝ω1y1(t)+ω2y2(t)+…+ωkyk(t)?????????????(7)

31、式中：y(t)為加權(quán)重構(gòu)后的振動(dòng)數(shù)據(jù)，ω1為第一個(gè)imf分量的權(quán)值，y1(t)為分解后的第一個(gè)imf分量。

32、進(jìn)一步的，所述步驟4的具體方法為：

33、步驟4.1：將預(yù)處理數(shù)據(jù)集和加權(quán)重構(gòu)后振動(dòng)數(shù)據(jù)集進(jìn)行組合，得到供智能算法預(yù)測用的數(shù)據(jù)樣本集；

34、步驟4.2：采用自適應(yīng)布谷搜索方法(cuckoo?search?algorithm，csa)，確定xgboost模型中循環(huán)次數(shù)n與最大決策樹深度m，遍歷搜索m∈[10:10:500]與n∈[2:1:10]，確定最優(yōu)的循環(huán)次數(shù)與最大決策樹深度；

35、步驟4.3：采用csa方法確定xgboost模型中l(wèi)1與l2正則化系數(shù)，遍歷搜索l1∈[0:0.1:1]與l2∈[0:0.1:1]，確定最優(yōu)的循環(huán)次數(shù)與最大決策樹深度；

36、步驟4.4：采用csa方法確定xgboost模型中學(xué)習(xí)率α，遍歷搜索α∈[0.1:0.1:1]，確定最優(yōu)的學(xué)習(xí)率；

37、步驟4.5：基于所述xgboost模型，對機(jī)身振動(dòng)加速度進(jìn)行預(yù)測。

38、進(jìn)一步的，飛行數(shù)據(jù)包括總距位移、縱向操作位移、橫向操作位移、腳蹬位移、航向角、俯仰角、橫滾角、真空速、絕對氣壓高度、主旋翼軸扭矩、旋翼總槳距、平尾偏轉(zhuǎn)角、尾槳距、大氣恒溫、大氣恒壓、指示空速、升降速度、重心處縱向過載、重心處橫向過載、重心處法向過載。

39、進(jìn)一步的，振動(dòng)數(shù)據(jù)包括右駕駛座椅地板處振動(dòng)加速度。

40、進(jìn)一步的，步驟4.1具體包括：

41、隨機(jī)將數(shù)據(jù)樣本集中75％的數(shù)據(jù)作為訓(xùn)練樣本，以獲取xgboost模型的網(wǎng)絡(luò)結(jié)構(gòu)，將數(shù)據(jù)樣本集中剩余25％的樣本作為測試集。

42、第二方面，本技術(shù)提供一種基于數(shù)據(jù)驅(qū)動(dòng)的直升機(jī)機(jī)身振動(dòng)預(yù)測裝置，所述裝置包括采集單元、預(yù)處理單元、加權(quán)重構(gòu)單元和預(yù)測單元，其中：

43、采集單元，用于采集直升機(jī)試驗(yàn)試飛數(shù)據(jù)，所述直升機(jī)試驗(yàn)試飛數(shù)據(jù)包括飛行數(shù)據(jù)與振動(dòng)數(shù)據(jù)；

44、預(yù)處理單元，用于對直升機(jī)試驗(yàn)試飛數(shù)據(jù)進(jìn)行預(yù)處理，包括飛行/振動(dòng)數(shù)據(jù)頻率協(xié)同、異常點(diǎn)剔除、五點(diǎn)三次平滑和歸一化，獲得預(yù)處理數(shù)據(jù)集；

45、加權(quán)重構(gòu)單元，用于對振動(dòng)數(shù)據(jù)進(jìn)行變分模態(tài)分解(variational?modedecomposition，vmd)，得到分解后的各個(gè)本征模態(tài)函數(shù)(intrinsic?mode?functions，imf)分量，利用k-means算法計(jì)算各個(gè)imf分量的權(quán)重系數(shù)；利用權(quán)重系數(shù)對振動(dòng)數(shù)據(jù)進(jìn)行加權(quán)重構(gòu)，獲得加權(quán)重構(gòu)后振動(dòng)數(shù)據(jù)集，降低信號(hào)中噪聲成分的影響；

46、預(yù)測單元，用于利用預(yù)處理數(shù)據(jù)集和加權(quán)重構(gòu)后振動(dòng)數(shù)據(jù)集，建立極限提升決策樹(extreme?gradient?boosting?regression，xgboost)模型，基于所述極限提升決策樹模型對直升機(jī)機(jī)身振動(dòng)進(jìn)行預(yù)測。

47、綜上所述，本發(fā)明提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的直升機(jī)機(jī)身振動(dòng)預(yù)測方法及裝置，通過飛行/振動(dòng)數(shù)據(jù)綜合預(yù)處理有效解決了多源異構(gòu)數(shù)據(jù)采樣頻率協(xié)同、異常點(diǎn)與數(shù)量級(jí)差異等問題；采用加權(quán)vmd分解重構(gòu)技術(shù)降低振動(dòng)數(shù)據(jù)中噪聲干擾；基于經(jīng)過綜合預(yù)處理與vmd分解加權(quán)重構(gòu)后的的數(shù)據(jù)集，利用xgboost模型并結(jié)合自適應(yīng)布谷搜索方法，設(shè)計(jì)出高精度的直升機(jī)機(jī)身振動(dòng)智能預(yù)測算法，克服傳統(tǒng)機(jī)理模型建模過程復(fù)雜、振動(dòng)預(yù)測精度差的缺陷，能滿足直升機(jī)機(jī)身短時(shí)高精度預(yù)測需求。