0 引言
随着信息时代数据处理能力的不断提高，当前飞机结构寿命的可靠性管理思想已经逐渐从传统的机群寿命管理向单机寿命管理靠拢。单机载荷监控成为单机寿命管理实现的重要途径。传统的载荷实测方法成本高、周期长，结果也不便进行外推，仅适用于机群管理。不适于推广至机群中每架飞机，为单机寿命管理造成了困难。然而飞机每次的飞行参数数据却较容易获得。因此，建立一套能满足工程应用的载荷-飞参模型，对飞机单机寿命管理有着重要意义。
人工神经网络是一门信息处理技术，是一种功能强大的机器自主学习算法，擅长解决数据的模式识别、分类、函数逼近等非线性映射问题。目前已广泛应用于计算机视觉、图像识别、语音分析等多个领域，并取得了不少突出成果。
但在飞行载荷领域上，也许因为飞机飞行实测载荷的成本高、机会少，缺乏实测数据进行比对，因此，国内外对神经网络在飞行载荷预测的应用上成果阐述较少。何发东对利用神经网络预测载荷的可行性进行了阐述；曹善成等对神经网络进行了优化，并对飞机机动动作下的载荷进行了研究。但上述文献仅对神经网络模型与训练样本的误差进行了阐述，未对模型的泛化能力进行研究，即利用训练样本训练出来的网络模型能否能够用来很好地预测其他样本。
本文针对上述问题，以机翼载荷为例，以单次飞行整个起落的实测飞参和载荷数据为输入，利用BP神经网络进行训练建模，对预测值与实测值的误差进行了分析，并对模型的泛化能力进行了评估。
1 BP神经网络
BP神经网络结构包含3层：输入层、隐含层和输出层。训练样本数据从输入层传递至隐含层，在隐含层中对输入数据进行权值添加，并最终在输出层得到实际输出值。如果实际输出值与期望输出值之间的误差大于网络模型规定的误差精度，则网络模型进行从后向前的权值修正，直至误差小于规定的误差精度。
本文利用MATLAB神经网络工具箱进行模型训练，使用单隐含层的BP神经网络，隐含层节点数取经验值18，训练方法采用LM算法。
2 算例与分析
本文以飞机1个起落的实测飞参数据和机翼载荷作为训练样本进行神经网络模型训练，用训练好的模型结合其余7个飞行起落的飞参数据进行载荷预测，并分析预测值与实测值之间的误差。
飞行参数选取气压高度、真空速、重心处三向过载、俯仰角、倾斜角、航向角、横滚角速度、横滚角角加速度、偏航角速度、偏航角角加速度、俯仰角速度、俯仰角角加速度、副翼舵偏角、方向舵偏角、升降舵偏角以及左右发动机剩余油量（即飞机实时重量）共19个参数作为飞行参数作为BP神经网络模型的输入，以机翼根部载荷的剪力、弯矩和扭矩作为BP神经网络模型的输出。
2.1原始数据处理
原始数据经过滤波及相容性检验，并对原始时间序列的参数进行分段线性化处理。分段线性化描述可有效过滤噪声，提高训练速度和数据精度。
神经网络模型训练前需对训练样本进行归一化处理，之后再对预测值进行反归一化还原数据。其目的是消除各维数据间量级差别，避免因输入输出的数据，因其量级差别较大而造成BP神经网络模型识别载荷误差变大。
2.2预测结果及误差分析
将训练好的神经网络分别用训练样本和测试样本的飞参进行载荷预测。由于篇幅问题，仅列出以训练样本1-1和测试样本2-1的预测剪力与实测剪力的对比示意图（见图1和图2）。将每一时刻载荷的误差进行累加平均，从而得到整个起落下的平均载荷误差（见表1）。
图1 训练样本1-1的机翼剪力仿真效果对比
图2 测试样本2-1机翼剪力仿真效果对比
表1 预测载荷平均误差
根据图1、图2和表1的数据分析如下：
（1）依据训练样本建立的神经网络模型，预测训练样本起落下的载荷其精度较高，平均误差最大为1.85%。依据Kaneko提出的预测载荷与实测载荷误差标准：平均误差应该控制在极限载荷的3%以内。由于缺少极限载荷下的数据，而本文将平均误差控制在实测载荷的3%以内，完全满足工程使用。
（2）利用该模型推广预测其余飞行起落下的载荷时，虽然对不同飞行任务段下的载荷变化仿真较好，但预测载荷误差（即模型的泛化误差）相对较大，最大平均误差为7.89%。
虽然模型的泛化误差较大，但考虑大型飞机飞行1g载荷一般为限制载荷的35%左右，限制载荷与极限载荷又存在1.5倍的安全系数，因此“极限载荷的3%”相当于1g载荷的12.86%，大于最大误差的7.89%，依然满足工程使用。
3 结语
仿真结果表明，神经网络预测飞行载荷的泛化能力比较可靠，即使神经网络未经参数优化，预测载荷误差可控制在8%以内，满足工程使用。神经网络建立的飞参-载荷模型可适用于同型号飞机的任一架次飞行载荷的预测，克服了直接测量法不便外推的缺点，可作为单机载荷监控的工程方法实现。
作者:陈 奇 安 彦 （中航西安飞机工业集团股份有限公司）
本文刊发于《中国高新科技》杂志2020年第24期
（转载请注明来源）
