基于机器学习算法的飞行器热防护系统损伤诊断方法与流程

本发明属于航空航天应用技术领域，具体涉及一种基于机器学习算法的飞行器热防护系统损伤在线识别方法。

背景技术：

热防护系统作为航天运载飞行器中保护整体结构安全性的重要部件，其结构完整性已成为可重复使用航天飞行器装备发展的关键问题。与其他结构部件相比，粘结在主体结构上的绝热层热防护系统发生的损伤更隐蔽，导致热防护系统的破坏和失效更具有突然性，因此，针对粘结式绝热层损伤在线识别、定位、分类显得尤为重要。

另外，在飞行器服役过程中，热防护系统的绝热层可能因外界冲击而产生裂纹，或者因热不匹配而产生脱粘，明确区分这两类损伤，对结构的维修与任务包线决策制定都有重要的参考价值。因此，对这两类损伤的分类是损伤诊断方法的重要问题与挑战。

传统无损检测方法在飞行器停机状态下对结构进行损伤识别与定位，该方法需要装配外部设备、数据采集及人工分析，耗时较长，导致检测成本增加，同时其不能区分损伤类型。利用嵌入式光纤传感器进行应变场重构的检测方法在一般结构构件状态评估中得到了广泛应用，其特点和优势主要在于检测灵敏度高、损伤位置信息显示直观，因此能够更高效地确认损伤存在并定位其大体位置。

技术实现要素：

本发明的目的在于提供一种基于机器学习算法的飞行器热防护系统损伤诊断方法，基于嵌入式光纤传感器测得的应变信号，针对跳动的信号，既可以对损伤进行定位识别又可以区分损伤类型。

本发明实现上述目的采用的技术方案如下：

本发明提供了一种基于机器学习算法的飞行器热防护系统损伤诊断方法，包括如下步骤：

s1、根据飞行器热防护系统的结构形式与典型受载形式进行物理模型分析，获得在典型载荷作用下健康结构应变分布形式，以及损伤条件下应变分布变化特征；

s2、根据物理模型分析得到的损伤范围，结合光纤的最小回转半径，设计光纤传感器在热防护系统中的布局形式；

s3、对热防护系统结构施加外界载荷，通过嵌入式光纤传感器测试不同载荷状态下的热防护系统结构中的应变分布数据；

s4、针对实测获得的应变分布数据，进行异常状态判断，检测异常信号；

s5、将异常信号数据随机分为训练数据组和测试数据组，或者将飞行器出厂前试验数据作为训练数据组，将异常信号数据作为测试数据组；提取异常信号特征；

s6、将训练数据组输入自组织映射神经网络对其进行训练，将测试数据组输入经过训练的自组织映射神经网络对其进行有效性检验，若有效，则可用于飞行器热防护系统在线损伤诊断；若无效，返回步骤s5，增加训练数据组，重新训练自组织映射神经网络。

优选的，所述步骤s2中光纤传感器设置至少一根，布局覆盖损伤范围。

优选的，所述步骤s2中光纤传感器以回转形式嵌入到绝热层与主体结构间的胶层中，所述光纤传感器直线段作为测量组。

优选的，所述步骤s4通过多项式拟合结合置信区间的方法定位异常值位置。

优选的，所述多项式拟合采用直线拟合，拟合点的置信区间为[0.25x,1.25x]。

优选的，所述异常信号特征包括信号峰峰值、信号过零率、信号细度比、信号长度。

优选的，所述飞行器热防护系统损伤诊断方法还包括在飞行器飞行过程中，自组织映射神经网络依据光纤传感器实时采集的应变分布数据不断对算法进行优化的步骤。

优选的，所述损伤诊断结果通过显示屏显示。

本发明与现有技术相比的有益效果：

本发明将嵌入式的光纤传感器网络和自组织映射(som)神经网络应用于飞行器热防护系统损伤诊断中，相较于传统热防护层超声或红外无损检测技术，本发明不需要中止飞行器服役状态，而是直接采用在线应变场数据，节省时间与检测成本；相较于传统光纤在线识别系统，本发明采用自组织映射神经网络技术，诊断速度快，学习效率高，可以区分结构损伤类型；自组织映射神经网络具有更好的运算性能与泛化能力，将其应用于绝热层损伤特征提取与模式识别可以有效地解决隐蔽损伤的识别、定位、分类问题。

在飞行器服役过程中，本发明可以根据服役环境、特殊事件，以及维修测试等因素所反映出的实时应变数据对神经网络进行训练，可以提高损伤诊断的处理速度与识别精度，并解决飞行器绝热层完整性问题。

附图说明

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是典型som神经网络的训练示意图；

图2是本发明基于机器学习算法的飞行器热防护系统损伤诊断方法的流程图；

图3是本发明实施例中光纤传感器布局示意图；

图4是本发明实施例中利用应变数据对脱粘损伤的定位结果示意图；

图5是本发明实施例中利用训练数据组数据所训练出来的som神经网络模型；

图6是本发明实施例中测试数据组数据利用训练好的som神经网络模型进行损伤分类的结果示意图。

具体实施方式

下面对本发明的具体实施例进行详细说明。在下面的描述中，出于解释而非限制性的目的，阐述了具体细节，以帮助全面地理解本发明。然而，对本领域技术人员来说显而易见的是，也可以在脱离了这些具体细节的其它实施例中实践本发明。

在此需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的设备结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

本发明提供的一种基于机器学习算法的飞行器热防护系统损伤诊断方法，一方面，利用嵌入式的光纤传感器网络采集结构应变场分布信息，嵌入式的光纤传感器检测灵敏度高、损伤位置信息显示直观，能够高效地确认损伤存在并定位其大体位置。另一方面，提取异常信号段的幅值、信号过零率、信号细度比等特征，进行自组织映射(som)神经网络训练，如图1所示；自组织映射是一种无监督的人工神经网络，运用竞争学习策略，依靠神经元之间互相竞争逐步优化网络，且使用近邻关系函数来维持输入空间的拓扑结构；由于自组织映射神经网络融入了大量人脑神经元的信号处理机制，有着独特的结构特点，因而具有很好的运算性能与泛化能力，将其应用于热防护系统损伤特征提取与模式识别可以有效解决损伤分类问题。

本发明提供的一种基于机器学习算法的飞行器热防护系统损伤诊断方法，如图2所示，包括如下步骤：

1.根据飞行器热防护系统的结构形式与典型受载形式进行物理模型分析，获得在典型载荷作用下健康结构的应变分布形式，以及损伤条件下应变分布变化特征。

2.根据物理模型分析结果得到的损伤范围，结合光纤的最小回转半径，设计光纤传感器在热防护系统中的布局形式。

3.对热防护系统结构施加外界载荷，通过嵌入式光纤传感器测试不同载荷状态下的热防护系统结构中的应变分布数据。

4.针对实测获得结构内部应变分布数据，进行异常状态判断，获得异常信号。

5.将异常信号数据随机分为训练数据组和测试数据组，提取异常信号特征。

6.将训练数据组输入自组织映射神经网络对其进行训练，将测试数据组输入经过训练的自组织映射神经网络对其进行有效性检验，若有效，则可用于飞行器热防护系统在线损伤诊断；若无效，返回步骤5，增加训练数据组，重新训练自组织映射神经网络。

上述方法中，典型受载形式是包括弯曲载荷、拉伸载荷、扭转载荷等形式。损伤条件在热防护系统物理模型中设置。

光纤传感器根据损伤范围设置至少一根，布局覆盖损伤范围。

用多项式拟合结合置信区间的方法定位异常值位置，异常值中的信号局部最大值和局部最小值被选为一个异常信号段。

异常信号特征包括信号峰峰值、信号过零率、信号细度比等特征。

另外，在一些实施例中，将对损伤情况的判断结果输出到飞行器驾驶舱显示屏上进行显示。

下面结合附图和一个具体实施例对上述方法进行详细说明。典型热防护系统结构的损伤识别方法，包括以下步骤：

1.本实施例中，飞行器热防护系统选择酚醛树脂作为绝热层，铝合金板作为主体结构，环氧树脂作为粘接剂胶层将两者耦合起来作为试验件，试验件的胶层内部布置了脱粘损伤，绝热层布置了裂纹损伤。

2.如图3所示，将单根光纤传感器以回转形式嵌入到绝热层与主体结构间的胶层中靠近铝合金主体结构的位置，光纤传感器两端伸出热防护系统作为光信号入口和出口，回转形式中的六条直线段作为测量组1-6，测量组覆盖损伤区域，直线段两端为测量节点，共12个测量节点，本实施例中在热防护系统试验件一端设置夹持部，便于后续加载典型载荷。

3.采用物理模型分析热防护系统结构健康状态在典型载荷作用下的应变分布形式，以及典型损伤在受载条件下的应变分布规律。以弯曲载荷为例，热防护系统健康结构内部应变场分布为单调下降形式；典型损伤包括裂纹与脱粘，其中，裂纹处的应变呈现“m”型分布形式，两个峰值对应于裂纹的两个边缘，脱粘损伤处的应变呈现“n”型分布形式，极大值与极小值对应于脱粘的两个边缘。

4.施加弯曲载荷，通过嵌入式光纤传感器，测试不同载荷状态下的结构应变分布数据。

5.利用多项式拟合法对实测的应变分布数据进行拟合，由于物理模型分析结果显示健康结构中应变场呈现单调下降的趋势，因此选择直线进行拟合。

6.将每一个拟合点的[0.25x,1.25x]划为“置信区”，将置信区外的点选为异常点，这些异常点对应于疑似损伤的位置。

7.异常值中的信号局部最大值和局部最小值被选为一个异常信号段。这些异常信号段的应变分布规律可以作为损伤诊断的依据。

如图4所示，横轴为沿某段光纤传感器长度方向获得的应变数据，利用应变数据对脱粘损伤进行定位，该诊断结果的脱粘左右边界与真实脱粘损伤左右边界之间的偏差分别为+1mm、+2mm，宽度尺寸偏差+1mm。

8.根据物理模型分析得到的损伤条件下应变分布变化特征，在异常信号段中检测端点，提取信号特征向量。信号特征向量包括信号峰峰值、细度比、过零率、信号长度。

9.将数据分为训练数据组和测试数据组两组，利用训练数据组训练som神经网络模型，如图5所示，可以看出，在自组织权值邻域距离图中脱粘损伤与裂纹损伤分成两个区域。

10.利用经过训练的som神经网络对测试数据组进行损伤诊断，如图6所示，结果显示所有脱粘损伤与裂纹损伤在自组织权值邻域距离图中被分配到两个区域内，损伤诊断正确率为100％。

som神经网络输出数据结果显示，在神经网络训练和验证过程中som神经网络可以区分不同损伤的位置与类型，对脱层与裂纹两种损伤的区分正确率为100％。som神经网络可以准确地判断飞行器热防护系统损伤的状态，包括损伤位置、影响范围与类型。

训练som神经网络所需的训练数据组，可以由飞行器出厂前通过增压、静力、风洞等试验测得，并在交付之前输入。另外，还可以向飞行器的机载处理系统内直接导入训练好的som神经网络，之后在飞行器飞行过程中，根据环境状况，任务包线以及结构维修情况，由som神经网络依据光纤传感器实时采集的应变分布数据不断对算法进行优化，提高准确度。

相较于传统热防护层超声或红外无损检测技术，本发明不需要中止飞行器服役状态，而是直接采用在线应变场数据，节省时间与检测成本；相较于传统光纤在线识别系统，本发明采用自组织映射神经网络技术，诊断速度快，学习效率高，可以区分结构损伤类型；som神经网络具有更好的运算性能与泛化能力，将其应用于热防护系统损伤特征提取与模式识别可以有效地解决隐蔽损伤的识别、定位、分类问题。

如上针对一种实施例描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施例中使用，和/或与其它实施例中的特征相结合或替代其它实施例中的特征使用。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤、组件或其组合的存在或附加。

这些实施例的许多特征和优点根据该详细描述是清楚的，因此所附权利要求旨在覆盖这些实施例的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施例限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本发明未详细说明部分为本领域技术人员公知技术。