基于光纤光栅的机载雷达罩的局部应变监测报警系统

1.本发明涉及一种监测报警系统，特别涉及基于光纤光栅的机载雷达罩的 局部应变监测报警系统，属于机载雷达罩局部健康监测技术领域。


背景技术：

2.航空飞行器的材料因操作条件或环境因素容易造成损伤，其机械性能会 显着降低。因此，飞机在服役过程中可能会出现脱粘分层、结构腐蚀、疲劳 裂纹等故障。由于复合材料的复杂情况，这种损伤往往从表面不可见，而这 可能导致灾难性的故障。过去，人们使用目视检查和其他无损检测方法(例 如超声波和x射线)来测量结构的一般状态。然而，这些方法是有局限的、 耗时的，而且一定程度上识别准确率取决于操作者的注意力和技能，开发一 种可以快速可靠地检查相对较大区域的健康监测方法，检测损坏的类型、位 置和严重程度，可以最大限度地减少因长时间停机和飞机退出维护而造成的 不便，可显着减少运输飞机的成本。
3.准分布式光纤光栅现已在隧道和桥梁等基础工程中有所应用，其拥有独 特的优点：尺寸小、灵敏度高、恶劣环境适应性强、耐高温和腐蚀、电磁绝 缘性好、易于组网、通信传输与传感一体化，显然，这种传感器也能适应航 空飞行器的复杂工作环境。同时，布拉格准分布式光纤光栅的传感技术也日 趋成熟，其在航空结构智能健康监测方面有着广阔的应用前景。


技术实现要素：

4.本发明的目的在于提供基于光纤光栅的机载雷达罩的局部应变监测报警 系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于光纤光栅的机载雷达 罩的局部应变监测报警系统，所述监测报警系统包括：
6.监测单元：由布拉格光纤应变监测光纤和温度监测光纤组成；应变监测 光纤上均匀布置了大量布拉格应变传感器，温度监测光纤上均匀布置了大量 布拉格温度传感器，温度监测光纤除了监测雷达罩的温度外，还同时作为应 变监测光纤的温度补偿光纤，使得应变监测的结果更为准确；
7.中央处理单元：用于对监测单元的信号初步处理，根据温度监测光纤的 数据对应变监测光纤的数据进行温度补偿，把补偿后的应变数据传输给预警 单元；
8.预警单元：用于对应变和温度信号进行判断，利用机器学习算法识别雷 达罩局部状态异常，并在雷达罩某个局部的状态出现异常时，即时发出报警 信息；
9.数据传输模块：加载了无线通信模块；
10.将监测单元、中央处理单元、预警单元和数据传输模块有机组成一个整 体，使得飞机控制平台可以实时监测雷达罩的各项数据情况。
11.作为本发明的一种优选技术方案，所述监测单元在雷达罩的局部均匀选 取m个位
置布置光纤，公式如下：
[0012][0013]
在每10根应变监测光纤之间布置1根温度监测光纤，应变监测光纤有h根， 温度监测光纤有q根。
[0014]
作为本发明的一种优选技术方案，所述中央处理单元还用于将初步处理 后的温度、应变数据用云图直观展示给飞机控制平台，结合预警信息可以使 操作人员更快速直观得掌握飞机雷达罩受损情况。
[0015]
作为本发明的一种优选技术方案，所述中央处理单元接收监测单元的温 度监测光纤和应变测量光纤的数据，并依据下式计算应变变化值δε：
[0016]
δb＝tkδt+ekδε，
[0017]
式中δb为光纤中心频移变化值，tk为温度系数，δt为温度变化值，ek为 应变系数；
[0018]
光纤传感器温度变化值δt是温度监测光纤捕获的雷达罩温度信号与光纤 传感器的标定温度之差。
[0019]
作为本发明的一种优选技术方案，所述预警单元搭载的机器学习算法为 向日葵优化算法(sfo)，对中央处理单元处理后的信号进行分析判断。
[0020]
作为本发明的一种优选技术方案，所述向日葵优化算法受向日葵捕捉太 阳辐射的运动启发，将损伤检测问题视为目标函数最小化的逆问题，还使用 来自雷达罩有限元仿真实验的模态数据。
[0021]
作为本发明的一种优选技术方案，所述向日葵优化算法可以把结构的各 项数据与结构状态联系起来，用监测到的雷达罩数据推算雷达罩状态，对各 类异常状态精确区分识别。
[0022]
作为本发明的一种优选技术方案，所述中央处理单元以及预警单元型号 均为西门子plccpu中央处理器。
[0023]
作为本发明的一种优选技术方案，所述通信模块采用dtu无线通信模块 sccm-4g。
[0024]
与现有技术相比，本发明的有益效果是：
[0025]
1.本发明基于光纤光栅的机载雷达罩的局部应变监测报警系统，本发明 的监测单元传感器尺寸小、灵敏度高、恶劣环境适应性强、耐高温和腐蚀、 电磁绝缘性好、易于组网、通信传输与传感一体化，非常适合航空飞行器的 复杂工作环境，本发明通过对雷达罩包围式地预埋大量准分布式光纤光栅， 能够实时准确便捷快速地监测雷达罩石英纤维的应变、温度,无论层间夹杂还 是裂纹损伤都能有效识别，结果准确性高、定位精度好，可以实现对雷达罩 的局部故障诊断和实时健康监测。同时检测过程不会破坏结构，属于无损检 测的一部分。
附图说明
[0026]
图1是本发明所述基于光纤光栅的机载雷达罩的局部应变监测报警系统 的流程图；
[0027]
图2是局部埋设光纤的示意图；其中o为温度监测光纤，q为应变监测光 纤；
[0028]
图3是图2的横截面示意图；其中w表示测量剖面的第4铺层。
具体实施方式
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
请参阅图1-3，本发明提供了基于光纤光栅的机载雷达罩的局部应变监测 报警系统的技术方案：
[0031]
根据图1-3所示，基于光纤光栅的机载雷达罩的局部应变监测报警系统， 监测报警系统包括：
[0032]
监测单元：由布拉格光纤应变监测光纤和温度监测光纤组成；应变监测 光纤上均匀布置了大量布拉格应变传感器，温度监测光纤上均匀布置了大量 布拉格温度传感器，温度监测光纤除了监测雷达罩的温度外，还同时作为应 变监测光纤的温度补偿光纤，使得应变监测的结果更为准确；
[0033]
中央处理单元：用于对监测单元的信号初步处理，根据温度监测光纤的 数据对应变监测光纤的数据进行温度补偿，把补偿后的应变数据传输给预警 单元；
[0034]
预警单元：用于对应变和温度信号进行判断，利用机器学习算法识别雷 达罩局部状态异常，并在雷达罩某个局部的状态出现异常时，即时发出报警 信息；
[0035]
数据传输模块：加载了无线通信模块；
[0036]
将监测单元、中央处理单元、预警单元和数据传输模块有机组成一个整 体，使得飞机控制平台可以实时监测雷达罩的各项数据情况。
[0037]
监测单元在雷达罩的局部均匀选取m个位置布置光纤，公式如下：
[0038][0039]
在每10根应变监测光纤之间布置1根温度监测光纤，应变监测光纤有h根， 温度监测光纤有q根，光纤埋设在复合材料内部的第4铺层中。
[0040]
中央处理单元还用于将初步处理后的温度、应变数据用云图直观展示给 飞机控制平台，结合预警信息可以使操作人员更快速直观得掌握飞机雷达罩 受损情况。
[0041]
中央处理单元接收监测单元的温度监测光纤和应变测量光纤的数据，并 依据下式计算应变变化值δε：
[0042]
δb＝tkδt+ekδε，
[0043]
式中δb为光纤中心频移变化值，tk为温度系数，δt为温度变化值，ek为 应变系数；
[0044]
光纤传感器温度变化值δt是温度监测光纤捕获的雷达罩温度信号与光纤 传感器的标定温度之差。
[0045]
预警单元搭载的机器学习算法为向日葵优化算法(sfo)，对中央处理单 元处理后
的信号进行分析判断。
[0046]
向日葵优化算法受向日葵捕捉太阳辐射的运动启发，将损伤检测问题视 为目标函数最小化的逆问题，还使用来自雷达罩有限元仿真实验的模态数据。
[0047]
向日葵优化算法可以把结构的各项数据与结构状态联系起来，用监测到 的雷达罩数据推算雷达罩状态，对各类异常状态精确区分识别。
[0048]
中央处理单元以及预警单元型号均为西门子plccpu中央处理器。
[0049]
通信模块采用dtu无线通信模块sccm-4g。
[0050]
其中：
[0051]
向日葵优化算法是一种新的元启发式算法，可以高效解决结构损伤识别 问题，相对于其他算法，sfo算法控制参数不复杂，且是探索-开发的组合， 有可以全局搜索和局部细化的优势。
[0052]
向日葵优化算法(或简称sfo)具有很强的解决具有非显式函数的多模 态优化问题的能力.sfo基于对向日葵行为的分析，这些向日葵总是在寻找 最佳的太阳方向。每天，这些植物都会进行一个循环，在这个循环中，它们 伴随着太阳的运动，始终朝向同一方向，而在夜间，它们会回到初始位置， 并在第二天继续重复这个仪式。sfo算法的操作可以通过以下描述来理解、开 发和提出。
[0053]
该算法首先生成个体(花)的初始种群，可以根据问题的要求以随机或 有序的方式生成。然后该算法计算该搜索空间中每个个体的适应度，将该值 量化为适应度函数。该花种群的最佳个体将被定义为搜索空间的参考，即太 阳。就像向日葵在我们生活的世界中以太阳为导向一样，在这种优化方法中， 所有个体都将受到种群中最佳植物个体的引导。一旦受到太阳的引导，个体 将繁殖并以受控的随机方式向最佳点移动，即，新个体在特定的明确方向上 随机产生。
[0054]
涉及三个生物操作符：(i)授粉率、(ii)植物死亡率和(iii)植物以可控 方式移动到太阳的存活率。
[0055]
授粉率定义了种群中相互授粉的个体的百分比。值得注意的是，所考虑 的授粉是沿着花i和花i+1之间的最小距离随机进行的，即最好的个体会彼 此分级授粉。在现实世界中，每朵花通常释放数百万个的花粉。然而，为了 简单起见，我们假设每棵向日葵只产生一个花粉并单独繁殖。
[0056]
死亡率决定了一定比例的个体无法生存，因为他们离太阳太远，热量不 足以生存。根据死亡率，将一些个体根据其价值被定义为最差的。这个生物 操作符是启发式算法的基础，它允许种群世代之间有一定的可变性，因此降 低了区域过大的风险。
[0057]
第三个生物操作符描述了向热源(太阳)移动的个体的百分比。显然， 在自然界中，绝大多数植物没有平移运动，所以，此时的“运动”一词是类 比的说法。幸存个体的步长服从正态分布，步长随机位于它们的位置和最佳 个体的位置(太阳)之间。
[0058]
因为热量的强度与距离的平方成反比，所以，每个植物接收到的热量为：
[0059][0060]
其中，p为太阳的功率，ri为植物i与当前最佳位置之间的距离。向日 葵对太阳的朝向公式为：
[0061][0062]
向日葵在s方向上的步长：
[0063]di
＝λ
×
pi(||xi+x
i-1
||)
×
||xi+x
i-1
||，
[0064]
其中λ是常数值，定义为植物的“惯性”位移，pi(||xi+x
i-1
||)是授粉率， 即向日葵i与其最近的向日葵i-1授粉，产生一个位置随机的新个体，该个 体随着向日葵之间的每个距离变化而变化。即，距离太阳较远的个体正常移 动，而距离太阳较近的个体为了得到局部优化则需要使用较小的步长。定义 最大步长来限制每个个体的运动：
[0065][0066]
其中x max和x min是上限和下限，n pop是总种群中的植物数量。 然后将通过
[0067][0068]
获得新的个体。
[0069]
该算法先创建大小为n的均匀/随机初始化种群，根据每个个体的评价， 选择评价最好的那个定为太阳。向日葵优化算法伪代码如下所示
[0070]
向日葵优化算法
[0071][0072]
本专利中解决的问题是一个识别问题，其中需要识别的参数对应于结构 损伤的位置和尺寸。为了解决一个逆/识别问题，可以采用几种优化算法。但 是，由于它是一个复
杂的函数，具有多模态和隐式目标函数，建议使用元启 发式算法。
[0073]
元启发式算法包括遗传算法(ga)、粒子群优化(pso)、蝙蝠算法(ba)、萤 火虫算法(fa)、蚁群优化(aco)等。在本研究中，我们选择使用sfo算法，因 为它是一种新的元启发式算法，专门用于解决结构损伤识别问题。相对于其 他元启发式算法，sfo算法控制参数不复杂，且是探索-开发的组合，有可以 全局搜索和局部细化的优势。
[0074]
在本发明的描述中，需要理解的是，指示的方位或位置关系为基于附图 所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示 或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作， 因此不能理解为对本发明的限制。
[0075]
在本发明中，除非另有明确的规定和限定，例如，可以是固定连接，也 可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是 直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两 个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员 而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0076]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。