大型飞机飞控作动系统智能设计与评价方法与流程

本公开涉及一种大型飞机飞控作动系统智能设计与评价方法。

背景技术

高性能高可靠飞控作动系统是关系飞行安全、操纵性能和控制品质最为重要的机载子系统，对国家大型客机和大型运输机的可持续发展目标具有重要意义。飞控作动系统的主要功能是进行二次能源动力传输分配与作动执行，按预定的任务完成飞机的飞行控制与操纵。但到目前为止，我国大型客机飞控作动系统主要由parker、eaton等国外公司提供，其设计创成理论与关键技术并不明了。因此，急需自主研制满足大型飞机需要的高效高可靠先进飞控作动系统。目前制约我国飞机飞控作动系统发展的最主要问题是：过去以仿制为主，基本延续了二代机液压系统技术，虽然三代机取得了很大成功，但后续发展缺少创新，基础理论与技术支撑薄弱，缺乏先进的系统设计理念与思想。

随着大型客机对经济性、安全性、环保性和舒适性要求的不断提升，未来飞机将逐渐向多电/全电方向发展，使得飞控作动系统具有体系复杂，部件数量庞大，冗余构型组合爆炸等特点。此外，飞控作动器也在不断发展，目前主要作动器除了液压作动器(hydraulicactuator，ha)，还有电静液作动器(electro-hydrostaticactuator，eha)和电备份的液压作动器(electro-backup-hydraulicactuator，ebha)。多种类型作动器的应用，对整个飞机飞控作动系统及其所依赖能源的配置产生了巨大影响。例如a380副翼、升降舵、方向舵、扰流板共有40个作动器，在考虑每个作动器有ha、eha、ebha三种类型，每个作动器可以选择的源又包括h1、h2、e1、e2、h1e1、h2e2、h1e2、h2e1组合，那么在设计飞机作动系统布局时将面临组合爆炸问题，可能产生的布局数量将大于10⁴⁰。

另外，针对大型飞机的电液动力作动系统从传统的液压向电动液压异构以及多电方向转变的时候，新系统的构型的变化，必然引发系统评估等难题。研究结果表明，飞机作动体系结构的不同，对重量、成熟度、成本等反映飞机作动体系典型参数都有非常重要的影响。特别是多电技术发展，异构成为选择之后，系统的复杂度大增，给系统相关指标计算及系统评估带来困难。进行系统评估及相关参数优化是检验飞机构型设计是否正确合理的重要举措。

飞控作动系统的最佳构型是在能够确保飞机飞行安全的基础上，飞控作动系统的重量等各种指标最优。目前解决这一设计问题的方法是基于专业知识、试验和试错，以及不同学科之间的迭代，包括空气动力学、功能危害评估、处理质量、系统架构等。然而由于设计过程涉及到备选方案的数量过于庞大，如果考虑用手动优化是不切实际的。这在早期设计阶段尤其如此，因为频繁的更改需要完成新的迭代。因此，为了协助飞控作动系统设计人员完成这项任务，需要某种程度的自动化设计。

技术实现要素：

为了解决至少一个上述技术问题，本公开提供了一种大型飞机飞控作动系统智能设计与评价方法，其包括以下步骤：根据约束条件，通过基于约束满足问题的人工智能方法缩小飞控作动系统的构型集合；根据飞控作动系统的安全性要求剔除不符合要求的构型；建立飞控作动系统优化指标评估方法；根据评估方法构建的目标函数，对飞控作动系统进行多目标优化，得到帕累托优化集合，使得构型集合进一步缩小；以及对帕累托优化集合进行决策分析，确定飞控作动系统的目标构型。

根据本公开的至少一个实施方式，约束条件包括：用户需求、适航条例、三轴独立可控设计准则以及各动力源平均分配。

根据本公开的另一个实施方式，约束满足问题的解决方法为回溯法，以及约束满足问题的求解策略能够实现满足约束的解集求解。

根据本公开的又一个实施方式，根据飞控作动系统的安全性要求剔除不符合要求的构型的步骤包括：飞机级的功能危害性评估和系统级的功能危害性评估，确定安全性目标；初级系统安全性评估，采用障碍树分析法将安全要求分配给各分系统；以及系统安全评估，确定三轴失效事件的概率，并且剔除三轴失效概率不符合要求的构型。

根据本公开的又一个实施方式，系统安全评估还包括：采用下行法求出最小割集，其为最小的使得三轴失效事件发生的基本事件的集合；对最小割集进行不交化；以及根据故障模式影响分析获得的基本事件的失效概率计算三轴失效概率。

根据本公开的又一个实施方式，优化指标包括重量、能耗、成本。

根据本公开的又一个实施方式，重量的评估方法包括：针对内部结构复杂，但是有成熟系列产品的部件，通过数据统计与相似原理归纳估计的方法，获得重量的增长规律，以现有型号的重量作为参考获得重量；以及针对零件较少，并且已经形成设计规范的部件，采用基于设计约束与经验公式结合的重量计算方法。

根据本公开的又一个实施方式，多目标优化采用离散多目标粒子群优化方法。

根据本公开的又一个实施方式，决策分析采用层次分析法。

根据本公开的又一个实施方式，层次分析法的目的层为飞控作动系统的目标构型，准则层为重量、能耗、成本评价指标，方案层为帕累托优化集合中的构型方案。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是根据本公开至少一个实施方式的大型飞机飞控作动系统智能设计与评价方法的流程图。

图2是根据本公开至少一个实施方式的大型飞机飞控作动系统安全性设计流程图。

图3是根据本公开至少一个实施方式的离散多目标粒子群算法流程图。

图4是根据本公开至少一个实施方式的基于层次分析法的作动系统优化结构图。

图5是根据本公开至少一个实施方式的基于层次分析法的飞控作动系统决策分析法流程。

具体实施方式

下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。

高性能高可靠飞控作动系统是关系飞行安全、操纵性能和控制品质最为重要的机载子系统，然而目前我国大型飞机技术刚起步，飞控作动系统设计缺乏系统创成理论基础。因此研究飞控作动系统的设计方法具有十分重要的意义。本公开针对设计飞机飞控作动系统布局面临的组合爆炸和多维度评估两大难题，提出一种基于人工智能的大型飞机飞控作动系统设计与评价方法，为作动系统设计提供理论基础，如图1所示，其包括以下步骤：

s1：根据约束条件，通过基于约束满足问题的人工智能方法缩小飞控作动系统的构型集合；

s2：根据飞控作动系统的安全性要求剔除不符合要求的构型；

s3：建立飞控作动系统优化指标评估方法；

s4：根据评估方法构建的目标函数，对飞控作动系统进行多目标优化，得到帕累托优化集合，使得构型集合进一步缩小；

s5：对帕累托优化集合进行决策分析，确定飞控作动系统的目标构型。

下面结合附图，详细描述每个步骤的具体实施方式。

步骤s1：根据约束条件，通过基于约束满足问题的人工智能方法缩小飞控作动系统的构型集合。

大型飞机的冗余主飞控作动器构型组合的数量总和能达到10⁴⁰，如果对所有的构型都进行分析和评价，消耗的时间将不可接受，所以拟通过人工智能的搜索方法，即通过设计所需要遵守的约束剔除不满足要求的设计组合。根据本公开的另一个实施方式，约束集合除了包含用户需求以外，还要考虑适航条例、三轴独立可控设计准则、各动力源均匀分配等。该约束集合可以分为强约束和弱约束。强约束是在程序里集成好的，例如左右侧扰流片的布局是完全相同的，即左右对称。弱约束是可根据用户需求在界面上的约束列表中进行勾选的约束，比如副翼上的作动器布局是否包含所有动力源。

在设置好约束集合之后，可以应用人工智能方法，即借鉴约束满足问题(csp)的描述和求解方法，将不符合约束的构型删除，大大缩小构型集合。然而，传统的约束满足问题的算法只能够找到一个满足设计约束的解。根据本公开又一个实施方式，针对这一问题，本公开研究了改进型的约束满足问题求解策略，提出了适用于大型飞机电液动力作动系统设计的安全性约束智能构型推理方法，该方法可以实现满足约束的解集求解。

约束性可满足问题有多种解决方案，根据本公开的又一个实施方式，本公开采用的方法为回溯法，其基本思路是每次任意选择一个变量及其任意值，进行变量赋值继续解决问题。同时，诉求约束性问题，即对所有已完成赋值的变量间的约束关系，查看赋值是否满足约束条件。如果不能满足已赋值条件下的约束条件，则选择其他赋值进行尝试，如无法取得满足现赋值条件的值，则进行回溯，更换上一变量的赋值。如果满足条件，则继续尝试下一变量的值域选择。以此类推，直到完成整个约束性可满足问题中所有变量的赋值，并满足所有的约束性条件，即可得到这个约束性可满足问题的解决。

经过基于约束满足问题的人工智能搜索，构型数量得到了极大的降低，例如，a380副翼所有构型为4^6＝4096种，而约束满足问题求解后仅剩余16种。另外，经过基于约束满足问题的人工智能方法求解后，a380的布局情况可以将构型数量从10⁴⁰降至10⁸。

步骤s2：根据飞控作动系统的安全性要求剔除不符合要求的构型。

现今对大型飞机安全性要求越来越高，飞机上设备和系统集成的功能越来越多，系统架构越来越复杂，分析系统产生故障后飞机能否继续安全飞行成为急需考虑的问题。电液动力作动系统作为民用飞机关键系统之一，系统功能是否完整可靠，系统性能是否稳定，直接关系着整个飞机飞行的安全，是适航当局重点审查的对象。因此，对电液动力作动系统进行安全性分析就成为民机安全性设计的关键一环。

根据本公开的又一个实施方式，该步骤还包括：飞机级的功能危害性评估(fha)和系统级的功能危害性评估，确定安全性目标；初级系统安全性评估(pssa)，采用障碍树分析法将安全要求分配给各分系统；以及系统安全评估(ssa)，确定三轴失效事件的概率，并且剔除三轴失效概率不符合要求的构型。

图2为本公开采用的飞控作动系统安全性评估流程，其包括安全要求的确定部分(“v”形状的左分支)和用于支持飞机研发的验证部分(“v”形状的右分支)。飞机研发伊始，就需要进行一个飞机级的功能危害性评估，随后再对各个分系统进行系统级的功能危害性评估。功能危害性评估(fha)的目的是识别飞机和系统功能及其功能组合相关的失效状态，确定每个失效状态的影响等级和进行等级分类的基本理由，并根据影响等级建立相应的安全性目标。例如，飞机安全设计的目标要求任何影响安全飞行和安全着陆的故障失效率均应不超过10^-9/fh(飞行小时)。对飞控作动系统进行功能危害性分析(fha)，确定了系统可能发生的所有功能失效故障，然后按失效故障危害影响程度对这些失效故障进行分类。本公开主要针对飞机的三轴控制功能对主飞控系统进行系统级的功能危害性分析，确定出滚转控制功能、俯仰控制功能、偏航控制功能分别都有哪些失效状态。

根据功能危害性评估(fha)，针对飞机三轴控制功能确定出其各种失效状态及影响等级。接着进行初级系统安全性评估(pssa)，分别以这些失效状态为顶层事件构建故障树(faulttreeanalysis，fta)，进一步分析主飞控系统中哪些部件故障会导致该顶层失效状态发生，从而根据对顶层失效状态的定量概率要求逐一确定出各个部件失效状态的最大允许概率。初级系统安全性评估(pssa)在整个设计活动中是一个反复迭代的过程，设计更改会导致得出的系统要求发生变化(以及故障树的变化)；反之，通过初级系统安全性评估发现的潜在安全问题也会导致设计更改。经过反复迭代修改后，得到飞机的设计方案。

然后，进入测试阶段，分别经过部件级测试、系统级测试和最终的飞机级测试。在部件级测试阶段，主要通过故障树分析和故障模式影响分析进行验证。在系统安全评估(ssa)阶段通过不交化方法计算各失效事件的失效概率，不符合要求的构型将会被剔除。根据本公开的又一个实施方式，系统安全评估还包括以下步骤：采用下行法求出最小割集，其为最小的使得三轴失效事件发生的基本事件的集合；对最小割集进行不交化；以及根据故障模式影响分析获得的基本事件的失效概率计算三轴失效概率。

系统安全评估(ssa)是一种自下而上的分析方法。系统安全评估以初级系统安全性评估的故障树分析为基础，从最底层失效事件开始，以故障模式影响分析(failuremodeandeffectsanalysis，fmea)提供的底事件的失效概率为依据对顶层失效状态的失效概率进行定量分析。

为了对故障树进行定性定量的分析，先采用下行法求出最小割集，也就是最小的使得顶事件发生的基本事件的集合。之后对最小割集进行不交化，最后得到失效概率。

步骤s3：建立飞控作动系统优化指标评估方法。

为了实现飞机构型的对比，需要对构型的性能进行评估和优化。

根据本公开的又一个实施方式，优化指标主要包括飞控作动系统的重量、能耗、成本。其中难度较大的是重量评估。

定义重量评估的方法是，在一定的设计需要下，针对不同的配置，获得动力作动系统所有部件的重量，以及对其他系统产生的重量影响的总重量。

重量是影响大型飞机动力与作动系统构型的重要评价指标和决定因素。大型飞机动力与作动系统重量评估的难点包括其部件繁多；部件的重量估计困难，很多和设计需求成非线性增长关系；和其它系统耦合严重，体系的变化会对其他系统的重量产生影响。为此，针对所有相关的部件，研究了不同的重量评估算法，具体重量计算算法非常大。这部分的算法已经通过部分成品的检验，数值估计误差在10％-20％之间，可以应用于初期设计阶段。

根据本公开的又一个实施方式，针对动力与作动系统部件的特点，提出两种重量评估的方法：针对液压泵这类内部结构复杂，但是有成熟系列产品的部件，通过数据统计与相似原理归纳估计的方法，获得重量的增长规律，以现有型号的重量作为参考获得重量；以及针对液压管路、液压缸等零件较少，并且已经形成设计规范的部件，采用基于设计约束与经验公式结合的重量计算方法。

针对能耗和成本也都开发了相应的算法进行评估。

步骤s4：根据所述评估方法构建的目标函数，对飞控作动系统进行多目标优化，得到帕累托优化集合，使得所述构型集合进一步缩小。

构建针对适航安全、功重比、能耗的多学科、多目标构型优化的大规模智能优化方法，对于研究分布式、非相似余度电液动力作动系统新体系的设计理论有着重要的指导意义。所谓构型优化，是在满足适航安全、飞行品质等约束条件的基础上，优化能量源、驱动操纵面的作动器组合，使之满足安全性、经济性、舒适性等要求。

本公开通过人工智能方法大大降低了构型的数量级，在搜索出来的组合里面，有大量的组合虽然也满足基本需求，但从性能角度是考虑是不优的，需要在对构型进行评估基础上，通过多目标优化方法对构型进行进一步的搜索。一方面因为电液动力作动系统存在多个评价指标，并且各指标间存在矛盾，且单位也不统一；另一方面组合评价问题为离散优化。基于以上两点考虑，根据本公开的又一个实施方式，选用离散多目标粒子群优化方法(dmopso)对构型进行进一步的搜索，得到帕累托(pareto)优化集合，实现构型数量的进一步降级。

粒子群优化算法假想有鸟群在某个区域内搜寻食物且不确定食物的具体地点，但知道每只鸟离食物的远近程度。为了尽快找到食物，每只鸟倾向于在自己所经历过离食物最近的位置附近寻找，且向目前距离食物最近的那只鸟靠近，如此利用自身经验和群体经验找到食物。如果将鸟群觅食行为抽象成算法来求解优化问题，则所进行搜索的区域就是优化问题的取值范围，鸟群中的鸟被抽象成粒子，没有体积和质量，但是具有位置x、速度v和适应值f(x)。第一个粒子到目前为止搜索的最佳位置为pbest，整个粒子群搜索到的最优位置为gbest。粒子在t时刻算法运行过程中会根据以下更新公式进行速度和位置的更新：

vi(t+1)＝vi(t)+c1*r1*(pbest-xi(t))+c2*r2*(gbest-xi(t))

xi(t+1)＝xi(t)+vi(t+1)

其中c1和c2称作学习因子，r1和r2是随机数，取值范围是0到1之间。从上述的更新公式可以看出来，各个粒子的速度更新项包含了三方面的速度分量。

第一部分称为惯性部分，描述了粒子当前时刻的速度大小对于下一时刻该粒子速度的影响；第二部分称为自身学习部分，描述的是粒子受到自身记忆的影响，即是粒子对过往所有时刻的概括总结，寻找过去时刻粒子所要达到离目标最近的个体最优位置点。因此，也可以把c1定义为“自我认知部分”。第三部分称为群体学习部分，描述了综合考虑群体粒子之前迭代过程中整个种群的经验记忆，反映出了整个群体之间的社会协作记忆，体现了各粒子之间的信息共享效果，通过对比，找到整个群体粒子所达到过的最好位置。因此，也可以把c2定义为“群体认知部分”。

适应值f(x)代表目标函数值。如上文所述本公开选取重量fw(x)、能耗fp(x)、成本fc(x)为目标函数。各目标之间通过决策变量相互制约，对其中一个目标的优化必须以其他目标为代价，同时各目标的单位也不一致，因此，很难客观地评价多目标解的优劣性。多目标优化问题的解不是唯一的，而是存在一个最优解集合，集合中元素称为pareto最优解。多目标优化问题中每一个解都对应一个目标向量，所谓pareto最优解就是不存在这样的解，使得其对应的目标向量小于pareto最优解对应的目标向量。pareto最优解集中的元素就所有目标而言是彼此不可比较的。

航空舵机多目标极小化问题可描述为：

式中为可行解区域，e＝{f(x)|x∈rⁿ}为目标解向量空间。

如图4所示，基于离散多目标粒子群优化方法的作动系统构型离散优化过程可描述如下：

(1)初始化粒子群，设置离散多目标粒子群优化方法的最大迭代次数为100，设置粒子数为600，设置帕累托解集库的容量为300；

(2)初始化粒子的速度和初始位置(待优化参数值)，将粒子速度、位置带入构建的目标函数，即重量fw(x)、能耗fp(x)、成本fc(x)中，求得各个粒子的适应度函数值；

(3)对个体极值进行初始化；

(4)根据帕累托支配关系，选择非支配粒子，将其放入非支配集中，即外部集中；

(5)从外部集中选取全局最优；

(6)根据改进的多目标粒子群算法更新公式，对粒子速度和位置进行更新处理；

(7)将更新后速度和位置带入目标函数中，得出更新后适应度值，根据帕累托支配关系，与已经存入非支配集的粒子进行比较，存入非支配值，删除被支配值；

(8)将非支配集中粒子存入外部集合中，假如存入的粒子数大于外部集合的最大存储数，应用拥挤距离方法，删除多余的较劣解，保留较优解；

(9)对外部集中粒子进行降序处理；

(10)判断是否达到了迭代次数，如没有则转回到步骤(5)，继续更新迭代；若达到了最大迭代次数，则输出外部集中粒子，将其作为目标函数的非劣解集。

步骤s5：对帕累托优化集合进行决策分析，确定飞控作动系统的目标构型。

优化结果有多个可行解时，如何在这些可行的目标解中，寻找一个最好的优化结果是进一步提高电液动力作动系统构型优化设计的关键问题。得到帕累托优化集合之后，需要对集合中的构型进行综合评估，从而选择目标构型。软件中集成了多目标决策算法，能够根据专家给出的各目标的权重，实现对方案的综合评估，对所有构型进行排序，支持构型的选择。

根据本公开的又一个实施方式，决策分析采用层次分析法。

层次分析法(analytichierarchyprocess，ahp)把复杂的决策系统层次化，通过逐层比较多种关联因素的重要性，为分析、决策提供定量的依据。该方法基本原理是根据问题的性质和所要达到的总目标，将其分解为不同的组成因素，依照因素间的隶属关系和相互影响，按不同层次聚集组合后形成的一个多层次分析结构模型，利用人的经验对决策方案优劣进行排序，确定每一层的全部因素相对重要的权重值，进而提出最优方案。

根据本公开的又一个实施方式，如图5所示，层次分析法中将得到作动系统目标构型的目标设置为目的层，将重量、能耗、成本等评价指标作为准则层，经过帕累托优化集合中的各个构型方案作为方案层。最后通过层次分析法计算及综合决策者的判断，以此确定作动系统目标构型。

基于层次分析法的电液动力作动系统决策分析流程如图5所示。首先，建立电液动力作动系统优化层次分析法模型；构造两两比较的判断矩阵a，检验判断矩阵是否为一致性矩阵，如果不是，则调整判断矩阵a，并重新进行判断，直至判断矩阵a判断为一致性矩阵；最后计算权重w。结合本发明实例，计算权重w的详细步骤如下：

1)构造判断矩阵。

根据准则层各指标之间的关系确定判断矩阵a

式中，aij为指标i和指标j相对与目标的重要程度，取值范围为1～9，数值越大表示相对重要程度越高。重要度标度含义表如表1所示。

表1重要性标度含义表

通过统计分析以上3个因素的重要程度，根据表1建立判断矩阵：

2)判断矩阵的一致性检验。

一致性指标ci的计算方法如下：

式中，ci为判断矩阵的一致性指标；ri为判断矩阵的平均随机一致性指标，其具体值参见表2；cr为判断矩阵的随机一致性比率；λmax为矩阵特征根最大值；n为判断矩阵的阶数。

表2平均随机一致性指标ri的取值

通过计算可得，λmax＝3.08，因此，该判断矩阵具有满意的一致性。如果不满足一致性检验，返回步骤1)，重新构造判断矩阵。

3)由判断矩阵计算被比较元素对于该准则的相对权重。

计算判断矩阵a每行元素的连乘积，i＝1,2,…,n,则

求mi的n次方根，i＝1,2,…,n，由计算可得

参数

将按公式进行归一化，得到的归一化向量w即为各因素的权重系数，则

w＝[0.0660.1490.785]^t

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。