(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110672271.1 (22)申请日 2021.06.17 (65)同一申请的已公布的文献号 申请公布号 CN 113408200 A (43)申请公布日 2021.09.17 (73)专利权人 中国航空综合 技术研究所 地址 100028 北京市朝阳区东 直门外京顺 路7号 专利权人 中国兵器 工业第五九研究所 (72)发明人 徐俊　张建军　万军　刘聪　 申加康　李贺　薛楠　 (74)专利代理 机构 北京孚睿湾知识产权代理事 务所(普通 合伙) 11474 专利代理师 王冬杰(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 111/10(2020.01) (56)对比文件 WO 201914 4337 A1,2019.08.01 WO 20180146 58 A1,2018.01.25 李军亮等.基于深度学习的军用飞机 部件状 态参数预测. 《振动与 冲击》 .2018,(第0 6期), 王光芦等.飞机飞行振动预计技 术. 《航空工 程进展》 .2010,(第0 3期), 审查员 李祖布 (54)发明名称 航空装备振动环境分析和预测方法 (57)摘要 本发明提供一种航空装备振动环境分析和 预测方法， 其包括以下步骤： 建立飞行器平台状 态参数U和振动环境量值 G之间的映射关系， 确定 飞行器平台的振动环境量值G和飞行器状态参数 集合U， 归一化处理， 构建一组深度学习网络R1对 归一化后的飞行器状态参数集合U'进行特征分 类,重复构建多组深度学习网络分类器R2 ‑‑RX， 将S组U'集合与特征分类器R1相连， 给特征分类 器R1‑‑RX的参数赋初始值， 完成振动环境预测模 型建模， 实现振动环境量值的分析和预计。 本发 明所采用特征分类器与神经网络的组合方式， 解 决了振动环 境预测中的非线性问题； 而且采用的 特征分类器， 能够从多个飞行器状态 参数中自动 有效地提取特征参量， 有效地优化了分类结果。 权利要求书2页 说明书5页 附图4页 CN 113408200 B 2022.11.01 CN 113408200 B 1.一种航空装备振动环境分析和预测方法， 其特 征在于， 其包括以下步骤： S1、 对于安装在飞行器平台上的航空装备， 飞行器平台状态参数U和振动环境量值G之 间的映射关系表示 为： G＝f(U) S2、 根据航空装备所在的飞行器平台一测点振动响应随飞行状态 的不同而不同， 将飞 行器任务剖面划分为 n种状态， 飞行器平台所述测点的振动环境 量值集合G表示为： G＝(g1， g2， g3， .....gn) 式中， G为容量为n的振动环境量值集合， gi为飞行器平台某测点在第i种飞行状态下的 振动环境 量值， i＝1～n； 同时， 飞行器平台的飞行器 状态参数集 合U为： U＝(u1， u2， u3， .....un) 式中， U为容量为n的飞行器 状态参数集 合， ui为第i种状态参数， i ＝1～n； S3、 归一化处理： 对飞行器状态参数集合U进行归一化处理， 获得归一化后的飞行器状态参数集合U ′， 其 中： U′＝(u′1， u′2.....u′n) 式中， u′i为归一化后的第i个 状态参数， i ＝1～n； 对振动环境 量值集合G进行归一 化处理， 获得归一 化后的振动环境 量值集合G′， 其中： G′＝(g′1， g′2.....g′n) 式中， g′i为归一化后的第i个振动量 值， i＝1～n； S4、 构建一组深度学习网络R1对归一化后的飞行器状态参数集合U ′进行特征分类， 其中 R包括可见层和隐含层两个层级， 可见层包括n个节点， 隐含层包括k个节点， 可见层和隐含 层的层内无连接且层间全连接； 隐含层节点设置有激活函数f， 用以将输入的状态参数集合 U′变换到一个 新的特征参 数集合U″； w为层间的权重， ai为可见层节点偏置， bk为隐层节点偏 置； S5、 重复构建多组深度学习网络分类器R2‑‑RX， 按照前述步骤的要求将R1‑‑RX堆叠起来， 并将RX隐含层输出节点与输入节点 为k且输出节点 为m的神经网络相连接； S6、 将S组U ′集合与特征分类器R1相连， 给特征分类器R1‑‑RX的参数(w， ai， bk)赋初始值； S7、 输入S组U ′集合后计算结果G ″， 分析计算G ″与G′的误差， 调节分类器R1‑‑RX的参数 (w， ai， bk)和神经网络的结构参数直至误差满足要求， 则 完成振动环境预测模型建模； 设置 误差阈值ΔE， 计算U ′和U″的误差e， 当e大于ΔE时， 调节分类器R的参数(w， ai， bk)和神经网 络的结构参数， 直至误差e小于 ΔE； S8、 输入任意一组飞行器平台状态参数U至步骤S7建立的模型， 计算对应的飞行器平台 的振动环境 量值G， 实现振动环境 量值的分析和预计。 2.根据权利要求1所述的航空装备振动环境分析和预测方法， 其特征在于， 所述的飞行 器状态参数是指 影响飞行器平台振动环境量值的参数， 包括 飞行器高度、 飞行速度、 飞行器 攻角和发动机转速 。 3.根据权利要求1所述的航空装备振动环境分析和预测方法， 其特征在于， 所述的振动 环境量值是指表征平台振动程度的数值， 用振动均方根 值RMS表示。权　利　要　求　书 1/2 页 2 CN 113408200 B 24.根据权利要求1所述的航空装备振动环境分析和预测方法， 其特征在于， 所述的特征 分类器为一种深度网络， 其网络架构为一个或多个的自编 码器、 受限玻尔兹曼机和/或循环 神经网络 。 5.根据权利要求1所述的航空装备振动环境分析和预测方法， 其特征在于， 所述特征分 类器R1‑‑RX的参数(w， ai， bk)的初始值 为w＝0， ai＝0和bk＝0。权　利　要　求　书 2/2 页 3 CN 113408200 B 3