论文部分内容阅读
近年来我国的航空事业发展迅速,飞行安全问题亟待解决,这使得飞机健康诊断技术变得更加重要。水平尾翼是飞机结构系统的重要组成部分,用以保证飞行器以各种姿态安全飞行,其健康状况对整个飞机系统运行的安全具有重要影响。水平尾翼的工作环境较为恶劣,容易造成疲劳损伤,使飞机结构产生严重的后果。本文就某型飞机水平尾翼健康状态监测和诊断问题进行研究。健康诊断过程包括诊断信息的获取、状态特征信息提取和状态识别三个部分,其中,状态特征信息提取和状态识别是诊断的关键。飞机水平尾翼健康状态特征提取关系到诊断结果的可靠性和准确性,是水平尾翼健康诊断的关键问题。针对疲劳试验中水平尾翼声发射信号的非线性、非平稳性,论文分别采用小波变换和EMD分解两种方法进行特征提取,分别提取了小波系数的绝对值最大值、奇异值、标准差、EMD分解的IMF能量、HHT能量、IMF奇异值等不同的特征向量,实现了健康状况特征向量提取的目的。健康诊断的实质是模式识别,一种好的识别方法是提高诊断正确率的保障。本文采用谱分析方法、支持向量机、概率神经网络和Elman神经网络对特征向量进行模式识别,获得了较为理想的结果。通过对飞机水平尾翼的健康诊断实例进行对比分析,得到如下结论:(1)在水平尾翼特征提取过程中, EMD分解获取的特征向量比小波分解系数获取的特征向量更好,更能够反映水平尾翼的真实状态,其中IMF能量特征向量是最好的。(2)在模式识别过程中,SVM在小样本分类方面的独特优势,在故障样本难以获取的情况下SVM是最佳之选;PNN网络训练速度快、准确率高,在可以得到足够多样本的情况下,PNN网络是首选。