飞机复合材料结构损伤的预测方法

针对复合材料结构损伤机理的复杂性,很难准确预测结构损伤状态,本文提出一种基于动态主元分析(DPCA)和最小二乘支持向量机(LS-SVM)相结合的复合材料结构损伤演化预测新方法,并针对复合材料结构损伤特性,采用疲劳振动试验进行结构损伤预测研究。首先,采用经验模态分解(EMD)方法对多传感器采集的复合材料结构健康信息进行自适应分解,得到不同传感器下的多个本征模态分量(IMF),并通过计算各阶IMF分量的奇异熵作为各传感器的特征信息;然后采用DPCA对多传感器的奇异熵进行降维融合,得到融合后的奇异熵特征,再对其采用距离形态相似度方法定义结构健康指数;最后将结构健康指数作为建模数据,创建LS-SVM预测模型,并通过预测模型对飞机复合材料结构健康指数进行预测,其预测结果直接反映了飞机复合材料结构的健康状态。试验验证表明,该方法可有效地实现飞机复合材料结构损伤预测效能,具有很好的工程应用价值。

飞机复合材料结构损伤的预测方法

随着航空技术的不断发展,复合材料在飞机的设计制造中得到了广泛的应用.如空中客车A380的设计制造中,复合材料的用量约为结构总质量的25%;F35战斗机中复合材料的使用量约占结构总质量的35%.然而复合材料在设计、使用和存贮时不可避免地会出现结构损伤,从而导致结构失效、性能降低,直接影响飞机的安全和战略部署.因此,开展飞机复合材料结构损伤预测研究,能有效地提高飞机的飞行安全与作战效能.

基于LTSA和RVM的复合材料损伤预测分析

提出一种基于局部切空间排序(local tangent space alignment,简称LTSA)和相关向量机(relevance uector machine,简称RVM)相结合的复合材料结构损伤演化与预测模型。针对复合材料结构损伤特性,采用疲劳振动试验进行结构损伤预测研究。首先,采用总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法对多传感器采集的复合材料结构健康信息进行自适应分解,得到不同传感器下的多个本征模态分量(intrinsic mode function,简称IMF),并对IMF进行希尔伯特(Hilbert)变换,得到相应的Hilbert边际谱能量作为各传感器的特征信息;然后,采用LTSA进行多特征降维融合得到特征能量,对降维融合后得到特征能量采用距离形态相似度方法定义结构健康指数;最后,将结构健康指数作为建模数据,创建RVM预测模型,并通过预测结构健康指数完成复合材料结构损伤预测研究。验证结果表明,该模型可有效地对复合材料结构损伤进行预测。