¬аше окно в мир —јѕ–
 
Ќовости —татьи јвторы —обыти€ ¬акансии Ёнциклопеди€ –екламодател€м
—татьи

16 июл€ 2018

“очное прогнозирование статических и динамических нагрузок, действующих на детали вертолета, на основе аппроксимационных моделей

ќдним из направлений де€тельности отдела летных испытаний прототипов и серийных вертолетов компании Airbus Helicopters €вл€етс€ определение величины нагрузок, действующих на различные детали вертолета (посредством датчиков нагрузок, или тензометрических датчиков), а также величины нагрузок в зависимости от полетной конфигурации (определ€емой параметрами полета, ѕѕ).
Datadvance Airbus Helicopters

Ќа основании полученных данных определ€етс€ периодичность проверки технического состо€ни€ и срок службы основных силовых элементов конструкции вертолета, а также составл€етс€ перечень деталей, подлежащих перепроектированию c целью расширени€ диапазона эксплуатационных режимов полета.

ƒо проведени€ необходимых дл€ сертификации полетных испытаний, что €вл€етс€ достаточно затратной процедурой, проводитс€ анализ на основе физических моделей с учетом законов механики и аэродинамики дл€ оценки недостающих данных по нагрузкам.

«адача сводитс€ к автоматическому построению точных и робастных аппроксимационных моделей с использованием существующей базы данных по нагрузкам. ћодели позвол€т автоматически прогнозировать величину статической и динамической нагрузок, действующих на детали вертолета, в зависимости от параметров полета, что позволит существенно сократить врем€ и трудозатраты, требуемые дл€ оценки недостающих данных.

“рудности
  • Ѕаза данных по нагрузкам, котора€ используетс€ дл€ построени€ аппроксимационных моделей с высокой предсказательной способностью дл€ каждого конкретного типа вертолета, содержит огромный объем информации:
    • 66 нагрузок (изгибающа€ нагрузка вала привода несущего винта, нагрузка на элементы втулки несущего винта и т. д) с двум€ возможными вариаци€ми относительно максимальной предписанной статической и динамической нагрузок;
    • различные полетные конфигурации (всего 32 группы в зависимости от типа выполн€емых маневров).
    ¬ итоге мы получаем 66 x 2 x 32 = 4 224 возможных варианта. ≈сли отфильтровать полученные варианты по размеру выборки, исключив случаи, когда она равна нулю или небольша€, останетс€ 3 956 вариантов.
  • ƒл€ каждого варианта количество точек в выборке неодинаково; это обсто€тельство необходимо учитывать при выборе модели дл€ обеспечени€ ее точности и робастности:
    • 1,7% вариантов с 0 точками,
    • 4,6% вариантов с 1 точкой,
    • дл€ 38% вариантов точек меньше, чем параметров,
    • 32% вариантов имеют малое число точек,
    • 23.7% вариантов имеют достаточное количество точек.
  • ¬ыбор наиболее подход€щей дл€ каждого случа€ модели должен осуществл€тьс€ автоматически.
  • Ќеобходимо обеспечить возможность добавл€ть или измен€ть данные по вертолетам, типам нагрузок, видам маневров, а также другие параметры.
  • Ќеобходимо предупреждать конечного пользовател€ в случае, когда мы предполагаем, что прогноз может быть недостоверен.
–ешение
ћы построили аппроксимационные модели трех различных типов с помощью широкого набора методов аппроксимации модул€ GT Approx алгоритмического €дра pSeven Core, а именно:

Ц аппроксимации полиномами невысокой размерности (RSM),
Ц аппроксимации на основе гауссовских процессов (GP),
Ц аппроксимации на основе нейронных сетей (HDA).

“ехника аппроксимации и тип модели выбирались автоматически дл€ каждого конкретного случа€ в зависимости от размера обучающей выборки.

ƒл€ вариантов с небольшим размером обучающей выборки примен€лись константные модели.

¬ыбор наиболее подход€щей дл€ каждого конкретного случа€ модели осуществл€лс€ с использованием встроенного в pSeven Core функционала валидации качества моделей. ќн позвол€ет осуществл€ть кросс-валидацию дл€ оценки обобщающей способности модели в случа€х, когда размер обучающей выборки ограничен. “ака€ проверка проводитс€ с целью убедитьс€ в способности модели предсказывать отклики в точках, не представленных в обучающей выборке.  росс-валидаци€ Ц это стандартный подход дл€ оценки предсказательной способности модели: из обучающей выборки исключаетс€ один объект (элемент данных), оставшиес€ данные используютс€ дл€ обучени€ модели, валидаци€ модели осуществл€етс€ на основе исключенного объекта. ƒанную процедуру повтор€ют дл€ всех элементов данных в выборке, тем самым получа€ среднюю предсказательную способность модели дл€ данной обучающей выборки.

  модел€м предъ€вл€лись требовани€ в отношении точности и робастности. ¬ случа€х, когда соблюсти указанные требовани€ не представл€лось возможным (к примеру, вследствие небольшого размера обучающей выборки), выбирались константные модели и формировалс€ отчет об отсутствии достоверных результатов. Ёто позволило избежать некорректных прогнозов.

–езультаты
ѕолученные прогнозные данные по статическим и динамическим нагрузкам сопоставили с результатами измерений, выполненных Airbus Helicopters дл€ каждой группы в зависимости от типа выполн€емых маневров. ћы сравнивали данные дл€ всех полетных конфигураций, а также дл€ отфильтрованных (только аппроксимационных моделей высокого качества). ћы разбили аппроксимационные модели на три группы в зависимости от качества: модели с высокой предсказательной способностью, модели с низкой предсказательной способностью и константные модели. Ѕыло обнаружено, что качество полученной модели напр€мую зависит от изначальных характеристик обучающей выборки.
Datadvance Airbus Helicopters

—равнение прогнозных данных с результатами измерений (дл€ всех полетных конфигураций)

¬ результате относительна€ ошибка прогнозировани€ динамической нагрузки во всех полетных конфигураци€х не превышала 10% дл€ 71% прогнозов и 20% Ч дл€ 86% прогнозов. “очки, отмеченные на графике красным, ─ константные модели, снижающие точность прогноза.
Datadvance Airbus Helicopters

—равнение прогнозных данных с результатами измерений (дл€ отобранных конфигураций,
составл€ющих примерно 50% от всех полетных конфигураций по данному виду нагрузки)

≈сли рассматривать только отобранные полетные конфигурации (также по динамическим нагрузкам), то дл€ них относительна€ ошибка прогнозировани€ не превышала 10% дл€ 89% прогнозов и 20% дл€ 98% прогнозов.

ѕо мнению заказчика, предложенный подход очень перспективен. — помощью аппроксимационных моделей можно с высокой точностью (< ±20%) спрогнозировать около 50% недостающих данных по нагрузкам, что позволит существенно сократить врем€ и трудозатраты дл€ оценки таких данных.

ќ продукте pSeven
pSeven Ч это мощна€ программна€ платформа, предназначенна€ дл€ автоматизации инженерных расчетов, многодисциплинарной оптимизации и анализа данных. ѕлатформа может использоватьс€ всеми членами команды разработчиков издели€ на всех этапах его жизненного цикла.
ќ компании DATADVANCE
DATADVANCE €вл€етс€ ведущим в –оссии разработчиком программного обеспечени€ в области анализа данных, предсказательного моделировани€ и оптимизации. ћисси€ компаний Ч создание и совершенствование эффективного и удобного программного инструментари€, позвол€ющего клиентам существенно сократить временные и финансовые затраты на создание инновационных продуктов и повысить их качество и технические характеристики.


„итайте также:


¬акансии:

јктуальное обсуждение

RSS-лента комментариев

ƒавид Ћевин
ƒавид Ћевин
ќт редактора: „то в ближайшие мес€цы случитс€ в отечественном —јѕ–
ѕроект ЂЌародное —јѕ–-интервьюї

—лучайна€ стать€:

Ћучшие инфраструктурные проекты 2018 года по версии Autodesk — јлла «емл€нска€, технический эксперт по направлению Ђ»нфраструктураї, Autodesk (19 феврал€ 2019)
isicad Top 10

—амые попул€рные материалы

   ‘орумы isicad:

isicad-2010 isicad-2008
isicad-2006 isicad-2004

ќ проекте

ѕриглашаем публиковать на сайте isicad.ru новости и пресс-релизы о новых решени€х и продуктах, о проводимых меропри€ти€х и другую информацию. јдрес дл€ корреспонденции - info@isicad.ru

ѕроект isicad нацелен на

  • укрепление контактов между разработчиками, поставщиками и потребител€ми промышленных решений в област€х PLM и ERP...
ѕодробнее

»нформаци€ дл€ рекламодателей


¬се права защищены. © 2004-2019 √руппа компаний «Ћ≈ƒј—»

ѕерепечатка материалов сайта допускаетс€ с согласи€ редакции, ссылка на isicad.ru об€зательна.
¬ы можете обратитьс€ к нам по адресу info@isicad.ru.