Resumen

Este artículo presenta un nuevo enfoque de redes neuronales asistidas por el análisis de componentes principales (PCA) para el problema de la predicción de la carga de las palas del rotor. Se recopilaron 86,5 horas de datos de vuelo reales de muchas maniobras de vuelo en estado estacionario y transitorio a diferentes altitudes y velocidades del aire. La predicción de las cargas de las palas fue determinada por el modelo PCA-BP a partir de 16 parámetros de vuelo medidos y monitorizados por el ordenador de control de vuelo ya presente en el helicóptero. El PCA se aplicó para reducir la dimensión de los parámetros de vuelo que influyen en la carga de los componentes y eliminar la correlación entre los parámetros de vuelo. Así, los componentes principales obtenidos se utilizaron como vectores de entrada de la red neuronal BP. El modelo combinado de red neuronal PCA-BP fue entrenado y probado con datos de vuelo reales. También se comparó este modelo con un modelo de red neuronal BP y con un modelo de regresión lineal múltiple (MLR). Los resultados de la comparación demuestran que el modelo PCA-BP tiene una mayor precisión de predicción, con un error medio del 2,46%, mientras que el 4,49 de BP y el 10,20 de MLR. Los resultados también revelan que el modelo PCA-BP tiene un camino de convergencia más corto que el modelo BP. Este método no sólo es útil para establecer los espectros de carga del rotor del helicóptero en servicio, donde la instalación de galgas extensométricas es poco práctica, sino que también puede reducir el coste de la instalación y el mantenimiento medido por galgas extensométricas.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:modelo bp, modelo de red neuronal, datos de vuelo reales, parámetros de vuelo, bp, galga extensométrica, pca, red neuronal, espectro del helicóptero, problema del rotor
• Keywords:bp model, neural network model, real flight data, flight parameters, bp, strain gauge, pca, neural network, spectrum of helicopter, problem of rotor