Главная Портфолио проектов Применение аппроксимационных моделей для прогноза...

Применение аппроксимационных моделей для прогноза данных по нагрузкам на элементы вертолета (DT Seven)

Задача

Отдел летных испытаний и серийных вертолетов Airbus Helicopters занимается определением нагрузок, которые испытывают разные элементы вертолета (выполняется с помощью датчиков нагрузок, или тензометрических датчиков), а также величины нагрузок в зависимости от полетной конфигурации. Полученные данные позволяют выявить регулярность диагностики технического состояния и сформировать список элементов, которые необходимо доработать для расширения диапазона эксплуатационных режимов полета.

Решение
Были построены аппроксимационные модели трех различных типов с помощью широкого набора методов аппроксимации модуля GT Approx алгоритмического ядра DT Core, а именно:

аппроксимация полиномами невысокой размерности (RSM)
аппроксимация на основе гауссовских процессов (GP)
аппроксимация на основе нейронных сетей (HDA).

Для каждого отдельного случая в зависимости от размера обучающей выборки автоматически определялись техника аппроксимации и тип модели. В случае небольшого размера обучающей выборки использовались константные модели.

В DT Core имеются инструменты валидации качества моделей, которые позволили выбрать соответствующие модели для каждого конкретного случая. Эти инструменты дают возможность выполнять кросс-валидацию для оценки обобщающей способности модели в случаях, когда размер обучающей выборки ограничен. Такая проверка проводится с целью убедиться в способности модели предсказывать отклики в точках, не представленных в обучающей выборке.

Результаты

Полученные прогнозные данные по статическим и динамическим нагрузкам были сопоставлены с результатами измерений, выполненных Airbus Helicopters для каждой группы в зависимости от типа выполняемых маневров.
Аппроксимационные модели были разделены на три группы в зависимости от качества: модели с высокой предсказательной способностью, модели с низкой предсказательной способностью и константные модели.
Была выявлена зависимость качества полученной модели от изначальных характеристик обучающей выборки.

Сравнение прогнозных данных с результатами измерений (для всех полетных конфигураций)

Относительная ошибка прогнозирования динамической нагрузки во всех полетных конфигурациях была не выше 10% для 71% прогнозов и 20% - для 86% прогнозов. Точки, отмеченные на графике красным, ─ константные модели, снижающие точность прогноза.

Сравнение прогнозных данных с результатами измерений (для отобранных конфигураций,составляющих ~ 50% от всех полетных конфигураций по данному виду нагрузки)

Относительная ошибка прогнозирования для отобранных полетных конфигураций (также по динамическим нагрузкам) была ниже 10% для 89% прогнозов и 20% для 98% прогнозов.
Заказчик посчитал данный подход перспективным. Аппроксимационные модели позволят достаточно точно спрогнозировать около половины недостающих данных по нагрузкам и соответственно уменьшить срок и трудозатраты для оценки этих данных.