摘要：针对传统的误差标定方法存在网络训练速度迟缓、生成规则数量多且泛化能力不足的问题，本文提出了一种基于主成分分析和自构架模糊网络（PCA-SCFN）的标定方法，实现了机翼一体化天线的实时高精度变形重构。首先，基于逆有限元方法（iFEM）建立了位移-节点自由度误差模型，并通过单调快速迭代收缩阈值算法(MFISTA)对逆问题进行求解;其次，引入了PCA降维方法降低应变维度，从而简化训练网络复杂度；再次，对小样本训练集进行非均匀有理B样条(NURBS)拟合实现数据扩充，提高网络泛化能力并降低噪声对训练集的影响;最后，基于三角形隶属函数（MF）和Takagi-Sugeno（T-S）模糊模型进行自构架模糊网络(SCFN)训练获得模糊规则。机翼加载实验结果表明，基于PCA-SCFN的标定方法具有更快的训练速度和更少的规则数量，同时能够获得更高的重构精度。当机翼负载80N时，结构最大变形为-134.36mm，最大重构误差仅为0.46mm，SCFN训练时间仅为9.715s，规则数量最多仅有121条。因此，基于PCA-SCFN的标定方法是一种能够应用于机翼变形监测的有效方法。
文章目录
0 引 言
1 逆有限元重构模型
2 PCA—SCFN标定方法介绍
2.1 误差分配
2.2 PCA降维方法
2.3 非均匀有理B样条(NURBS)样本扩充
2.4 自构架模糊网络
3 实验验证
4 结论
