1.一种基于飞行参数监控的飞机结构载荷识别方法，其特征在于：该方法具体步骤如下：步骤一、通过飞行试验，记录飞行参数—飞机结构危险部位的载荷数据。

步骤二、根据飞机结构的飞行参数—载荷数据，对飞行参数和飞行载荷进行相关性分析，选取相关性显著的参量作为载荷识别参数，并将飞行参数—载荷数据无量纲化。

飞机结构危险部位载荷和飞行参数之间的关系可用数学模型表示为

{F}＝[C]{V}T   (1)

式中，{F}表示飞机结构的工作载荷；{C}表示传递函数；{V}表示飞行参数，即：{V}＝{V,H,ny,nz,δa,δr,δe,ωy,ωx,ωz,T0,YL,α,βL,Ma,…}   (2)其中，V和H分别表示速度和高度，ny和nz分别表示法向过载和侧向过载，δa,δr和δe分别表示副翼偏角、方向舵偏角和升降舵偏角，ωy，ωx和ωz分别表示偏航角速度、横滚角速度和俯仰角速度，T0表示总温，YL表示燃油存油量，α和βL分别表示攻角和局部侧滑角，Ma表示飞行马赫数，省略号代表其它此处没有列举出来的一些飞行参数。

根据飞机的飞行参数—载荷(Vi*～F)数据，将所有飞行参数与飞行载荷进行相关性分析，选取相关性显著的参量作为载荷识别参数。一般来说，相关性显著对相关系数R和双侧检验P的要求为：为同一量纲，将飞机的飞行参数—载荷数据无量纲化，即

式中Vi为无量纲化的数据，Vi*为原始数据，maxVi*和minVi*分别为原始数据中的最大值和最小值。

步骤三、利用多项式重构技术，由飞机的飞行参数—载荷数据，建立飞参—载荷识别模型。

由Weierstrass第一逼近定理可知，闭区间[a,b]上任意连续函数都可以用多项式一致逼近。用多项式序列来拟合载荷识别参数与飞行载荷间的传递函数，其表达式如下：式中，vi为载荷识别参数，n为载荷识别参数的个数，k为多项式序列的最高阶数。C0、Cij是待定常数，可根据实测飞行参数—载荷数据通过多元回归方法拟合得到。

因为拟合精度与多项式序列拟合的最高阶次密切相关，而且多项式序列的最高阶次越大，拟合精度越高，可根据需要制定误差限r0，即从k＝1开始拟合传函，若精度不满足误差限要求，增大k值，重新进行重构，重复此过程直到精度满足误差限要求，得到满足精度要求的多项式识别模型。

步骤四、根据逆向传播人工神经网络方法，利用飞机的飞行参数—载荷数据，建立飞参—载荷识别模型。

逆向传播人工神经网络(BP—ANN)方法在建立非线性映射方面具有一定优势，而且由Kolmogorov三层神经网络映射存在定理证明了任一连续函数都能与三层BP-ANN网络建立映射关系。建立三层BP-ANN模型，结构图如图2所示，设输入层输入为p，输出层为out，根据神经网络关系图，在信号的前向传播过程中，隐藏层和输出层中输入和输出的关系式可由下列数学公式描述：in1＝w1·p+b1   (7)

out1＝f1(in1)   (8)

in2＝w2·out1+b2   (9)

out2＝f2(in2)   (10)

式中in1和in2分别为隐藏层和输出层的输入参数，b1为连接输入层和隐藏层的阈值，b2为连接隐藏层和输出层的阈值，w1为连接输入层和隐藏层的权重，w2为连接隐藏层和输出层的权重，out1和out2分别为隐藏层和输出层的输出参数，f1和f2分别为隐藏层和输出层中神经元对应的的激励函数，另外，out2还可看作整个BP-ANN的输出参数。

在误差的反向传播过程中，根据误差梯度下降法调节各层的权重和阈值，对于所有训练样本的总误差准则函数μ0为：将选取的载荷识别参数数据作为BP-ANN的输入，危险部位的载荷数据作为输出。选取输入层和隐藏层的激励函数为 输出层和隐藏层的传递函数为f2(x)＝x。以运用Levenberg-Marquardt算法的trainlm函数作为训练函数，学习函数和功能函数分别选择learndg和mse。隐藏层神经元数目根据经验公式m＝2n+1(式中n表示载荷识别参数的数目)计算。

选取神经网络的模拟误差μ0，因为决策误差μ0取值越小，模型精度越高，但计算效率也会相应降低。同样人为设定误差限r0，取μ0＝1e-5，将飞机的飞行参数—载荷数据输入人工神经网络BP-ANN进行模型训练，若精度不满足误差限要求，减小μ0值，重新进行模型训练，重复此过程直到精度满足误差限要求，即可得到满足精度要求的逆向传播人工神经网络飞参-载荷识别模型。

步骤五、采用飞行参数传感器获取飞行中的飞行参数，代入多项式识别模型和人工神经网络识别模型，获得待识别载荷。

本发明提供了一种基于飞行参数监控的飞机结构载荷识别方法，其特点是计算精度高、成本低廉、方便快捷，可有效且实时地由飞行参数识别飞机结构的危险部位载荷数据，以满足健康管理与剩余寿命检测的要求。