專利名稱：基于預(yù)分類技術(shù)和rbf神經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于直升機飛行狀態(tài)識別技術(shù)研究領(lǐng)域，具體涉及一種基于預(yù)分類技術(shù)和 RBF神經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法。
背景技術(shù)：
因為直升機存在大量的動部件，所以使得直升機事故率是固定翼飛機的40倍左 右，因此對于直升機開展故障診斷和壽命預(yù)測的研究就變得尤為重要。而獲得直升機的飛 行狀態(tài)是進行直升機故障診斷和壽命預(yù)測的先決條件之一。目前獲得飛行狀態(tài)的方法，還主要依靠人工來進行，通過飛行員的語音和手動狀 態(tài)開關(guān)脈沖信號來獲得直升機在飛行中的飛行狀態(tài)。這種方法存在以下缺點一、人工獲得 飛行狀態(tài)的方法使得飛行員在飛行時負擔(dān)增加，不利于飛行安全；二、飛行員容易受到干擾 而給出錯誤的信息，因此使得所獲得的飛行狀態(tài)同實際的飛行狀態(tài)間存在偏差。直升機在飛行時，安裝的多種傳感器可以針對各種飛行參數(shù)進行測量，并將測量 結(jié)果保存為對應(yīng)的飛行數(shù)據(jù)。通過對這些飛行數(shù)據(jù)進行處理，來獲得飛行時的飛行狀態(tài)，就 可以避免使用人工方法獲得飛行狀態(tài)時存在的問題。但是由于直升機飛行參數(shù)在測量中不可避免的會引入外干擾和交聯(lián)耦合效應(yīng)，同 時飛行參數(shù)常常又是隨時間動態(tài)變化的，即使在同一種飛行狀態(tài)下，各種參數(shù)也是變化著 的，所以飛行狀態(tài)與各監(jiān)測的飛行參數(shù)的關(guān)系常服從復(fù)雜的非線性關(guān)系。神經(jīng)網(wǎng)絡(luò)因具有 良好的逼近非線性映射能力，以及容錯和泛化的能力，在狀態(tài)識別研究領(lǐng)域中被廣泛的使 用。通過神經(jīng)網(wǎng)絡(luò)對直升機飛行時的飛行數(shù)據(jù)進行識別，獲得與飛行數(shù)據(jù)相對應(yīng)的飛行狀 態(tài)，是獲得直升機飛行狀態(tài)的一種方法。但直升機的飛行狀態(tài)多達數(shù)十種，而神經(jīng)網(wǎng)絡(luò)的識 別率隨著需識別狀態(tài)的增加降低，這成為使用神經(jīng)網(wǎng)絡(luò)對直升機飛行狀進行識別中一個急 需解決的問題。

發(fā)明內(nèi)容
本發(fā)明的目的是克服在使用神經(jīng)網(wǎng)絡(luò)技術(shù)對直升機狀態(tài)識別的過程中，識別 率隨著需識別的飛行狀態(tài)增加而下降的問題，提供一種基于預(yù)分類技術(shù)和RBF (Radial BasisFimction，徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法。本發(fā)明提供的基于預(yù)分類技術(shù)和RBF神經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法的具 體步驟如下步驟一、對直升機需識別的飛行狀態(tài)進行歸類；將直升機需要識別的飛行狀態(tài)先 按照是否轉(zhuǎn)彎分為轉(zhuǎn)彎與非轉(zhuǎn)彎兩類，將非轉(zhuǎn)彎狀態(tài)的飛行狀態(tài)再分為高空高速、低空高 速和低空低速三類飛行狀態(tài)，再根據(jù)速度范圍將高空高速和低空低速的飛行狀態(tài)予以細 分，具體是根據(jù)直升機的最小速度、過渡速度、久航速度、遠航速度以及最大速度進行分類， 將低空低速的飛行狀態(tài)細分為兩類最小速度、最小速度至過渡速度，將高空高速的飛行狀態(tài)細分為六類過渡速度、久航速度、遠航速度、最大速度，以及在久航速度和遠航速度之間 任意劃分得的兩類；最終將直升機所有需要識別的飛行狀態(tài)分為十個小類；對于某些變速和變高度狀態(tài)，采用的方法是將其分在了幾個狀態(tài)小類當(dāng)中；步驟二、為步驟一中分得的各小類設(shè)計用于飛行狀態(tài)進一步辨識的徑向基函數(shù) RBF神經(jīng)網(wǎng)絡(luò)；如果某小類中只包含一個狀態(tài)，則不需要對該小類設(shè)計進一步識別的RBF神經(jīng)網(wǎng)步驟三、對要進行飛行狀態(tài)識別的飛行數(shù)據(jù)處理；首先對飛行數(shù)據(jù)進行去野點、限 幅及平滑處理，然后對需要使用變化率的飛行數(shù)據(jù)進行擬合求得變化率，最后對飛行數(shù)據(jù) 進行歸一化處理；步驟四、將經(jīng)過步驟三處理的飛行數(shù)據(jù)根據(jù)偏航角變換率、氣壓高度和指示空速 預(yù)分類到步驟一中所劃分的十個小類的飛行狀態(tài)中首先根據(jù)偏航角變化率AC0SI將飛行數(shù)據(jù)分為轉(zhuǎn)彎和非轉(zhuǎn)彎兩類，當(dāng)AC0SI > 0或者AC0SI < 0時為轉(zhuǎn)彎狀態(tài)，當(dāng)AC0SI = 0時則為非轉(zhuǎn)彎狀態(tài)；其次根據(jù)氣壓高度Hp和指示空速VI的閾值kHp和kVi，將非轉(zhuǎn)彎狀態(tài)的飛行數(shù)據(jù) 按照氣壓高度和指示空速同閾值的比較情況分類，若Hp彡kHp且Vi彡kHp則劃分為高空高 速飛行狀態(tài)一類，若Hp < kHp且Vi彡kVi則歸為低空高速飛行狀態(tài)一類，若Hp < kHp且Vi < kVi則劃分為低空低速飛行狀態(tài)一類；最后，將劃分為高空高速和低空低速飛行狀態(tài)的飛行數(shù)據(jù)，根據(jù)指示空速Vi的范 圍進一步歸為步驟一中所劃分的小類中；步驟五、將歸為各小類的飛行數(shù)據(jù)輸入至各小類設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)中，進一步 辨識出所對應(yīng)的飛行狀態(tài)。本發(fā)明的直升機飛行狀態(tài)識別方法，其優(yōu)點和積極效果在于(1)通過RBF神經(jīng)網(wǎng)絡(luò)根據(jù)直升機飛行時的飛行數(shù)據(jù)對飛行狀態(tài)進行識別，避免 使用人工方法時易受干擾，識別率低的問題，提高了飛行狀態(tài)識別的準(zhǔn)確率；(2)通過預(yù)分類技術(shù)，解決了使用神經(jīng)網(wǎng)絡(luò)進行直升機飛行狀態(tài)識別時，狀態(tài)識別 率隨需識別狀態(tài)數(shù)量增加而降低的問題。


圖1是本發(fā)明的直升機飛行狀態(tài)識別方法的步驟流程圖；圖2是本發(fā)明所采用的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖3是本發(fā)明實施例對三組飛行數(shù)據(jù)采用本發(fā)明方法進行測試的結(jié)果示意圖；圖4是直升機的飛行包線。
具體實施例方式下面將結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明。以某型號直升機的飛行數(shù)據(jù)為例，使用本發(fā)明所提供的基于預(yù)分類技術(shù)和RBF神 經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法對其飛行狀態(tài)進行識別，如圖1所示，具體步驟如下步驟一、對需識別的35種飛行狀態(tài)進行歸類；
表l所示為該型號直升機飛行時的飛行狀態(tài)，共有42種。其中需要辨識的飛行狀態(tài)為35種，表l中的4、7、8、9、lo、11和32這7個狀態(tài)不需要辨識。
表l直升機的飛行狀態(tài)
高度大于等于270米，低空指直升機的氣壓高度小于270米，低速指直升機的指示空速小于 75千米/小時，高速指直升機的指示空速大于等于75千米/小時。在以上三大類狀態(tài)中， 根據(jù)速度值再予以細分，如表2，其中分類依據(jù)中速度范圍的劃分根據(jù)該型直升機最小速度 (< 4km/h千米/小時)，最小速度至過渡速度(4 74km/h)，過渡速度(75 94km/h)，久 航速度(94 130km/h)，遠航速度(190 215km/h)，久航速度和遠航速度之間為便于飛行 狀態(tài)的細化，將其在分為兩類(130 170km/h和170 190km/h)，以及最大速度(即最大 功率)，最終將35種飛行狀態(tài)分為0 9十個小類。針對不同型號的直升機，雖然其速度范 圍不同，但同樣可以按照上述方法根據(jù)該型直升機的最小速度、過渡速度、久航速度、遠航 速度以及最大速度進行分類。其中，低空高速的這一類包含的飛行狀態(tài)只有一種，故該小類 不需再根據(jù)飛行速度細分。表2分類方法說明 需要說明的是，為了盡可能提高分類的正確率，對于某些變速和變高度狀態(tài)，采用 的方法是將其分在了幾個狀態(tài)小類當(dāng)中。如表2中，例如直升機的飛行狀態(tài)代號為30的水 平減速狀態(tài)因為變速，分在了飛行狀態(tài)第2、3、4、5小類中。步驟二、為0 9每一個小類設(shè)計用于飛行狀態(tài)進一步辨識的RBF神經(jīng)網(wǎng)絡(luò)在步驟一中將所有的飛行狀態(tài)分成了 10個小類，編號為0到9，其中小類7只含有 一個狀態(tài)，故不需要再進行識別，其他9個小類需要使用RBF神經(jīng)網(wǎng)絡(luò)對飛行狀態(tài)進行進一 步識別。RBF (Radial Basis Function，徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層 組成，其中輸入層和隱含層之間由高斯函數(shù)映射構(gòu)成，輸出層與隱含層由線性函數(shù)映射構(gòu) 成。其結(jié)構(gòu)如附圖2所示。其中& &為輸入層的輸入向量，維數(shù)為??！，比 、為隱含層 節(jié)點，節(jié)點個數(shù)為m ;Yl yk為輸出層向量維數(shù)，維數(shù)為k，其中，n、m、k為大于0的整數(shù)。飛行狀態(tài)識別可用的參數(shù)如表3所示，其中1 23為直升機飛行時記錄的飛行參 數(shù)，24 26為飛行參數(shù)中指示空速、無線電高度和偏航角的變化率。表3飛行狀態(tài)識別可用的參數(shù)列表 本發(fā)明實施例中，需要再進一步設(shè)計用于每一小類飛行狀態(tài)識別的RBF神經(jīng)網(wǎng) 絡(luò)。用于每一小類飛行狀態(tài)識別的RBF神經(jīng)網(wǎng)絡(luò)的輸入層向量維數(shù)n、隱含層節(jié)點數(shù)m以及 輸出層向量維數(shù)k的選擇見表4。其中狀態(tài)類別為對應(yīng)的表2中的小類編號，輸入層向量維 數(shù)n等于用于該小類飛行狀態(tài)進一步識別的神經(jīng)網(wǎng)絡(luò)輸入向量的種類，也是表3中用于識 別該小類飛行狀態(tài)所需要的飛行參數(shù)個數(shù)，以狀態(tài)類別0為例，用于該小類飛行狀態(tài)進一 步識別的RBF神經(jīng)網(wǎng)絡(luò)的輸入層向量維數(shù)為3，且輸入層向量的種類為1、9和25，該代號同 表3飛行狀態(tài)識別可用的參數(shù)代號相對應(yīng)。輸出層向量維數(shù)k同該小類所對應(yīng)的飛行狀態(tài) 個數(shù)相等，如表2的狀態(tài)類別一列所示。隱含層節(jié)點數(shù)首先可以根據(jù)經(jīng)驗公式選取，經(jīng)驗公 式如(11)式所示m=Vn+k+d(11)其中m為隱含層節(jié)點數(shù)，n為輸入層向量維數(shù)，k為輸出層向量維數(shù)，d為1 10之 間的常數(shù)?？梢愿鶕?jù)神經(jīng)網(wǎng)絡(luò)實際訓(xùn)練情況對隱含層節(jié)點數(shù)進行修改，若神經(jīng)網(wǎng)絡(luò)收斂緩 慢，可以減少隱含層節(jié)點數(shù)，若神經(jīng)網(wǎng)絡(luò)精度達不到要求，可適當(dāng)增加隱含層節(jié)點的數(shù)目。表4用于各類飛行狀態(tài)識別的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)列表
RBF神經(jīng)網(wǎng)絡(luò)的輸出yk，如圖2所示，如(12)式所示
(12)
式中 wlk……wml wmk為神經(jīng)網(wǎng)絡(luò)權(quán)值屯 hm為神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)，
在這里選取高斯函數(shù)，高斯函數(shù)的表達式如(13)式所示 式中無為n維的輸入向量，c,是第i個徑向基函數(shù)的中心，是與無具有相同維數(shù)的 向量，^是第i個感知器變量，II II表示歐拉范數(shù)，m、n、k為大于0的整數(shù)。對(13)式中RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)(^和o i使用K均值算法確定，通過梯度下降 法來對RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，確定(12)式中神經(jīng)網(wǎng)絡(luò)權(quán)值wn wlk……wml wmk，進而 完成用于每一小類飛行狀態(tài)進一步識別的RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計，下面以表2中小類編號為 0的一類飛行狀態(tài)為例說明一下。表2中小類編號為0的一類飛行狀態(tài)對應(yīng)表4狀態(tài)類別0的一類，該類包含的飛 行狀態(tài)有15 (上升轉(zhuǎn)彎或盤旋上升)、35 (以久航速度水平轉(zhuǎn)彎或盤旋)、36 (以180km\h速 度水平轉(zhuǎn)彎)、37(以最大巡航速度轉(zhuǎn)彎)，對這幾種飛行狀態(tài)再次進行編碼，例如，狀態(tài)15 為1，狀態(tài)35為2，狀態(tài)36為3，狀態(tài)37為4。RBF神經(jīng)網(wǎng)絡(luò)的輸出層向量維數(shù)同該小類所 包含的飛行狀態(tài)數(shù)相同，對于狀態(tài)類別0來說，用于其飛行狀態(tài)進一步識別的RBF神經(jīng)網(wǎng)絡(luò) 輸出層向量維數(shù)為4。在對該小類的RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時，使得輸出層每一維輸出向量 對應(yīng)一種飛行狀態(tài)，例如用yi代表飛行狀態(tài)15，通過公式(12)對該神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。當(dāng)訓(xùn)練完畢，對一組飛行數(shù)據(jù)進行判斷時，比較神經(jīng)網(wǎng)絡(luò)輸出層每一維向量同編 碼值的相似程度，可以設(shè)置一個閾值，判斷輸出向量是否在該閾值的范圍內(nèi)，若某一維的輸 出向量與編碼值符合，則識別結(jié)果為輸出向量所對應(yīng)的飛行狀態(tài)。步驟三對要進行飛行狀態(tài)識別的飛行數(shù)據(jù)進行處理由于直升機上攜帶的傳感器眾多，工作環(huán)境惡劣，受到的干擾多，所以對飛行數(shù)據(jù)CN 101853531 A
說明書
8/10 頁
進行飛行狀態(tài)識別之前，需要對這些飛行數(shù)據(jù)進行處理，處理的方法如下(1)對飛行數(shù)據(jù)進行去野點、限幅及平滑處理野點指飛行數(shù)據(jù)中某采樣點的值和其前后一個采樣點的值之間的變化梯度是直 升機在實際飛行情況下一個采樣周期內(nèi)不可能達到的，產(chǎn)生野點的原因是數(shù)據(jù)丟失或者嚴(yán) 重的干擾。設(shè)飛行參數(shù)的一組飛行數(shù)據(jù)中一個飛行數(shù)據(jù)P在采樣時刻t的值為p(t)，前一 個采樣時刻的值為P(t-l)，求得在該采樣周期的變化梯度Ap如式(14)Ap = |p(t)-p(t-l)(14)將該梯度值同該飛行參數(shù)在一個采樣周期內(nèi)能夠達到的最大梯度值△ pmax進行比 較，若Ap彡八？_，則認為口(0是野點，將其剔除；限幅是將飛行數(shù)據(jù)中不符合直升機實際飛行情況的點剔除，同樣設(shè)飛行參數(shù)的一 組飛行數(shù)據(jù)中一個飛行數(shù)據(jù)P在采樣時刻t的值為p(t)，將其同該飛行參數(shù)在直升機實際 飛行時所能達到的最大值P_及最小值Pmin做比較，若P (t) > pfflax或p (t) < pfflin,則將t時 刻這一飛行參數(shù)的值從飛行數(shù)據(jù)中剔除；平滑是用濾波技術(shù)對飛行數(shù)據(jù)進行濾波，濾去在飛行數(shù)據(jù)采集過程中，由于傳感 器受到干擾而產(chǎn)生的噪聲信號。對飛行數(shù)據(jù)使用的濾波方法為均值率波方法設(shè)飛行參數(shù) 的一組飛行數(shù)據(jù)中一個飛行數(shù)據(jù)P在采樣時刻t的值為p (t)，取其前后各r個點，令p點的 值等于這2r+l個點的值的平均值，即 (2)對需要使用變化率的飛行數(shù)據(jù)進行擬合，求得變化率用于識別飛行狀態(tài)的飛行參數(shù)中包括速度(指表3中指示空速)、高度(指表3中 氣壓高度)和偏航角的變化率，因此，需要對速度、高度和偏航角數(shù)據(jù)進行擬合來得到相應(yīng) 的變化率。對上述三種飛行參數(shù)的飛行數(shù)據(jù)中的每一點，取其之前和之后各n個點，進行最 小二乘擬合，即用最小二乘方法進行直線的擬合，直線的斜率即所要得到的變化率。設(shè)j是參與擬合的點的個數(shù)，即為j = 2r+l，r為自然數(shù)。設(shè)直線的函數(shù)形式是y = a+bt。實驗測得的數(shù)據(jù)為(、，71)，(t2，y2)，…，(tj, yj)，對 t”t2，...，tj，y 的最佳值 (回歸值)是a+b、，a+bt2,…，a+btj。用最小二乘原理推導(dǎo)a，b之值，應(yīng)滿足y的測量值
Yi和回歸值a+b、之差的平方和取極小，即 j 選擇a，b使式(16)取極小值的必要條件是 d . 進一步推導(dǎo)有
整理之后可以得到 從中可以解得 式中，a，b稱為回歸系數(shù)，t為時間，y為速度(或高度、偏航角)的數(shù)值，擬合后得 到的各點的b值即為該點的變化率。(3)對飛行數(shù)據(jù)進行歸一化處理神經(jīng)網(wǎng)絡(luò)中某個神經(jīng)元的輸入總和作為激勵函數(shù)的輸入，激勵函數(shù)運算的結(jié)果作 為該神經(jīng)元的輸出。激勵函數(shù)選用Sigmoid函數(shù)，而Sigmoid函數(shù)的特點是對輸入激勵產(chǎn) 生一個局部化的響應(yīng)。在遠離0的區(qū)域函數(shù)值的變化極為平坦，即僅當(dāng)輸入落在零附近一 個很小的指定區(qū)域中，Sigmoid函數(shù)才作出有意義響應(yīng)，響應(yīng)值在0到1之間。而當(dāng)輸入值 過大或者過小，那么神經(jīng)元將接近飽和。作為飛行狀態(tài)識別的飛行參數(shù)有二十多個，各參數(shù) 量綱不同、大小迥異，所以在使用這些參數(shù)這前，有必要對各飛行參數(shù)的飛行數(shù)據(jù)進行歸一 化處理。歸一化公式采用如下的公式 式中y為歸一化處理后飛行數(shù)據(jù)值；x為處理前某一飛行數(shù)據(jù)值；X_為該飛行參 數(shù)對應(yīng)的飛行數(shù)據(jù)的最大值；Xmin為其最小值。經(jīng)過歸一化處理，各飛行參數(shù)的值域被轉(zhuǎn)化 到[-1,1]的范圍。步驟四將經(jīng)過前三步處理的飛行數(shù)據(jù)根據(jù)偏航角變換率，氣壓高度和指示空速 預(yù)分類到第一步所劃分0 9十小類的飛行狀態(tài)中根據(jù)偏航角的變化率AC0SI將飛行數(shù)據(jù)分為轉(zhuǎn)彎和非轉(zhuǎn)彎兩類，當(dāng)AC0SI > 0 或者AC0SI < 0時為轉(zhuǎn)彎狀態(tài)，當(dāng)AC0SI = 0時則為非轉(zhuǎn)彎狀態(tài)，將劃分為轉(zhuǎn)彎狀態(tài)的飛 行數(shù)據(jù)歸為表2中的第0類。設(shè)氣壓高度Hp和指示空速Vi的閾值分別為kHp和KVi，取kHp為270米，kVi為75千 米/小時；將劃分為非轉(zhuǎn)彎狀態(tài)的飛行數(shù)據(jù)按照氣壓高度和指示空速同閾值的比較情況， 再分為高空高速、低空高速、低空低速三類，若Hp彡kHp且Vi彡kHp則劃分為高空高速飛行狀態(tài)一類，若Hp < kHp且Vi≥kVi則歸為低空高速飛行狀態(tài)一類，若Hp < kHp且Vi < kVi則 劃分為低空低速飛行狀態(tài)一類。分為高空高速狀態(tài)的飛行數(shù)據(jù)，先根據(jù)總距位移wf，將總距位移達到最大的飛行 數(shù)據(jù)歸為表2中的第1類，其余的飛行數(shù)據(jù)再根據(jù)指示空速Vi的范圍歸為表2中的第2 6類；分為低空高速狀態(tài)的飛行數(shù)據(jù)歸為表2中的第7類；分為低空低速狀態(tài)的飛行數(shù)據(jù)， 根據(jù)指示空速的范圍歸為表2中的第8 9類。經(jīng)過上述劃分就對需要飛行狀態(tài)識別的飛行數(shù)據(jù)進行了預(yù)分類。其中偏航角變化 率的閾值kArosi以及氣壓高度和指示空速的閾值kVi和kHp的選取根據(jù)具體直升機的型號來 確定。步驟五將歸為各小類的飛行數(shù)據(jù)輸入為各小類設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)中，進一步 辨識出所對應(yīng)的飛行狀態(tài)。本發(fā)明實施例中，測試中設(shè)三個飛行狀態(tài)的編碼值為遠航速度平飛(側(cè)滑角 0° )編碼0，以遠航速度平飛(左側(cè)滑角10° )編碼1，以遠航速度平飛(右側(cè)滑角10° ) 編碼-1，當(dāng)輸出值與編碼值的差小于0.5時，認為識別結(jié)果是正確的。如圖3所示，1)遠航 速度平飛(側(cè)滑角0° )的結(jié)果示意圖中，目標(biāo)狀態(tài)編碼值為0，將6000個采樣點所得的飛 行數(shù)據(jù)應(yīng)用本發(fā)明的狀態(tài)識別方法，其輸出狀態(tài)編碼值在閾值0. 5與-0. 5之間的確定飛行 狀態(tài)為遠航速度平飛(側(cè)滑角0° )，超出閾值的不能夠識別為該飛行狀態(tài)。同樣，2)遠航 速度平飛(左側(cè)滑角10° )的示意圖中，目標(biāo)狀態(tài)編碼值為1，取7000個采樣點，輸出狀態(tài) 編碼值的閾值為0.5與1.5 ;3)遠航速度平飛(右側(cè)滑角10° )的示意圖中，目標(biāo)狀態(tài)編 碼值為-1，取5000個采樣點，輸出狀態(tài)編碼值的閾值為-0. 5與-1. 5。最終，三個飛行狀態(tài) 的識別結(jié)果經(jīng)統(tǒng)計正確率分別為97. 5%、100%和96. 1%，飛行狀態(tài)的平均識別正確率為 98. 1%，該識別率達到飛行數(shù)據(jù)狀態(tài)分類的要求。
權(quán)利要求
一種基于預(yù)分類技術(shù)和RBF神經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法，其特征在于，包括以下步驟步驟一、對直升機需識別的飛行狀態(tài)進行歸類；將直升機需要識別的飛行狀態(tài)先按照是否轉(zhuǎn)彎分為轉(zhuǎn)彎與非轉(zhuǎn)彎兩類，將非轉(zhuǎn)彎狀態(tài)的飛行狀態(tài)再分為高空高速、低空高速和低空低速三類飛行狀態(tài)，再根據(jù)速度范圍將高空高速和低空低速的飛行狀態(tài)予以細分，具體是根據(jù)直升機的最小速度、過渡速度、久航速度、遠航速度以及最大速度進行分類，將低空低速的飛行狀態(tài)細分為兩類最小速度、最小速度至過渡速度，將高空高速的飛行狀態(tài)細分為六類過渡速度、久航速度、遠航速度、最大速度，以及在久航速度和遠航速度之間任意劃分得的兩類；最終將直升機所有需要識別的飛行狀態(tài)分為十個小類；對于某些變速和變高度狀態(tài)，采用的方法是將其分在了幾個狀態(tài)小類當(dāng)中；步驟二、為步驟一中分得的各小類設(shè)計用于飛行狀態(tài)進一步辨識的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)；如果某小類中只包含一個狀態(tài)，則不需要對該小類設(shè)計進一步識別的RBF神經(jīng)網(wǎng)絡(luò)；步驟三、對要進行飛行狀態(tài)識別的飛行數(shù)據(jù)處理；首先對飛行數(shù)據(jù)進行去野點、限幅及平滑處理，然后對需要使用變化率的飛行數(shù)據(jù)進行擬合求得變化率，最后對飛行數(shù)據(jù)進行歸一化處理；步驟四、將經(jīng)過步驟三處理的飛行數(shù)據(jù)根據(jù)偏航角變換率、氣壓高度和指示空速預(yù)分類到步驟一中所劃分的十個小類的飛行狀態(tài)中首先根據(jù)偏航角變化率ΔCOSI將飛行數(shù)據(jù)分為轉(zhuǎn)彎和非轉(zhuǎn)彎兩類，當(dāng)ΔCOSI＞0或者ΔCOSI＜0時為轉(zhuǎn)彎狀態(tài)，當(dāng)ΔCOSI＝0時則為非轉(zhuǎn)彎狀態(tài)；其次根據(jù)氣壓高度Hp和指示空速Vi的閾值kHp和kVi，將非轉(zhuǎn)彎狀態(tài)的飛行數(shù)據(jù)按照氣壓高度和指示空速同閾值的比較情況分類，若Hp≥kHp且Vi≥kHp則劃分為高空高速飛行狀態(tài)一類，若Hp＜kHp且Vi≥kVi則歸為低空高速飛行狀態(tài)一類，若Hp＜kHp且Vi＜kVi則劃分為低空低速飛行狀態(tài)一類；最后，將劃分為高空高速和低空低速飛行狀態(tài)的飛行數(shù)據(jù)，根據(jù)指示空速Vi的范圍進一步歸為步驟一中所劃分的小類中；步驟五、將歸為各小類的飛行數(shù)據(jù)輸入至各小類設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)中，進一步辨識出所對應(yīng)的飛行狀態(tài)。
2.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟一所述低空指 直升機的氣壓高度小于270米，高空指直升機的氣壓高度大于等于270米；低速指直升機的 指示空速小于75千米/小時，高速指直升機的指示空速大于等于75千米/小時。
3.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟二中所述的設(shè) 計用于飛行狀態(tài)進一步辨識的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和 輸出層組成；輸入層向量維數(shù)η等于用于識別該小類飛行狀態(tài)所需要的飛行參數(shù)的個數(shù)； 輸出層向量維數(shù)k等于該小類所對應(yīng)的飛行狀態(tài)個數(shù)；隱含層節(jié)點數(shù)m根據(jù)經(jīng)驗公式選取，所述經(jīng)驗公式為m=Vi^+d,其中，d為1 10 之間的常數(shù)；對于進一步需要識別的飛行小類，該飛行小類中包含一個以上的飛行狀態(tài)，根據(jù)下面RBF神經(jīng)網(wǎng)絡(luò)的輸出公式，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)輸出層每一維輸出向量對應(yīng)該飛行小類中一 種飛行狀態(tài)；其中，RBF神經(jīng)網(wǎng)絡(luò)的輸出yk為 其中，W11 Wlk……Wml Wmk為神經(jīng)網(wǎng)絡(luò)權(quán)值屯 hm為神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)，在這 里選取高斯函數(shù)，其表達式為 其中，3e為η維的輸入向量，Ci是第i個徑向基函數(shù)的中心，是與i具有相同維數(shù)的向 量，Oi是第i個感知器變量，II Il表示歐拉范數(shù)；n、m、k為大于O的整數(shù)；對RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)Ci和ο i使用K均值算法確定，通過梯度下降法來對RBF神 經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)的權(quán)值W11 Wlk……Wml wmk。
4.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟三中所述的對 飛行數(shù)據(jù)進行去野點、限幅及平滑處理，具體為第一步、去野點；設(shè)一個飛行數(shù)據(jù)ρ在采樣時刻t的值為ρ (t)，前一個采樣時刻的值為 P (t-Ι)，則在該采樣周期的變化梯度Δρ為Δρ= |p(t)-p(t_l) I ；將該梯度值Δρ同該飛行參數(shù)在一個采樣周期內(nèi)能夠達到的最大梯度值Δρ_進行比 較，若Δρ彡Δ pmax，則認為p(t)是野點，將其剔除；第二步、限幅；設(shè)一個飛行數(shù)據(jù)P在采樣時刻t的值為ρ (t)，將其同該飛行參數(shù)在直升 機實際飛行時所能達到的最大值Pmax及最小值Pmin做比較，若P⑴〉Pfflax或P (t) < Pmin，則 將P(t)從飛行數(shù)據(jù)中剔除；第三步、平滑；采用濾波技術(shù)對飛行數(shù)據(jù)進行濾波，使用的濾波方法為均值率波方法 設(shè)一個飛行數(shù)據(jù)P在采樣時刻t的值為ρ (t)，取其前后各r個點，令ρ點的值等于這2r+l 個點的值的平均值 其中，r為自然數(shù)。
5.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟三中所述的對 需要使用變化率的飛行數(shù)據(jù)進行擬合，求得變化率，具體為對指示速度、氣壓高度和偏航角三個飛行參數(shù)的飛行數(shù)據(jù)進行擬合，得到速度變化率、 高度變化率和偏航角變化率；對指示速度、氣壓高度和偏航角飛行參數(shù)的每一飛行數(shù)據(jù)，取其之前和之后各η個飛 行數(shù)據(jù)，用最小二乘方法進行直線的擬合，直線的斜率為所要得到的變化率；設(shè)直線的函數(shù)形式是y = a+bt，實驗測得的數(shù)據(jù)為(t1; Yl), (t2，y2)，…，(tj; yj)，對 t1 t2，…，tj; y的回歸值是a+bt1; a+bt2,…，a+bt」，j是參與擬合的點的個數(shù)，j = 2r+l, r為自然數(shù)；用最小二乘原理推導(dǎo)a，b的值，應(yīng)滿足y的測量值和回歸值a+b、之差的平 方和取極小 選擇a，b使取極小值的必要條件是 j圣1>廣(《+岣)]2=0 其中，a，b為回歸系數(shù)，t代表時間，y為指示速度或氣壓高度或偏航角的數(shù)值，擬合后 得到的各點的b值即為該飛行數(shù)據(jù)的變化率。
6.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟三中所述的對 飛行數(shù)據(jù)進行歸一化處理，具體為神經(jīng)網(wǎng)絡(luò)中激勵函數(shù)選用Sigmoid函數(shù)，Sigmoid函數(shù)響應(yīng)值在O到1之間，對各飛行 參數(shù)的飛行數(shù)據(jù)進行歸一化處理，采用歸一化公式 其中，y為歸一化處理后飛行數(shù)據(jù)值，χ為處理前某一飛行數(shù)據(jù)值，為該飛行參數(shù)對 應(yīng)的飛行數(shù)據(jù)的最大值，Xfflin為該飛行參數(shù)對應(yīng)的飛行數(shù)據(jù)的最小值；經(jīng)過歸一化處理，各飛行數(shù)據(jù)的值域被轉(zhuǎn)化到[_1，1]的范圍。
7.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟四所述將劃分 為高空高速和低空低速飛行狀態(tài)的飛行數(shù)據(jù)根據(jù)指示空速Vi的范圍進一步歸為步驟一中 所劃分的小類中，具體是高空高速飛行狀態(tài)的飛行數(shù)據(jù)中，將總距位移Wf達到最大的飛行 數(shù)據(jù)歸為步驟一中所劃分的高空高速飛行狀態(tài)下的最大速度一類中，高空高速飛行狀態(tài)其 余的飛行數(shù)據(jù)再根據(jù)指示空速Vi的范圍進一步歸為過渡速度、久航速度、遠航速度，以及 在久航速度和遠航速度之間任意劃分得的兩類這五類中；而將低空低速狀態(tài)的飛行數(shù)據(jù)， 根據(jù)指示空速的范圍歸為最小速度一類或最小速度至過渡速度一類中。
8.根據(jù)權(quán)利要求1所述的直升機飛行狀態(tài)識別方法，其特征在于，步驟四中所述氣壓 高度Hp的閾值kHp為270米，指示空速Vi的閾值kVi為75千米/小時。
全文摘要
本發(fā)明公開了一種基于預(yù)分類技術(shù)和RBF神經(jīng)網(wǎng)絡(luò)的直升機飛行狀態(tài)識別方法。該方法首先將需識別的飛行狀態(tài)分為10小類，并為每一類設(shè)計用于飛行狀態(tài)進一步識別的RBF神經(jīng)網(wǎng)絡(luò)；在對某一飛行數(shù)據(jù)進行飛行狀態(tài)識別時，先根據(jù)某些飛行參數(shù)將飛行數(shù)據(jù)歸類于10小類中，之后將其輸入每一小類對應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)，進行飛行狀態(tài)的準(zhǔn)確識別。該方法通過預(yù)分類技術(shù)，減少了每個神經(jīng)網(wǎng)絡(luò)需識別的狀態(tài)，從而提高了利用神經(jīng)網(wǎng)絡(luò)識別直升機飛行狀態(tài)的識別率。
文檔編號G07C5/08GK101853531SQ20101019035
公開日2010年10月6日 申請日期2010年5月25日 優(yōu)先權(quán)日2010年5月25日
發(fā)明者張超, 李凱, 王少萍 申請人:北京航空航天大學(xué)