基于Elman網(wǎng)絡(luò)的某型直升機(jī)飛行狀態(tài)識(shí)別

李軍亮，胡國(guó)才，韓維，柳文林

（海軍航空工程學(xué)院，山東煙臺(tái)264001）

基于Elman網(wǎng)絡(luò)的某型直升機(jī)飛行狀態(tài)識(shí)別

李軍亮，胡國(guó)才，韓維，柳文林

（海軍航空工程學(xué)院，山東煙臺(tái)264001）

利用Elman網(wǎng)絡(luò)良好地逼近非線性能力、容錯(cuò)和泛化能力，根據(jù)直升機(jī)飛行的實(shí)際科目，對(duì)待識(shí)別的飛行狀態(tài)預(yù)先進(jìn)行分類(lèi)，建立Elman神經(jīng)網(wǎng)絡(luò)識(shí)別模型，驗(yàn)證表明該模型可以較好地識(shí)別直升機(jī)飛行狀態(tài)，為直升機(jī)傳動(dòng)系統(tǒng)的故障診斷乃至直升機(jī)的健康管理提供重要依據(jù)。

神經(jīng)網(wǎng)絡(luò)，直升機(jī)，狀態(tài)識(shí)別

0 引言

隨著軍用直升機(jī)的使用頻次加大，降低維護(hù)成本和提高直升機(jī)機(jī)的飛行安全性，是機(jī)務(wù)工作者面臨的重大課題。目前，直升機(jī)動(dòng)部件主要是按安全疲勞壽命設(shè)計(jì)的，主要考慮直升機(jī)的群體壽命，而不是根據(jù)直升機(jī)個(gè)體的實(shí)際工作情況來(lái)控制壽命。一方面由于設(shè)計(jì)中的保守，使許多動(dòng)部件達(dá)到設(shè)計(jì)壽命后可能還有剩余壽命，從而造成極大浪費(fèi)、增加使用維護(hù)費(fèi)用，西科斯基公司通過(guò)計(jì)算機(jī)仿真指出如果用直升機(jī)的實(shí)際使用譜取代設(shè)計(jì)所用的最嚴(yán)重使用譜，其他條件不變，則直升機(jī)的使用壽命可增加兩到三倍［1］；另一方面如果某架直升機(jī)實(shí)際使用環(huán)境比設(shè)計(jì)環(huán)境惡劣，則很可能提早到達(dá)設(shè)計(jì)壽命，造成很大的隱患。為降低直升機(jī)有限壽命部件更換費(fèi)用但不影響直升機(jī)的飛行安全性，西方學(xué)者提出應(yīng)記錄每架直升機(jī)飛行使用情況，甚至某些部件的疲勞載荷，以便較準(zhǔn)確地決定各部件更換時(shí)間。鑒于此種理念，目前飛行器已經(jīng)由傳統(tǒng)的狀態(tài)監(jiān)控和故障診斷技術(shù)向故障預(yù)測(cè)與健康管理（PHM）技術(shù)方向發(fā)展［2］。PHM技術(shù)能夠顯著降低維修、使用和保障費(fèi)用，提高戰(zhàn)備完好率和任務(wù)成功率，提高飛行器安全性和可用性。

通過(guò)飛行狀態(tài)識(shí)別，可以建立直升機(jī)各個(gè)部件與其實(shí)測(cè)載荷譜的一一對(duì)應(yīng)關(guān)系，為各部件壽命預(yù)測(cè)和直升機(jī)的健康管理提供重要依據(jù)。但是直升機(jī)狀態(tài)和各個(gè)監(jiān)測(cè)的飛行參數(shù)之間有著復(fù)雜的非線性關(guān)系，在測(cè)量過(guò)程中存在交聯(lián)耦合和外干擾效應(yīng)，同時(shí)飛行參數(shù)又是隨時(shí)間動(dòng)態(tài)變化的，這樣就增加了直升機(jī)飛行狀態(tài)識(shí)別工作的難度［3-4］。本文采用Elman網(wǎng)絡(luò)對(duì)直升機(jī)的飛行狀態(tài)進(jìn)行識(shí)別。

1 基本研究思路

通過(guò)采集大量某型直升機(jī)的飛參數(shù)據(jù)，對(duì)直升機(jī)實(shí)際飛行狀態(tài)進(jìn)行分類(lèi)、編碼，對(duì)應(yīng)于各狀態(tài)的飛參數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行ELMAN訓(xùn)練，從而得到對(duì)應(yīng)于不同飛行狀態(tài)的ELMAN網(wǎng)絡(luò)模型，最終只要輸入直升機(jī)的飛參數(shù)據(jù)，整個(gè)網(wǎng)絡(luò)系統(tǒng)會(huì)自動(dòng)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)、識(shí)別，從而判斷出對(duì)應(yīng)于該組數(shù)據(jù)下的直升機(jī)的飛行狀態(tài)，具體思路如圖1所示。

圖1 直升機(jī)飛行狀態(tài)識(shí)別技術(shù)路線

2 飛行狀態(tài)參數(shù)項(xiàng)研究

2.1 數(shù)據(jù)項(xiàng)分析

一般情況下直升機(jī)的動(dòng)力學(xué)方程一般由9個(gè)非線性方程組組成，即關(guān)于力、力矩和角速度的方程，其狀態(tài)方程可用式（1）表示［5］。

2.2 飛行狀態(tài)參數(shù)預(yù)處理

直升機(jī)上的傳感器種類(lèi)多，工作環(huán)境復(fù)雜，受到的干擾較多，所以在確定了需要輸入的參數(shù)后，需要對(duì)傳感器采集的數(shù)據(jù)進(jìn)行預(yù)處理和歸一化。文獻(xiàn)［6］中介紹了數(shù)據(jù)預(yù)處理的方法，主要是對(duì)數(shù)據(jù)進(jìn)行過(guò)濾，即去野點(diǎn)、限幅和平滑處理，具體流程如圖2所示。

圖2 飛參數(shù)據(jù)預(yù)處理流程

論文中選取的13個(gè)飛行參數(shù)量綱不同、大小相異，在進(jìn)行計(jì)算前，必須對(duì)其進(jìn)行歸一化處理。本文按照式（2）進(jìn)行歸一化。

式中：y為歸一化處理后參數(shù)值；x為處理前某一參數(shù)值；Xmax為該維參數(shù)樣本中的最大值；Xmin為其最小值。經(jīng)過(guò)這樣的處理，參數(shù)的值域被轉(zhuǎn)化到［-1，1］之間。以某次飛行過(guò)程當(dāng)中直升機(jī)總距操縱量為例，按照?qǐng)D2所示的5個(gè)步驟進(jìn)行處理，其結(jié)果如圖3和圖4所示。

圖3 總距操縱量處理前

圖4 總距操縱量處理后

2.3 飛行狀態(tài)種類(lèi)分析

某型直升機(jī)的完整飛行狀態(tài)如下頁(yè)表1所示，共有48個(gè)，其中去除表中狀態(tài)號(hào)碼為7和8兩個(gè)狀態(tài)，需要用神經(jīng)網(wǎng)絡(luò)識(shí)別的狀態(tài)為46個(gè)。

神經(jīng)網(wǎng)絡(luò)技術(shù)在模式識(shí)別過(guò)程中存在識(shí)別率隨著飛行狀態(tài)增加而下降的問(wèn)題［7-8］，為了克服該類(lèi)問(wèn)題，提高模型識(shí)別準(zhǔn)確性，本文對(duì)需識(shí)別的飛行狀態(tài)按照速度、高度和航向角等要素進(jìn)行分類(lèi)，如下頁(yè)表2所示。

3 基于Elman神經(jīng)網(wǎng)絡(luò)的飛行狀態(tài)識(shí)別

Elman型回歸神經(jīng)元網(wǎng)絡(luò)一般分為4層：輸入層、中間層（隱含層）、承接層和輸出層。其輸入層、中間層、承接層和輸出層的連接類(lèi)似于前饋網(wǎng)絡(luò)，輸入層的單元僅起信號(hào)傳輸作用，輸出層單元起線性加權(quán)作用。隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，承接層又稱為狀態(tài)層，用來(lái)記憶隱含層單元前一時(shí)刻的輸出值并返回給輸入，可認(rèn)為是一個(gè)延時(shí)算子，可以達(dá)到記憶的目的，從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力，能直接反應(yīng)動(dòng)態(tài)過(guò)程系統(tǒng)的特性［9-10］。

3.1 基于飛行狀態(tài)識(shí)別的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

參考直升機(jī)的動(dòng)力學(xué)狀態(tài)方程，選用與飛行狀態(tài)和操縱向量關(guān)聯(lián)的13個(gè)向量作為基于飛行狀態(tài)識(shí)別的Elman神經(jīng)網(wǎng)絡(luò)的輸入，包括飛行高度、空速、大氣溫度、主旋翼轉(zhuǎn)速、姿態(tài)角、側(cè)滑角、發(fā)動(dòng)機(jī)參數(shù)等等；中間層神經(jīng)元個(gè)數(shù)為10；輸出為神經(jīng)元個(gè)數(shù)為1，表示狀態(tài)編碼，包括懸停、平飛、倒飛、爬升等等。

網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如第60頁(yè)圖5所示。

表1 待識(shí)別的飛行狀態(tài)

表2 待識(shí)別的飛行狀態(tài)分類(lèi)

3.2 基于狀態(tài)識(shí)別的Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程

訓(xùn)練樣本P如下頁(yè)表3所示，其中P為1 000× 13的矩陣。在進(jìn)行網(wǎng)絡(luò)訓(xùn)練之前，需對(duì)樣本P按照?qǐng)D2所示的5個(gè)步驟進(jìn)行處理；訓(xùn)練目標(biāo)T為對(duì)應(yīng)的飛行狀態(tài)編碼。

用matlab軟件進(jìn)行仿真計(jì)算，網(wǎng)絡(luò)訓(xùn)練果如下頁(yè)圖6所示。

3.3 Elman神經(jīng)網(wǎng)絡(luò)驗(yàn)證

選用飛行狀態(tài)編碼的為6和7的兩組飛行數(shù)據(jù)進(jìn)行驗(yàn)證，其計(jì)算結(jié)果如圖7和圖8所示，其中網(wǎng)絡(luò)輸出代碼與狀態(tài)編碼的差值只有1個(gè)點(diǎn)超出1，說(shuō)明該模型可以有效識(shí)別該型直升機(jī)的飛行狀態(tài)。

圖5 用于飛行狀態(tài)是別的Elman神經(jīng)網(wǎng)絡(luò)構(gòu)

圖6 網(wǎng)絡(luò)訓(xùn)練結(jié)果

表3 網(wǎng)絡(luò)訓(xùn)練樣本

4 結(jié)束語(yǔ)

直升機(jī)是強(qiáng)耦合的非線性系統(tǒng)，飛參數(shù)據(jù)和飛行狀態(tài)識(shí)別困難。通過(guò)采集直升機(jī)飛行過(guò)程當(dāng)中的各個(gè)監(jiān)測(cè)數(shù)據(jù)，結(jié)合直升機(jī)動(dòng)力學(xué)方程組選取相關(guān)重要參數(shù)，并對(duì)之進(jìn)行預(yù)處理作為神經(jīng)網(wǎng)絡(luò)的輸入，按照該型機(jī)的實(shí)際飛行科目對(duì)其飛行狀態(tài)進(jìn)行分類(lèi)、編碼，用Matlab軟件進(jìn)行仿真計(jì)算，對(duì)飛行狀態(tài)進(jìn)行識(shí)別，得到了較為滿意的結(jié)果。

在直升機(jī)飛行狀態(tài)識(shí)別工作的基礎(chǔ)上可以進(jìn)一步研究該狀態(tài)下直升機(jī)各個(gè)關(guān)鍵部件的受力，分析其載荷，從而判斷其安全壽命，為直升機(jī)故障診斷、預(yù)測(cè)和健康管理提供依據(jù)。此項(xiàng)工作的開(kāi)展可以減少直升機(jī)維護(hù)成本提高飛行安全，具有重要經(jīng)濟(jì)和軍事價(jià)值。

［1］Adams D O，Kershner S D，Thielges J.Economical and Reliable Method s of Processing HUMS Data for Maintenance Credits In：the American Helicopter Society 55th Annual Forum［C］//The American Helicopter Society Inc.，1999.

［2］吳明強(qiáng)，房紅征，文博武，等.飛行器故障預(yù)測(cè)與健康管理（PHM）集成工程環(huán)境研究［J］.計(jì)算機(jī)測(cè)量與控制，2011：19（1）98-101.

［3］楊建衛(wèi)，盧京潮.直升機(jī)神經(jīng)網(wǎng)絡(luò)模型辨識(shí)研究［J］.計(jì)算機(jī)仿真，2010：27（10）：16-20.

［4］奚海蛟，張曉林.基于Elman網(wǎng)絡(luò)的共軸式直升機(jī)動(dòng)力學(xué)系統(tǒng)辨識(shí)［J］.北京航空航天大學(xué)學(xué)報(bào)，2008：34（7）：861-864.

［5］曹義華.直升機(jī)飛行力學(xué)［M］.北京：北京航空航天大學(xué)大學(xué)出版社，2005.

［6］Williams R，Zipser D.A Learning Algorithm for Continually Run-ning fully RecurrentNN［J］.Neural Computation，1989（1）：270-280.

［7］Yang P F，Zhang C S Artificial Neural Networks and Evolutionary Computing［M］.Beijing：Tinghua University Press，2005.

［8］Guh R S，Tannock J D T.A Neural Network Approach to Characterize Pattern Parameters in Process Control Charts［J］.JournalofIntelligentManufacturing，1999（10）：449-462.

［9］李國(guó)勇，楊麗娟.神經(jīng).模糊.預(yù)測(cè)控制及其MATLAB實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2013.

［10］張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京：機(jī)械工業(yè)出版社，2009.

Helicopter Flight Condition Recognition Based on Elman Neural Network

LI Jun-liang，HU Guo-cai，HAN Wei，LIU Wen-lin
（Naval Aeronautical Engineering Institute，Yantai 264001，China）

Elman neural network has the advantages of good close to the nonlinear ability，fault tolerance and generalization ability.According to the dynamic equation of helicopter，an Elman neural network model is established for recognize the flight condition.The computation result shows that the model is competent for recognizing the helicopter flight condition.The model can provide important basis for helicopter transmission system failure forecast and PHM.

neural network，helicopter，condition recognition

V212.4

A

1002-0640（2015）12-0057-04

2014-11-26

2015-01-27

國(guó)家自然科學(xué)基金資助項(xiàng)目（51375490）

李軍亮（1982-），男，陜西岐山人，博士研究生。研究方向：海軍航空、導(dǎo)彈裝備保障。