神經(jīng)網(wǎng)絡結冰檢測技術研究

由立巖

(中國商飛民用飛機試飛中心，上海200232)

0 引言

飛機在空中遭遇的結冰現(xiàn)象是飛行安全的一大威脅。飛機翼面上形成的冰嚴重破壞飛機的氣動外形，使得飛機升力降低，阻力升高，導致許多飛行事故。1976至1979年間，美國共發(fā)生178起民用飛機因結冰而引起的飛行事故，其中災難性事故100起，占結冰引起的飛機事故總數(shù)的56%。

飛機結冰后，冰層積聚在飛機表面，改變了飛機氣動參數(shù)，使飛機穩(wěn)定性能更為惡化。對于結冰后的飛機，目前的結冰檢測手段如紅外影像等通常只是對“是否結冰”做出定性分析，無法估計飛機氣動參數(shù)變化。因此，在傳統(tǒng)的結冰檢測基礎上，還需要定量檢測結冰后飛機氣動參數(shù)［1］。不同于紅外影像等常規(guī)手段，本文主要通過參數(shù)識別估計飛機氣動參數(shù)，并利用神經(jīng)網(wǎng)絡來定量檢測結冰嚴重程度。

作為初步研究，本文僅針對飛機平尾結冰的情形，研究基本流程:①構造考慮飛機平尾結冰的飛機飛行動力學仿真模型;②監(jiān)測系統(tǒng)的控制輸入及狀態(tài)輸出，利用H∞參數(shù)識別算法初步估計飛機氣動參數(shù);③對神經(jīng)網(wǎng)絡輸入H∞參數(shù)識別結果，定量檢測分析飛機結冰與否及結冰的嚴重程度。

1 飛行動力學及結冰嚴重程度模型

1.1 飛行動力學(縱向)方程

飛機平尾結冰主要影響飛機縱向性能，因此本文不研究橫航向特性，飛行動力學模型只考慮飛機縱向狀態(tài);同時，本文模型采用線性化小擾動模型，初始狀態(tài)點選擇為定常水平飛行狀態(tài);飛行中外界擾動僅考慮風擾動影響。由此，飛行動力學方程［2］為

式中:q為俯仰角速度;θ為俯仰歐拉角;α為機體迎角;v為豎直平面內速度擾動量;Mα為俯仰力矩對迎角的導數(shù);ME為俯仰力矩對升降舵偏角的導數(shù);Mq為俯仰力矩對俯仰角速率的導數(shù);δE為升降舵相對初始狀態(tài)點控制輸入，由飛行員或自動駕駛儀控制;Zα為升力對迎角的導數(shù);ZE為升力對升降舵偏角的導數(shù);Zq為升力對俯仰角速率的導數(shù);Xα為阻力對迎角的導數(shù);Xu為阻力對速度的導數(shù);Tu為推力對速度的導數(shù);wq為風擾動對俯仰角速率的過程噪音;wθ為風擾動對俯仰角的過程噪音;wα為風擾動對迎角的過程噪音;wv為風擾動對豎直平面內速度的過程噪音。

1.2 飛機結冰嚴重程度模型

飛機結冰嚴重程度模型描述飛機結冰前后氣動參數(shù)變化基本規(guī)律為

式中:χclean，χiced分別為結冰前、結冰后氣動參數(shù);KCA為各參數(shù)對應的權值，由飛機本身屬性(布局、結構等)決定，不同參數(shù)對應權值一般不同;η為飛機結冰嚴重程度，η={0，0.02，0.04，0.06，0.08，0.10}，一般分為6級，η=0對應于無冰干凈飛機，η=0.10對應于結冰最嚴重情況。由此，僅需確定結冰嚴重程度η值，即可確定相關氣動參數(shù)。結冰前干凈飛機各氣動參數(shù)及其對應參數(shù)權值KCA見表1［5］。

表1 干凈飛機各氣動參數(shù)及其對應權值

2 參數(shù)辨識

2.1 H∞參數(shù)辨識算法

將式(1)至式(4)改寫為

式中:u=δE為升降舵控制輸入;A∈R4×8，b∈R4×1;χ為待識別的氣動參數(shù);y為對系統(tǒng)狀態(tài)x=［q，θ，α，v］T的測量輸出;dm為對應測量噪音。本文利用給定標準差的白噪聲模擬測量噪音，標準差即取為傳感器測量精度。各狀態(tài)量測量精度見表2［6］。

表2 各狀態(tài)量傳感器測量精度

目前，常用的參數(shù)辨識方法有最小二乘法、極大似然法等，這些方法存在計算耗費大、復雜系統(tǒng)辨識效果差等不足，本文則采用H∞參數(shù)辨識方法，提高復雜系統(tǒng)辨識結果準確性。為計算待識別的氣動參數(shù)χ，首先，我們定義

則對任意γ≥γ*，H∞參數(shù)識別遞歸算法為［2］

式(9)計算需要中間量Σ，Σ∈R12×12，由式(10)確定;初始值Σ0=diag(P0，Q0);P0，Q0同時也為式(8)中計算泛化歐幾里得范數(shù)的權矩陣，P0，Q0＞0，初始值人為設定。

為保證式(9)計算收斂，式(10)中γ需有γ≥γ*，γ*由式(8)確定。注意到γ*值與Q(y，δE)密切相關，Q選取不當很容易使γ*趨于無窮大，導致H∞遞歸算法發(fā)散。

2.2 H∞參數(shù)識別結果

參數(shù)識別的基本要求是不可有將無冰飛機錯報為結冰的“誤警報”，因此本文對無冰、結冰飛機均進行計算分析。同時，識別計算也應滿足一定的快速性要求，以保證在可能的飛行事故發(fā)生以前盡快做出反應。

H∞識別結果見圖1。升降舵標準輸入［8］為大小1°，周期2 s的方波。另外，P0=I，Q0=10-7I，Q=Σ2TΣ2，γ=3。

圖1 無冰、結冰飛機H∞參數(shù)識別結果

對于結冰飛機，初始參數(shù)估計值χ^0即為表1中無冰飛機參數(shù)值。注意到圖中各參數(shù)已相對于表1中無冰氣動參數(shù)歸一化，對于無冰飛機，顯然參數(shù)歸一化后真實值為1;對于飛機η=0.10的結冰情況，由式(5)及表1計算可得M*三個參數(shù)歸一化后真實值分別為0.90，0.90，0.965?？梢娽槍Σ煌蓴_噪音，無冰及結冰參數(shù)估計均可在升降舵輸入一個周期(2 s)內較為準確的收斂到真實值。

對于真實飛機結冰情況，其所有氣動參數(shù)應都對應一個結冰嚴重程度η。參數(shù)辨識方法必須確保辨識得到的所有氣動參數(shù)對應的結冰嚴重程度是一致的，這是關鍵難點。從圖2中可以看出，本文采用H∞參數(shù)辨識算法計算得到所有氣動參數(shù)所對應的結冰嚴重程度是一致的。

3 神經(jīng)網(wǎng)絡監(jiān)測

神經(jīng)網(wǎng)絡具有從眾多復雜耦合的相關輸入中提取信息的能力，本能的并行計算特性及良好的容錯結構。同時，訓練好的神經(jīng)網(wǎng)絡在檢測過程中僅涉及對于權值、閥值的簡單計算，具有良好的快速性。神經(jīng)網(wǎng)絡具備離線訓練的能力，可在地面利用仿真數(shù)據(jù)完成訓練后在線進行檢測，更為快速可靠。

3.1 網(wǎng)絡結構

如圖2，網(wǎng)絡采用單隱層前饋BP神經(jīng)網(wǎng)絡，隱層節(jié)點數(shù)為7(注意圖2僅為結構示意圖，并不表示隱層節(jié)點數(shù)為5)。為使網(wǎng)絡具有更好的非線性映像能力，各層間傳遞函數(shù)采用值域為(-1，1)的S函數(shù)。網(wǎng)絡輸入為H∞參數(shù)識別的結果。網(wǎng)絡檢測分析飛機結冰嚴重程度η，η一般分為6級，取值分別為η={0，0.02，0.04，0.06，0.08，0.10}，注意到S函數(shù)值域為(-1，1)，為防止網(wǎng)絡輸出飽和，我們將η值人工映像到(-1，1)區(qū)間上，通過網(wǎng)絡輸出N所處區(qū)間判斷結冰嚴重程度，映射關系式見表3。

圖2 神經(jīng)網(wǎng)絡結構及傳遞函數(shù)S函數(shù)

表3 神經(jīng)網(wǎng)絡檢測輸出及其對應的η值

3.2 網(wǎng)絡訓練數(shù)據(jù)

前文提到，網(wǎng)絡輸入為參數(shù)識別檢測到的三個俯仰力矩氣動參數(shù)。參數(shù)識別中升降舵標準控制輸入為大小1°、周期2 s的方波。在升降舵輸入一個周期(2 s)內，參數(shù)識別已經(jīng)可以取得較好的結果。進一步研究表明，改變升降舵輸入大小、周期，識別結果在升降舵輸入一個周期內均可以良好收斂到真實值。因此，我們設定在升降舵輸入加載到一個周期的時刻打開神經(jīng)網(wǎng)絡，網(wǎng)絡輸入即為此時刻參數(shù)識別算法的遞歸計算值。

網(wǎng)絡訓練中，為獲得更為充足的訓練數(shù)據(jù)，保證網(wǎng)絡良好的泛化能力，我們針對結冰嚴重程度不同等級，不同大小、周期的升降舵輸入均進行仿真計算，同時，各情形均重復計算5次，模擬5個噪音路徑。

網(wǎng)絡訓練輸出為表3中各級η值對應區(qū)間上下限中值。各級對應N值見表4。

表4 各級η值所對應的神經(jīng)網(wǎng)絡訓練輸出

3.3 網(wǎng)絡性能測試

神經(jīng)網(wǎng)絡檢測并不直接輸出飛機結冰嚴重程度具體值，而是根據(jù)網(wǎng)絡輸出值所處區(qū)間判斷其處于“哪一級”。對網(wǎng)絡性能的基本要求是不能有“越級”現(xiàn)象發(fā)生。

網(wǎng)絡測試數(shù)據(jù)獨立于3.2中提到的網(wǎng)絡訓練數(shù)據(jù)。升降舵輸入采用標準的大小1°、周期2 s的方波輸入，網(wǎng)絡輸入為參數(shù)識別2 s時刻的計算結果。對6個等級每一級均進行100次測試，共600組測試數(shù)據(jù)。

神經(jīng)網(wǎng)絡測試結果見圖3?？梢姛o論結冰與否，各級網(wǎng)絡輸出均嚴格按照表3對應關系落在相應區(qū)間內，600組測試資料沒有“越級”現(xiàn)象發(fā)生。該神經(jīng)網(wǎng)絡完全可以滿足對飛機結冰嚴重程度等級檢測的要求。

圖3 神經(jīng)網(wǎng)絡性能測試

3 總結

本文主要介紹了飛機平尾結冰嚴重程度檢測方法。在飛機動力學和結冰嚴重程度模型基礎上，通過H∞參數(shù)識別算法及神經(jīng)網(wǎng)絡檢測，比較準確地辨識飛機氣動參數(shù)，定量分析飛機平尾結冰情況。

進一步的研究工作可在如下三方面進行:進一步細化飛機飛行動力學模型，包括外界擾動更為精細地模擬;對飛機其他位置如機翼、機頭等處的結冰情況進行進一步地分析;實現(xiàn)飛機結冰在線實時監(jiān)測。

［1］郭龍，沈宏良，施永毅.飛機容冰技術的研究進展［J］.飛行力學，2005，23(1):75-78.

［2］J.W.Melody，T.Basar，W.R.Perkins，et al.Parameter identification for inflight detection and characterization of aircraft icing［J］.Control Engineering Practice，2000(8):985-1001.

［3］Prof M.Bragg，Prof T.Basar，Prof W.R.Perkinset al.Smart Icing Systems NASA Review［R］.University of Illinois at Urbana-Champaign，1999.

［4］鐘長生，杜亮，洪冠新.飛機結冰引起的飛行動力學問題探討［J］.飛行力學，2004，22(3):64-68.

［5］M.B.Bragg，T.Hutchison，J.Merret，et la.Effects of Ice Accretion on Aircraft Flight Dynamics［R］.Proceedings of 38th AIAA Aerospace Sciences and Exhibit，number AIAA-2000-0360，Reno，Nevada，Jan.2000.

［6］T.P.Ratvasky，R.J.Ranaudo.Icing Effects on Aircraft Stability and Control Determined From Flight Data［R］.Proceedings of the 31st Aerospace Sciences Meeting and Exhibit，number NASA/TM 105997 or AIAA-93-0398，Reno，Nevada，Jan.1993.

［7］Didinsky，G.，Pan，Z.，Basar，T..Parameter Identification of Uncertain Plants Using HinfMethods［J］.Automatica，31(9):1227-1250.

［8］Judith Foss Van Zante，Thomas P.Ratvasky.Investigation of Dynamic Flight Maneuvers With an Iced Tailplane［R］.Proceedings of the 37th Aerospace Sciences Meeting and Exhibit，number NASA/TM-1999-208849 or AIAA-99-0371，Reno，Nevada，Jan.1999.