直升機旋翼系統(tǒng)飛行參數(shù)識別模型研究

張君男，張 偉

(中國直升機設計研究所，江西 景德鎮(zhèn) 333001)

直升機旋翼系統(tǒng)飛行參數(shù)識別模型研究

張君男，張 偉

(中國直升機設計研究所，江西 景德鎮(zhèn) 333001)

直升機旋翼系統(tǒng)的工作方式及其所承受的載荷形式使飛行實測載荷數(shù)據(jù)的有效性不高。研究如何利用有限的實測載荷及飛行參數(shù)數(shù)據(jù)建立直升機旋翼系統(tǒng)飛行參數(shù)識別模型，對于推進飛行載荷測試任務有重要意義?；贛atlab編程建立遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡直升機旋翼系統(tǒng)飛行參數(shù)識別模型，實現(xiàn)通過現(xiàn)有載荷數(shù)據(jù)及飛參數(shù)據(jù)對旋翼系統(tǒng)飛行載荷預測仿真。預測的最大相對誤差為10%、平均相對誤差為3.7%，滿足工程要求，并且較未使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測結果好，表明所建立的飛行參數(shù)識別模型具有很好的學習能力和泛化能力。

直升機旋翼系統(tǒng)；飛行實測載荷數(shù)據(jù)；飛行參數(shù)識別模型；遺傳算法；BP神經(jīng)網(wǎng)絡

0 引言

飛行載荷測試是為獲得直升機零部件疲勞定壽所需載荷譜的實測載荷數(shù)據(jù)而進行的大型飛行試驗[1]。每個試飛科目有對應的起飛重量和重心位置要求，不同的飛行狀態(tài)對應不同的飛行參數(shù)，如飛行高度、速度、過載、上升或下降速率、側滑角、航向角以及旋翼轉速和發(fā)動機功率等。直升機旋翼系統(tǒng)由于其工作方式及所受載荷形式的特殊性，外場飛行載荷測試中經(jīng)常出現(xiàn)貼片損壞、通道無效的情況，給測試任務帶來諸多不便。因此，在有限飛行實測載荷數(shù)據(jù)的基礎上建立飛行參數(shù)識別模型對于飛行載荷測試任務的推進有重要意義。

飛行參數(shù)如飛行高度、飛行速度、側滑角、航向角、重心法向過載等影響著直升機各個部件所承受的載荷。直升機旋翼和尾槳在飛行時高速旋轉，主要承受揮舞彎矩、擺振彎矩、扭矩等，這些部件的某些部位的貼片由于漂移、易損壞等原因，降低了測量的準確性，影響實測載荷的有效性。本文主要研究通過遺傳算法和BP神經(jīng)網(wǎng)絡建立直升機旋翼系統(tǒng)飛行參數(shù)識別模型。

1 旋翼系統(tǒng)飛行參數(shù)識別模型

通過已有樣本的飛行參數(shù)與飛行載荷訓練創(chuàng)建的BP神經(jīng)網(wǎng)絡，得到直升機旋翼系統(tǒng)飛行參數(shù)的識別模型。利用該模型進行預測仿真測試，評價模型性能。

圖1 直升機旋翼系統(tǒng)飛行參數(shù)識別模型

2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種無反饋的前向網(wǎng)絡，網(wǎng)絡中的神經(jīng)元分層排列，也是一種多層網(wǎng)絡的“逆推”學習算法。BP神經(jīng)網(wǎng)絡由輸入層、輸出層和至少一層隱蔽層組成，每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由聯(lián)接權值來達到增強、減弱或抑制這些輸出的作用，除了輸入層的神經(jīng)元外，隱蔽層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權和。每個神經(jīng)元均由它的輸入、活化函數(shù)和閾值來決定它的活化程度[2]。

圖2是BP神經(jīng)網(wǎng)絡示意圖。輸入量必須選擇那些對輸出影響大且能夠檢測或提取的變量。各輸入量之間互不相關或相關性很小。

圖2 BP神經(jīng)網(wǎng)絡示意圖

BP網(wǎng)絡的計算關鍵在于學習過程中的誤差反向傳播過程，此過程是通過使一個目標函數(shù)最小化來完成的。通常目標函數(shù)定義為實際輸出與希望輸出之間的誤差平方和。

圖3是二維權空間的誤差曲面分布情況，從中可以看到很多凹凸不平，低凹部分就是誤差函數(shù)的極小點。在BP算法中，網(wǎng)絡權值的修正依賴于準則函數(shù)的一階導數(shù)信息，當求解空間存在多個局部最小點即極小點時，一旦隨機產(chǎn)生的初始網(wǎng)絡權值設置不當，便會陷入局部收斂而無法逃出。網(wǎng)絡初始權值的初始化決定了網(wǎng)絡的訓練從誤差曲面的哪一點開始，因此初始化對縮短網(wǎng)絡的訓練時間至關重要。針對這些特點，可以采用遺傳算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化[3]。

圖3 二維權空間的誤差曲面分布情況

3 改進BP神經(jīng)網(wǎng)絡模型

3.1 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化可以取消各維數(shù)據(jù)間的量級差別，避免因為輸入輸出數(shù)據(jù)量級差別較大而造成BP神經(jīng)網(wǎng)絡模型識別載荷誤差較大，同時使神經(jīng)元傳輸函數(shù)處于有利于反向傳播算法執(zhí)行的區(qū)間[4]。

本文采用平均數(shù)方差法進行數(shù)據(jù)的歸一化。

式中，xk為飛行載荷或飛行參數(shù)數(shù)據(jù)，xmean為飛行數(shù)據(jù)序列的均值，xvar為飛行數(shù)據(jù)的方差。

3.2 遺傳算法

遺傳算法(GA)是一種進化算法，把問題參數(shù)編碼為染色體，再利用迭代的方式進行選擇、交叉以及變異等運算來交換種群中染色體的信息，最終生成符合優(yōu)化目標的染色體。

遺傳算法的基本步驟[3]：

1) 編碼

GA在進行搜索前先將解空間的解數(shù)據(jù)表示成遺傳空間的基因型串結構數(shù)據(jù)，這些串結構數(shù)據(jù)的不同組合便構成了不同的點。

2) 初始群體的生成

隨機產(chǎn)生N個初始串結構數(shù)據(jù)，每個串結構數(shù)據(jù)稱為一個個體，N個個體構成了一個群體。 GA以這N個串結構數(shù)據(jù)作為初始點進行優(yōu)化。

3) 適應度評估

適應度表明個體或解的優(yōu)劣性。不同的問題，適應性函數(shù)的定義方式也不同。

4) 選擇

選擇的目的是為了從當前群體中選出優(yōu)良的個體，使它們有機會作為父代繁殖下一代。遺傳算法通過選擇過程體現(xiàn)這一思想，進行選擇的原則是適應性強的個體貢獻一個或多個后代的概率大。選擇體現(xiàn)了達爾文的適者生存原則。

5) 交叉

交叉操作是遺傳算法中最主要的遺傳操作。通過交叉操作可以得到新一代個體，新個體組合了其父輩個體的特性。交叉體現(xiàn)了信息交換的思想。

6) 變異

變異首先在群體中隨機選擇一個個體，對于選中的個體以一定的概率隨機地改變串結構數(shù)據(jù)中某個串的值。同生物界一樣，GA中變異發(fā)生的概率很低，通常取值很小。

3.3 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡由BP神經(jīng)網(wǎng)絡結構確定、遺傳算法優(yōu)化權值和閾值、BP神經(jīng)網(wǎng)絡訓練及預測三部分組成。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡算法流程參見文獻[3]。

其基本思想是用個體代表網(wǎng)絡的初始權值和閾值，把預測樣本的BP神經(jīng)網(wǎng)絡的測試誤差的范數(shù)作為目標函數(shù)的輸出，進而計算該個體的適應度值，通過選擇、交叉、變異操作尋找最優(yōu)個體，即最優(yōu)的BP神經(jīng)網(wǎng)絡初始權值和閾值。根據(jù)樣本的輸入/輸出參數(shù)個數(shù)確定BP神經(jīng)網(wǎng)絡的拓撲結構、遺傳算法優(yōu)化參數(shù)的個數(shù)，從而確定種群個體的編碼長度。神經(jīng)網(wǎng)絡的權值和閾值一般是通過隨機初始化為[-0.5,0.5]區(qū)間的隨機數(shù)，這個初始化參數(shù)對網(wǎng)絡訓練的影響很大，但是又無法準確獲得，引入遺傳算法就是為了優(yōu)化出最佳的初始權值和閾值[3]。

4 實例應用

取直升機一個飛行架次中某一飛行高度旋翼系統(tǒng)的某一剖面的21個實測飛行數(shù)據(jù)點作為樣本。隨機產(chǎn)生的11個樣本為訓練集進行網(wǎng)絡訓練，剩余的10個為測試集作為網(wǎng)絡的測試數(shù)據(jù)對訓練好的網(wǎng)絡進行測試。

原始數(shù)據(jù)經(jīng)過跳點清除去除干擾后進行歸一化處理。根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡的理論，本文基于Matlab編程建立遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡直升機旋翼系統(tǒng)飛行參數(shù)識別模型。其中，BP神經(jīng)網(wǎng)絡部分使用Matlab自帶的神經(jīng)網(wǎng)絡工具箱，遺傳算法部分使用Sheffield遺傳算法工具箱。BP神經(jīng)網(wǎng)絡的輸入輸出如表1所示。

表1 BP神經(jīng)網(wǎng)絡輸入輸出

選擇測試樣本的測試誤差的范數(shù)作為目標函數(shù)的輸出來衡量網(wǎng)絡的一個泛化能力。適應度函數(shù)采用排序的適應度分配函數(shù)：

其中，obj為目標函數(shù)的輸出。

選擇算子采用隨機遍歷抽樣(sus)。交叉算子采用最簡單的單點交叉算子。變異以一定概率產(chǎn)生變異基因數(shù)，用隨機方法選出發(fā)生變異的基因。當所選的基因編碼為1，則變?yōu)?；反之，則變?yōu)?。

本文遺傳算法運行參數(shù)設定如表2所示。

誤差范數(shù)越小，則網(wǎng)絡的預測精度越高。圖4為誤差進化曲線。

將遺傳算法優(yōu)化后得到的最佳初始權值和閾值代入網(wǎng)絡即可對擺振彎矩進行預測，將預測值進行反歸一化后得到擺振彎矩的預測值。

表2 遺傳算法運行參數(shù)設定

分別使用隨機權值和閾值以及使用遺傳算法優(yōu)化后的權值和閾值對某一剖面的擺振彎矩進行預測，并與實測值進行對比，得到如圖5所示的對比曲線。從圖中可以看出，使用遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡的預測效果得到了較大的改善。

圖4 誤差進化曲線

其中，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡預測的最大相對誤差為10%，平均相對誤差為3.7%，滿足工程要求，表明遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡具有很好的學習能力和泛化能力。

圖5 預測結果對比圖

5 結論

本文通過數(shù)據(jù)歸一化、遺傳算法、BP神經(jīng)網(wǎng)絡等建立了直升機旋翼系統(tǒng)飛行參數(shù)識別模型。利用直升機旋翼系統(tǒng)某一剖面的飛行實測數(shù)據(jù)實現(xiàn)所建網(wǎng)絡的訓練和預測驗證，結果表明該模型能夠有效地通過飛行參數(shù)預測飛行載荷。粒子群算法、蟻群算法等也可用于BP神經(jīng)網(wǎng)絡初始權值和閾值的優(yōu)化，本文缺少對其他優(yōu)化算法與遺傳算法優(yōu)化的比較，下一步將繼續(xù)尋找更佳的優(yōu)化算法。

[1] 穆志稻，曾本銀.直升機結構疲勞[M].北京:國防工業(yè)出版社,2009．

[2] 田景文，高美娟. 人工神經(jīng)網(wǎng)絡算法研究及應用[M].北京:北京理工大學出版社.

[3] 郁 磊,史 峰，等.MATLAB智能算法30個案例分析(第2版)[M].北京:北京航空航天大學出版社.

[4] 曹善成,殷之平，等.基于遺傳神經(jīng)網(wǎng)絡的飛行載荷參數(shù)識別[J].航空計算技術,2013,43(1):61-64.

Study of Helicopter Rotor System Recognition Model of Flying Parameters

ZHANG Junnan , ZHANG Wei

(China Helicopter Research and Development Institute, Jingdezhen 333001, China)

The working manner and loading form of helicopter rotor system cause the low effectiveness of measured flying loading data. It is of important significance to study how to use limited measured loading and flying parameters data to establish helicopter rotor system recognition model of flying parameters for carrying the task of measuring flying loading a step forward. Helicopter rotor system recognition model of flying parameters in this paper was established using BP networks optimized by genetic algorithm based on Matlab. This model realized the prediction and simulation of rotor’s flying loading with available loading and flying parameters data. The maximum relative error between the predicted results and the measured data was 10%, the average 3.7%, which met the engineering demand. Furthermore, the predicted results were better than that of BP networks without genetic algorithm. It demonstrated that the recognition model of flying parameters in this paper had good learning ability and generalization ability.

helicopter rotor system; measured flying loading data; recognition model of flying parameters; genetic algorithm; BP networks

2016-09-29

張君男(1990-)，女，浙江省東陽市人，碩士，助理工程師，主要研究方向：結構疲勞強度設計。

1673-1220(2016)04-025-04

V215.1

A