基于ANFIS的進近階段飛行員操縱模型設計

毛忠明　顧宏斌　吳東蘇

摘要：自適應神經模糊系統(tǒng)（ANFIS）中的模糊推理部分能有效地模擬飛行員在操縱時的感知、決策、執(zhí)行過程，人工神經網絡部分能對復雜的非線性系統(tǒng)進行自適應學習，因此利用ANFIS對飛行員的操縱行為進行建模是非常合適的。本文基于CESSNA 172模擬器設計了飛行員在環(huán)的人機實驗，通過實驗采集了進近階段飛行員的操縱數據和飛機實時響應數據，將數據處理后作為ANFIS的輸入輸出訓練得到飛行員在進近時的操縱模型，并對模型預測效果進行了驗證。ANFIS訓練得到的操縱模型既可以作為進一步研究飛行員操縱行為的工具，也可以作為評判飛行員進近時操縱表現的標準。

關鍵詞：飛行員操縱模型；ANFIS；飛行員在環(huán)實驗；進近過程

中圖分類號：TP216.7 文獻標識碼：A 文章編號：1007-9416（2019）01-0168-04

0 引言

飛行員操縱飛機作業(yè)是一個復雜的、高耦合的人機閉環(huán)系統(tǒng)，飛行員的操縱表現直接關乎飛行安全。隨著新材料和新科技的發(fā)展，飛機設備本身原因造成的事故已經大大減少，飛行員的不當操縱逐漸成為飛行事故的主要誘因[1]。據統(tǒng)計由飛行員失誤引發(fā)的飛行事故超總事故的一半以上，因此分析飛行員的操縱表現、對其進行建模研究，對減少飛行員的不安全行為、提高航空系統(tǒng)的安全性有著重要意義。

從發(fā)展過程看，飛行員操縱模型大致可以分為兩類，一類是以經典控制、現代控制等控制技術為基礎的典型控制模型，另一類是以人體生理學、人的認知過程為研究出發(fā)點的“人”的模型。最早的飛行員操縱模型是Tustin[2]提出的用線性近似的方法來表示飛行員的操縱行為。隨后 McRuer[3]提出了經典的交叉模型，對截止頻率附近飛行員的線性行為進行了描述?；谌梭w生理學，Hess[4]提出了一種模擬飛行員感知和操控行為的結構化飛行員模型。Hosman[5]為了分析視覺和前庭系統(tǒng)對飛行員行為的影響，提出了一種描述模型用來模擬飛行員在執(zhí)行追蹤任務時的行為表現。

近年來隨著人工智能的興起，模糊控制和神經網絡等智能技術在飛行員操縱建模研究中越來越受到重視。本文在現有的經典飛行員操縱模型上，利用CESSNA 172模擬器進行了飛行員在環(huán)的人機實驗，試圖探討真實情形下飛行員在進近時的操縱行為。通過采集飛行員的操縱數據和飛機響應數據，使用ANFIS[6]自適應神經網絡訓練得到進近階段飛行的操縱模型，并對模型預測結果進行了驗證。實驗結果表明，ANFIS訓練得到的飛行員操縱模型具有較好的預測效果。

1 飛行實驗設計

1.1 實驗流程

本次飛行實驗選取15名被試分別在正常（晴朗白天）、風雨干擾、夜間等三種不同環(huán)境條件下，以祿口機場為起降機場進行五邊飛行，并通過數據接口，實時記錄被試在飛行過程中各個階段的操縱信息和飛機響應信息。實驗流程如圖1所示。

飛行實驗開始前，每一被試都有單獨15分鐘的時間對實驗室的CESSNA 172模擬器進行試飛以熟悉實驗環(huán)境，從而減小被試由于客觀原因造成的操縱誤差。正式開始實驗時，被試依次進入CESSNA 172模擬器，保持良好的生理、心理狀態(tài)，準備飛行。實驗人員設置實驗飛行環(huán)境（正常、風雨干擾、夜間）、起降機場（本實驗中均為祿口機場），同時啟動后臺數據采集程序，實時記錄被試操縱信息和飛機響應信息。實驗人員告知被試“可以起飛”后，被試開始正常起飛，在飛行過程中，實驗人員應該在被試操縱飛機進入下一飛行階段（例如起飛、平飛、進近著陸等）時記錄對應的時間信息，以便于后續(xù)進行數據分析。

實驗要求每個被試均以祿口機場為起降機場進行五邊飛行，分別在不同飛行環(huán)境下完成3組飛行實驗。實驗過程保持安靜，每次飛行結束后，被試在模擬器內等待，實驗人員重新設置飛行環(huán)境，準備下一組飛行實驗，實驗流程與前述過程一致。實驗結束后，被試應按要求填寫被試登記表，實驗人員安排下一名被試進行實驗。

1.2 實驗對象

本次實驗所選被試為15名男性飛行學員，年齡19～25周歲，平均年齡21.9周歲，雙眼裸眼視力正常，均為右利手，身體狀況良好，無重大病史。實驗開始前所有被試應注意保持作息規(guī)律，避免服用刺激性藥物或食品，實驗過程中應保持良好的生理、心理狀態(tài)。

被試的相關信息如表1所示。

1.3 數據分析

數據采集程序在被試進行飛行實驗時，由實驗人員啟動，后臺運行，采樣頻率為50Hz。每組實驗數據包含13列信息：時間、迎角、側滑角、高度、馬赫數、俯仰角、滾轉角、升降舵操縱輸入、副翼操縱輸入、方向舵操縱輸入、俯仰角速率、滾轉角速率、偏航角速率。

圖2所示是第11號被試和第13號被試在正常飛行環(huán)境下進近時的操縱數據（本文只分析進近階段被試的操縱表現）。從中可以發(fā)現不同被試在進近時的操縱行為具有一定的相似性，因此通過被試的操縱數據訓練得到相應的操縱模型是可性的。此外，不同的被試，其操縱表現有一定差異，在當前情況下，13號被試的表現略優(yōu)于11號被試。對于異常的操縱數據在后續(xù)模型訓練時應及時剔除，并讓該被試重新進行飛行實驗和數據采集。

2 ANFIS網絡結構

1985年Takagi和Sugeno[7]提出了一種新的模糊推理模型——T-S模型，該模型可以通過少數模糊規(guī)則生成大量的非線性函數，進而模擬人腦的判斷和決策。ANFIS就是由T-S模型和人工神經網絡構成的，該系統(tǒng)既具有模糊推理系統(tǒng)的擬人性，又包含人工神經網絡的自適應學習能力，其最大的特點是根據已知數據就可以對控制系統(tǒng)進行建模。因此對于系統(tǒng)特性相對復雜或者系統(tǒng)特性不明顯，甚至不知道被控系統(tǒng)的特性時，都可以利用ANFIS得到一個較好的控制效果。

T-S模型的輸出一般為輸入變量的線性函數或常數，其典型的模糊推理規(guī)則為：

If is and is Then

規(guī)則中，和是前提的模糊數，是結論中的準確數。多為和的多項式。為了實現T-S模型的學習能力，引入人工神經網絡，將其轉化一個自適應網絡，即ANFIS，結構如圖3所示。

ANFIS的結構一般可以分為五層：

在自適應網絡中，，，，是隸屬函數的參數，，，是結論參數，利用相應算法訓練ANFIS，可以得到對應的參數值，達到模糊建模的目的。

3 減法聚類算法

減法聚類[8]（Subtractive Clustering）是一種通過檢測輸入輸出數據中的聚類來生成模糊推理系統(tǒng)的方法。不必預先定義隸屬度函數的數量，而由算法根據找到的關鍵集群自行設置。

為了從數據中提取規(guī)則，訓練數據根據各自類別被分成組。考慮某一特定類的一組個數據點，其中是輸入特征空間中的向量，在不喪失一般性的情況下，假定特征空間是規(guī)范化的，因此所有數據都由一個單位超立方體所限定。假定每個數據點都是該組的潛在聚類中心，而數據點作為該組聚類中心的潛在可能為：

其中，表示歐氏距離，是一個正常數。因此，某一數據點作為聚類中心的潛在可能為該點到組內其他點距離的函數。一般來說，具有越多相鄰數據點的數據點越可能成為聚類中心。常數是定義鄰域的標準化半徑，該半徑之外的數據點對聚類中心的影響很小。值得注意的是，由于數據空間是規(guī)范化的，所以等于數據空間一側的長度。在計算出組中每個數據點成為聚類中心的潛在可能之后，選擇數值最高的數據點作為第一個聚類中心。假設是第一個聚類中心的位置，是其可能值。則每個數據點作為該組聚類中心的潛在可能值修正為：

（9）

其中，是一個正常數（壓縮因子）。也就是說，此時每個數據點作為聚類中心的潛在可能應減去已完成的第一個聚類中心的作用。距離第一個聚類中心越近的數據點，其減去的值越大，越不可能被選為該組的下一個聚類中心。常數是定義鄰域的半徑，用來測量數據點作為聚類中心的潛在可能的減少值。為了避免獲得密集的簇中心，通常選擇為。當所有數據點成為聚類中心的潛在可能經式9修正后，選擇當前可能值最大的數據點作為下一個聚類中心。每個數據點作為該組聚類中心的潛在可能值繼續(xù)被修正： （10）

其中是第個聚類中心的位置，是其可能值。

不斷獲取新的聚類中心并對數據點的潛在可能值進行修正，直到組中所有數據點的可能值都低于第一個聚類中心的可能值的某一部分值，一般將作為停止標準。

4 飛行員操縱模型訓練和驗證分析

4.1 模型訓練

在飛行員進近時，飛行儀表能幫助飛行員獲得飛機的當前姿態(tài)和高度信息，從而指引飛行員做出正確的操縱行為。本文以飛行儀表指示作為輸入，對應的俯仰操縱和滾轉操縱作為輸出訓練飛行員操縱模型。

在模型訓練前，首先對45組實驗數據進行均值處理，然后隨機抽取35組作為訓練數據，10組作為驗證數據，以飛機的高度信息、俯仰角、滾轉角作為輸入值，分別以俯仰操縱和滾轉操縱作為輸出值，分別用減法聚類算法訓練得到基于飛行儀表指示的進近階段飛行員俯仰操縱模型（FD_Pitch_FIS）和滾轉操縱模型（FD_Roll_FIS），模型結構如圖4和圖5所示。

4.2 ANFIS操縱模型驗證

訓練得到的FD_Pitch_FIS模型有35個隸屬度函數，訓練誤差為0.0541，FD_Roll_FIS模型有15個隸屬度函數，訓練誤差為0.1929，圖6所示是FD_Pitch_FIS模型中俯仰角、飛機高度輸入和俯仰控制信號輸出之間的非線性關系。圖7所示分別是時域上飛行員進近時俯仰操縱和滾轉操縱的驗證數據（虛線）與對應的模型預測數據（實線）的比較情況。

從圖7中可以看出，以飛行儀表指示作為輸入訓練得到的飛行員操縱模型在飛行員低頻操縱時具有較好的預測效果，對于飛行員頻次較高的操縱行為模型預測結果有不同程度的失真現象。從整體上看，俯仰操縱的預測效果略優(yōu)于滾轉操縱。

5 結語

本文基于飛行實驗，在傳統(tǒng)的飛行員操縱模型的基礎上，引入ANFIS系統(tǒng)，通過利用采集到的的飛行員操縱數據和飛機響應數據，訓練得到基于飛行儀表指示的進近階段飛行員操縱模型，為飛行員操縱行為建模提供了一種新的思路和方法。訓練得到的操縱模型能較好地預測飛行員的操縱行為，可以作為進一步研究飛行員操縱行為表現的工具。此外，為了提高ANFIS模型訓練的效果，可以通過加大飛行實驗的樣本數，調整聚類算法參數，增加模型輸入等方式進行改進。

參考文獻

[1] 中國民用航空總局人為因素課題組.民用航空人的因素培訓手冊[M].北京：中國民航出版社，2003.

[2] Tustin， A.， An Investigation of the Operators Response in Manual Control of a Power Driven Gun[C]. C. S. Memorandum Number 169， Metropolitan Vickers Electric Company， Ltd， Sheffield， England，1944.

[3] McRuer， D. T.， & Jex， H. R. A review of quasi-linear pilot models[J]. IEEE Transactions on Human Factors in Electronics， HFE， 1967，8（3）：231-249.

[4] Hess， R. A. Structural model of the adaptive human pilot[J].Journal of Guidance， Control， and Dynamics，1979，3（5），416-423.

[5] Hosman， R. Pilots perception and control of aircraft motions[C]. Delft University Press，1996.

[6] Takagi， T. and Sugeno， M.， Fuzzy Identification of Systems and Its Application to Modeling and Control[J]. IEEE Trans. On Systems， Man & Cybernetics，1985，（15）：116-132.

[7] Sugeno， M.， Industrial Applications of Fuzzy Control[J]. Elsevier Science Pub. Co.，1985.

[8] Chiu， S.， Fuzzy Model Identification Based on Cluster Estimation[J]. Journal of Intelligent & Fuzzy Systems， 1994，Vol. 2， No. 3.

Abstract：The fuzzy reasoning part of the ANFIS can effectively simulate the process of pilot's perception， decision-making and execution during operation， and the artificial neural network part can carry out adaptive learning for the complex nonlinear system. Therefore， it is very appropriate to use ANFIS to model pilot's control behavior. This paper designs the pilot's man-machine experiment in the loop based on CESSNA 172 simulator. Through the experiment， the pilot's control data and aircraft real-time response data are collected. The data are processed as input and output of ANFIS. Then， the pilot's control model is trained and the predictive effect of the model is verified. The control model trained by ANFIS can be used not only as a tool to further study pilot's control behavior， but also as a criterion to evaluate pilot's maneuvering performance when approaching.

Key words：pilot control model； ANFIS； pilot-in-the-loop experiment； approach stage