基于預(yù)分類機制及GRNN的直升機飛行狀態(tài)識別

李勝男 王景霖 沈勇 單添敏 林澤力 曹亮

摘要：針對某型號直升機的16個典型飛行狀態(tài)進行狀態(tài)識別方法研究。首先根據(jù)飛行狀態(tài)參數(shù)偏航角、無線電高度與指示空速三種監(jiān)測參數(shù)對直升機飛行狀態(tài)進行初步劃分，即分別將其差分絕對值與方差大小作為限定條件，并結(jié)合概率密度函數(shù)方法，將直升機狀態(tài)分為平飛、上升、下降、轉(zhuǎn)彎、非轉(zhuǎn)彎、穩(wěn)速、增速與減速等狀態(tài)。其次，在初步狀態(tài)劃分基礎(chǔ)上，根據(jù)高度、偏航角兩種參數(shù)進行三大狀態(tài)預(yù)分類。再次，在每個大類中，再根據(jù)速度的劃分范圍及速度變化情況將直升機劃分為16個典型飛行狀態(tài)。最后，對劃分的16個典型飛行狀態(tài)所屬的大狀態(tài)類別分別建立廣義回歸GRNN狀態(tài)識別模型。本文結(jié)合某型號直升機飛行過程中獲取到的飛行參數(shù)，對所研究的方法進行驗證，驗證結(jié)果表明，該方法能夠?qū)崿F(xiàn)對直升機飛行狀態(tài)的有效識別，對于提高直升機狀態(tài)監(jiān)控具有重要的支撐作用。

關(guān)鍵詞：直升機狀態(tài)識別；概率密度函數(shù)；預(yù)分類；預(yù)處理；廣義回歸神經(jīng)網(wǎng)絡(luò)

中圖分類號：V215文獻標識碼：ADOI：10.19452/j.issn1007-5453.2021.08.003

直升機是一種可以實現(xiàn)低高空、低高速和機頭方向靈活變動的航空器，相比飛機，直升機在執(zhí)行任務(wù)時，起落場地要求簡單[1]，因此應(yīng)用廣泛，可以在高原、沙漠、極寒等各種氣候下，從事軍事打擊和搶險救災(zāi)[2]。直升機在空中的飛行狀態(tài)因執(zhí)行任務(wù)各異而變得復(fù)雜多樣[3]。直升機任務(wù)執(zhí)行中，在內(nèi)因及外因的影響下，所承受載荷類型復(fù)雜，傳動系統(tǒng)承受載荷較大。

不同飛行狀態(tài)下，直升機產(chǎn)生的振動強度不同，各零部件的受損情況會受到不同程度影響。尤其是具有直升機三大動部件之稱的傳動系統(tǒng)，其零部件一般無冗余備份，一旦發(fā)生故障或振動超限極易造成災(zāi)難性的后果。直升機傳動系統(tǒng)狀態(tài)監(jiān)測技術(shù)中尤為重要的內(nèi)容是要完成飛行狀態(tài)識別，根據(jù)不同的飛行狀態(tài)，開展直升機狀態(tài)監(jiān)測及預(yù)測，可有效提高狀態(tài)監(jiān)測及預(yù)測的準確性及可靠性。因此直升機飛行狀態(tài)識別是開展直升機狀態(tài)監(jiān)測、故障診斷及預(yù)測的重要條件之一[4]。

王少萍等[5]提出了基于預(yù)分類技術(shù)及徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)的飛行狀態(tài)識別方法，其預(yù)分類過程簡潔，在飛行狀態(tài)初步分類過于粗略，且識別結(jié)果有待提升。國內(nèi)外研究學者采用圖像分析法進行狀態(tài)識別[6-7]，但在實踐工程應(yīng)用中準確率有待驗證。為了更加精確地劃分各個飛行狀態(tài)，根據(jù)狀態(tài)參數(shù)數(shù)據(jù)變化特點，對狀態(tài)參數(shù)差分值絕對值及差分值方差進行限定，同時結(jié)合概率密度函數(shù)方法，對直升機實現(xiàn)初步狀態(tài)劃分。根據(jù)狀態(tài)參數(shù)閾值大小建立直升機典型16個狀態(tài)的分類機制。結(jié)果顯示，在實際應(yīng)用中，對直升機進行初步狀態(tài)準確劃分的基礎(chǔ)上，飛行狀態(tài)識別具有很高的準確率。

1基于GRNN的飛行狀態(tài)識別方法

1.1概率密度函數(shù)

光滑因子σ很大時，輸出接近樣本的均值。光滑因子σ接近0時，輸出會與訓練的樣本很相似。σ的取值要適中，根據(jù)最佳效果調(diào)節(jié)大小。

2直升機狀態(tài)預(yù)分類機制

2.1直升機狀態(tài)初步分類

本文根據(jù)狀態(tài)參數(shù)偏航角、無線電高度、指示空速進行狀態(tài)劃分，分別將其劃分為轉(zhuǎn)彎非轉(zhuǎn)彎、平飛非平飛、穩(wěn)速及非穩(wěn)速、上升與下降、增速與減速。

截取原始偏航角部分數(shù)據(jù)1045個采樣點，將得到的直升機15種飛行參數(shù)分別作為狀態(tài)識別參數(shù)，對于轉(zhuǎn)彎非轉(zhuǎn)彎的變化情況，僅有偏航角參數(shù)能夠準確反映，由于篇幅限制，以偏航角參數(shù)進行轉(zhuǎn)彎非轉(zhuǎn)彎狀態(tài)劃分過程為例進行具體說明。具體轉(zhuǎn)彎非轉(zhuǎn)彎狀態(tài)劃分步驟如下。

（1）對狀態(tài)參數(shù)偏航角值進行差分，考慮飛行狀態(tài)的時間連續(xù)性并根據(jù)差分值變化特點，選擇至少連續(xù)5s，且偏航角差分值絕對值小于3.6的時間序列，初步得到屬于非轉(zhuǎn)彎狀態(tài)的多段序列。剩下的即為轉(zhuǎn)彎狀態(tài)數(shù)據(jù)。

（2）選擇出來符合條件（1）的非轉(zhuǎn)彎狀態(tài)多段序列，對每一段序列數(shù)據(jù)求其概率密度，并找出對應(yīng)各段序列中概率密度最大值對應(yīng)的偏航角參數(shù)值大小m。結(jié)合狀態(tài)參數(shù)變化特點，每一段數(shù)據(jù)序列中，保留距離此值m<7的數(shù)據(jù)，作為非轉(zhuǎn)彎狀態(tài)數(shù)據(jù)，則每段中不符合此限定條件的數(shù)據(jù)歸為轉(zhuǎn)彎狀態(tài)下的數(shù)據(jù)。

（3）步驟（1）中得到的每段數(shù)據(jù)在條件（2）限定的基礎(chǔ)上，完成了對每段數(shù)據(jù)序列的重新篩選。方差是可以反映一組數(shù)據(jù)的整體波動大小的量，因此在經(jīng)過重新篩選得到的屬于非轉(zhuǎn)彎狀態(tài)的每段序列，求取對應(yīng)各段數(shù)據(jù)的差分絕對值的方差，去掉絕對值方差大于6的數(shù)據(jù)段數(shù)據(jù)，最終經(jīng)過上述步驟層層篩選，保留下來的符合上述條件的數(shù)據(jù)即最終得到的非轉(zhuǎn)彎狀態(tài)數(shù)據(jù)，則其余的數(shù)據(jù)全部為轉(zhuǎn)彎狀態(tài)數(shù)據(jù)。

經(jīng)過仿真得到結(jié)果，其中得到轉(zhuǎn)彎采樣點個數(shù)171，非轉(zhuǎn)彎采樣點個數(shù)874。轉(zhuǎn)彎狀態(tài)如圖2所示。得到非轉(zhuǎn)彎狀態(tài)數(shù)據(jù)如圖3所示。最終的轉(zhuǎn)彎非轉(zhuǎn)彎狀態(tài)劃分的結(jié)果如圖4所示。

2.2直升機狀態(tài)分類

無線電高度閾值為270m[11]，高于此閾值為高空狀態(tài)，小于此閾值為低空狀態(tài)。通過無線電高度劃分的狀態(tài)平飛非平飛，非平飛中上升與下降，偏航角劃分的狀態(tài)轉(zhuǎn)彎非轉(zhuǎn)彎，指示空速度劃分的狀態(tài)穩(wěn)速變速，變速中的增速減速以及速度閾值大小，具體劃分為16個典型狀態(tài)。其中速度大小范圍[12]劃分為：（1）最小速度范圍：小于4km/h，4～74km/h；（2）過度速度范圍：74～94km/h，94～130km/h，130～190km/h；（3）遠航速度：190～215km/h；（4）最大速度范圍：大于215km/h。具體劃分的此型號直升機16個典型飛行狀態(tài)見表1。通過無線電高度閾值、偏航角的轉(zhuǎn)彎非轉(zhuǎn)彎預(yù)分類為三個大狀態(tài)，各狀態(tài)所屬大狀態(tài)類別見表2。

3直升機狀態(tài)識別

根據(jù)直升機16個典型狀態(tài)所屬的大狀態(tài)類別，對每個大狀態(tài)建立GRNN狀態(tài)識別模型。神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)橫向變距角、右發(fā)扭矩、指示空速、偏航角、偏航角差分值等15個直升機參數(shù)。

3.1直升機大狀態(tài)1狀態(tài)識別

建立大狀態(tài)1的神經(jīng)網(wǎng)絡(luò)識別模型，隨機選取狀態(tài)1～4每個狀態(tài)的60個樣本作為神經(jīng)網(wǎng)絡(luò)訓練樣本數(shù)據(jù)，并進行歸一化處理，對應(yīng)狀態(tài)1～4神經(jīng)網(wǎng)絡(luò)識別模型輸出期望值分別為（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。創(chuàng)建神經(jīng)網(wǎng)絡(luò)識別模型。選取另一個直升機飛行每個狀態(tài)的30個樣本進行測試。大狀態(tài)1狀態(tài)識別結(jié)果如圖5所示。神經(jīng)網(wǎng)絡(luò)1輸出結(jié)果見表3。

{A1，A2，A3，A4}表示狀態(tài)1/2/3/4。光滑因子σ為0.3，狀態(tài)識別結(jié)果準確率為94.17%。

3.2直升機大狀態(tài)2狀態(tài)識別

建立大狀態(tài)2的神經(jīng)網(wǎng)絡(luò)識別模型，將狀態(tài)5、6、9、13每個狀態(tài)的60個樣本輸入神經(jīng)網(wǎng)絡(luò)2，則狀態(tài)識別模型輸出期望值分別為（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。大狀態(tài)2狀態(tài)識別結(jié)果如圖6所示。神經(jīng)網(wǎng)絡(luò)2輸出結(jié)果見表4。

{A5，A6，A9，A13}表示狀態(tài)5/6/9/13。光滑因子σ為0.32，狀態(tài)識別結(jié)果準確率為92.5%。

3.3直升機大狀態(tài)3狀態(tài)識別

建立大狀態(tài)3的神經(jīng)網(wǎng)絡(luò)識別模型，將狀態(tài)7/8/11/15每個狀態(tài)的60個樣本輸入神經(jīng)網(wǎng)絡(luò)3，則狀態(tài)識別模型輸出期望值分別為（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。大狀態(tài)3狀態(tài)識別結(jié)果如圖7所示。神經(jīng)網(wǎng)絡(luò)3輸出結(jié)果見表5。

{A7，A8，A11，A15}表示狀態(tài)7/8/11/15。光滑因子σ為0.23，狀態(tài)識別結(jié)果準確率為91.67%。

4結(jié)論

為了對直升機狀態(tài)進行更加準確的劃分，先對直升機飛行狀態(tài)進行初步劃分，根據(jù)狀態(tài)參數(shù)偏航角、無線電高度與指示空速度數(shù)據(jù)特點及限定條件劃分為轉(zhuǎn)彎非轉(zhuǎn)彎、穩(wěn)速增速加速、平飛上升與下降，根據(jù)高度閾值及轉(zhuǎn)彎非轉(zhuǎn)彎預(yù)分類為三個大狀態(tài)。通過速度變化及各速度范圍的劃分，最終劃分為16個典型飛行狀態(tài)。建立三個大狀態(tài)的狀態(tài)識別模型。采用直升機另外一個架次的飛行數(shù)據(jù)根據(jù)分類機制進行狀態(tài)劃分后作為測試數(shù)據(jù)，對三個神經(jīng)網(wǎng)絡(luò)識別模型進行測試，其輸出結(jié)果與狀態(tài)分類機制結(jié)果進行驗證，結(jié)果顯示三個大狀態(tài)的狀態(tài)識別準確率分別為94.17%、92.5%、91.67%，具有很高的準確率，在工程實踐應(yīng)用中具有很好的效果。由于直升機數(shù)據(jù)樣本有限，直升機更多狀態(tài)樣本數(shù)據(jù)不足。直升機狀態(tài)初步劃分可研究更加準確分類機制。

參考文獻

[1]Shahani A R，Mohammadi S. Damage tolerance and classic fatigue life prediction of a helicopter main rotor blade[J]. Meccanica，2016，51（8）：1869-1886.

[2]Davies D P，Jenkins S L，Belben F R. Survey of fatiguefailures in helicopter components and some lessons learnt[J]. Engineering FailureAnalysis，2013，32（9）：134-151.

[3]袁大天，于芳芳，李太平.直升機航電系統(tǒng)高寒山地環(huán)境飛行試驗[J].航空科學技術(shù)，2018，29（10）：32-37. Yuan Datian， Yu Fangfang， Li Taiping. Helicopter avionics systemflighttestinalpinemountainenvironment[J]. Aeronautical Science & Technology， 2018， 29（10）：32-37.（in Chinese）

[4]張武林，樊征兵，高文濤.直升機傳動系統(tǒng)振動預(yù)測技術(shù)研究[J].航空科學技術(shù)，2017，28（7）：1-6. Zhang Wulin， Fan Zhengbing， Gao Wentao. Research on vibration prediction technology of helicopter transmission system[J]. Aeronautical Science & Technology， 2017，28（7）：1-6.（in Chinese）

[5]王少萍，李凱，張超.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：中國201010190352.X[P].2010-10-06. Wang Shaoping， Li Kai， Zhang Chao. Helicopter flight status recognition method based on pre-classification technology and RBF neural network： China 201010190352.X[P].2010-10-06.（in Chinese）

[6]Voskuijl M，Tooren M J L V，Walker D J. Condition-based flight control for heliconpters：an extension to condition based maintenance[J]. Aerospace Science and Technology，2015，42：322-333.

[7]趙世峰，張海，范耀祖.一種基于計算機視覺的飛行器姿態(tài)估計算法[J].北京航空航天大學學報，2006， 32（8）：885-888. Zhao Shifeng， Zhang Hai， Fan Yaozu. Attitude estimation method for flight vehicles based on computervision[J]. Journal of Beijing University of Aeronautics and Astronautics， 2006， 32（8）：885-888.（in Chinese）

[8]張衛(wèi)華，趙明軍.指標無量綱化方法對綜合評價結(jié)果可靠性的影響及其實證分析[J].統(tǒng)計信息論壇， 2005， 20（3）：33-35. Zhang Weihua， Zhao Mingjun. The influence and empirical analysis of index dimensionless method on the reliability of comprehensive evaluation results[J]. Statistical Information Forum， 2005， 20（3）：33-35.（in Chinese）

[9]李善，譚繼文. KPCA-GRNN網(wǎng)絡(luò)在數(shù)控機床復(fù)合故障診斷中的應(yīng)用[J].煤礦機械， 2016， 37（3）：152-154. Li Shan， Tan Jiwen.KPCA-GRNN network in the application of CNC machine tools in the dia- gnosis of complex[J]. Coal Mine Machinery， 2016， 37（3）：152-154.（in Chinese）

[10]Kong Rui，Zhang Bing. A new face recognition method based on fast least squares support vector machine[J]. Physics Procedia，2011（22）：616-621

[11]劉雨.基于SVM的直升機飛行狀態(tài)識別方法及其應(yīng)用研究[D].南昌：南昌航空大學，2016. Liu Yu. Recognition method and application of helicopter flightstatusbasedonSVM[D].Nanchang：Nanchang Hangkong University， 2016.（in Chinese）

[12]熊邦書，劉雨，莫燕，等.基于SVM的直升機飛行狀態(tài)識別[J].應(yīng)用科學學報， 2016， 34（4）：469-474. Xiong Bangshu， Liu Yu， Mo Yan， et al. SVM-based helicopter flight status recognition[J]. Journal of Applied Sciences， 2016， 34（4）：469-474.（in Chinese）

Helicopter Flight Status Recognition Based on Pre-Classification Mechanism and GRNN

Li Shengnan，Wang Jinglin，Shen Yong，Shan Tianmin，Lin Zeli，Cao Liang

Aeronautical Science and Technology Key Laboratory of Fault Diagnosis and Health Management，AVIC Shanghai Aviation Measurement and Control Technology Research Institute，Shanghai 201601，China

Abstract： According to the typical 16 flight states of a certain type of helicopter， the state recognition method is studied. First of all， according to the flight state parameters yaw angle， radio altitude and indicated air speed， three monitoring parameters are used to divide the helicopter flight state. The status is divided into level flying， ascending， descending， turning， non-turning， steady speed， increasing speed and decelerating status. Secondly， on the basis of the preliminary state division， the three state pre-classifications are carried out according to the two parameters of altitude and yaw angle. In addition， in each category， the helicopter is divided into 16 typical flight states according to the speed range and speed changes. Finally， the generalized regression GRNN neural network state recognition model was established for the large state categories to which the 16 typical flight states belonged. This paper combines the flight parameters obtained during the flight of a certain type of helicopter to verify the method studied. The verification results show that the method can effectively identify the flight status of the helicopter and has an important supporting role for improving the monitoring of the helicopter status.

Key Words：helicopter status recognition；probability density function；pre-sort；pretreatment；generalized regression neural network