李勝男 王景霖 沈勇 單添敏 林澤力 曹亮

摘要：針對(duì)某型號(hào)直升機(jī)的16個(gè)典型飛行狀態(tài)進(jìn)行狀態(tài)識(shí)別方法研究。首先根據(jù)飛行狀態(tài)參數(shù)偏航角、無(wú)線電高度與指示空速三種監(jiān)測(cè)參數(shù)對(duì)直升機(jī)飛行狀態(tài)進(jìn)行初步劃分，即分別將其差分絕對(duì)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(jī)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(jìn)行三大狀態(tài)預(yù)分類。再次，在每個(gè)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(jī)劃分為16個(gè)典型飛行狀態(tài)。最后，對(duì)劃分的16個(gè)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(shí)別模型。本文結(jié)合某型號(hào)直升機(jī)飛行過(guò)程中獲取到的飛行參數(shù)，對(duì)所研究的方法進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果表明，該方法能夠?qū)崿F(xiàn)對(duì)直升機(jī)飛行狀態(tài)的有效識(shí)別，對(duì)于提高直升機(jī)狀態(tài)監(jiān)控具有重要的支撐作用。

關(guān)鍵詞：直升機(jī)狀態(tài)識(shí)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(hào)：V215文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.19452/j.issn1007-5453.2021.08.003

直升機(jī)是一種可以實(shí)現(xiàn)低高空、低高速和機(jī)頭方向靈活變動(dòng)的航空器，相比飛機(jī)，直升機(jī)在執(zhí)行任務(wù)時(shí)，起落場(chǎng)地要求簡(jiǎn)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(xiǎn)救災(zāi)[2]。直升機(jī)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(jī)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(dòng)系統(tǒng)承受載荷較大。

不同飛行狀態(tài)下，直升機(jī)產(chǎn)生的振動(dòng)強(qiáng)度不同，各零部件的受損情況會(huì)受到不同程度影響。尤其是具有直升機(jī)三大動(dòng)部件之稱的傳動(dòng)系統(tǒng)，其零部件一般無(wú)冗余備份，一旦發(fā)生故障或振動(dòng)超限極易造成災(zāi)難性的后果。直升機(jī)傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)技術(shù)中尤為重要的內(nèi)容是要完成飛行狀態(tài)識(shí)別，根據(jù)不同的飛行狀態(tài)，開(kāi)展直升機(jī)狀態(tài)監(jiān)測(cè)及預(yù)測(cè)，可有效提高狀態(tài)監(jiān)測(cè)及預(yù)測(cè)的準(zhǔn)確性及可靠性。因此直升機(jī)飛行狀態(tài)識(shí)別是開(kāi)展直升機(jī)狀態(tài)監(jiān)測(cè)、故障診斷及預(yù)測(cè)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(shí)別方法，其預(yù)分類過(guò)程簡(jiǎn)潔，在飛行狀態(tài)初步分類過(guò)于粗略，且識(shí)別結(jié)果有待提升。國(guó)內(nèi)外研究學(xué)者采用圖像分析法進(jìn)行狀態(tài)識(shí)別[6-7]，但在實(shí)踐工程應(yīng)用中準(zhǔn)確率有待驗(yàn)證。為了更加精確地劃分各個(gè)飛行狀態(tài)，根據(jù)狀態(tài)參數(shù)數(shù)據(jù)變化特點(diǎn)，對(duì)狀態(tài)參數(shù)差分值絕對(duì)值及差分值方差進(jìn)行限定，同時(shí)結(jié)合概率密度函數(shù)方法，對(duì)直升機(jī)實(shí)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(jī)典型16個(gè)狀態(tài)的分類機(jī)制。結(jié)果顯示，在實(shí)際應(yīng)用中，對(duì)直升機(jī)進(jìn)行初步狀態(tài)準(zhǔn)確劃分的基礎(chǔ)上，飛行狀態(tài)識(shí)別具有很高的準(zhǔn)確率。

1基于GRNN的飛行狀態(tài)識(shí)別方法

1.1概率密度函數(shù)

光滑因子σ很大時(shí)，輸出接近樣本的均值。光滑因子σ接近0時(shí)，輸出會(huì)與訓(xùn)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(jī)狀態(tài)預(yù)分類機(jī)制

2.1直升機(jī)狀態(tài)初步分類

本文根據(jù)狀態(tài)參數(shù)偏航角、無(wú)線電高度、指示空速進(jìn)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?jǐn)?shù)據(jù)1045個(gè)采樣點(diǎn)，將得到的直升機(jī)15種飛行參數(shù)分別作為狀態(tài)識(shí)別參數(shù)，對(duì)于轉(zhuǎn)彎非轉(zhuǎn)彎的變化情況，僅有偏航角參數(shù)能夠準(zhǔn)確反映，由于篇幅限制，以偏航角參數(shù)進(jìn)行轉(zhuǎn)彎非轉(zhuǎn)彎狀態(tài)劃分過(guò)程為例進(jìn)行具體說(shuō)明。具體轉(zhuǎn)彎非轉(zhuǎn)彎狀態(tài)劃分步驟如下。

（1）對(duì)狀態(tài)參數(shù)偏航角值進(jìn)行差分，考慮飛行狀態(tài)的時(shí)間連續(xù)性并根據(jù)差分值變化特點(diǎn)，選擇至少連續(xù)5s，且偏航角差分值絕對(duì)值小于3.6的時(shí)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(lái)符合條件（1）的非轉(zhuǎn)彎狀態(tài)多段序列，對(duì)每一段序列數(shù)據(jù)求其概率密度，并找出對(duì)應(yīng)各段序列中概率密度最大值對(duì)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(diǎn)，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(duì)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(dòng)大小的量，因此在經(jīng)過(guò)重新篩選得到的屬于非轉(zhuǎn)彎狀態(tài)的每段序列，求取對(duì)應(yīng)各段數(shù)據(jù)的差分絕對(duì)值的方差，去掉絕對(duì)值方差大于6的數(shù)據(jù)段數(shù)據(jù)，最終經(jīng)過(guò)上述步驟層層篩選，保留下來(lái)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(guò)仿真得到結(jié)果，其中得到轉(zhuǎn)彎采樣點(diǎn)個(gè)數(shù)171，非轉(zhuǎn)彎采樣點(diǎn)個(gè)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(jī)狀態(tài)分類

無(wú)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(guò)無(wú)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(gè)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(guò)度速度范圍：74～94km/h，94～130km/h，130～190km/h；（3）遠(yuǎn)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(hào)直升機(jī)16個(gè)典型飛行狀態(tài)見(jiàn)表1。通過(guò)無(wú)線電高度閾值、偏航角的轉(zhuǎn)彎非轉(zhuǎn)彎預(yù)分類為三個(gè)大狀態(tài)，各狀態(tài)所屬大狀態(tài)類別見(jiàn)表2。

3直升機(jī)狀態(tài)識(shí)別

根據(jù)直升機(jī)16個(gè)典型狀態(tài)所屬的大狀態(tài)類別，對(duì)每個(gè)大狀態(tài)建立GRNN狀態(tài)識(shí)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(gè)直升機(jī)參數(shù)。

3.1直升機(jī)大狀態(tài)1狀態(tài)識(shí)別

建立大狀態(tài)1的神經(jīng)網(wǎng)絡(luò)識(shí)別模型，隨機(jī)選取狀態(tài)1～4每個(gè)狀態(tài)的60個(gè)樣本作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)，并進(jìn)行歸一化處理，對(duì)應(yīng)狀態(tài)1～4神經(jīng)網(wǎng)絡(luò)識(shí)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(shí)別模型。選取另一個(gè)直升機(jī)飛行每個(gè)狀態(tài)的30個(gè)樣本進(jìn)行測(cè)試。大狀態(tài)1狀態(tài)識(shí)別結(jié)果如圖5所示。神經(jīng)網(wǎng)絡(luò)1輸出結(jié)果見(jiàn)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(shí)別結(jié)果準(zhǔn)確率為94.17%。

3.2直升機(jī)大狀態(tài)2狀態(tài)識(shí)別

建立大狀態(tài)2的神經(jīng)網(wǎng)絡(luò)識(shí)別模型，將狀態(tài)5、6、9、13每個(gè)狀態(tài)的60個(gè)樣本輸入神經(jīng)網(wǎng)絡(luò)2，則狀態(tài)識(shí)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(shí)別結(jié)果如圖6所示。神經(jīng)網(wǎng)絡(luò)2輸出結(jié)果見(jiàn)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(shí)別結(jié)果準(zhǔn)確率為92.5%。

3.3直升機(jī)大狀態(tài)3狀態(tài)識(shí)別

建立大狀態(tài)3的神經(jīng)網(wǎng)絡(luò)識(shí)別模型，將狀態(tài)7/8/11/15每個(gè)狀態(tài)的60個(gè)樣本輸入神經(jīng)網(wǎng)絡(luò)3，則狀態(tài)識(shí)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(shí)別結(jié)果如圖7所示。神經(jīng)網(wǎng)絡(luò)3輸出結(jié)果見(jiàn)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(shí)別結(jié)果準(zhǔn)確率為91.67%。

4結(jié)論

為了對(duì)直升機(jī)狀態(tài)進(jìn)行更加準(zhǔn)確的劃分，先對(duì)直升機(jī)飛行狀態(tài)進(jìn)行初步劃分，根據(jù)狀態(tài)參數(shù)偏航角、無(wú)線電高度與指示空速度數(shù)據(jù)特點(diǎn)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(gè)大狀態(tài)。通過(guò)速度變化及各速度范圍的劃分，最終劃分為16個(gè)典型飛行狀態(tài)。建立三個(gè)大狀態(tài)的狀態(tài)識(shí)別模型。采用直升機(jī)另外一個(gè)架次的飛行數(shù)據(jù)根據(jù)分類機(jī)制進(jìn)行狀態(tài)劃分后作為測(cè)試數(shù)據(jù)，對(duì)三個(gè)神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行測(cè)試，其輸出結(jié)果與狀態(tài)分類機(jī)制結(jié)果進(jìn)行驗(yàn)證，結(jié)果顯示三個(gè)大狀態(tài)的狀態(tài)識(shí)別準(zhǔn)確率分別為94.17%、92.5%、91.67%，具有很高的準(zhǔn)確率，在工程實(shí)踐應(yīng)用中具有很好的效果。由于直升機(jī)數(shù)據(jù)樣本有限，直升機(jī)更多狀態(tài)樣本數(shù)據(jù)不足。直升機(jī)狀態(tài)初步劃分可研究更加準(zhǔn)確分類機(jī)制。

參考文獻(xiàn)

[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(jī)航電系統(tǒng)高寒山地環(huán)境飛行試驗(yàn)[J].航空科學(xué)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(jī)傳動(dòng)系統(tǒng)振動(dòng)預(yù)測(cè)技術(shù)研究[J].航空科學(xué)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(jī)飛行狀態(tài)識(shí)別方法：中國(guó)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(jì)算機(jī)視覺(jué)的飛行器姿態(tài)估計(jì)算法[J].北京航空航天大學(xué)學(xué)報(bào)，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(biāo)無(wú)量綱化方法對(duì)綜合評(píng)價(jià)結(jié)果可靠性的影響及其實(shí)證分析[J].統(tǒng)計(jì)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(jī)床復(fù)合故障診斷中的應(yīng)用[J].煤礦機(jī)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(jī)飛行狀態(tài)識(shí)別方法及其應(yīng)用研究[D].南昌：南昌航空大學(xué)，2016. Liu Yu. Recognition method and application of helicopter flightstatusbasedonSVM[D].Nanchang：Nanchang Hangkong University， 2016.（in Chinese）

[12]熊邦書(shū)，劉雨，莫燕，等.基于SVM的直升機(jī)飛行狀態(tài)識(shí)別[J].應(yīng)用科學(xué)學(xué)報(bào)， 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