馬凱超, 宋筆鋒, 殷之平, 謝偉, 曹善成

(西北工業(yè)大學(xué) 航空學(xué)院, 陜西 西安 710072)

一種基于神經(jīng)網(wǎng)絡(luò)的飛機(jī)載荷參數(shù)識(shí)別方法

馬凱超, 宋筆鋒, 殷之平, 謝偉, 曹善成

(西北工業(yè)大學(xué) 航空學(xué)院, 陜西 西安 710072)

提出一種經(jīng)遺傳算法優(yōu)化的Kalman濾波神經(jīng)網(wǎng)絡(luò)(GA-KFNN)方法,對(duì)飛機(jī)特定機(jī)動(dòng)下的載荷進(jìn)行參數(shù)識(shí)別。首先,構(gòu)建Kalman濾波神經(jīng)網(wǎng)絡(luò)(KFNN),設(shè)計(jì)了相關(guān)改進(jìn)算法抑制濾波發(fā)散,提高了網(wǎng)絡(luò)的預(yù)測(cè)精度和抗噪能力;其次,利用遺傳算法(GA)優(yōu)化KFNN的相關(guān)參數(shù),使網(wǎng)絡(luò)能迅速收斂,提高了運(yùn)算效率。載荷識(shí)別結(jié)果顯示,改進(jìn)和優(yōu)化后的GA-KFNN運(yùn)行穩(wěn)定,收斂迅速,具有良好的識(shí)別精度和泛化能力,滿足工程實(shí)際需求。

神經(jīng)網(wǎng)絡(luò); Kalman濾波; 遺傳算法; 載荷識(shí)別

0 引言

基于飛行參數(shù)的載荷識(shí)別(以下簡(jiǎn)稱參數(shù)識(shí)別)是飛機(jī)疲勞載荷監(jiān)控的主要手段[1],其用途有:(1)驗(yàn)證飛機(jī)載荷理論計(jì)算方法和計(jì)算精度;(2)在新機(jī)定型試飛中通過(guò)識(shí)別載荷擴(kuò)展飛行包線;(3)建立的參數(shù)識(shí)別模型可用于使用中飛機(jī)的疲勞載荷監(jiān)控[2]。常用的參數(shù)識(shí)別技術(shù)有回歸分析、神經(jīng)網(wǎng)絡(luò)和混合型識(shí)別等[2],其中含單隱層的神經(jīng)網(wǎng)絡(luò)已經(jīng)能達(dá)到足夠的載荷識(shí)別精度[3]。

目前,國(guó)內(nèi)外已經(jīng)開(kāi)展許多基于神經(jīng)網(wǎng)絡(luò)的參數(shù)識(shí)別研究。其中,由于飛機(jī)的機(jī)動(dòng)載荷是疲勞損傷和使用壽命最重要的影響因素之一[1],所以有研究專門(mén)針對(duì)特定機(jī)動(dòng)下的載荷進(jìn)行參數(shù)識(shí)別,取得了較為精確的結(jié)果,具有較高的實(shí)用價(jià)值[1,3]。

本文沿襲以上思路,采用某機(jī)動(dòng)下的飛行參數(shù)和載荷,提出一種經(jīng)遺傳算法優(yōu)化的Kalman濾波神經(jīng)網(wǎng)絡(luò)(GA-KFNN)方法,完成參數(shù)識(shí)別過(guò)程,并給出算例說(shuō)明了該方法的準(zhǔn)確性與實(shí)用性。

1 參數(shù)識(shí)別模型

初始數(shù)據(jù)經(jīng)過(guò)濾波、平滑等預(yù)處理后,取其中的高度、馬赫數(shù)、重量、迎角、重心法向過(guò)載等關(guān)鍵參數(shù)[1,4]作為輸入,以某部位的A,B,C三種載荷作為輸出,建立GA-KFNN模型。為便于對(duì)預(yù)測(cè)精度做出評(píng)價(jià),引入如下指標(biāo)[5]:

(1)最大誤差應(yīng)控制在實(shí)測(cè)載荷的20%以內(nèi);

(2)平均誤差應(yīng)控制在實(shí)測(cè)載荷的3%以內(nèi)。

2 KFNN的改進(jìn)

常規(guī)反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)原理見(jiàn)文獻(xiàn)[1,6]。飛行參數(shù)與不可預(yù)知的偏差作為輸入u0,經(jīng)過(guò)“輸入層→隱層→輸出層”兩次加權(quán)求和與非線性映射,輸出u2作為載荷的預(yù)測(cè)值;通過(guò)與載荷的實(shí)測(cè)值z(mì)比較,來(lái)反向調(diào)整各層權(quán)值Wi(i=0,1,2；表示網(wǎng)絡(luò)層號(hào),下同)。網(wǎng)絡(luò)代價(jià)函數(shù)為:

(1)

若非線性函數(shù)選為S型函數(shù),則有:

(2)

式中,γ1和γ2分別為兩個(gè)S型函數(shù)的斜率,對(duì)網(wǎng)絡(luò)誤差和迭代次數(shù)有較大影響。

由于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程可以視為一個(gè)線性離散時(shí)間系統(tǒng)[7],所以可用Kalman濾波算法構(gòu)建KFNN完成上述過(guò)程。穩(wěn)定的KFNN不依賴于Wi初值的選取,且精度更高,收斂速度更快[6-7]。但KFNN常假設(shè)過(guò)程噪聲w和量測(cè)噪聲v為零均值的白噪聲(方差分別為R和Q),仍給預(yù)測(cè)結(jié)果帶來(lái)一定誤差,且有可能出現(xiàn)濾波發(fā)散現(xiàn)象[7]。本文采用如下算法進(jìn)行改進(jìn):

(1)為了抑制濾波發(fā)散,采用“衰減記憶濾波”法[8],引入遺忘因子λi(i=1,2)來(lái)取代R和Q對(duì)濾波增益的改變效果,λi的具體形式為:

(3)

在先驗(yàn)知識(shí)不足的情況下,可讓?duì)薸從較大值退火到[0,1]之間的某一個(gè)較小值,從而逐漸主導(dǎo)濾波增益陣的改變[7-8]。

(4)

(5)

對(duì)于i=1,2,若設(shè)學(xué)習(xí)效率為μ,則有:

(6)

其中濾波增益陣、估計(jì)誤差方差陣分別為:

(7)

(8)

輸入層-隱層、隱層-輸出層之間的誤差:

(9)

3 優(yōu)化過(guò)程

3.1GA的引入

已建立的KFNN包含兩層S型函數(shù)的斜率γ1和γ2、遺忘因子的最終值λ1和λ2、學(xué)習(xí)效率μ等待優(yōu)化參數(shù)。在多種適用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法中,GA的運(yùn)算規(guī)模較小、算法復(fù)雜度低、易于獲得全局最優(yōu)解[10],因此采用GA優(yōu)化這5種參數(shù)。將上述參數(shù)編碼成為特定長(zhǎng)度的二進(jìn)制串,每串代表一個(gè)個(gè)體,采用式(1)計(jì)算個(gè)體的適應(yīng)度,其余過(guò)程見(jiàn)圖1,相關(guān)參數(shù)設(shè)置見(jiàn)表1。

圖1 GA-KFNN流程Fig.1 GA-KFNN flowchart

參數(shù)數(shù)值種群大小50進(jìn)化代數(shù)20交叉概率05變異概率03γ1和γ2取值范圍[005，30]μ取值范圍[005，05]λ1和λ2最終值取值范圍[05，1]

3.2 交互驗(yàn)證的引入

交互驗(yàn)證是一種有效避免神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)學(xué)習(xí)或欠學(xué)習(xí)的方法[11]。本文采用較為精確的K-CV法:將飛行參數(shù)和載荷的訓(xùn)練樣本平均分為K組,以每個(gè)子集的數(shù)據(jù)分別作一次預(yù)測(cè)集,同時(shí)其余的K-1組作為訓(xùn)練集,得到每個(gè)個(gè)體可能出現(xiàn)的K個(gè)適應(yīng)度,以其中的最大值作為該個(gè)體的最終適應(yīng)度。所有個(gè)體的交互驗(yàn)證完成后,最終適應(yīng)度最小的個(gè)體為最優(yōu)個(gè)體,這樣便得到一組最優(yōu)參數(shù)。

4 實(shí)例分析

下面給出GA-KFNN對(duì)特定機(jī)動(dòng)下飛機(jī)某部位載荷的預(yù)測(cè)結(jié)果。訓(xùn)練樣本容量5 700組,預(yù)測(cè)樣本容量180組。輸入為前文提到的關(guān)鍵飛行參數(shù),輸出為A,B,C三種載荷。

4.1GA優(yōu)化結(jié)果

KFNN收斂過(guò)程如圖2所示,可見(jiàn)GA的引入使GA-KFNN收斂較快,經(jīng)過(guò)一次訓(xùn)練已基本達(dá)到最小均方誤差,而未經(jīng)GA優(yōu)化的KFNN則顯示出較慢的收斂速度。

最終得到的一組最優(yōu)參數(shù)為:

γ1=2.397 4,γ2=0.752 0,λ1=0.999 89,λ2=0.998 42,μ=0.299 03。

圖2 KFNN收斂過(guò)程Fig.2 KFNN convergence process

4.2GA-KFNN識(shí)別精度

該機(jī)動(dòng)下GA-KFNN對(duì)三種載荷的預(yù)測(cè)結(jié)果(局部)如圖3所示;作為對(duì)比,圖中同時(shí)給出BPNN的預(yù)測(cè)結(jié)果(局部)。

數(shù)據(jù)對(duì)比如表2所示。

由圖3和表2可知,GA-KFNN的最大絕對(duì)誤差、最大相對(duì)誤差和平均相對(duì)誤差均低于BPNN,且能滿足指標(biāo)要求;而大量實(shí)驗(yàn)中BPNN的平均相對(duì)誤差很難低于3%,不滿足指標(biāo)要求?？梢?jiàn)GA-KFNN具有較高的精度,可以應(yīng)用在工程實(shí)際問(wèn)題中。

圖3 GA-KFNN與BPNN的預(yù)測(cè)結(jié)果Fig.3 Prediction results of GA-KFNN and BPNN

方法載荷最大絕對(duì)誤差/N·m最大相對(duì)誤差/%平均相對(duì)誤差/%GA?KFNNA621255728224754B391077939114848C282138604027962BPNNA664426458632196B7490211756962379C4728910116964903

4.3GA-KFNN泛化能力

泛化能力是指網(wǎng)絡(luò)訓(xùn)練好后,對(duì)新的輸入數(shù)據(jù)能給出準(zhǔn)確的輸出結(jié)果,或當(dāng)原輸入數(shù)據(jù)受到噪聲污染時(shí),仍具有一定的輸出精度[12]。GA-KFNN具有較好的泛化能力,現(xiàn)設(shè)計(jì)驗(yàn)證方法如下:

(1)對(duì)訓(xùn)練樣本的馬赫數(shù)、迎角、重心法向過(guò)載等3個(gè)關(guān)鍵輸入?yún)?shù)進(jìn)行噪聲污染:對(duì)其1/2樣本數(shù)據(jù)加減隨機(jī)數(shù)或直接變?yōu)殡S機(jī)數(shù)(計(jì)算機(jī)任意選擇方式;隨機(jī)數(shù)取值范圍與原數(shù)據(jù)相同),1/4樣本數(shù)據(jù)置零,其余樣本數(shù)據(jù)不做處理,以此模仿原數(shù)據(jù)受到污染、歪曲和遺漏等情況;3個(gè)參數(shù)的污染過(guò)程是獨(dú)立的;

(2)對(duì)訓(xùn)練樣本的輸出不做任何修改;對(duì)預(yù)測(cè)樣本的輸入和輸出均不做任何修改;

(3)用污染后的樣本進(jìn)行訓(xùn)練和預(yù)測(cè),分別采用GA-KFNN方法和BPNN方法。兩種方法的預(yù)測(cè)結(jié)果(局部)如圖4所示,數(shù)據(jù)對(duì)比見(jiàn)表3。

圖4 GA-KFNN與BPNN對(duì)污染數(shù)據(jù)的預(yù)測(cè)結(jié)果Fig.4 Predicted results for the polluted data by GA-KFNN and BPNN

方法載荷最大絕對(duì)誤差/N·m最大相對(duì)誤差/%平均相對(duì)誤差/%GA?KFNNA885148323233754B504168942533056C5011711801062060BPNNA18944026675066301B13784032994072638C6775519816044624

由以上圖表可見(jiàn),對(duì)關(guān)鍵輸入?yún)?shù)作較大變動(dòng)后,BPNN的誤差較大,尤其是峰谷值點(diǎn),導(dǎo)致其最大相對(duì)誤差遠(yuǎn)遠(yuǎn)超出指標(biāo)允許的范圍;而GA-KFNN的最大相對(duì)誤差仍低于20%,平均相對(duì)誤差略高于3%(其中載荷A和載荷B在4%以內(nèi),載荷C為6.2%),在峰谷值點(diǎn)未發(fā)生大的偏差。這在工程上具有實(shí)際意義。當(dāng)飛機(jī)的數(shù)據(jù)采集系統(tǒng)發(fā)生故障時(shí),往往會(huì)出現(xiàn)誤采或漏采。在這種情況下,GA-KFNN仍能根據(jù)有限的可靠信息給出具有一定參考價(jià)值的預(yù)測(cè)結(jié)果,體現(xiàn)出較強(qiáng)的實(shí)用性。

當(dāng)然,大量實(shí)驗(yàn)中也觀測(cè)到:GA-KFNN對(duì)載荷C的預(yù)測(cè)精度一般要低于載荷A和B,如圖3和圖4所示。初步的分析是對(duì)于這種多輸入多輸出的樣本,GA-KFNN還存在兩方面的問(wèn)題:一是初始數(shù)據(jù)的檢驗(yàn)和預(yù)處理尚不充分；二是模型的適應(yīng)能力等還有待提升。這些都是未來(lái)工作的重點(diǎn)。

5 結(jié)論

通過(guò)本文研究得出以下結(jié)論:(1)利用神經(jīng)網(wǎng)絡(luò)方法,針對(duì)特定機(jī)動(dòng)的參數(shù)識(shí)別可以獲得較為精確的結(jié)果;(2)用GA優(yōu)化得到的最佳參數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,可以加速模型的收斂,提高運(yùn)算效率;(3)GA-KFNN不依賴于網(wǎng)絡(luò)權(quán)值的初值,具有較高的識(shí)別精度;(4)GA-KFNN具有較強(qiáng)的泛化能力,表現(xiàn)為訓(xùn)練樣本發(fā)生嚴(yán)重的噪聲污染時(shí)仍能給出具有一定精度的預(yù)測(cè)結(jié)果;(5)目前GA-KFNN尚存在多輸出精度不對(duì)等的問(wèn)題,表現(xiàn)在對(duì)載荷C的識(shí)別精度總是低于載荷A和B,其原因下一步將重點(diǎn)進(jìn)行研究。

[1] 蔣祖國(guó),田丁栓,周占廷.飛機(jī)結(jié)構(gòu)載荷/環(huán)境譜[M].北京:電子工業(yè)出版社,2012:77-88,252-254,357-358.

[2] 劉文廷.結(jié)構(gòu)可靠性設(shè)計(jì)手冊(cè)[M].北京:國(guó)防工業(yè)出版社,2008:323-332.

[3] Tikka J A.Flight parameter based fatigue analysis approach for a fighter aircraft[J].The Aeronautical Journal,2008,112(1):79-91.

[4] 劉文廷,王智,隋福成,等.單機(jī)壽命監(jiān)控技術(shù)指南[M].北京:國(guó)防工業(yè)出版社,2010:40-49.

[5] Kaneko H,Furukawa T.Operational loads regression equation development for advanced fighter aircraft[C]//Paper ICAS 24th International Congress of the Aeronautical Sciences.Japan,2004:1-9.

[6] Ravindra V J.Flight vehicle system identification:a time domain methodology[M].USA:American Institute of Aeronautics and Astronautics,2006:265-274.

[7] 付夢(mèng)印,鄧志紅,閆莉萍,等.Kalman濾波理論及其在導(dǎo)航系統(tǒng)中的應(yīng)用[M].第二版.北京:科學(xué)出版社,2010:175-198.

[8] Godrad D.Channel equalization using a Kalman filter for fast data transmission[J].Communication,1974,18(5):267-273.

[9] Scalero R S,Tepedelenlioglu N.A fast algorithm for training feed-forward neural networks[J].IEEE Transactions on Signal Processing,1992,40(1):202-210.

[10] Nicolas Garcia-Pedrajas,Domingo Drtiz-Boyer,Cesar Hervas-Martinez.An alternative approach for neural network evolution with a genetic algorithm:crossover by combinatorial optimization[J].Neural Networks,2006,19(4):514-528.

[11] 史峰,王小川,郁磊,等.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2010:121-132.

[12] 賀昱曜,方忠,徐德民.基于卡爾曼濾波的二次型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及收斂性分析[J].系統(tǒng)工程與電子技術(shù),1999,21(8):57-59.

Analternativeapproachforparameterbasedflightloadsidentificationusingtheneuralnetworks

MA Kai-chao, SONG Bi-feng, YIN Zhi-ping, XIE Wei, CAO Shan-cheng

(College of Aeronautics, NWPU, Xi’an 710072, China)

This paper describes a parameter based flight loads identification approach under specific maneuvers by developing Genetic Algorithm improved Kalman Filter Neural Networks (GA-KFNN). Firstly, in order to overcome the defects of conventional Back-propagation Neural Networks (BPNN), KFNN are constructed and improved by updated algorithms to restrain filtering divergence, whilst be more precise in prediction and robust to noise. Secondly, GA is applied to optimize the parameters of KFNN, so that the networks can converge more quickly and have higher efficiency. The results of loads identification show that GA-KFNN operates stably, converge rapidly, and have good recognition accuracy and generalization ability, which meet the demands of engineering practice.

neural networks; Kalman filter; genetic algorithm; load identification

V215.2

A

1002-0853(2013)04-0363-04

2012-11-30;

2013-03-28; < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間:2013-06-06 12:24

國(guó)家自然科學(xué)基金青年科學(xué)基金資助(11102158)

馬凱超(1988-)，男，北京人,碩士研究生，研究方向?yàn)轱w行器系統(tǒng)辨識(shí)。

(編輯：方春玲)