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。首先根據飛行狀態(tài)參數偏航角、無線電高度與指示空速三種監(jiān)測參數對直升機飛行狀態(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，并結合概率密度函數方法，將直升機狀態(tài)分為平飛、上升、下降、轉彎、非轉彎、穩(wěn)速、增速與減速等狀態(tài)。其次，在初步狀態(tài)劃分基礎上，根據高度、偏航角兩種參數進行三大狀態(tài)預分類。再次，在每個大類中，再根據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。本文結合某型號直升機飛行過程中獲取到的飛行參數，對所研究的方法進行驗證，驗證結果表明，該方法能夠實現對直升機飛行狀態(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。

關鍵詞：直升機狀態(tài)識別；概率密度函數；預分類；預處理；廣義回歸神經網絡

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)行任務時，起落場地要求簡單[1]，因此應用廣泛，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[2]。直升機在空中的飛行狀態(tài)因執(zhí)行任務各異而變得復雜多樣[3]。直升機任務執(zhí)行中，在內因及外因的影響下，所承受載荷類型復雜，傳動系統(tǒng)承受載荷較大。

不同飛行狀態(tài)下，直升機產生的振動強度不同，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難性的后果。直升機傳動系統(tǒng)狀態(tài)監(jiān)測技術中尤為重要的內容是要完成飛行狀態(tài)識別，根據不同的飛行狀態(tài)，開展直升機狀態(tài)監(jiān)測及預測，可有效提高狀態(tài)監(jiān)測及預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、故障診斷及預測的重要條件之一[4]。

王少萍等[5]提出了基于預分類技術及徑向基函數（radial basis function，RBF）神經網絡的飛行狀態(tài)識別方法，其預分類過程簡潔，在飛行狀態(tài)初步分類過于粗略，且識別結果有待提升。國內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)，根據狀態(tài)參數數據變化特點，對狀態(tài)參數差分值絕對值及差分值方差進行限定，同時結合概率密度函數方法，對直升機實現初步狀態(tài)劃分。根據狀態(tài)參數閾值大小建立直升機典型16個狀態(tài)的分類機制。結果顯示，在實際應用中，對直升機進行初步狀態(tài)準確劃分的基礎上，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

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，根據最佳效果調節(jié)大小。

2直升機狀態(tài)預分類機制

2.1直升機狀態(tài)初步分類

本文根據狀態(tài)參數偏航角、無線電高度、指示空速進行狀態(tài)劃分，分別將其劃分為轉彎非轉彎、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據1045個采樣點，將得到的直升機15種飛行參數分別作為狀態(tài)識別參數，對于轉彎非轉彎的變化情況，僅有偏航角參數能夠準確反映，由于篇幅限制，以偏航角參數進行轉彎非轉彎狀態(tài)劃分過程為例進行具體說明。具體轉彎非轉彎狀態(tài)劃分步驟如下。

（1）對狀態(tài)參數偏航角值進行差分，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，初步得到屬于非轉彎狀態(tài)的多段序列。剩下的即為轉彎狀態(tài)數據。

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

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

經過仿真得到結果，其中得到轉彎采樣點個數171，非轉彎采樣點個數874。轉彎狀態(tài)如圖2所示。得到非轉彎狀態(tài)數據如圖3所示。最終的轉彎非轉彎狀態(tài)劃分的結果如圖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)轉彎非轉彎，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、偏航角的轉彎非轉彎預分類為三個大狀態(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。神經網絡輸入參數橫向變距角、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。

3.1直升機大狀態(tài)1狀態(tài)識別

建立大狀態(tài)1的神經網絡識別模型，隨機選取狀態(tài)1～4每個狀態(tài)的60個樣本作為神經網絡訓練樣本數據，并進行歸一化處理，對應狀態(tài)1～4神經網絡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)建神經網絡識別模型。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)識別結果如圖5所示。神經網絡1輸出結果見表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的神經網絡識別模型，將狀態(tài)5、6、9、13每個狀態(tài)的60個樣本輸入神經網絡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)識別結果如圖6所示。神經網絡2輸出結果見表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的神經網絡識別模型，將狀態(tài)7/8/11/15每個狀態(tài)的60個樣本輸入神經網絡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)識別結果如圖7所示。神經網絡3輸出結果見表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)識別結果準確率為91.67%。

4結論

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，根據狀態(tài)參數偏航角、無線電高度與指示空速度數據特點及限定條件劃分為轉彎非轉彎、穩(wěn)速增速加速、平飛上升與下降，根據高度閾值及轉彎非轉彎預分類為三個大狀態(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據根據分類機制進行狀態(tài)劃分后作為測試數據，對三個神經網絡識別模型進行測試，其輸出結果與狀態(tài)分類機制結果進行驗證，結果顯示三個大狀態(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，在工程實踐應用中具有很好的效果。由于直升機數據樣本有限，直升機更多狀態(tài)樣本數據不足。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，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)振動預測技術研究[J].航空科學技術，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.基于預分類技術和RBF神經網絡的直升機飛行狀態(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網絡在數控機床復合故障診斷中的應用[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