CN102968662B - 一种飞行器复飞风险评测方法 - Google Patents

Abstract

本发明涉及的是一种风险评测方法，特别是涉及一种基于误差反向传播神经网络的飞行器复飞风险动态评测技术。本发明包括如下步骤：（1）建立飞行状态数据集；（2）建立复飞剩余距离数据集；（3）风险评价；（4）确定复飞剩余距离和撞地风险的关系。本发明提出的复飞风险评测方法适用性更广，可以针对飞行器任意飞行状态进行风险量测，为紧急情况的复飞机动安全性提供合理参考，提高复飞安全性。

Description

一种飞行器复飞风险评测方法

技术领域

本发明涉及的是一种风险评测方法，特别是涉及一种基于误差反向传播（Back Propagation,BP）神经网络的飞行器复飞风险动态评测技术。

背景技术

飞行器准备降落时，因跑道上突然出现障碍物或因天气能见度过低影响观察，机体临时出现故障等原因，致使驾驶员认为继续着陆已经不安全的情况下，加大推力中断飞行器的着陆，重新转入正常上升状态的过程称之为复飞。复飞是正常着陆的备份，一般情况下不使用，但却是保证飞行安全的重要措施。

复飞作为常备飞行机动之一，其操纵过程存在一定风险。飞行员决定执行复飞操作时，从正常进近着陆状态瞬间转到应激和复飞，情景突变，这对飞行员的心理和行为能力将产生严重的负面影响，与模拟机上进行的程式化复飞相比，飞行员经受的心理负荷完全不同。复飞时机选择过晚，飞行器姿态控制不当或飞行器下沉率过大等情况都会导致执行复飞操纵后高度损失较大，出现飞行器与障碍物或地面发生碰撞的情况，这对正在执行拉起机动的飞行器来说是十分危险的，因此针对复飞过程的风险评测具有重要的意义。

目前对于复飞过程风险评测的主要方法是复飞点的确认。复飞点是保证飞行器在该点上空拉升复飞后，考虑单发失效后飞行器机动性，爬升角和风的影响等因素，不会使飞行器与复飞后的障碍物(主要为地面)发生碰撞的空间点。复飞点确定之后，如果飞越该点后才作复飞决断，驾驶员没有足够时间修正偏差或出现目测偏高，导致飞行器与地面相撞，造成复飞风险和事故。

传统的复飞风险评测方法仅依据单一复飞点对复飞风险作定性分类，不能定量地表示复飞风险变化特性，评测结果定性且单一；传统复飞风险评测方法未分析正常飞行状态过渡到复飞状态飞行器自身状态量的变化，评测影响因素分析较为局限；传统复飞风险评测方法仅将复飞点(飞行空间某一点)作为复飞风险的判断依据，对飞行器整体飞行过程考虑较少，实时性较差；综上所述，传统的复飞风险评测方法不能实时完备表达飞行器执行复飞操纵过程中存在的风险。

发明内容

本发明的目的在于提供一种复飞机动安全性更高的基于误差反向传播神经网络的飞行器复飞风险动态评测方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

（1）建立飞行状态数据集：指定机型，进行程式化复飞，记录并存储飞行器实时状态数据，建立数据集；

（2）建立复飞剩余距离数据集：飞行器复飞机动过程中机体与地面的最小距离为复飞剩余距离Sl，撞地风险Risk可以表示为复飞剩余距离Sl的非线性函数：

$\mathrm{Risk}=f\left(S_l\right)=f\left(g(p_t^1,p_t^2,\·\·\·,p_t^n)\right)$

式中，i=1,2,…,n；为飞行器在复飞起始点t时刻的第i个飞行状态变量，f()为撞地风险Risk与复飞剩余距离Sl之间的非线性关系，g()为复飞剩余距离Sl与飞行器飞行状态变量之间的非线性关系，根据模拟复飞机动记录数据，建立数据集；

（3）风险评价：建立拓扑结构为5-7-1型的误差反向传播网络模型，其中输入层节点数为5，输入量为复飞起始点处垂向位置z、进近速度v、下沉率vz、垂向加速度az和迎角α；输出层节点数为1，输出量为复飞剩余距离Sl；单隐层，节点数为7，隐层选用双曲正切S型激活函数，输出层选用对数S型激活函数，将飞行状态数据集和复飞剩余距离数据集做归一化处理，通过误差反向传播网络模型进行训练，得到复飞剩余距离Sl和飞行状态变量之间的对应关系；

（4）确定复飞剩余距离和撞地风险的关系：将复飞剩余距离通过非线性变换，得到撞地风险度：

$\mathrm{Risk}=f\left(S_l\right)=\frac{4}{5\×(1+\exp (15\×S_l-7.5))}+0.1$

通过误差反向传播网络模型进行训练的具体步骤如下：

（1）给定输入层到隐层的连接权V_hi，h＝1,2,...,n,i＝1,2,...,p，其中i为隐层节点，h为输入层节点；隐层到输出层单元连接权W_ij，i＝1,2,...,p,j＝1,2,...,q，其中j为输出层节点，赋随机值n为输入层节点数，p为隐层节点数，q为输出层节点数；

（2）将样本(X_k,Y_k)，k＝1,2,...,m中的输入值X_k送到输入层，通过连接权V_hi送到隐层，产生隐层新的激活值bi：

$b_i=f(\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{V}_{\mathrm{hi}}{x}_h+{\mathrm{\θ}}_i)$ i＝1,2,...,p

其中f选为S型函数f(x)＝(1+e^-x)^-1，xh为输入值Xk的元素，θ_i为偏移；

（3）计算输出层激活值yj：

$y_j=g(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{b}_i+{\mathrm{\θ}}_j)$ j＝1,2,...,q

其中g也选用S型函数f(x)＝(1+e^-x)^-1，bj为隐层的元素，θ_j为偏移；

（4）计算输出层单元误差E(ω)：

$E\left(\mathrm{\ω}\right)=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\left|\right|y_i-y_i^k\left|\right|}^2$

式中为输出单元的期望输出，y_i为输出单元的实际输出；

（5）若E(ω)小于给定误差值则结束网络的训练，否则进入反向传播过程，权值调整由下式确定：

$\mathrm{\Δ}{W}_{\mathrm{ij}}^{(k-1)}(t+1)=\mathrm{\η}\·{\mathrm{\ΔW}}_{\mathrm{ij}}^{(k-1)}\left(t\right)+(1-\mathrm{\η})\·\mathrm{\α}\left(t\right)\·G_{\mathrm{ij}}^{(k-1)}$

其中为t时刻输出误差的变化梯度；η为动量因子，取值范围为0＜η＜1；α(t)为学习率，表示第t次迭代时连接权值的变化量，位移的调整采取与权值相同的调整方式；

（6）重复步骤（2）至（5），直到所有样本的误差为允许误差。

本发明的有益效果在于：

针对传统复飞过程撞地风险难以提前预测，且无法对于该风险定量描述的问题，本发明提供了一种以复飞剩余距离作为参考指标，基于BP神经网络实现飞行器复飞风险评测的新方法。通过训练BP网络，使设计的模型具备较强的泛化能力，修正原有复飞点定性区分复飞风险的局限性，实现对不同飞行状态下复飞撞地风险地实时预测，真实反映飞行器采取复飞机动的风险变化情况，本发明提出的复飞风险评测方法适用性更广，可以针对飞行器任意飞行状态进行风险量测，为紧急情况的复飞机动安全性提供合理参考，提高复飞安全性。

附图说明

图1为基于BP神经网络的飞行器复飞风险动态评测流程图；

图2为拓扑结构为5-7-1的BP神经网络示意图；

图3为复飞剩余距离与撞地风险非线性变化示意图。

具体实施方式

下本结合附图对本发明做进一步描述：

本实施方式所述的是一种基于BP神经网络的飞行器复飞风险动态评测方法，其具体实施步骤如下：

1建立飞行状态数据集

针对某一特定机型，通过在模拟机上进行多次程式化复飞，记录该机型复飞机动过程中飞行器实时状态数据，包括飞行位置信息(gx,gy，gz)，飞行速度信息(vx,vy，vz)，飞行加速度信息(ax,ay，az)和飞行姿态信息(α,β)，其中gx为飞行器纵向飞行位置，gy为飞行器横向飞行位置，gz为飞行器垂向飞行位置，vx为飞行器纵向飞行速度，vy为飞行器横向飞行速度，vz为飞行器垂向飞行速度，ax为飞行器纵向飞行加速度，ay为飞行器横向飞行加速度，az为飞行器垂向飞行加速度，α为飞行器飞行迎角，β为飞行器飞行侧滑角，并将所有信息存储于计算机中，建立飞行状态数据集。

2建立“复飞剩余距离”数据集

飞机准备降落时，因跑道上突然出现障碍物或因天气的能见度过低影响观察跑道，飞机临时出现故障等原因，致使飞行员认为继续着陆已经不安全的情况下，应当及时复飞，规避风险。

定义1：复飞剩余距离Sl：复飞机动过程中，飞行器机体距离地面的最小距离。

撞地风险可以表示为复飞剩余距离Sl的非线性函数，而复飞剩余距离Sl与飞行器飞行过程中各状态变量相关，可以由飞行状态量的相关函数来表示，综合得到风险评价函数Risk的表达形式：

$\mathrm{Risk}=f\left(S_l\right)=f\left(g(p_t^1,p_t^2,\·\·\·,p_t^n)\right)---\left(1\right)$

式中，i=1,2,…,n；为飞行器在复飞起始点t时刻的第i个飞行状态变量，f()为撞地风险Risk与复飞剩余距离Sl之间的非线性关系，g()复飞剩余距离Sl与飞行器状态变量之间的非线性关系，Sl为复飞剩余距离。依据模拟复飞机动记录数据，得各飞行航次机体与地面的最小距离，建立相应不同状态下“复飞剩余距离”数据集。

3基于误差反向传播（Back Propagation,BP）神经网络的风险评价实现。

3.1BP网络算法

BP神经网络是一种多层感知机网络，网络的学习采用误差反向传播算法。BP神经网络由输入层、隐层和输出层组成，各层之间存在连接权值，连接权值的大小反映了各神经元之间的连接强度。网络训练过程即是确定各神经元之间权重的过程，具体步骤如下：

(1)给定输入层到隐层的连接权V_hi，h＝1,2,...,n,i＝1,2,...,p，其中i为隐层节点，h为输入层节点；隐层到输出层单元连接权W_ij，i＝1,2,...,p,j＝1,2,...,q，其中j为输出层节点，赋随机值n为输入层节点数，p为隐层节点数，q为输出层节点数。

(2)对样本(X_k,Y_k)(k＝1,2,...,m)进行下列操作：

1)将输入值X_k送到输入层，通过连接权V_hi送到隐层，产生隐层新的激活值bi：

$b_i=f(\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{V}_{\mathrm{hi}}{x}_h+{\mathrm{\θ}}_i)$ i＝1,2,...,p    (2)

其中f选为S型函数f(x)＝(1+e^-x)^-1，xh为输入值Xk的元素，θ_i为偏移；

2)计算输出层单元激活值yj

$y_j=g(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{b}_i+{\mathrm{\θ}}_j)$ j＝1,2,...,q    (3)

其中g也选用S型函数f(x)＝(1+e^-x)^-1，bj为隐层的元素，θ_j为偏移；

3)计算输出层单元误差E(ω)

$E\left(\mathrm{\ω}\right)=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\left|\right|y_i-y_i^k\left|\right|}^2---\left(4\right)$

式中为输出单元的期望输出，yi为输出单元的实际输出；

4)若E(ω)小于给定误差值则结束网络的训练。否则进入反向传播过程，权值调整由下式确定： $\mathrm{\Δ}{W}_{\mathrm{ij}}^{(k-1)}(t+1)=\mathrm{\η}\·{\mathrm{\ΔW}}_{\mathrm{ij}}^{(k-1)}\left(t\right)+(1-\mathrm{\η})\·\mathrm{\α}\left(t\right)\·G_{\mathrm{ij}}^{(k-1)}---\left(5\right)$

其中为t时刻输出误差的变化梯度；η为动量因子，取值范围为0＜η＜1；α(t)为学习率；表示第t次迭代时连接权值的变化量，位移的调整采取与权值相同的调整方式。

(3)重复步骤(2)，直到所有样本的误差为允许误差，得到的网络就可对新样本进行网络回想，将新样本的输入值X代人式中，得到输出值Y。

3.2BP网络结构

利用飞行器飞行数据量化复飞风险的首要问题是BP网络模型的整体设计，本文从四个方面着手，分别是输入和输出层的节点设计，隐层的节点设计，实验样本数据的预处理和学习率的选取。

(1)输入输出层的节点设计

网络模型输入层、输出层节点的确定取决于使用者的要求。采用复飞状态量计算风险度样本集，任务是根据任意设定的飞机初状态，计算出当前风险度的取值。

依据前文论述，飞行器复飞过程的撞地风险值是通过“复飞剩余距离Sl”指标衡量的，为了易于神经网络收敛，直接将Sl作为BP模型的目标参数，因此输出层节点数为1。飞行器复飞过程纵向回路高度损失主要与“垂向位置z”、“进近速度v”，“下沉率vz”，“垂向加速度az”和“迎角α”等状态量相关，因此实际输入量应为5，由此可以确定网络对应的输入层节点数为5。

(2)隐层的节点设计

经证明3层的BP网络可以完成任意n维到m维的映射，故本发明模型采用单隐层结构。隐层节点数的选择对于网络的学习和计算特性具有非常重要的影响，依据经验，具有n个输入单元和q个输出单元的三层网络，隐层处理单元数可以用下式表示：

$N=\sqrt{n+q}+a---\left(6\right)$

式中a为0~10之间常数。结合实际情况进行试探性选择再逐步优化考虑到计算精度和计算时间，模型选用隐层节点数为7。

(3)样本数据的预处理

飞行器飞行状态变量作为BP神经网络的输入，其单位和量纲各不相同，给模型的训练带来困难；根据BP神经网络对输入输出范围的要求，按照式(7)对样本输入、输出参数进行归一化处理，使各参数在0.1~0.9范围内取值，从而避免网络学习过程中隐层到输入层之间权值调节的困难，提高网络的收敛速度和精度。

$T=\frac{0.8}{t_{\max }-t_{\min }}(t-t_{\min })+0.1---\left(7\right)$

式(7)中，T为经过归一化处理后的样本输入、输出值；t_max，t_min分别为输入值、输出值中的最大值和最小值。

(4)学习率的选取

正确选择学习率对于BP网络的收敛非常重要，如果学习率较大，虽然收敛速度快，但可能造成网络振荡和发散；如果学习率小，则收敛速度慢。因此只有合理地选取学习率才能提高计算效率，采用基于黄金分割定律的变学习率方法：

$\mathrm{\α}(t+1)=\left\{\begin{array}{cc}{K}_1\mathrm{\α}\left(t\right)& \mathrm{\λ}=1\\ 0.618K_1\mathrm{\α}\left(t\right)& \mathrm{\λ}=-1\end{array}\right.---\left(8\right)$

$\mathrm{\λ}=\mathrm{sign}\left[G_{\mathrm{ij}}^{(k-1)}\left(t\right)G_{\mathrm{ij}}^{(k-1)}(t-1)\right]---\left(9\right)$

式(8)中，α(t)为t时刻学习率，K1为学习率增长因子，为t时刻输出误差的变化梯度；λ为步长变化因子；对于本文所涉及的建模对象及根据网络的收敛条件，选择1＜K₁＜1.618

式(9)的意义是根据输出误差的变化梯度来实现学习率的自适应调节。若连续两次迭代使与方法相反，经过sign()函数，此时λ＝-1，意味着学习率下降过快，应减小步长；相反，若与符号相同，经过sign()函数，此时λ＝1，意味着学习率下降过慢，应增加步长。

变学习率的学习方法可以更好地适应收敛速度的变化，使得网络状态稳定和优异。

3.3模型训练与测试

经前文分析，建立如图2所示的拓扑结构为5-7-1型的BP网络模型。其中隐层选用双曲正切S型激活函数，输出层选用对数S型激活函数。依据模拟程式化复飞机动建立的状态量数据集对建立的网络模型进行训练和测试，建立最终具有泛化性的评价模型。

4非线性变换

通过当前飞行状态计算撞地风险，需要将通过神经网络训练得到的“复飞剩余距离”指标经过在线变换转为量化的撞地风险度，此非线性变换f(Sl)应满足风险度与“复飞剩余距离”成反比的原则。采用如式(10)所示的非线性函数实现“复飞剩余距离”到“撞地风险”之间的转换，如图3所示。

$\mathrm{Risk}=f\left(S_l\right)=\frac{4}{5\×(1+\exp (15\×S_l-7.5))}+0.1---\left(10\right)$

5模型应用

飞行器实际飞行过程中，将当前飞行状态输入到经过训练的BP神经网络中，通过网络训练和非线性变换，得到此飞行状态下的执行复飞机动的定量“撞地风险”值，依据结果可以评测此时采取复飞机动的风险大小。

Claims (1)

1.一种飞行器复飞风险动态评测方法，其特征在于，包括如下步骤：

(1)建立飞行状态数据集：指定机型，进行程式化复飞，记录并存储飞行器实时状态数据，建立数据集；

(2)建立复飞剩余距离数据集：飞行器复飞机动过程中机体与地面的最小距离为复飞剩余距离S_l，撞地风险Risk可以表示为复飞剩余距离S_l的非线性函数：

$\mathrm{Risk}=f\left(S_l\right)=f\left(g(p_t^1,p_t^2,...,p_t^n)\right)$

式中，i＝1,2,…,n；为飞行器在复飞起始点t时刻的第i个飞行状态变量，f()为撞地风险Risk与复飞剩余距离S_l之间的非线性关系，g()为复飞剩余距离S_l与飞行器飞行状态变量之间的非线性关系，根据模拟复飞机动记录数据，建立数据集；

(3)风险评价：建立拓扑结构为5-7-1型的误差反向传播网络模型，其中输入层节点数为5，输入量为复飞起始点处垂向位置z、进近速度v、下沉率v_z、垂向加速度a_z和迎角α；输出层节点数为1，输出量为复飞剩余距离S_l；单隐层，节点数为7，隐层选用双曲正切S型激活函数，输出层选用对数S型激活函数，将飞行状态数据集和复飞剩余距离数据集做归一化处理，通过误差反向传播网络模型进行训练，得到复飞剩余距离S_l和飞行状态变量之间的对应关系；

(4)确定复飞剩余距离和撞地风险的关系：将复飞剩余距离通过非线性变换，得到撞地风险度：

$\mathrm{Risk}=f\left(S_l\right)=\frac{4}{5\×(1+\exp (15\×S_l-7.5))}+0.1;$

所述通过误差反向传播网络模型进行训练的具体步骤如下：

(3.1)给定输入层到隐层的连接权V_hi，h＝1,2,...,n,i＝1,2,...,p，其中i为隐层节点，h为输入层节点；隐层到输出层单元连接权W_ij，i＝1,2,...,p,j＝1,2,...,q，其中j为输出层节点，赋随机值n为输入层节点数，p为隐层节点数，q为输出层节点数；

(3.2)将样本(X_k,Y_k)，k＝1,2,...,m中的输入值X_k送到输入层，通过连接权V_hi送到隐层，产生隐层新的激活值b_i：

$b_i=f(\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{V}_{\mathrm{hi}}{x}_h+{\mathrm{\θ}}_i),i=\mathrm{1,2},...,p$

其中f选为S型函数f(x)＝(1+e^-x)^-1，x_h为输入值X_k的元素，θ_i为偏移；

(3.3)计算输出层激活值y_j：

$y_j=g(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{b}_i+{\mathrm{\θ}}_j),j=\mathrm{1,2},...,q$

其中g也选用S型函数f(x)＝(1+e^-x)^-1，b_j为隐层的元素，θ_j为偏移；

(3.4)计算输出层单元误差E(ω)：

$E\left(\mathrm{\ω}\right)=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\left|\right|y_i-y_i^k\left|\right|}^2$

式中为输出单元的期望输出，y_i为输出单元的实际输出；

(3.5)若E(ω)小于给定误差值则结束网络的训练，否则进入反向传播过程，权值调整由下式确定：

$\mathrm{\Δ}{W}_{\mathrm{ij}}^{(k-1)}(t+1)=\mathrm{\η}\·\mathrm{\Δ}{W}_{\mathrm{ij}}^{(k-1)}\left(t\right)+(1-\mathrm{\η})\·\mathrm{\α}\left(t\right)\·G_{\mathrm{ij}}^{(k-1)}$

其中为t时刻输出误差的变化梯度；η为动量因子，取值范围为0<η<1；α(t)为学习率，表示第t次迭代时连接权值的变化量，位移的调整采取与权值相同的调整方式；

(3.6)重复步骤(3.2)至(3.5)，直到所有样本的误差为允许误差。