CN104698836A - 一种飞行数据的预处理方法 - Google Patents

Abstract

对于用于神经网络辨识用的飞行数据，在试飞过程中由于测试仪器不稳定或因外界干扰的影响，往往导致测量数据包含高频噪声和一些很不合理的野值。另外，对含噪声的信号直接微分将导致更高的噪声水平。因此需要对飞行数据进行野值剔除、高频滤波和微分平滑等预处理。根据用到的实际飞行数据，野值剔除采用七点二阶前推差分算式。选取截止频率为十赫兹的三阶Chebyshev-II型的低通数字滤波器对飞行数据进行滤波，该滤波器具有较好的滤波效果。采用七点二阶中心插值平滑算法进行飞行数据的微分平滑。

Description

一种飞行数据的预处理方法

一、技术领域

本发明属于智能控制与建模领域，本发明涉及动态系统辨识、数据处理等方法。

二、背景技术

用传统的机理建模方法建立直升机的仿真模型是可行的，但是这种方法需要大量的空气动力学知识。神经网络具有良好的非线性映射能力，因此可以用它来建立直升机的仿真模型。为了训练所建立的神经网络模型，需要飞行数据作为训练样本、测试样本。样本数据不可避免地含有高频噪声，而且在试飞过程中由于测试仪器不稳定或因外界干扰的影响，往往导致测量数据包含一些很不合理的跳点，即野值。另外，对含噪声的信号直接微分将导致更高的噪声水平。因此需要对飞行数据进行预处理。

三、专利内容：

1、专利目的

对飞行数据进行预处理，去除数据中的高频噪声，为神经网络辨识提供可靠的飞行数据，以提高神经网络训练的速度和精度。

2、技术解决方案

在天气状况良好、大气变化不明显的条件下，可忽略一些环境变量的影响，只考虑控制变量和状态变量的数据记录。对于直升机旋翼自转着陆过程的飞行状态，由记录仪器记录飞行数据，并对数据进行野值剔除、高频滤波和微分平滑等预处理。

3、技术效果及优点

这种基于神经网络的建模方法，避免了机理建模所需的空气动力学知识，大大降低了仿真模型的复杂度。采用的野值剔除、高频滤波和微分平滑等预处理方法，既简单又有效。能够为神经网络的训练提供适用的数据。

四、具体实施方式

1.飞行数据的野值剔除

在试飞过程中，由于测试仪器不稳定或外界干扰，往往导致测量数据中包含一些不合理的跳点，即野值。常用的野值判断和剔除方法有中心差分方法、前推差分方法等。为避免后面的野值逆传而误将前面的正常值判断为野值，不能采用中心差分公式，因此采用前推差分公式。根据本文用到的实际飞行数据，采用下列七点二阶前推差分算式是合适的。如果每个周期有几十个采样点，也可以采用更多点的二阶前推差分算式。

$\left\{\begin{array}{c}{\hat{y}}_1=({32y}_1+{15y}_2+{3y}_3-{4y}_4-{6y}_5-{3y}_6+{5y}_7)/42\\ {\hat{y}}_2=({5y}_1+{4y}_2+{3y}_3+{2y}_4+y_5-y_7)/14\\ {\hat{y}}_3=(y_1+{3y}_2+{4y}_3+{4y}_4+{3y}_5+y_6-{2y}_7)/14\\ {\hat{y}}_4=(-{2y}_1+{3y}_2+{6y}_3+{7y}_4+{6y}_5+{3y}_6-{2y}_7)/21\\ {\hat{y}}_5=(-{2y}_1+y_2+{3y}_3+{4y}_4+{4y}_5+{3y}_6+y_7)/14\\ {\hat{y}}_6=(-y_1+y_2+{2y}_4+{3y}_5+{4y}_6+{5y}_7)/14\end{array}\right.---\left(1\right)$

${\hat{y}}_i=({5y}_{i-6}-{3y}_{i-5}-{6y}_{i-4}-{4y}_{i-3}+{3y}_{i-2}+{15y}_{i-1}+{32y}_i)/42---\left(2\right)$

其中i＝7，8,L，N，y₁为原始数据，为插值后数据。先检验前6个点是正常点，按时间顺序逐点计算和新息对于野值点，其v₁远大于正常值，满足下式的数据点为野值点：

$|y_k-{\hat{y}}_k|>2.2\sqrt{\underset{i=k-6}{\overset{k}{\mathrm{\Σ}}}{(y_k-{\hat{y}}_k)}^2/6}\≡E---\left(3\right)$

通常数据中的连续野值点的值比较接近，当k点为野值点时，则满足下式的点也是野值点：

|y_k+i-y_k|<E (i=1，2,L，m)   (4)

实际飞行数据连续野值点很少超过4点，故取m=3。

野值剔除后需要用拉各朗日插值公式求出野值点的补正值，以保证数据的完整性。若y_k，y_k+1，...，y_k+n是野值点，则在y_k点处向前确定三个正常值y_k-1，y_k-2，y_k-3，在y_k+n点后确定三个正常值y_k+n+1，y_k+n+2，y_k+n+3，利用这些点作为已知值，由拉各朗日插值公式即可求出y_k，y_k+1，...，y_k+n的补正值：

$y_l=\underset{j=k-3}{\overset{k+n+3}{\mathrm{\&Sigma;}}}\underset{i=k-3}{\overset{k+n+3}{\mathrm{\&Pi;}}}\left(\frac{t_l-t_j}{t_i-t_j}\right)y_j---\left(5\right)$

其中l=k，k+1，...，k+n；i，j≠k，k+1，...，k+n；i≠j

2.飞行数据的高频滤波

由于飞行数据不可避免地含有高频噪声，因此需要对实测飞行数据作频谱分析，以确定保留有用信号的带宽。一般情况下，直升机运动信号的频率比较低，通常小于10Hz。因此可选取保留直升机有用信号的最大频率为10Hz。另一方面，由信号处理的的知识可知，Chebyshev滤波器在f=f₀附近的截止特性最好，曲线的衰减率最陡。因此选取截止频率f₀=10Hz的3阶Chebyshev-II型的低通数字滤波器对飞行数据进行滤波，该滤波器具有较好的滤波效果。根据阶数n、通带内波纹Rp和截止频率Wn计算滤波器分子、分母系数，最后得到的具体形式为：

$\stackrel{-}{y}=a_0{y}_i+a_1{y}_{i-1}+a_2{y}_{i-2}+a_3{y}_{i-3}-b_1{\stackrel{-}{y}}_{i-1}-b_2{\stackrel{-}{y}}_{i-2}-b_3{\stackrel{-}{y}}_{i-3}---\left(6\right)$

式中y为实测数据，为滤波后数据，系数分别为a₀=a₃=0.0049，a₁=a₂=0.0062，b₁=-2.3857，b₂=1.9463，b₃=-0.5384。

3.飞行数据的微分平滑

实际应用中常常要求由测量数据获取其微分数据，而对含噪声的信号直接微分，一般将导致更高的噪声水平，因此需要对实测数据进行微分平滑，其主要方法有光滑样条、切比雪夫正交级数、多项式中心平滑等。前两种方法需要选择的参数较多，而且比较费时，实际当中很少采用。因此这里选用简单、常用的多项式平滑法，即七点二阶中心插值平滑算法，来进行飞行数据的微分平滑。其具体形式为：

$\left\{\begin{array}{c}{\hat{y}}_1=({32y}_1+{15y}_2+{3y}_3-{4y}_4-{6y}_5-{3y}_6+{5y}_7)/42\\ {\hat{y}}_2=({5y}_1+{4y}_2+{3y}_3+{2y}_4+y_5-y_7)/14\\ {\hat{y}}_3=(y_1+{3y}_2+{4y}_3+{4y}_4+{3y}_5+y_6-{2y}_7)/14\\ {\hat{y}}_i=(-{2y}_{i-3}+{3y}_{i-2}+{6y}_{i-1}+{7y}_i+{6y}_{i+1}+{3y}_{i+1}-{2y}_{i+3})/21\\ {\hat{y}}_{N-2}=(-{2y}_{N-6}+y_{N-5}+{3y}_{N+4}+{4y}_{N-3}+{4y}_{N-2}+{3y}_{N-1}+y_N)/14\\ {\hat{y}}_{N-1}=(-y_{N-6}+y_{N-5}+{2y}_{n-4}+{3y}_{N-3}+{4y}_{N-2}+{5y}_{N-1})/14\\ {\hat{y}}_N=({5y}_{N-6}-{3y}_{N-5}-{6y}_{N-4}-{4y}_{N-3}+{3y}_{N-2}+{15y}_{N-1}+{32y}_N)/42\end{array}\right.---\left(7\right)$

式中i＝4，5，...，N-3，N为采样点总数，y，分别是平滑前、平滑后的数据。

Claims (3)

1.一种飞行数据的预处理方法，其特征在于：采用七点二阶前推差分算式剔除野值。

2.权利要求1所述的一种飞行数据的预处理方法，其特征还在于：采用截止频率为十赫兹的三阶Chcbyshcv-II型低通数字滤波器对飞行数据进行滤波。

3.权利要求1所述的一种飞行数据的预处理方法，其特征还在于：采用七点二阶中心插值平滑算法对飞行数据的微分平滑。