CN113076510A - 一种基于一维卷积神经网络的直升机飞行状态识别方法 - Google Patents

Abstract

一种基于一维卷积神经网络的直升机飞行状态识别方法，包括以下步骤：(1)去除偏离正常的飞行参数数据段；(2)飞行参数预处理；(3)制作飞行状态标签数据集；(4)设计用于飞行状态识别的一维卷积神经网络模型；(5)训练并保存网络模型参数；(6)测试数据并获取每个状态识别准确率。本发明的优点是，使用所有的飞行参数作为网络输入，充分利用参数特征，增强了网络特征的多样性，提高了识别准确率；无需对飞行状态进行预分类，避免了预分类错误导致的分类误差，进一步提高了飞行状态识别的准确率；具有速度快、精度高和鲁棒性好的优点，能够准确识别出直升机的飞行状态。

Description

一种基于一维卷积神经网络的直升机飞行状态识别方法

技术领域

本发明属于直升机飞行状态识别技术研究领域，尤其涉及一种基于一维卷积神经网络的直升机飞行状态识别方法。

背景技术

直升机是一种特殊的航空器，广泛应用于军事、运输、救援等多个领域。由于直升机应用场合复杂(需要应用于高原、沙漠、极寒及其它恶劣气候场合)，且飞行任务多变，使得直升机上存在的动部件承受着高周振动疲劳，这是造成动部件损坏的主要原因，而这些结构部件的损伤程度与直升机飞行状态密切相关。因此，正确识别飞行状态对直升机动部件和有寿件的故障诊断和寿命预测具有重要意义。

近年来随着神经网络算法的发展，飞行状态识别方法从原先的动力学法和图像分析法转为神经网络法，不仅提高了状态识别效果，还避免了部分飞行状态识别不了的缺点。传统神经网络方法采用的径向基函数(RBF)神经网络、Elman神经网络和支持向量机(SVM)，这些方法都需要先根据状态特征参数对飞行状态进行预分类，再选取不同的敏感飞行参数来训练各小类对应的网络模型，最后通过训练好的模型进行飞行状态识别。传统神经网络方法对预分类结果要求很高，且没有充分利用参数特征，导致飞行状态识别效果不佳。

发明内容

本发明的目的在于提供一种直升机飞行状态识别方法，采用一维卷积神经网络算法直接将经过预处理的飞行参数作为网络输入，训练设计好的一维卷积神经网络，实现飞行状态识别，得到能够识别直升机飞行状态的算法。

为实现上述目的，本发明采用以下技术方案来实现。本发明提供了一种基于一维卷积神经网络的直升机状态识别方法，包括以下步骤：

1)去除偏离正常的飞行参数数据段，具体步骤如下：

(1.a)对每一个飞行状态对应的速度和高度进行可视化；

(1.b)通过参数曲线，确定每个飞行状态速度和高度的阈值；

(1.c)根据阈值和每个飞行状态下理想的高度和速度，去除实际高度与速度超过阈值的飞行参数数据段；

2)飞行参数预处理，具体步骤如下：

(2.a)数据去噪，采用样本分位数确定野点值，并使用一阶差分法替换野点值，对第i时刻飞行参数采样值x_i，以m为时间窗口，获取对应子序列

对子序列进行样本分位数求解，得到样本分位数q_i，设置阈值M，当x_i与q_i的差值超过阈值时，则认为x_i为野点，采用一阶差分法替换该野点的值，其表达公式为：

x′_i＝x_i-1+(x_i-1-x_i-2)

式中，x′_i表示修复后第i点数据的值，x_i-1和x_i-2分别表示第i-1和第i-2个点的值；

(2.b)限幅，将第i时刻飞行参数采样值x_i与直升机实际飞行时所能达到的最大值x_max做比较，若x_i＞x_max，则将x_i限制为x_max的大小；

(2.c)数据平滑，采用均值滤波技术对飞行参数进行滤波，对第i时刻飞行参数采样值x_i，取其前后各M₁个点，滤波后第i时刻的值等于这2M₁+1个点的平均值；

(2.d)参数拟合，对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据，取其前后各M₂个参数数据，用最小二乘法进行直线拟合，直线所得斜率为该点对应的参数变换率；

3)制作飞行状态标签数据集，具体步骤如下：

(3.a)将步骤2)预处理得到的飞行参数与速度变化率、高度变化率和偏航角变化率作为新的飞行参数数据，并为每个飞行状态的飞行参数数据标注标签，每个标签对应一个飞行状态；

(3.b)将已标注好的每个状态数据以num个采样数据点为基准进行分段，按比例将每段数据分别分为训练、测试和验证数据，将所有训练、测试和验证数据分别整合后，得到实验所需的训练集、测试集和验证集数据；

4)设计用于飞行状态识别的一维卷积神经网络模型，具体步骤如下：

(4.a)确定输入层，输入层的数据为每个状态同一时刻对应的m个飞行参数，以m×1的向量形式输入网络；

(4.b)确定特征提取层，特征提取层由卷积层和激活层组成，卷积层对输入数据进行卷积操作，得到输入数据的特征，一层卷积由多个卷积核构成，一个卷积核提取一类特征，多类特征组成特征映射图，第一层卷积包含K₁个卷积核，卷积核均为3×1的大小，第二层卷积包含K₂个卷积核，卷积核均为3×1的大小，第三层卷积包含K₃个卷积核，卷积核均为3×1的大小，每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换，其表达公式为：

a＝f(y)＝max{0,y}

式中，y表示卷积层的输出，a表示y的激活值；

(4.c)确定全连接层，全连接层将卷积层获取的局部特征，通过权值矩阵组装成完整的图，实现从特征到标签的映射，第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量，包含N₁个神经元，使用ReLU作为激活函数，第二层全连接层为分类层，包含的神经元个数为待识别状态的总个数N₂，使用Softmax作为激活函数，并对两层全连接层设置L2正则化，防止过拟合；

(4.d)确定目标函数，目标函数是评价神经网络输出与实际目标值一致性的函数，本发明所述目标函数为交叉熵函数，其表达公式为：

式中，y表示某一状态的真实值，

表示状态的预测值，n表示输入的迭代批次数量；

5)训练并保存网络模型参数，具体步骤如下：

(5.a)设置一维卷积神经网络模型的迭代批次数据量为batchsize个、迭代次数为epoch次；

(5.b)将步骤3)制作好的训练集和验证集用于网络训练，并将测试集用于分类准确率计算，依据测试准确率调整参数，使得准确率达到最优，得到最优网络模型；

(5.c)保存训练得到的最优网络模型；

6)测试数据并获取每个状态识别准确率。分别将每个状态未经训练的数据集输入步骤5)保存好的网络模型中，运行网络模型进行测试，获得每个状态相应的测试准确率。

本发明的有益效果：

本发明的优点是，使用所有的飞行参数作为网络输入，充分利用参数特征，增强了网络特征的多样性，提高了测试准确率；无需对飞行状态进行预分类，避免了预分类错误导致的分类误差，进一步提高了飞行状态识别的准确率。本发明提供的一种基于一维卷积神经网络的直升机飞行状态识别方法，解决了现有技术存在的问题，具有速度快、精度高和鲁棒性好的优点，能够准确识别出直升机的飞行状态。

附图说明

图1为本发明的工作流程图。

图2为本发明的制作飞行状态标签数据集的流程图。

图3为本发明的一维卷积神经网络结构图。

具体实施方式

本发明方法的实验数据为直升机实际飞行时的23个传感器采集到的飞行参数，用于识别35个直升机飞行状态。表1所示为直升机待识别的35种飞行状态。

表1直升机飞行状态

本发明采用如图1所示的工作流程图，实现基于一维卷积神经网络的直升机飞行状态识别，其具体实施步骤如下：

1、去除偏离正常的飞行参数数据段

所述去除偏离正常飞行参数的数据段，是采用可视化的方式，找出并去除飞行参数中不符合对应状态参数值的数据段，具体实施步骤如下：

1)对每一个飞行状态对应的速度和高度进行可视化。

2)通过参数曲线，确定每个飞行状态速度和高度的阈值。

3)根据阈值和每个飞行状态下理想的高度和速度，去除实际高度与速度超过阈值的飞行参数数据段。

需要说明的是，本发明实施例中，通过观察与计算取速度振荡阈值为40km/h，当速度在均值的±40km/h以内为正常数据；高度以270km为阈值，当高度均值大于270km时，去除高度低于270km的数据段，当高度均值小于270km时，去除高度大于270km的数据段。

2、飞行参数预处理

所述飞行参数处理，首先，使用样本分位数和一阶差分的方法，找出并替换野点值；其次，对飞行参数进行最大值限幅；然后，使用均值滤波方法对飞行参数进行滤波；最后，进行参数拟合计算速度变换率、高度变换率和偏航角变换率，其具体实施步骤如下：

1)对第i时刻飞行参数采样值x_i，以m＝3为时间窗口，得到对应子序列(x_i-1,x_i,x_i+1)，解得该子序列的样本分位数为q_i，将设置的阈值M，并与x_i和q_i的差值进行比较，当差值超过阈值M时，则认为x_i为野点，并采用一阶差分法替换该野点的值，其表达公式为：

x′_i＝x_i-1+(x_i-1-x_i-2)

式中，x′_i表示修复后第i点数据的值，x_i-1和x_i-2分别表示第i-1和第i-2个点的值。

需要说明的是，本发明实施例中，阈值M为10。

2)将第i时刻飞行参数采样值x_i与直升机实际飞行时所能达到的最大值x_max做比较，若x_i＞x_max，则将x_i限制为x_max的大小。

3)采用均值滤波技术对飞行参数进行滤波，对第i时刻飞行参数采样值x_i，取其前后各M₁个点，滤波后第i时刻的值等于这2M₁+1个点的平均值。

需要说明的是，本发明实例中，M₁的值为5。

4)对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据，取其前后各M₂个数据，用最小二乘法进行直线拟合，直线所得斜率为该点对应的参数变换率。

需要说明的是，本发明实例中，M₂的值为25。

3、制作飞行状态标签数据集

所述制作标签数据集，是将经过预处理的数据打好标签，并按比例将其分为训练集、测试集和验证集，具体实施步骤如下所示：

1)将步骤2预处理得到的23个飞行参数与速度变化率、高度变化率和偏航角变化率作为新的飞行参数数据，并将这些数据按列放入对应状态的case文本文件中，为每个飞行状态的飞行参数数据标注标签，每个标签对应一个飞行状态，网络最终预测的结果为这些case中的一个。

2)将已标注好的每个状态数据以num个采样数据点为基准进行分段，按7:2:1的比例将每段数据分别分为训练、测试和验证数据，将所有训练、测试和验证数据分别整合后，得到实验所需的训练集、测试集和验证集数据。

需要说明的是，本发明实例中，分段样本点个数num为100个。

4、设计用于飞行状态识别的一维卷积神经网络模型

所述设计用于飞行状态识别的一维卷积神经网络模型，包括确定其输入层、特征提取层、全连接层和目标函数，具体实施步骤如下：

1)确定输入层，输入层的数据为每个状态同一时刻对应的26个飞行参数，以26×1的向量形式输入网络，26个飞行参数如表2所示。

表2飞行参数表

编号	符号	参数名称	编号	符号	参数名称
						1	Vi	指示空速	14	Wczmk	尾传动轴测扭矩
2	Hp	气压高度	15	Hpb	无线电高度
						3	Nx	重心处纵向过载	16	T20	燃油入口处温度
4	Ny	重心处侧向过载	17	P20	燃油入口处压力
						5	Nz	重心处法向过载	18	Ng	发动机转速
6	Nwx	尾部纵向过载	19	Nr	旋翼转速
						7	Nwy	尾部侧向过载	20	Nf	自由涡轮转速
8	Nwz	尾部法向过载	21	Q	发动机耗油
						9	Wf	总距位移	22	COSI	偏航角
10	Wy	脚蹬位移	23	GAM	倾斜角
						11	Wz	操作杆纵向位移	24	Crvi	速度变化率
12	Wx	操作杆横向位移	25	Crhp	高度变化率
						13	Mfa	发动机扭矩	26	Crcosi	偏航角变换率

2)确定特征提取层，特征提取层由卷积层和激活层组成，卷积层对输入数据进行卷积操作，得到输入数据的特征，一层卷积由多个卷积核构成，一个卷积核提取一类特征，多类特征组成特征映射图，第一层卷积包含K₁个卷积核，卷积核均为3×1的大小，第二层卷积包含K₂个卷积核，卷积核均为3×1的大小，第三层卷积包含K₃个卷积核，卷积核均为3×1的大小，每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换，其表达公式为：

a＝f(y)＝max{0,y}

式中，y表示卷积层的输出，a表示y的激活值。

需要说明的是，本发明实例中，K₁的值为16，K₂的值为32，K₃的值为64。

3)确定全连接层，全连接层将卷积层获取的局部特征，通过权值矩阵组装成完整的图，实现从特征到标签的映射，第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量，包含N₁个神经元，使用ReLU作为激活函数，第二层全连接层为分类层，包含的神经元个数为待分类状态的总个数N₂，使用Softmax作为激活函数，并对两层全连接层设置L2正则化，防止过拟合，正则化系数均设为10^-4。

需要说明的是，本发明实例中，第一层全连接层神经元个数N₁为40个，分类层神经元个数N₂为35个。

4)确定目标函数，目标函数是评价神经网络输出与实际目标值一致性的函数，本发明所述目标函数为交叉熵函数，其表达公式为：

式中，y表示某一状态的真实值，

表示状态的预测值，n表示输入的迭代批次数量。

5、训练并保存网络模型参数

根据步骤4设计好的模型将步骤3制作的数据集用于网络模型训练，调整参数，并保存测试结果最好的模型，具体实施过程如下：

1)设置一维卷积神经网络模型的一个迭代批次数据量为batchsize个、迭代次数为epoch次。

需要说明的是，本发明实例中，一个迭代批次数据量batchsize为256个，迭代次数epoch为20次。

2)将步骤3制作好的训练集和验证集用于网络训练，并将测试集用于识别准确率计算，依据测试准确率调整参数，使得准确率达到最优，得到最优网络模型。

3)保存训练得到的最优网络模型。

6、测试数据并获取每个状态识别准确率

将每个状态未经训练的测试集和验证集输入步骤5保存好的网络模型中，运行网络模型进行测试，获得该状态相应的测试准确率，得到最终每个状态的状态识别率，表3所示为得到的每个状态的状态识别率。

表3每个状态的状态识别率

测试结果显示：35个飞行状态的平均识别率为97.18％。

Claims (4)

1.一种基于一维卷积神经网络的直升机飞行状态识别方法，其特征在于，具体包括以下步骤：

1)去除偏离正常的飞行参数数据段，具体步骤如下：

(1.a)对每一个飞行状态对应的速度和高度进行可视化；

(1.b)通过参数曲线，确定每个飞行状态速度和高度的阈值；

(1.c)根据阈值和每个飞行状态下理想的高度和速度，去除实际高度与速度超过阈值的飞行参数数据段；

2)飞行参数预处理；

3)制作飞行状态标签数据集；

4)设计用于飞行状态识别的一维卷积神经网络模型，具体步骤如下：

(4.a)确定输入层，输入层的数据为每个状态同一时刻对应的m个飞行参数，以m×1的向量形式输入网络；

(4.b)确定特征提取层，特征提取层由卷积层和激活层组成，卷积层对输入数据进行卷积操作，得到输入数据的特征，一层卷积由多个卷积核构成，一个卷积核提取一类特征，多类特征组成特征映射图，第一层卷积包含K₁个卷积核，卷积核均为3×1的大小，第二层卷积包含K₂个卷积核，卷积核均为3×1的大小，第三层卷积包含K₃个卷积核，卷积核均为3×1的大小，每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换，其表达公式为：

a＝f(y)＝max{0,y}

式中，y表示卷积层的输出，a表示y的激活值；

(4.c)确定全连接层，全连接层将卷积层获取的局部特征，通过权值矩阵组装成完整的图，实现从特征到标签的映射，第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量，包含N₁个神经元，使用ReLU作为激活函数，第二层全连接层为分类层，包含的神经元个数为待识别状态的总个数N₂，使用Softmax作为激活函数，并对两层全连接层设置L2正则化，防止过拟合；

(4.d)确定目标函数，目标函数是评价神经网络输出与实际目标值一致性的函数，本发明所述目标函数为交叉熵函数，其表达公式为：

式中，y表示某一状态的真实值，

表示状态的预测值，n表示输入的迭代批次数量；

5)训练并保存网络模型参数；

6)测试数据并获取每个状态识别准确率，分别将每个状态未经训练的数据集输入步骤5)训练好的网络模型中，运行网络模型进行测试，获得每个状态相应的识别准确率。

2.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法，其特征在于，飞行参数预处理具体包括下述步骤：

a)数据去噪，采用样本分位数确定野点位置，并使用一阶差分法替换野点值，对第i时刻飞行参数采样值x_i，以m为时间窗口，获取对应子序列

对子序列进行样本分位数求解，得到样本分位数q_i，设置阈值M，当x_i与q_i的差值超过阈值时，则认为x_i为野点值，采用一阶差分法替换该野点值，其表达公式为：

x′_i＝x_i-1+(x_i-1-x_i-2)

式中，x′_i表示修复后第i点数据的值，x_i-1和x_i-2分别表示第i-1和第i-2个点的值；

b)限幅，将第i时刻飞行参数采样值x_i与直升机实际飞行时所能达到的最大值x_max做比较，若x_i＞x_max，则将x_i限制为x_max的大小；

c)数据平滑，采用均值滤波技术对飞行参数进行滤波，对第i时刻飞行参数采样值x_i，取其前后各M₁个点，滤波后第i时刻的值等于这2M₁+1个点的平均值；

d)参数拟合，对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据，取其前后各M₂个数据，用最小二乘法进行直线拟合，直线所得斜率为该点对应的参数变换率。

3.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法，其特征在于，制作飞行状态标签数据集具体包括下述步骤：

a)将步骤2)预处理得到的飞行参数与速度变化率、高度变化率和偏航角变化率作为新的飞行参数数据，并为每个飞行状态的飞行参数数据标注标签，每个标签对应一个飞行状态；

b)将已标注好的每个状态数据以num个采样数据点为基准进行分段，按比例将每段数据分别分为训练、测试和验证数据，将所有训练、测试和验证数据分别整合后，得到实验所需的训练集、测试集和验证集数据。

4.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法，其特征在于，训练并保存网络模型参数具体包括下述步骤：

a)设置一维卷积神经网络模型的迭代批次数据量为batchsize个、迭代次数为epoch次；

b)将步骤3)制作好的训练集和验证集用于网络训练，并使用测试集计算识别准确率，依据测试准确率调整参数，使得准确率达到最优，得到最优网络模型；

c)保存训练得到的最优网络模型。

Images