[發明專利]一種基于一維卷積神經網絡的直升機飛行狀態識別方法

在審

• 申請號: 202110390010.0
• 申請日: 2021-04-12
• 公開（公告）號: CN113076510A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 熊邦書;張睿婷;歐巧鳳;李新民
• 申請（專利權）人: 南昌航空大學
• 主分類號: G06F17/10
• 分類號: G06F17/10;G06K9/62;G06N3/04
• 代理公司: 南昌華成聯合知識產權代理事務所(普通合伙) 36126
• 代理人: 張建新

一種基于一維卷積神經網絡的直升機飛行狀態識別方法，包括以下步驟：(1)去除偏離正常的飛行參數數據段；(2)飛行參數預處理；(3)制作飛行狀態標簽數據集；(4)設計用于飛行狀態識別的一維卷積神經網絡模型；(5)訓練并保存網絡模型參數；(6)測試數據并獲取每個狀態識別準確率。本發明的優點是，使用所有的飛行參數作為網絡輸入，充分利用參數特征，增強了網絡特征的多樣性，提高了識別準確率；無需對飛行狀態進行預分類，避免了預分類錯誤導致的分類誤差，進一步提高了飛行狀態識別的準確率；具有速度快、精度高和魯棒性好的優點，能夠準確識別出直升機的飛行狀態。

技術領域

本發明屬于直升機飛行狀態識別技術研究領域，尤其涉及一種基于一維卷積神經網絡的直升機飛行狀態識別方法。

背景技術

直升機是一種特殊的航空器，廣泛應用于軍事、運輸、救援等多個領域。由于直升機應用場合復雜(需要應用于高原、沙漠、極寒及其它惡劣氣候場合)，且飛行任務多變，使得直升機上存在的動部件承受著高周振動疲勞，這是造成動部件損壞的主要原因，而這些結構部件的損傷程度與直升機飛行狀態密切相關。因此，正確識別飛行狀態對直升機動部件和有壽件的故障診斷和壽命預測具有重要意義。

近年來隨著神經網絡算法的發展，飛行狀態識別方法從原先的動力學法和圖像分析法轉為神經網絡法，不僅提高了狀態識別效果，還避免了部分飛行狀態識別不了的缺點。傳統神經網絡方法采用的徑向基函數(RBF)神經網絡、Elman神經網絡和支持向量機(SVM)，這些方法都需要先根據狀態特征參數對飛行狀態進行預分類，再選取不同的敏感飛行參數來訓練各小類對應的網絡模型，最后通過訓練好的模型進行飛行狀態識別。傳統神經網絡方法對預分類結果要求很高，且沒有充分利用參數特征，導致飛行狀態識別效果不佳。

發明內容

本發明的目的在于提供一種直升機飛行狀態識別方法，采用一維卷積神經網絡算法直接將經過預處理的飛行參數作為網絡輸入，訓練設計好的一維卷積神經網絡，實現飛行狀態識別，得到能夠識別直升機飛行狀態的算法。

為實現上述目的，本發明采用以下技術方案來實現。本發明提供了一種基于一維卷積神經網絡的直升機狀態識別方法，包括以下步驟：

1)去除偏離正常的飛行參數數據段，具體步驟如下：

(1.a)對每一個飛行狀態對應的速度和高度進行可視化；

(1.b)通過參數曲線，確定每個飛行狀態速度和高度的閾值；

(1.c)根據閾值和每個飛行狀態下理想的高度和速度，去除實際高度與速度超過閾值的飛行參數數據段；

2)飛行參數預處理，具體步驟如下：

(2.a)數據去噪，采用樣本分位數確定野點值，并使用一階差分法替換野點值，對第i時刻飛行參數采樣值x_i，以m為時間窗口，獲取對應子序列對子序列進行樣本分位數求解，得到樣本分位數q_i，設置閾值M，當x_i與q_i的差值超過閾值時，則認為x_i為野點，采用一階差分法替換該野點的值，其表達公式為：

x′_i＝x_i-1+(x_i-1-x_i-2)

式中，x′_i表示修復后第i點數據的值，x_i-1和x_i-2分別表示第i-1和第i-2個點的值；

(2.b)限幅，將第i時刻飛行參數采樣值x_i與直升機實際飛行時所能達到的最大值x_max做比較，若x_i＞x_max，則將x_i限制為x_max的大小；