基于三维K-Means涡轴发动机载荷谱聚类分析方法

摘要

本发明公开了一种基于三维K‑Means涡轴发动机载荷谱聚类分析方法，包括以下步骤：步骤(1)、将n个剖面的原始转速谱、高度谱进行预处理；步骤(2)、民用涡轴发动机参数谱的特征分析；步骤(3)、基于典型任务段的三维K‑Means模型的建立及典型剖面的划分准则。本发明为航空发动机的定寿、延寿提供重要依据，为航空发动机的强度分析、综合任务谱的编制提供有效的预处理方法。

说明书

技术领域

本发明涉及一种航空发动机载荷谱聚类分析的方法，具体涉及一种运输直升机航空发动机的救火类载荷谱聚类分析的方法。开展航空发动机载荷谱的研究至关重要，它是飞行高度、飞行马赫数、飞行转速、法向过载、油门杆角度、涡轮后燃气温度等重要载荷要素的组合，通过这些重要飞参数据的记录与分析，可以为航空发动机的定寿、延寿提供重要依据。

背景技术

航空发动机载荷谱所对应的飞行任务剖面包含了发动机的飞行信息，是飞机在实际飞行时所产生的具体数据，反映了发动机的实际使用状况。然而，飞行任务剖面由于数量众多，杂乱无序，难以找到相似剖面的规律性。针对这一情况，就需要提及聚类的概念。

物以聚类人以群分，顾名思义剖面的聚类指的是将区别不大的剖面聚集在一起，形成多类剖面。聚类原本是统计学上的概念，现在属于机器学习中非监督学习的范畴，大多都被应用在数据挖掘、数据分析的领域，简单说可以用一个词概括——物以类聚。从定义上讲，聚类就是针对大量数据或者样品，根据数据本身的特性研究分类方法，并遵循这个分类方法对数据进行合理的分类，最终将相似数据分为一组，也就是同类相同、异类相异。聚类区别于分类的地方在于，聚类的划分标准是多元的，要靠算法进行数据之前相似性的判断，在聚类的结论出来之前，学者完全不知道每一类有什么特点。航空发动机的聚类分析本质是对发动机实测数据的自动分类，以往的实测数据均采用手动分类的方式进行处理，随着发动机可测参数越来越多，数据越来越多，航空发动机学者在处理数据时，更倾向于用聚类的方法先将数据进行分类，再进行数据的特征分析，此方法大大提高了学者处理数据的效率和精确度，进而为后续的损伤分析和编谱打下坚实的基础。

聚类算法形式多样，至于最终要采用哪种聚类算法，需要根据聚类目的和数据的种类决定。如果聚类分析被用作描述和探查的工具，可以对同一类型的数据尝试多种算法，以揭示数据由不同的聚类而产生不同的结果。然而聚类算法虽然多种多样，但大致可以分为如下几个大类：K-Means聚类算法、层次聚类算法、FCM聚类算法、DBSCAN聚类算法、GMM聚类算法、SOM聚类算法。

针对航空发动机，现有技术中：

任冀宾(任冀宾；基于飞行参数灵敏度的飞机疲劳载荷谱典型飞行任务剖面研究；2008)，使用主成分分析的方式选择了俯仰角速度、重心法向过载、飞行高度以及飞机重量和飞行速度这几个对法向过载影响更敏感的飞行参数，作为某飞机飞行任务剖面分类的初始参考参数。然后在通过层次聚类法中的重心法形成树状图进行相应的聚类分析。

宋迎东(宋迎东；发动机飞行任务剖面的主成份聚类法；2002)，列出了通过主成分分析展开航空发动机飞行任务剖面分类的方式，并对某战斗机发动机18个飞行任务剖面进行相应的聚类分析工作。找到飞行高度、飞行马赫数以及发动机转速和发动机重心法向过载这几个参数，作为分类的主要参数。使用重心法进行定量的聚类。

任冀宾和宋迎东均采用的是层次聚类法中的主成份聚类法。即先进行主成份分析，后聚类分析。所谓聚类分析法，即依照既定样本的数个观测指标，找到可以计算样本间切合度较高的样本，并将其归类，然后把剩余的契合度高的归额外归至一类。主成份分析法即找出综合指标，从而对有相关度的多指标数据进行分析的一种方式。所以，通过主成分聚类法展开飞行任务剖面合并，首先要通过主成份分析的方式，尽量压缩飞行任务剖面当中的多指标，继而通过聚类分析的方式，依照通过主成份分析法得出的新指标，展开飞行任务剖面的聚类分析。但最后均通过层次聚类的重心法进行定量的聚类，在编程中较为繁琐，不利于进行批量处理。

杜宇飞(杜宇飞；航空发动机载荷谱聚类分析方法与编制研究；2016)，在主成份分析法的基础上挑选出四个参数，并使用高度作为首要的划分参数，马赫数参数为辅，后利用K-means聚类思想将某战斗机发动机31个飞行剖面的飞行高度和马赫数求均值后形成聚类散点图，并依据散点分布距离远近进行了初步划分，最后依据剖面特征对散点密集区域进行了进一步的划分。虽然达到了对军机剖面的划分，但划分过程过于繁琐，需要频繁手动操作和对繁多数据的总体理解，且未获得任务训练大纲，以剖面为基本单元进行载荷谱聚类分析方法研究，不够精确。

随着航空发动机载荷参数数据的增多，数据处理的方法越来越多元化，聚类分析在处理数据时能够智能化地根据某一目标进行分类。本专利基于直升机典型任务段，在最经典K-Means算法的基础上，发展了三维K-Means聚类算法。根据救火类直升机的任务特征，提取了执行任务和巡航任务两大类典型任务段。根据涡轴发动机转速谱和高度谱的谱型特征和相关关系，基于6类典型任务段，对任务剖面进行三维K-Means聚类划分，划分出4类典型任务剖面，为后续的编谱做基础。

发明内容

为了解决现有技术中的问题，本发明提供了一种基于三维K-Means涡轴发动机载荷谱聚类分析方法，该方法是民用涡轴发动机载荷谱聚类的分析方法，该方法较为直观、简结，解决了聚类分析中编程繁琐、划分粗糙等问题，为航空发动机的强度分析、综合任务谱的编制提供了基础，为航空发动机的定寿、延寿提供重要依据。

为了实现上述目的，本发明采用以下技术方案：

一种基于三维K-Means涡轴发动机载荷谱聚类分析方法，其特征在于，包括以下步骤：

步骤(1)、将n个剖面的原始转速谱、高度谱进行预处理；

步骤(2)、民用涡轴发动机参数谱的特征分析；

步骤(3)、基于典型任务段的三维K-Means模型的建立及典型剖面的划分准则。

进一步的，所述步骤(1)的具体步骤为：

步骤(11)确定起飞段、降落段划分准则，如图1所示，

步骤(12)根据步骤(11)的起降段划分准则，对n个转速剖面进行起降段的划分

步骤(13)对n个转速中间任务段进行滤波，

进一步的，所述步骤(11)中起飞段和降落段的划分准则为：

起飞段与中间飞行段划分准则：发动机转速由0第一次变化到最大值并由最大值下降至最大转速的5％的时间点t1，发动机高度由0第一次变化到最大值的时间点t2，取 t1和t2中较小的时间值作为起飞段和中间飞行段的分离点；

中间飞行段与降落段划分准则：发动机转速由最大值开始下降并在下降过程中再也没有达到最大值的时间点t3，发动机高度由一定值开始下降且过程中高度无明显上升的时间点t4，取t3和t4中较大的时间值作为中间飞行段和降落段分离点。

进一步的，所述步骤(13)的具体步骤为：

步骤(131)确定n个中间任务段滤波阈值，一般的滤波方法是以去除信号中的噪音为目的，在采集到载荷参数的峰值和谷值后，通过以下两个方面进行滤波操作：(1) 小变程滤波；(2)小峰值滤波，从而去掉对疲劳损伤影响较小或不产生影响的小循环；

首先对中间任务段进行峰谷值的提取，滤波阈值Δ％的计算公式为：

Δ％＝G

其中：G

步骤(132)在步骤(131)的基础上，分别计算n个转速中间任务段的滤波阈值，如图2(a)-2(i)所示；

步骤(133)将滤波及n个转速中间任务段的滤波阈值写入雨流计数中，对n个转速中间任务段进行滤波。

进一步的，所述步骤(2)的具体步骤为：

直升机的飞行动作分解为平飞、斜爬升、垂直爬升、悬停(有或无地效)和机动飞行这些基本飞行动作，直升机的飞行任务是基本飞行动作的组合，根据直升机飞行任务中的变化特征将其划分为起飞段、中间任务段和降落段，其中，起飞段和降落段的特征固定，是确定性任务段；中间任务段与直升机所执行的飞行任务直接相关，直升机在执行不同飞行任务时，起飞段和降落段一致，中间任务段将有显著区别，即任务剖面的中间任务段反映直升机的任务特征，直升机转速谱、高度谱的中间任务段谱型的变化与直升机所执行的动作一一对应，且转速谱、高度谱的变化也一一对应，当转速谱从C处爬升至D段再下滑至C处时，转速谱片段，与高度谱中从a高度上升到b高度，最后下降至c高度的变化情况一致，且一一对应，高度谱与转速谱的变化具有相同的规律，且转速谱与高度谱的变化均是以某一典型段为单元重复变化。可以发现当转速谱从C处爬升至D段再下滑至C处时，如图3所示为转速谱片段，与高度谱中从a高度上升到b 高度，最后下降至c高度的变化情况基本一致，且一一对应，如图4所示为与图3所对应的高度谱片段。如图5所示为转速谱和高度谱的片段，片段1～4高度谱与转速谱的变化具有相同的规律，且转速谱与高度谱的变化均是以某一典型段为单元重复变化。片段 1的转速谱和高度谱分别与2的谱型相似，持续时间相同，高度相似。片段3的转速谱和高度谱分别与4的谱型、持续时间、高度相似。片段1～2与片段3～4在转速谱和高度谱上的变化规律基本一致，不同之处在于持续时间和高度谱的最大值。

进一步的，所述步骤(3)的具体步骤为：

基于军机发动机载荷谱聚类分析，发展了民用涡轴发动机载荷谱的聚类算法。通过上述分析，发现转速谱和高度谱变化规律一致且高度谱谱型更简单，易于识别。针对民机涡轴发动机实测谱的聚类，采用K-Means聚类算法：

在本实例中，以参数高度为主，通过智能识别将n个剖面每个剖面的片段进行分类，其中：H为片段的最大高度，单位为m，H

以每个片段的持续时间为主，通过智能识别对每个剖面的H

最终将所有剖面的中间任务段的所有片段划分成两大类典型任务段，即执行任务典型任务段和巡航任务典型任务段。

进一步的，执行任务典型任务段的特征为执行任务典型任务段持续时间不大于1400s，如图6(a)-6(c)所示，执行任务典型任务段转速谱谱型相同，持续时间不同，典型任务段1的Δt

巡航任务典型任务段的持续时间均大于1400s，如图7(a)-7(c)所示为巡航任务典型任务段的典型片段，典型任务段4的H

进一步的，根据划分的6类典型任务段，对n个任务剖面进行智能识别，分别将每个剖面中的执行任务段和巡航任务段的数量记录下来，并提取数量最多的典型任务段，以巡航段数量-执行段数量-提取数量最多的典型任务段编号为三维坐标轴，将涡轴发动机n个任务剖面的特征用三维图表示出来，如图8所示，根据三维图中数据的分布，将转速谱分为三部分典型剖面a、典型剖面b和典型剖面c，其中：典型剖面a为典型任务段1和型任务段2的组合；典型剖面b为以典型任务段3或典型任务段4或典型任务段5或典型任务段6为主的6类典型任务段的组合；典型剖面c为以典型任务段1或典型任务段2为主的6类典型任务段的组合，如图9(a)-9(c)所示3类典型剖面。

进一步的，具体分析救火类的n个剖面，在基于直升机执行救火类任务的典型特征，可以发现任务剖面大多由典型任务段1和典型任务段2组合而成即典型剖面a。典型剖面c大多由典型任务段6和典型任务段1或典型任务段2的组合。典型剖面b有两类剖面，分别为只有巡航段的剖面和带有典型任务段3的巡航类剖面。将典型剖面b再进行细分，如图10所示，将只有巡航任务的剖面划分为一类，命名为d，如图11所示，对典型剖面b重新进行划分得到的典型剖面d。

与现有技术相比，本发明具有以下有益效果：

(1)简单直观，且描述精确；

以典型任务段作为聚类单元，通过分析参数谱典型任务段的相关性，划分载荷谱。操作简单且划分的更精确，通用性更强。

(2)具有广泛的工程应用价值；

本发明提出的载荷谱的划分方法操作简单，通用性强。因此，在现有的技术条件下，利用本发明可以合理的分析并划分出涡轴发动机的载荷剖面，具有广泛的工程应用价值。

(3)发展军机载荷谱聚类分析方法；

涡轴发动机载荷谱聚类分析方法是尽可能合理、准确划分直升机载荷谱剖面，主要依据直升机实际的使用任务，此方法也同样适用于军机载荷剖面的聚类划分。

本发明为航空发动机的定寿、延寿提供重要依据，为航空发动机的强度分析、综合任务谱的编制提供有效的预处理方法。

附图说明

图1是转速谱和高度谱的组合，其中：①起飞部分，②中间飞行部分，③降落部分；

图2(a)为转速谱中间任务段滤波后的滤波谱，其剖面0108，图2(b)为转速谱中间任务段滤波后的滤波谱，其剖面0318，图2(c)为转速谱中间任务段滤波后的滤波谱，其剖面0813，图2(d)为转速谱中间任务段滤波后的滤波谱，其剖面0826，图2(e)为转速谱中间任务段滤波后的滤波谱，其剖面0827，图2(f)为转速谱中间任务段滤波后的滤波谱，其剖面0828，图2(g)为转速谱中间任务段滤波后的滤波谱，其剖面0904，图2(h)为转速谱中间任务段滤波后的滤波谱，其剖面1028，图2(i)为转速谱中间任务段滤波后的滤波谱，其剖面1029；

图3是转速谱片段，其中：C为悬停取水，D为巡航，E为下滑，F为悬停救火C 为悬停取水；

图4是高度谱片段，其中：a为取水区域，b为救火区域，c为取水区域；

图5是剖面0108转速谱与高度谱片段；

图6(a)为执行任务典型任务段1，图6(b)为执行任务典型任务段2，图6(c) 为执行任务典型任务段3；

图7(a)为巡航任务典型任务段4，图7(b)为巡航任务典型任务段5，图7(c) 为巡航任务典型任务段6；

图8是典型剖面的初步划分；

图9(a)是典型剖面a，图9(b)是典型剖面b，图9(c)是典型剖面c；

图10是四类典型剖面；

图11是典型剖面d。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

实施例1

一种基于三维K-Means涡轴发动机载荷谱聚类分析方法，其特征在于，包括以下步骤：

步骤(1)、将n个剖面的原始转速谱、高度谱进行预处理；

所述步骤(1)的具体步骤为：

步骤(11)确定起飞段、降落段划分准则，如图1所示，

所述步骤(11)中起飞段和降落段的划分准则为：

起飞段与中间飞行段划分准则：发动机转速由0第一次变化到最大值并由最大值下降至最大转速的5％的时间点t1，发动机高度由0第一次变化到最大值的时间点t2，取 t1和t2中较小的时间值作为起飞段和中间飞行段的分离点；

中间飞行段与降落段划分准则：发动机转速由最大值开始下降并在下降过程中再也没有达到最大值的时间点t3，发动机高度由一定值开始下降且过程中高度无明显上升的时间点t4，取t3和t4中较大的时间值作为中间飞行段和降落段分离点；

步骤(12)根据步骤(11)的起降段划分准则，对n个转速剖面进行起降段的划分

步骤(13)对n个转速中间任务段进行滤波，

所述步骤(13)的具体步骤为：

步骤(131)确定n个中间任务段滤波阈值，一般的滤波方法是以去除信号中的噪音为目的，在采集到载荷参数的峰值和谷值后，通过以下两个方面进行滤波操作：(1) 小变程滤波；(2)小峰值滤波，从而去掉对疲劳损伤影响较小或不产生影响的小循环；

首先对中间任务段进行峰谷值的提取，滤波阈值Δ％的计算公式为：

Δ％＝G

其中：G

步骤(132)在步骤(131)的基础上，分别计算n个转速中间任务段的滤波阈值，如图2(a)-2(i)所示；

步骤(133)将滤波及n个转速中间任务段的滤波阈值写入雨流计数中，对n个转速中间任务段进行滤波；

步骤(2)、民用涡轴发动机参数谱的特征分析；

所述步骤(2)的具体步骤为：

直升机的任务特征可以认为是直升机在执行不同任务时任务剖面的特异性差别，不同的飞行任务有不同的任务特征。

直升机的飞行动作分解为平飞、斜爬升、垂直爬升、悬停(有或无地效)和机动飞行这些基本飞行动作，直升机的飞行任务是基本飞行动作的组合，根据直升机飞行任务中的变化特征将其划分为起飞段、中间任务段和降落段，其中，起飞段和降落段的特征固定，是确定性任务段；中间任务段与直升机所执行的飞行任务直接相关，直升机在执行不同飞行任务时，起飞段和降落段一致，中间任务段将有显著区别，即任务剖面的中间任务段反映直升机的任务特征，直升机转速谱、高度谱的中间任务段谱型的变化与直升机所执行的动作一一对应，且转速谱、高度谱的变化也一一对应，当转速谱从C处爬升至D段再下滑至C处时，转速谱片段，与高度谱中从a高度上升到b高度，最后下降至c高度的变化情况一致，且一一对应，高度谱与转速谱的变化具有相同的规律，且转速谱与高度谱的变化均是以某一典型段为单元重复变化。可以发现当转速谱从C处爬升至D段再下滑至C处时，如图3所示为转速谱片段，与高度谱中从a高度上升到b 高度，最后下降至c高度的变化情况基本一致，且一一对应，如图4所示为与图3所对应的高度谱片段。如图5所示为转速谱和高度谱的片段，片段1～4高度谱与转速谱的变化具有相同的规律，且转速谱与高度谱的变化均是以某一典型段为单元重复变化。片段 1的转速谱和高度谱分别与2的谱型相似，持续时间相同，高度相似。片段3的转速谱和高度谱分别与4的谱型、持续时间、高度相似。片段1～2与片段3～4在转速谱和高度谱上的变化规律基本一致，不同之处在于持续时间和高度谱的最大值；

步骤(3)、基于典型任务段的三维K-Means模型的建立及典型剖面的划分准则。

所述步骤(3)的具体步骤为：

基于军机发动机载荷谱聚类分析，发展了民用涡轴发动机载荷谱的聚类算法。通过上述分析，发现转速谱和高度谱变化规律一致且高度谱谱型更简单，易于识别。针对民机涡轴发动机实测谱的聚类，采用K-Means聚类算法：

在本实例中，以参数高度为主，通过智能识别将n个剖面每个剖面的片段进行分类，其中：H为片段的最大高度，单位为m，H

以每个片段的持续时间为主，通过智能识别对每个剖面的H

最终将所有剖面的中间任务段的所有片段划分成两大类典型任务段，即执行任务典型任务段和巡航任务典型任务段。

执行任务典型任务段的特征为执行任务典型任务段持续时间不大于1400s，如图6(a)-6(c)所示，执行任务典型任务段转速谱谱型相同，持续时间不同，典型任务段 1的Δt

巡航任务典型任务段的持续时间均大于1400s，如图7(a)-7(c)所示为巡航任务典型任务段的典型片段，典型任务段4的H

根据划分的6类典型任务段，对n个任务剖面进行智能识别，分别将每个剖面中的执行任务段和巡航任务段的数量记录下来，并提取数量最多的典型任务段，以巡航段数量-执行段数量-提取数量最多的典型任务段编号为三维坐标轴，将涡轴发动机n个任务剖面的特征用三维图表示出来，如图8所示，根据三维图中数据的分布，将转速谱分为三部分典型剖面a、典型剖面b和典型剖面c，其中：典型剖面a为典型任务段1和型任务段2的组合；典型剖面b为以典型任务段3或典型任务段4或典型任务段5或典型任务段6为主的6类典型任务段的组合；典型剖面c为以典型任务段1或典型任务段2 为主的6类典型任务段的组合，如图9(a)-图9(c)所示3类典型剖面。

实施例2

一种民用涡轴发动机载荷谱聚类的分析方法，以某型直升机执行n次救火任务时，发动机n个转速谱剖面为例详细叙述民用涡轴发动机载荷谱聚类的分析过程。具体实施步骤如下：

步骤(1)将n个剖面的原始转速谱、高度谱进行预处理；

步骤(11)确定起飞段、降落段划分准则；

起飞段和降落段的划分准则为：如图1所示；

起飞段与中间飞行段划分准则：发动机转速由0第一次变化到最大值并由最大值下降一定幅值(最大转速的5％)的时间点t1，发动机高度由0第一次变化到最大值的时间点t2。取t1和t2中较小的时间值作为起飞段和中间飞行段的分离点；

中间飞行段与降落段划分准则：发动机转速由最大值开始下降并在下降过程中再也没有达到最大值的时间点t3，发动机高度由一定值开始下降且过程中高度无明显上升的时间点t4。取t3和t4中较大的时间值作为中间飞行段和降落段分离点。

步骤(12)根据步骤(11)的起降段划分准则，对n个转速剖面进行起降段的划分；

步骤(13)对n个转速中间任务段进行滤波，

所述步骤(13)的具体步骤为：

步骤(131)确定n个中间任务段滤波阈值，一般的滤波方法是以去除信号中的噪音为目的，在采集到载荷参数的峰值和谷值后，通过以下两个方面进行滤波操作：(1) 小变程滤波；(2)小峰值滤波，从而去掉对疲劳损伤影响较小或不产生影响的小循环；

首先对中间任务段进行峰谷值的提取，滤波阈值Δ％的计算公式为：

一般的滤波方法是以去除信号中的噪音为目的，在采集到载荷参数的峰值和谷值后，通过以下两个方面进行滤波操作：(1)小变程滤波；(2)小峰值滤波，从而去掉对疲劳损伤影响较小或不产生影响的小循环。

首先对中间任务段进行峰谷值的提取，滤波的阈值为：

Δ％＝G

其中，Δ％为滤波阈值；G

步骤(3)、基于典型任务段的三维K-Means模型的建立及典型剖面的划分准则。

K-Means是聚类算法当中尤为常见的一种。由于该种算法效率高，所以常见于大规模数据的聚类分析当中。目前，许多算法基于该算法的基础上进行改进和扩展。将对象划分为k个簇，使得簇之间的差异化加大，簇内的差异化缩小。

K-Means算法的流程为：预分为k个簇，则随机取k个对象，每个对象的初始地表示该簇的中心值，而余下的所有对象，通过判断该对象和每个族的中心值之间的距离，把该对象赋给最近的簇；再对所有簇的均值展开再次计算，反复进行这一步骤，直到准则函数收敛；通常会使用平方误差准则，如公式(5)：

其中：E表示数据库中全部对象的平方误差的总和，i表示k个簇中的一个，且i＝1，2，...，k；p表示空间上的对象，c

所述步骤(3)的具体步骤为：基于军机发动机载荷谱聚类分析发展民用涡轴发动机载荷谱的聚类算法。通过上述分析，发现转速谱和高度谱变化规律一致且高度谱谱型更简单，易于识别。针对民机涡轴发动机实测谱的聚类，采用如下算法：

以参数高度为主，通过智能识别将n个剖面每个剖面的片段进行分类，其中H为片段的最大高度，单位为m，H

最终将所有剖面的中间任务段的所有片段划分成两大类典型任务段，即执行任务典型任务段和巡航任务典型任务段。

执行任务典型任务段的特征为执行任务段持续时间不大于1400s，如图6(a)-6(c)所示为执行任务典型任务段的典型片段，执行段转速谱谱型相同，持续时间不同，典型任务段1的Δt

如图3执行任务典型任务段是直升机执行救火任务时的片段，是直升机执行灭火任务时的最小单元。从目的地B巡航至目的地C执行任务a，后爬升至目的地D巡航至目的地E并下滑至目的地F开始执行任务b，执行完后返回目的地C(C(a)→D→E→F (b)→C)，以此任务段为标准，不断重复此过程，直至直升机任务完成。

巡航任务典型任务段的持续时间均均大于1400s，如图7(a)-7(c)所示为巡航任务典型任务段的典型片段，典型任务段4的H

根据划分的6类典型任务段，对n个任务剖面进行智能识别，分别将每个剖面中的执行任务段和巡航任务段的数量记录下来，并提取数量最多的典型任务段。以巡航段数量-执行段数量-提取数量最多的典型任务段编号1或2或3或4或5或6为三维坐标轴，将涡轴发动机n个任务剖面的特征用转速谱的K-Means三维图表示出来，如图8所示。首先根据三维图中数据的分布，将转速谱分为三部分。典型剖面a为典型任务段1和典型任务段2的组合；典型剖面b为以典型任务段3或典型任务段4或典型任务段5或典型任务段6为主的6类典型任务段的组合；典型剖面c为以典型任务段1或典型任务段 2为主的6类典型任务段的组合。如图9(a)-9(c)所示，为3类典型剖面。

基于直升机执行救火类任务的典型特征，可以发现任务剖面大多由典型任务段1和典型任务段2组合而成即典型剖面a。典型剖面c大多由典型任务段6和典型任务段1 或典型任务段2的组合。典型剖面b由两类剖面，分别为只有巡航段的剖面和带有典型任务段3的巡航类剖面。将典型剖面b再进行细分，如图10所示，将只有巡航任务的剖面划分为一类，命名为d，如图11所示，对典型剖面b重新进行划分得到的典型剖面 d。

典型剖面a、d为典型的救火类剖面，直升机分别处于全程不断取水再洒下火场的状态和全程不断在火场巡航，查看火情的状态。典型剖面b所执行的任务是不断巡航查看火情，遇到火情严重的情况会及时洒水救火。典型剖面c所执行的任务是不断的执行救火任务即取水洒水，直至a区火情降低，再不断巡航查看火情，并前往b区救火。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。