一种基于一维卷积神经网络的直升机飞行状态识别方法

摘要

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。

说明书

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

x′

式中，x′

(2.b)限幅，将第i时刻飞行参数采样值x

(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

(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M

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K

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N

(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，

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

x′

式中，x′

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

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

需要说明的是，本发明实例中，M

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M

需要说明的是，本发明实例中，M

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

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K

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，K

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N

需要说明的是，本发明实例中，第一层全连接层神经元个数N

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，

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％。