基于DBN的直升机飞行状态识别技术研究

基于DBN的直升机飞行状态识别技术研究

赵扬森1赵祥2乔博3

关键词：DBN；RVM；飞行状态识别；预处理；预分类

引言

直升机是一种特殊的航空飞行器，可以实现低空、低速（可悬停）和机头方向不变的机动飞行，并且对起落场地要求简单，因此直升机被广泛应用于军事打击和各种抢险救灾中，应用场合复杂（高原、沙漠、极寒及其它恶劣气候场合等），飞行任务多变。因为大多数直升机无法安装弹射座椅，当事故发生后，飞行员的生命安全难以得到保证，所以进行直升机故障诊断和寿命预测显得尤为重要。由于直升机存在着自动倾斜器、旋翼主桨叶和主减速器等大量动部件和有寿件，使得直升机事故率比固定翼飞机事故率高。而直升机的飞行状态不同会导致直升机各零部件的受损情况不同，因此获得直升机飞行状态是进行直升机故障诊断和寿命预测的先决条件。

1直升机飞行状态识别

1.1数据预处理

直升机上传感器工作环境复杂，在数据采集过程中，会因为电磁干扰、噪声干扰以及随机因素的影响，使记录的飞行数据存在野值、噪声和数据丢失的现象。而这些异常的飞行数据，将严重影响直升机飞行状态识别结果，为提高识别准确率，有必要对飞行数据进行预处理。

1.2飞参数据拟合

分析35种飞行状态可知，待识别飞行状态与速度、高度和偏航角联系紧密，单纯的通过高度、速度和偏航角无法完成全部飞行状态识别，还需要依赖其变化率。通过引入速度变化率，可以判断出直升机是处在恒速、减速或加速状态；通过引入高度变化率，可以判断出直升机是处在平飞、上升或下降状态；通过引入偏航角变化率，可以判断出直升机是处在转弯或非转弯状态。

1.3敏感飞行参数提取

35种飞行状态可由变距杆、总距杆和脚蹬协调完成，因此，可以分析与这三种操纵方式相关的飞参，进而筛选出敏感参数。脚蹬可以控制尾桨，可通过脚蹬位移分析与尾桨相关的飞行状态，故与尾桨相关的飞参（尾部纵向过载、尾部侧向过载和尾部法向过载）可以不必考虑；总距杆控制的飞行状态可选取总距位移来分析；变距杆控制的飞行状态可选取操纵杆纵向位移和操纵杆横向位移来分析；侧滑角可通过重心处纵向过载、重心处侧向过载和重心处法向过载来分析，为了提高训练效率，此处选择重心处侧向过载表示侧滑角。此外，部分飞参与飞行状态无直接关联，例如无线电高度、燃油入口处温度、和倾斜角等参数，此处直接不予考虑。

2基于DBN网络的直升机飞行状态识别方法

2.1DBN模型

2006年，Hinton等人在国际著名期刊《Science》上首次提出了深度置信网络，DBN网络是一种将特征学习和深度学习相融合的多层神经网络，可看成由多层无监督的受限玻尔兹曼机和一层有监督的BP网络组成的一种多层神经网络，通过多个RBM的堆叠只能提取高层次特征，还不能对原始数据进行分类，要想设计一个完整的DBN分类器，还需要在RBM顶层添加一个有监督的BP网络。深度置信网络最低层表示原始数据，通过贪婪逐层学习算法去优化深度神经网络的连接权重和偏置系数，由低层逐步向高层抽象，从而使高层的特征数据更能够代表原始数据。如图4-2是一个由三个RBM组成的DBN网络结构模型，其中可视层之间和隐藏层之间内部是相互独立的。第一个可视层V1为原始输入数据，与第一个隐藏层H1组成第一个RBM网络（RBM1）；第一个RBM网络的隐藏层H1作为第二个隐藏层H2的可视层，与第二个隐藏层H2组成第二个RBM网络（RBM2），依次类推，可构建多个RBM隐层神经网络。通过RBM的逐层堆叠，DBN可以从输入数据中提取特征值，从而形成更抽象和更高层次的特征表达数据，最后通过BP网络将RBM网络学习的特征组合进行分类。

2.2BP分类器

1986年，Rumelhart等人提出一般的Delta法则，即反向传播算法，并且在国际著名期刊《Nature》上发表了他们的成果，该法则实用性强，逐渐受到广大学者的关注。BP网络是目前在实际中最常用的人工神经网络模型之一，该网络结构由输入层、隐层和输出层构成。它采用误差函数梯度下降法进行学习，通过反向误差不断调整网络参数，最终使得误差平方和最小化。BP网络的训练过程主要包括输入信号正向传播和误差信号逆向传播两个过程，在正向传播过程中，输入信号通过激活函数作用后，从第一层神经元逐层向输出层传播，将实际得到的输出结果与标准结果进行比较，计算出输出结果的误差；反向传播时，误差由输出层逐层向输入层传播，在传播过程中会对连接权值和偏置系数进行微调，从而使得误差逐步减小，两个过程反复迭代，直到误差小于设定的误差值。

2.3DBN训练

DBN训练主要通过多个RBM的堆叠，逐层对数据进行处理，每一层对数据表达方式不同，训练过程包括无监督的正向预训练和有监督的反向微调两个步骤。无监督的正向预训练：：贪心逐层训练是深度置信网络具备强大特征提取能力的关键，训练过程可以不用对样本进行标记，由下至上无监督逐层提取数据特征，形成适合分类高层次表达，降低了运算的复杂程度。分别对每一层RBM网络进行单独的无监督地训练，每一层RBM的输入数据采用低一层RBM的隐层的输出数据，原始数据由低层映射到高层的同时，需要尽可能多地保留特征信息。有监督的反向微调：：在DBN网络的最顶层添加BP网络，将顶层RBM的输出作为它的输入，有监督地训练BP网络，将实际得到的输出结果与标准结果进行比较算出误差，并利用误差逐层向后传播。每一层RBM网络参数只能确保对高一层的映射达到较优状态，并不能使整个DBN网络的映射达到较优状态，通过误差的自顶向下的传播，可以对整个DBN网络参数进行微调，从而使DBN网络的性能提升。

3基于RVM的直升机飞行状态识别方法

传统的图像分析法是通过飞行图像获取直升机的位置信息和姿态信息，只能识别少数与姿态角相关的飞行状态，这限制了该方法在实际应用中的可行性。针对该问题，本章利用直升机上传感器所采集到的数据进行识别，通过飞行数据来建立识别模型，完成直升机飞行状态分类。首先，分别对每一小类设计RVM分类器，采用粒子群算法寻找最佳核函数参数；然后，将核函数参数输入到对应的分类器中，利用样本训练出RVM模型；最后，通过单点识别实验和全起落实验测试RVM方法的分类效果。

结语

正确识别直升机飞行状态，可为直升机故障诊断和寿命预测提供重要依据。通过对国内外直升机飞行状态识别方法进行调研，可以知道传统的图像分析法能够识别的飞行状态数目较少，而浅层学习方法虽然可以识别大多数飞行状态，但是由于特征提取能力有限，导致直升机的飞行状态识别率不高。本文针对以上问题，提出了基于深度学习的直升机飞行状态识别方法，并采用典型的深度学习方法DBN进行测试，实验结果表明：相比于浅层学习方法RVM，该方法能够取得更好的识别效果。

参考文献：

[1]孙志远，鲁成祥，史忠植，等.深度学习研究与进展[J].计算机科学，2016，43（2）：1-8.

[2]董培建，王赓，盛焕烨，等.基于双目视觉的小型无人直升机位姿检测[J].计算机工程，2009，35（14）：252-254.