【技术实现步骤摘要】
一种基于一维卷积神经网络的直升机飞行状态识别方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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,本专利技术采用以下技术方案来实现。本专利技术提供了一种基于一维卷积神经网络的 ...
【技术保护点】
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:/n1)去除偏离正常的飞行参数数据段,具体步骤如下:/n(1.a)对每一个飞行状态对应的速度和高度进行可视化;/n(1.b)通过参数曲线,确定每个飞行状态速度和高度的阈值;/n(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;/n2)飞行参数预处理;/n3)制作飞行状态标签数据集;/n4)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:/n(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;/n(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
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:熊邦书,张睿婷,欧巧凤,李新民,
申请(专利权)人:南昌航空大学,
类型:发明
国别省市:江西;36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。