直升机旋翼系统飞行参数识别模型研究

张君男，张 伟

(中国直升机设计研究所，江西 景德镇 333001)

直升机旋翼系统飞行参数识别模型研究

张君男，张 伟

(中国直升机设计研究所，江西 景德镇 333001)

直升机旋翼系统的工作方式及其所承受的载荷形式使飞行实测载荷数据的有效性不高。研究如何利用有限的实测载荷及飞行参数数据建立直升机旋翼系统飞行参数识别模型，对于推进飞行载荷测试任务有重要意义。基于Matlab编程建立遗传算法优化的BP神经网络直升机旋翼系统飞行参数识别模型，实现通过现有载荷数据及飞参数据对旋翼系统飞行载荷预测仿真。预测的最大相对误差为10%、平均相对误差为3.7%，满足工程要求，并且较未使用遗传算法优化的BP神经网络预测结果好，表明所建立的飞行参数识别模型具有很好的学习能力和泛化能力。

直升机旋翼系统；飞行实测载荷数据；飞行参数识别模型；遗传算法；BP神经网络

0 引言

飞行载荷测试是为获得直升机零部件疲劳定寿所需载荷谱的实测载荷数据而进行的大型飞行试验[1]。每个试飞科目有对应的起飞重量和重心位置要求，不同的飞行状态对应不同的飞行参数，如飞行高度、速度、过载、上升或下降速率、侧滑角、航向角以及旋翼转速和发动机功率等。直升机旋翼系统由于其工作方式及所受载荷形式的特殊性，外场飞行载荷测试中经常出现贴片损坏、通道无效的情况，给测试任务带来诸多不便。因此，在有限飞行实测载荷数据的基础上建立飞行参数识别模型对于飞行载荷测试任务的推进有重要意义。

飞行参数如飞行高度、飞行速度、侧滑角、航向角、重心法向过载等影响着直升机各个部件所承受的载荷。直升机旋翼和尾桨在飞行时高速旋转，主要承受挥舞弯矩、摆振弯矩、扭矩等，这些部件的某些部位的贴片由于漂移、易损坏等原因，降低了测量的准确性，影响实测载荷的有效性。本文主要研究通过遗传算法和BP神经网络建立直升机旋翼系统飞行参数识别模型。

1 旋翼系统飞行参数识别模型

通过已有样本的飞行参数与飞行载荷训练创建的BP神经网络，得到直升机旋翼系统飞行参数的识别模型。利用该模型进行预测仿真测试，评价模型性能。

图1 直升机旋翼系统飞行参数识别模型

2 BP神经网络

BP神经网络是一种无反馈的前向网络，网络中的神经元分层排列，也是一种多层网络的“逆推”学习算法。BP神经网络由输入层、输出层和至少一层隐蔽层组成，每一层内神经元的输出均传送到下一层，这种传送由联接权值来达到增强、减弱或抑制这些输出的作用，除了输入层的神经元外，隐蔽层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、活化函数和阈值来决定它的活化程度[2]。

图2是BP神经网络示意图。输入量必须选择那些对输出影响大且能够检测或提取的变量。各输入量之间互不相关或相关性很小。

图2 BP神经网络示意图

BP网络的计算关键在于学习过程中的误差反向传播过程，此过程是通过使一个目标函数最小化来完成的。通常目标函数定义为实际输出与希望输出之间的误差平方和。

图3是二维权空间的误差曲面分布情况，从中可以看到很多凹凸不平，低凹部分就是误差函数的极小点。在BP算法中，网络权值的修正依赖于准则函数的一阶导数信息，当求解空间存在多个局部最小点即极小点时，一旦随机产生的初始网络权值设置不当，便会陷入局部收敛而无法逃出。网络初始权值的初始化决定了网络的训练从误差曲面的哪一点开始，因此初始化对缩短网络的训练时间至关重要。针对这些特点，可以采用遗传算法对BP神经网络进行优化[3]。

图3 二维权空间的误差曲面分布情况

3 改进BP神经网络模型

3.1 数据归一化

数据归一化可以取消各维数据间的量级差别，避免因为输入输出数据量级差别较大而造成BP神经网络模型识别载荷误差较大，同时使神经元传输函数处于有利于反向传播算法执行的区间[4]。

本文采用平均数方差法进行数据的归一化。

式中，xk为飞行载荷或飞行参数数据，xmean为飞行数据序列的均值，xvar为飞行数据的方差。

3.2 遗传算法

遗传算法(GA)是一种进化算法，把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。

遗传算法的基本步骤[3]：

1) 编码

GA在进行搜索前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。

2) 初始群体的生成

随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。 GA以这N个串结构数据作为初始点进行优化。

3) 适应度评估

适应度表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。

4) 选择

选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代繁殖下一代。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体贡献一个或多个后代的概率大。选择体现了达尔文的适者生存原则。

5) 交叉

交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了其父辈个体的特性。交叉体现了信息交换的思想。

6) 变异

变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值很小。

3.3 基于遗传算法优化的BP神经网络

遗传算法优化BP神经网络由BP神经网络结构确定、遗传算法优化权值和阈值、BP神经网络训练及预测三部分组成。遗传算法优化BP神经网络算法流程参见文献[3]。

其基本思想是用个体代表网络的初始权值和阈值，把预测样本的BP神经网络的测试误差的范数作为目标函数的输出，进而计算该个体的适应度值，通过选择、交叉、变异操作寻找最优个体，即最优的BP神经网络初始权值和阈值。根据样本的输入/输出参数个数确定BP神经网络的拓扑结构、遗传算法优化参数的个数，从而确定种群个体的编码长度。神经网络的权值和阈值一般是通过随机初始化为[-0.5,0.5]区间的随机数，这个初始化参数对网络训练的影响很大，但是又无法准确获得，引入遗传算法就是为了优化出最佳的初始权值和阈值[3]。

4 实例应用

取直升机一个飞行架次中某一飞行高度旋翼系统的某一剖面的21个实测飞行数据点作为样本。随机产生的11个样本为训练集进行网络训练，剩余的10个为测试集作为网络的测试数据对训练好的网络进行测试。

原始数据经过跳点清除去除干扰后进行归一化处理。根据遗传算法和BP神经网络的理论，本文基于Matlab编程建立遗传算法优化的BP神经网络直升机旋翼系统飞行参数识别模型。其中，BP神经网络部分使用Matlab自带的神经网络工具箱，遗传算法部分使用Sheffield遗传算法工具箱。BP神经网络的输入输出如表1所示。

表1 BP神经网络输入输出

选择测试样本的测试误差的范数作为目标函数的输出来衡量网络的一个泛化能力。适应度函数采用排序的适应度分配函数：

其中，obj为目标函数的输出。

选择算子采用随机遍历抽样(sus)。交叉算子采用最简单的单点交叉算子。变异以一定概率产生变异基因数，用随机方法选出发生变异的基因。当所选的基因编码为1，则变为0；反之，则变为1。

本文遗传算法运行参数设定如表2所示。

误差范数越小，则网络的预测精度越高。图4为误差进化曲线。

将遗传算法优化后得到的最佳初始权值和阈值代入网络即可对摆振弯矩进行预测，将预测值进行反归一化后得到摆振弯矩的预测值。

表2 遗传算法运行参数设定

分别使用随机权值和阈值以及使用遗传算法优化后的权值和阈值对某一剖面的摆振弯矩进行预测，并与实测值进行对比，得到如图5所示的对比曲线。从图中可以看出，使用遗传算法优化后BP神经网络的预测效果得到了较大的改善。

图4 误差进化曲线

其中，遗传算法优化BP神经网络预测的最大相对误差为10%，平均相对误差为3.7%，满足工程要求，表明遗传算法优化BP神经网络具有很好的学习能力和泛化能力。

图5 预测结果对比图

5 结论

本文通过数据归一化、遗传算法、BP神经网络等建立了直升机旋翼系统飞行参数识别模型。利用直升机旋翼系统某一剖面的飞行实测数据实现所建网络的训练和预测验证，结果表明该模型能够有效地通过飞行参数预测飞行载荷。粒子群算法、蚁群算法等也可用于BP神经网络初始权值和阈值的优化，本文缺少对其他优化算法与遗传算法优化的比较，下一步将继续寻找更佳的优化算法。

[1] 穆志稻，曾本银.直升机结构疲劳[M].北京:国防工业出版社,2009．

[2] 田景文，高美娟. 人工神经网络算法研究及应用[M].北京:北京理工大学出版社.

[3] 郁 磊,史 峰，等.MATLAB智能算法30个案例分析(第2版)[M].北京:北京航空航天大学出版社.

[4] 曹善成,殷之平，等.基于遗传神经网络的飞行载荷参数识别[J].航空计算技术,2013,43(1):61-64.

Study of Helicopter Rotor System Recognition Model of Flying Parameters

ZHANG Junnan , ZHANG Wei

(China Helicopter Research and Development Institute, Jingdezhen 333001, China)

The working manner and loading form of helicopter rotor system cause the low effectiveness of measured flying loading data. It is of important significance to study how to use limited measured loading and flying parameters data to establish helicopter rotor system recognition model of flying parameters for carrying the task of measuring flying loading a step forward. Helicopter rotor system recognition model of flying parameters in this paper was established using BP networks optimized by genetic algorithm based on Matlab. This model realized the prediction and simulation of rotor’s flying loading with available loading and flying parameters data. The maximum relative error between the predicted results and the measured data was 10%, the average 3.7%, which met the engineering demand. Furthermore, the predicted results were better than that of BP networks without genetic algorithm. It demonstrated that the recognition model of flying parameters in this paper had good learning ability and generalization ability.

helicopter rotor system; measured flying loading data; recognition model of flying parameters; genetic algorithm; BP networks

2016-09-29

张君男(1990-)，女，浙江省东阳市人，硕士，助理工程师，主要研究方向：结构疲劳强度设计。

1673-1220(2016)04-025-04

V215.1

A