基于機器學習的直升機飛行狀態(tài)識別技術研究.pdf

1、直升機飛行在不同狀態(tài)時，有壽件和動部件的損傷程度不同。因此，正確識別飛行狀態(tài)對直升機關鍵部件的壽命預測及故障診斷，具有重要的意義。在實際中，用于直升機飛行狀態(tài)訓練的樣本一般為小樣本，而傳統(tǒng)神經網絡方法，在訓練樣本較少時，識別率欠佳。針對這個問題，本文采用二叉樹SVM和隨機森林方法，研究了直升機飛行狀態(tài)識別技術，旨在提高識別率和識別速度，可為我國直升機健康和使用監(jiān)測系統(tǒng)（HUMS）研制提供核心的技術。本文主要研究工作和成果如下：
　

2、　(1)研究并實現直升機飛行狀態(tài)識別預處理。主要包括數據預處理、敏感參數提取和狀態(tài)預分類。數據預處理首先采用去野點、限幅及中值濾波對飛行數據進行去噪；然后，利用最小二乘法，擬合得到飛行參數的變化率，作為新的飛行參數；去噪實驗驗證了本文方法的有效性。敏感參數提取是根據直升機操縱特性和飛行參數線性相關性進行的，并通過真實飛行參數數據進行了驗證。狀態(tài)預分類是利用選擇的敏感參數，將35種某型直升機飛行狀態(tài)預分為10小類，通過真實飛行參數數據驗證

3、了預分類方法的有效性。
　　(2)提出并實現基于二叉樹SVM的直升機飛行狀態(tài)識別。在狀態(tài)識別預處理的基礎上，首先，對每個小類進行二叉樹SVM分類器的設計；然后，利用粒子群算法和遺傳算法對二叉樹SVM進行參數尋優(yōu)，從而提高了識別率；最后，分別對每一個二叉樹SVM分類器進行樣本訓練，并將已訓練好的網絡模型，用于直升機飛行狀態(tài)識別。以某型直升機真實飛行數據作為實驗數據，并將本方法與SVM方法和RBF神經網絡方法進行了對比實驗，結果表明，

4、在小樣本訓練情況下，二叉樹SVM對直升機飛行狀態(tài)識別率有明顯的提高。但是，該方法的識別速度不快，針對此問題，利用隨機森林具有小樣本情況下泛化能力較強和訓練收斂速度快的特征，進一步開展了飛行狀態(tài)識別方法研究。
　　(3)提出并實現基于隨機森林的直升機飛行狀態(tài)識別。在狀態(tài)識別預處理的基礎上，首先，設計每個小類的隨機森林分類器；然后，利用分類回歸樹，構建隨機森林，并對每一個隨機森林分類器進行樣本訓練；最后，將已訓練好的網絡模型，用于識別