一种基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法
本发明涉及航空发动机载荷谱载荷数据智能分析领域，尤其涉及一种基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法。
背景技术：
1、航空发动机载荷谱是发动机结构寿命研究的重要基础。现有技术在飞行任务段划分上主要依赖人工方法，导致工作繁琐且易出错。例如，2020年国内提出了一种成熟完整的航空发动机载荷谱飞行任务段的划分方法，但该方法仅实现了基本飞行动作飞行任务段的自动划分，复杂组合飞行动作飞行任务段的划分仍依靠人工。因此，研究航空发动机载荷谱飞行任务段的自动划分方法具有重要的意义。飞行任务段的自动划分研究是基于飞行动作的识别研究，目前应用于飞行动作自动识别的方法主要有：
2、专利cn117076999a，通过采集机载多传感器记录的飞行训练飞行参数序列数据，分割机动动作并进行预处理，采用双向门控递归单元捕获不同时序位置的隐藏信息在双向门控递归单元层之后应用全局平均池化进行降维处理和飞行动作识别。
3、专利cn116844240a，通过为飞行参数数据标注飞行动作标签，构造bilstm-gmlp深度神经网络模型识别直升机飞行动作，但该方法识别的动作仅有平飞、上升、下滑、转弯、悬停这几类，且该方法只适用于直升机，不适用其他类型发动机的动作识别。
4、专利cn115861725a，通过无监督聚类模型进行参数降维，建立人工神经网络识别模型实现基本飞行动作识别，但不能识别复杂组合飞行动作。
5、上述方法存在识别需求输入参数过多、识别处理步骤复杂、不能识别实测飞行数据的具体动作等问题。因此，提供一种简单有效、能够更精确地自动划分航空发动机载荷谱飞行任务段的方法显得尤为必要。
技术实现思路
1、针对现有技术的不足，提供一种基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，以改变目前航空发动机载荷谱飞行任务段划分依赖人工，载荷统计分析工作繁琐工作量大的现状，为航空发动机结构寿命研究提供重要的数据分析基础。
2、为了实现上述目的，本发明通过如下的技术方案来实现：
3、一种基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，包括以下步骤：
4、步骤s1：数据收集，采集航空发动机实测谱的飞行任务剖面数据集，采用k折交叉验证法将数据集划分为训练集和测试集，其中所述训练集中飞行任务剖面的数量占总剖面数的(k-1)/k，所述测试集中飞行任务剖面的数量占总剖面数的1/k，以保证数据集的均衡性和模型训练的有效性；
5、步骤s2：飞行任务段提取，基于飞行高度参数和马赫数参数，划分出飞行任务剖面的起飞段、着陆段和降落下滑段；
6、步骤s3：基本飞行动作划分，去除起飞段、着陆段和降落下滑段后的飞行任务剖面数据，根据飞行高度、马赫数、航迹角、横滚角、俯仰角参数，划分基本飞行动作，并建立基本飞行动作序列表；
7、步骤s4：组合飞行动作划分，根据基本飞行动作序列，按基本飞行动作顺序及动作特征，对中间机动飞行段的组合飞行动作进行划分，并建立组合飞行动作序列表；
8、步骤s5：双向循环神经网络训练，构建包括双向长短期记忆网络bi-lstm和双向门控循环单元bi-gru的双向循环神经网络分类模型，设置神经网络层级结构，将基本飞行动作序列作为输入，训练模型并调整参数；
9、步骤s6：模型优化，通过交叉验证调整训练序列的滑窗长度和初始学习率参数，使模型输出序列的分类结果与实际分类标签一致；
10、步骤s7：模型验证，将测试集输入加载到训练好的模型中，验证分类准确性，计算自动识别的分类标签与实际飞行任务段分类标签的误差。
11、作为本发明的一种优选方案，所述双向循环神经网络训练步骤s5中，bi-lstm和bi-gru模型的具体构造包括：
12、所述bi-lstm模型：包含3层lstm层，每层包含256个神经元，激活函数为tanh，输入序列长度为100，滑窗长度为10；
13、所述bi-gru模型：包含3层gru层，每层包含256个神经元，激活函数为relu，输入序列长度为100，滑窗长度为10；
14、模型训练参数：初始学习率为0.0001，训练周期为200，优化器采用adam。
15、作为本发明的一种优选方案，所述飞行任务段提取步骤s2中，基于飞行高度和马赫数参数划分起飞段、着陆段和降落下滑段，具体定义如下：
16、起飞段：高度从起飞海拔上升到起飞安全高度民机15m，军机25m的时间点；
17、着陆段：高度从安全高度民机15m，军机25m下降到着陆海拔的时间点；
18、降落下滑段：定义最后一个马赫数极值对应的时间点与高度开始下降且过程中无明显上升的时间点这两者中较大的时间点为降落下滑段的起始时间点。
19、作为本发明的一种优选方案，在所述数据收集步骤s1后，进行数据预处理，包括数据清洗、数据规范化和异常值处理，以提高模型训练的有效性和准确性。
20、作为本发明的一种优选方案，所述组合飞行动作划分步骤s4中，按基本飞行动作顺序及动作特征对中间机动飞行段的组合飞行动作进行划分，并建立组合飞行动作序列表，进一步提高分类的准确性。
21、作为本发明的一种优选方案，所述模型验证步骤s7中，采用多种评价指标对模型进行评估，包括准确率、召回率、f1分数和分类误差，并通过对比测试集实际分类标签与模型预测标签，计算模型的综合性能。
22、作为本发明的一种优选方案，所述双向循环神经网络训练步骤s5中，构建包括bi-lstm和bi-gru的双向循环神经网络，设置神经网络层级结构，将训练集的输入序列作为输入加载到构造的双向循环神经网络分类模型进行训练，确保模型的快速收敛和高效训练。
23、作为本发明的一种优选方案，所述模型验证步骤s6中，将测试集的输入序列分别加载到训练好的双向循环神经网络分类模型中，自动识别飞行任务段的分类标签，计算自动识别的标签与实际飞行任务段标签的误差，验证模型分类的准确性。
24、作为本发明的一种优选方案，所述基本飞行动作的动作特征包括飞行高度变化量、动作用时、航迹角变化量、横滚角变化量和俯仰角变化量，以提高分类模型的性能。
25、作为本发明的一种优选方案，组合飞行动作是各类基本飞行动作的组合，划分后标记组合飞行动作的标签。
26、作为本发明的一种优选方案，通过调整训练序列的滑窗长度和双向循环神经网络分类模型的参数，使输出序列的分类结果与训练集的实际飞行任务段分类标签一致。
27、与现有技术相比，本发明的有益效果是：本发明基于双向循环神经网络模型实现各类飞行任务段的自动分类，与实际飞行中飞行动作的组合规律吻合，其分类结果是综合考虑每个任务段前后两个方向的飞行动作获得的。这种自动化分类方法提高了工作效率，减少了人工干预，显著降低了人工划分飞行任务段的复杂度和工作量。采用的双向循环神经网络模型包括bi-lstm和bi-gru两种，其中网络单元采用lstm和gru模型，这两种模型能够解决长期记忆和反向传播中的梯度问题。与实际飞行中前后飞行动作具有强关联性的特征相吻合，能够有效根据之前或之后多个飞行任务段的类型进行每一时刻飞行任务段类别的识别，显著提高了分类的准确性。基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法简洁高效，在现有技术条件下能够准确地自动识别代表各类复杂组合机动动作的航空发动机载荷谱飞行任务段。这种高效识别能力减少了复杂的预处理步骤，提升了整体系统的响应速度和效率。基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法具有较强的通用性，采用的原始参数为现有航空发动机能够采集的常规载荷参数。因此，本方法能够适用于各型和各代航空发动机载荷谱的划分和分析工作，具有广泛的工程应用价值。
技术特征：
1.一种基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，所述双向循环神经网络训练步骤s5中，bi-lstm和bi-gru模型的具体构造包括：
3.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，所述飞行任务段提取步骤s2中，基于飞行高度和马赫数参数划分起飞段、着陆段和降落下滑段，具体定义如下：
4.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，在所述数据收集步骤s1后，进行数据预处理，包括数据清洗、数据规范化和异常值处理，以提高模型训练的有效性和准确性。
5. 根据权利要求1所述的基于双向循环神 经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，所述模型验证步骤s7中，采用多种评价指标对模型进行评估，包括准确率、召回率、f1分数和分类误差，并通过对比测试集实际分类标签与模型预测标签，计算模型的综合性能。
6.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，所述双向循环神经网络训练步骤s5中，构建包括bi-lstm和bi-gru的双向循环神经网络，设置神经网络层级结构，将训练集的输入序列作为输入加载到构造的双向循环神经网络分类模型进行训练。
7.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，所述模型验证步骤s6中，将测试集的输入序列分别加载到训练好的双向循环神经网络分类模型中，自动识别飞行任务段的分类标签，计算自动识别的标签与实际飞行任务段标签的误差，验证模型分类的准确性。
8.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，所述基本飞行动作的动作特征包括飞行高度变化量、动作用时、航迹角变化量、横滚角变化量和俯仰角变化量。
9.根据权利要求８所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，组合飞行动作是各类基本飞行动作的组合，划分后标记组合飞行动作的标签。
10.根据权利要求1所述的基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，其特征在于，通过调整训练序列的滑窗长度和双向循环神经网络分类模型的参数，使输出序列的分类结果与训练集的实际飞行任务段分类标签一致。
技术总结
本发明公开了一种基于双向循环神经网络的航空发动机载荷谱飞行任务段自动划分方法，包括：采集航空发动机实测谱的飞行任务剖面数据集；基于飞行高度参数和马赫数参数，划分出飞行任务剖面的起飞段、着陆段和降落下滑段；去除起飞段、着陆段和降落下滑段后的飞行任务剖面数据；按基本飞行动作顺序及动作特征，对中间机动飞行段的组合飞行动作进行划分，并建立组合飞行动作序列表；构建包括双向长短期记忆网络Bi‑LSTM和双向门控循环单元Bi‑GRU的双向循环神经网络分类模型；将测试集输入加载到训练好的模型中。本发明通过减少人工干预，提高了飞行任务段划分的效率和准确性，具有显著的实用价值和广泛的工程应用前景。
技术研发人员：宋迎东,靳彧,牛序铭,孙志刚
受保护的技术使用者：南京航空航天大学
技术研发日：
技术公布日：2024/9/23