论文研究-应用LS-SVM的飞机重着陆诊断.pdf

所需积分/C币:7 2019-09-20 10:56:27 675KB .PDF
3
收藏 收藏
举报

论文研究-应用LS-SVM的飞机重着陆诊断.pdf,  为提高飞机重着陆判断的准确性,研究了将最小二乘支持向量机(Least square support vector machine,LS-SVM)应用于民航飞机重着陆诊断的方法. 首先,通过分析飞机着陆阶段的运动方程,确定了造成飞机重着陆的主要影响因素,将传统的单一指标诊断扩展到多指标诊断. 然后,利用最小二乘支持向量机建立飞机重着陆诊断
第4期 许桂梅,等:应用LSSⅤM的飞机重着陆诊所 765 具体实现过程描述如下: 1)染色体编码方式:惩罚系数和核参数的搜寻过程是 开始 一个复杂的连续参数优化.算法将采用浮点数编码方式,每 个个体由惩罚系数和核参数组成.这样可以避免二进制编 编码 码在遗传操作时反复译码、编码的操作以及二进制字符串 确定适应度 有限长度对进化算法性能和求解精度的影响 函数 样本集 2)确定适应度函数:根据交叉验证法原理,识别率在 生成初始种群 测试样本 定程度上反映了LS-SVM模型的推广能力和分类能力,因 此取测试样本的识别率作为适应度函数 计算个体 3)种群初始化:采用随机生成的方式生成初始种群. 适应度 4)计算个体适应度:依据个体的表现型设定 LS-SVM 模型的惩罚系数C和核参数,并选择训练样本和测试样本 满足终止 条件? 作为模型的输入,最后得到测试样本的识别率 5)判断遗传算法的停止准则是否满足,如果满足则停 结束 止计算,输出最优参数,否则,转入下一步 选择 交夏 变异 6)执行遗传操作:主要包括选择、交叉和变异三种. ①选择选择操作是建立在对个体适应度进行评价的基 础上的.先对所有个体接适应度大小进行排序,然后按一定 图1遗传算法流程图 比例复制 ②交叉交叉运算是产生新个体的主要方法.根据交叉概率进行染色体部分基因的交换 ③变异变异运算只是产生新个休体的铺助方法.以变异概率对某些个体的某些位执行变异 7)按以上方法产生新一代种群,重复步骤4)和步骤5) 3基于LS-SVM的飞机重着陆诊断方法 31诊断指标的确立 目前,航空公司只是根据垂直加速度是否超限来判断飞机是否发生重着陆.这种判断方法不够严谨,忽 略了其他影响重着陆旳因素.因此,本文通过分析飞机着陆阶段旳运动方程,确定造成飞机重着陆的主要影 响因素,将传统的单一指标诊断重着陆,扩展到综合多种信息的多指标诊断重着陆 飞机着陆阶段可以分为以下两个过程 1)从开始进场着陆到主起落榘接地; 2)从主起落架接地到三个起落架完全接地 在第1)过程中,包含飞机两点接地或单点接地阶段如 图2所示,飞机在两点接地阶段垂直方向上的运动方程为 w n co Sr (W-mu 式中,Fs_m为缓冲支柱作用在机身上的力;u为飞机机身垂 直方向上的加速度;Y为机身参考线与地面之间的夹角:W 为综合升力在内的飞机等效重量 图2飞机两点接地时的俯视图 可以看出,垂直下降率过大或者垂直过载过大,即力F_m过大,会引起主起落架的重着陆.如图3所示 飞机在单点接地阶段垂直方向上的运动方程为 Fs-m1 cos B cos a-W-mu 式中,α,β为机身参考线与地面之问的夹角,其余参数与式(8)一致 可以看出,同样垂直下降率过大或者垂直过载过大都会引起单个起落架的重着陆.如果横滚角β过大, 导致侧向负荷 Fs_ml sinβ过大,由于起落架的设计受力方向是轴向的,所以侧向载荷过大也会引起重着陆 在第2)过程中包含飞机三点接地阶段在三点接地阶段由于飞机绕重心的旋转运动,如果俯仰角变化率 过大,在前起落架触地时也会造成前起落架的重着陆 766 系统工程理论与实践 第30卷 C WW 图3飞机单点接地时的正视图和侧视图 综上所说,除了垂直加速度外,还有其他影响重着陆的因素.这些因素主要包括:下沉率、侧向加速度、 横滚角和俯仰角变化率. 因此,本文建立的飞机重着陆诊断模型的诊断指标就是由以上5个影响因素组成 32诊断模型的建立 飞机重着陆的诊断具有明显的非线性特征.在基于小样本的飞机重着陆诊断智能算法中,SVM具有比 神经网络更优秀的泛化能力 飞机重着陆诊断模型的输出只有两类:1代表“否”,-1代表“是”,而支持向量机就是针对两类分类问题 的,所以无需进行多类分类的扩展 本文建立的飞机重着陆诊断流程如图4所示从图4可知,飞机重着陆诊断模型山以下三部分构成: ①确定诊断指标以及样本数据的选取; ⑨遗传算法优化模型参数: ③训练和测试 LS-SVM 4工程实例 对某航空公司B737型飞机进行重着陆诊断. 4.1数据的选取 从某航空公司2006年飞行品质监控数据库里挑选140个重着陆事件数据作为训练样本,60个作为测试 样本,在训练样本中,正常样本为65个,重着陆事件样本为75个.其中,由于垂直加速度、下沉率、侧向加 速度、横滚角和俯仰角变化率引起的重着陆事件数据各选取10个,混合数据为25个.测试样本选取与训练 样本类似 开始 样本数据的选取 训练分类器 遗传算法 参数优化 测试 输出诊断结果 结束 遗传代数 图5测试样本识别率变化曲线 图4飞机重着陆诊断流程 42模型叁数优化 本文选取径向基(RBF)函数作为LS-SVM的核函数对模型进行训练.采用前面介绍的遗传算法对模型 参数C和σ进行优化.取初始种群规模为30.最大迭代次数为50,选择算子采用随机遍历抽样,交叉概率设 第4期 许桂梅,等:应用LSSⅤM的飞机重着陆诊所 767 为0.7,变异概率设为0.05,当进化达到最大进化代数时算法终止.本文用美国北卡罗莱纳那州立大学开发的 遗传算法工具箱GAOT和基于LS- SVMlab15软件的 Matlab工具箱.寻优过程如图5所示:x轴表示遗传 代数,y轴表示测试样本的识别率 由图5可知,随着迭代数的增加,测试样本的识别率呈现了曲折上升的趋势,最后不断趋于平稳当C 8.59,a2=6.26时,测试样本识别率达到最大,为91.7% 为了更好的比较遗传算法优化参数的性能,分别利用网格搜索法、模式搜索法以及遗传算法对模型 参数进行优化,以测试样本的识别率作为算法的比较指标.优化结果如表1所示 表1LS-SVM参数优化结果 表2算法优化性能比较 优化算法 a2识别率 优化算法运行时间/秒古用内存/兆 网格搜索法100.631.3486.7% 网格搜索法 87 模式搜索法186001.2388.3% 模式搜索法 148 遗传算法38.596.2691.7% 遗传算法 461 93 同时对算法的优化性能进行了比较分析,硬件配置为CPU: Pentium43.20GHz,内存:512M.结果如表 2所示 由表1和表2可知,网格搜索法由于步长固定,寻优过程中计算量较大;模式搜索法在寻优过程中需要 开辟较多的空间来存储模式矩阵;遗传算法由于每次都要将个体中的C和σ输入 LS-SVM分类器中进行训 练以获得识别率,故算法运行花费时间最长,但获得的分类精度最优.由于分类精度对于分类问题来说至关 重要,因此遗传算法用于LS-SVM的参数优化是最合适的 43诊断结果及分析 利用遗传算法获得的参数组对训练样本进行训练,求出模型中的 Lagrange乘子和常数b,再把测试集在 上述模型中进行检测 表3无干扰状态下分类结果 LS-SVM BP神经网络 概率神经网络 训练时间/s 25.6 10.3 训练分类精度/% 100 100 100 测试时间/s 0.4 .8 测试分类精度/% 91.7 84.3 为∫与已有的神经网络方法比较分类性能,同时建立∫两类神经网终分类模型,一是三层前向BP神经 网络模型10,二是概率神经网络(PNN)模型.BP模型相应的参数为:输入神经元数为5,输出神经元数为 2,隐层神经元数为10.传递函数采用 Sigmoid函数,训练最大误差小于0.01.PNN模型相应的参数为:径向 基函数的分布密度 SPREAD设为01.分类结果见表3. 为了测试分类系统在有噪声干扰条件下的分类能力,给训练样本增加一组均值为0.方差为0.01的噪声 数据.分类结果见表4 表4有干扰状态下分类结果 LS-SⅤM BP神经网络 概率神经网络 训练分类精度/% 100 88.3 测试分类精度/% 91.7 70 71.7 从表3和表4可以看出: 1)在无千扰的理想状态下,三者的训练分类精度都可达100%,但LS-SVM分类器比两类神经网络训练 时间短.三者的测试精度相比.LS-SVM分类器具有明显的优势.这是因为神经网络采用经验风险最小化原 则,而支持向量机采用的是结构风险最小化原则.因此,支持向量机比神经网络具有更强的泛化能力 768 系统工程理论与实践 第30卷 2)在加入噪声数据的状态下,LSSⅤM和两类神经网络相比, LS-SVM分类精度和测试精度保持不变, 而两类神经网络的分类精度和测试精度都有所下降.这说明, LS-SVM分类器具有更强的容错性 5结论 本文研究了运用最小二乘支持向量机进行飞机重着陆诊断的方法,建立了基于LS-SVM与遗传算法的 飞机重着陆诊断模型.对诊断指标进行了扩展,突破了传统单纯依靠单一指标进行飞机重着陆的诊断.利用 遗传算法对LS-SVM模型参数进行了优化,实例结果表明基于遗传算法的LS-SVM优选方法是有效的.与 神经网络分类方法相比表明,采用最小二乘支持向量机方法对飞机进行重着陆诊断,具有很重要的应用价值 参考文献 Boeing 737 Aircraft Maintenance Manual[s. Boeing Company: 2006: 37-38 2 A320/A321 Aircraft Maintenance Manual[S]. Airbus Industry, 2003: 44 45 ]佘廉.航空交通灾害预警管理[M].石家庄:河北科学技术出版社,204:356-362. he L. The Farly Warning of A.tion Calamity Management M. Shijiazhuang: Hebei Science and Technology Press.,2004:356-362 4 Emre C, Ahmet A. A new training method for support vector machines: Clustering k-NN support vector ma- chines[J]. Expert Systems with Applications, 2008: 564-568 5 Suykens JT, Van g I. Least Squares Support Vector Machines M. Singapore: Singapore World Scientific, 2002 13-15 6 Liang X F, Liu F Choosing multiple parameters for SVM based on genetic algorithm(C/ Signal Processing, the 6th International Conference Beijing, China: Post and Telecom Press, 2002: 117-119 7Chapcllc O, Vapnik V, Mukherjcc S. Choosing multiple paramcters for support vector machines. M aching Learning,2002.46(1):131-159 ⑧]魏小辉.飞机起落架着陆动力学分析及减震技术硏究⑩D].南京:南京航空航天大学,2005:34-39 WeiX H. Dynamic analysis of anding impact and vibration attenuating techniques D. Nanjing: Nanjing University of Aeronautics and Astronautics, 2005: 34-39 9 Michinari M, Kristin P B. A pattern search method for model selection of support vector regrssion[Cl//Proceedings of the SIAM International Conference on Data Mining. Philadelphia: SIAM, 2002: 247-260 10 Singh G K, Saad A HSA K Induction machine drive condition monitoring and diagnostic research J. Electrical Power SysteIns Research, 2003, 64(2): 145-158

...展开详情
试读 6P 论文研究-应用LS-SVM的飞机重着陆诊断.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
weixin_38743737 如果觉得有用,不妨留言支持一下
2019-09-20
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
    最新推荐
    论文研究-应用LS-SVM的飞机重着陆诊断.pdf 7积分/C币 立即下载
    1/6
    论文研究-应用LS-SVM的飞机重着陆诊断.pdf第1页
    论文研究-应用LS-SVM的飞机重着陆诊断.pdf第2页

    试读结束, 可继续阅读

    7积分/C币 立即下载 >