基于双向循环神经网络的航空发动机飞行任务段自动识别方法

《Journal of Systems Engineering and Electronics》：Flight Mission Segment Automatic Recognition Based on Bidirectional Recurrent Neural Network

　　

航空发动机飞行任务段是飞行任务剖面的关键组成部分，当前识别方法依赖人工流程，导致载荷分析效率低下且准确性不足。针对此问题，本文提出了一种基于双向循环神经网络（Bi-RNN）的飞行任务段自动识别方法。首先，分别介绍了飞行任务剖面的分解、任务段的人工划分、任务段标注以及机动序列表的建立。其次，利用双向长短期记忆网络（Bi-LSTM）和双向门控循环单元（Bi-GRU）构建自动识别模型。通过采集第三代航空发动机实测载荷数据，包括50个低机动和50个复杂机动飞行任务剖面，结合K折交叉验证与滑动窗口方法构建数据集。模型经训练确定最优参数，并对其识别性能进行评估。结果表明，Bi-RNN模型在低机动与复杂机动飞行任务剖面的任务段识别中均达到80%以上准确率。因此，本研究所提出的飞行任务段自动识别方法可实现更高效、更精确的航空发动机载荷分析，对航空发动机寿命评估研究具有重要意义。

### 研究背景与意义

航空发动机载荷谱是发动机及部件应力分析、结构设计、耐久性试验和寿命评估的重要基础，而飞行任务段是这一研究的关键数据依据。飞行任务剖面代表从起飞到着陆的完整载荷时间历程，飞行任务段作为剖面的最小单元，对应各种典型飞行机动。当前，随着航空发动机性能要求的不断提升，特别是军用发动机对寿命评估精度的要求日益严格，传统采用典型任务剖面编制载荷谱的置信度已低于50%，且现有谱型难以覆盖未来复杂任务需求。因此，以飞行任务段作为统计基础进行载荷谱编制是更具前景的途径。然而，目前飞行任务段划分仍依赖人工操作，导致载荷分析效率低下、准确性不足。国内已有研究虽提出了较为系统的载荷谱任务段划分方法，但复杂机动的任务段划分与载荷段提取仍依靠人工完成，工作量大且难以保证精度，亟需发展高精度的任务段自动识别方法。

### 研究内容与核心结论

针对上述问题，研究人员提出了基于双向循环神经网络（Bi-RNN）的飞行任务段自动识别方法，旨在替代人工提取流程，提升载荷分析的效率与精度。该方法首先对飞行任务剖面进行阶段分解，将“机动”飞行阶段进一步划分为表征基本机动与复杂机动的飞行任务段；通过建立基本机动编号、载荷特征参数和任务段标签构成的机动序列表，将识别问题转化为时序分类问题。利用某第三代航空发动机实测载荷数据（包含50个低机动与50个复杂机动飞行任务剖面），结合K折交叉验证与滑动窗口方法构建训练集与测试集，分别训练基于双向长短期记忆网络（Bi-LSTM）和双向门控循环单元（Bi-GRU）的自动识别模型。结果表明，两类模型在低机动和复杂机动飞行任务剖面的任务段识别准确率均超过80%，显著优于单向循环神经网络模型，验证了双向时序建模在飞行任务段识别中的有效性。该研究为航空发动机载荷分析和寿命评估提供了高效精准的数据基础，对载荷谱编制与寿命评估研究具有重要工程意义。

### 主要技术方法概述

研究人员采集某第三代航空发动机实测载荷数据，包括50个低机动和50个复杂机动飞行任务剖面，共计100个剖面作为数据来源。采用K折交叉验证划分训练集与测试集，K值取10，训练集包含45个剖面的“机动”阶段数据，测试集含5个剖面的数据；同时采用滑动窗口方法扩大样本量，以基本机动编号、飞行高度变化量、机动操作时间、航迹角变化量、坡度角变化量与俯仰角变化量六个特征作为输入变量，任务段标签作为输出变量。模型结构包括输入层、隐藏层（含两层Bi-RNN层）、全连接层、SoftMax层和分类层，隐藏层分别采用Bi-LSTM与Bi-GRU结构。训练中采用Adam优化器，初始学习率0.0001，最大训练轮数为200。

### 研究结果

#### 参数设置

对于低机动飞行任务剖面，研究人员通过训练确定Bi-LSTM模型的滑动窗口大小Nw为9、最小批量Bmin为256，Bi-GRU模型的Nw为6、Bmin为256；此时两类模型训练RMSE均可达到100%，损失函数在80轮左右收敛。对于复杂机动飞行任务剖面，Bi-LSTM模型的Nw设为9、Bmin设为128，Bi-GRU模型的Nw设为6、Bmin设为512，训练RMSE均达100%，损失函数在80轮内收敛。参数设置结果表明，双向循环神经网络能够在较短训练轮次内实现稳定收敛，Bmin过小会导致训练结果波动明显，过大则收敛速度显著下降。

#### 测试结果与讨论

利用确定的模型参数，研究人员分别对低机动与复杂机动飞行任务剖面的测试集进行任务段标签自动识别。识别结果显示，任务段标签总体识别准确，误差主要出现在不同类型飞行任务段的交界处，原因是机动变化的特征不典型。其中，标签4与标签8容易混淆，这主要是因为飞行高度或航迹角变化较小时，上升转弯或下降转弯机动易被误判为水平转弯机动。为对比Bi-RNN模型的优势，研究人员构建并训练了基于LSTM与GRU的单向循环神经网络模型。结果表明，低机动剖面任务段识别准确率：Bi-LSTM为87.4%、Bi-GRU为87.0%、LSTM为76.6%、GRU为80.0%；复杂机动剖面任务段识别准确率：Bi-LSTM为83.9%、Bi-GRU为85.0%、LSTM为77.3%、GRU为79.8%。可以看出，双向模型准确率显著高于单向模型，说明飞行任务段的判定不仅需要考虑前序基本机动的类型与特征，还需综合考虑后续基本机动，Bi-RNN的前后双向时序处理能力使其在飞行任务段识别中具有明显优势。

### 讨论与结论总结

研究结果表明，基于Bi-RNN的飞行任务段自动识别方法能够有效替代人工划分流程。双向结构能够同时考虑前后方向的时序信息，更全面地捕捉飞行任务段的边界特征，因此显著优于单向RNN模型。结论部分指出，本文首次提出了基于Bi-RNN的航空发动机载荷谱飞行任务段自动识别方法，解决了依赖人工提取任务段所导致的负荷大、效率低与准确性不足等问题。利用某第三代航空发动机实测载荷数据所构建的数据集进行训练与测试，Bi-RNN模型的识别准确率超过80%。对比实验进一步表明，Bi-RNN模型的识别精度显著高于单向LSTM与GRU模型，说明双向循环神经网络在分析航空发动机载荷谱数据时具有突出的适用性与优势。本研究所提出的方法为实测载荷数据分析与载荷谱编制提供了关键而准确的数据基础，显著提升了载荷谱分析的效率，对航空发动机寿命评估研究具有重要意义。