直升机存在大量动部件和有寿件,这些结构部件的损伤程度与直升机飞行状态息息相关。因此,获得直升机飞行状态可为关键部件的故障诊断和寿命预测提供重要依据。传统的识别方法能够识别的直升机飞行状态种类有限,存在较难满足实际需求的问题。针对该问题,本文利用浅层学习方法RVM和深度学习方法DBN,分别对直升机飞行状态识别技术进行研究。本文研究工作和成果如下:(1)概述课题相关背景。首先,对国内外直升机飞行状态识别方法进行研究,并且总结各种方法的优缺点;然后,介绍了几种常见的深度学习方法;最后,利用深度学习技术,提出了基于DBN的直升机飞行状态识别方法。(2)实现了直升机飞行状态识别预处理。首先,通过野点剔除、缺失参数填补和数据平滑,去除飞参数据中的野点和噪声;然后,分析直升机飞行状态的操纵特性和飞参之间的相关性,提取敏感飞行参数;最后,对直升机飞行状态进行预分类。(3)研究了基于RVM的直升机飞行状态识别方法。传统图像分析法只能识别少数与姿态角相关的飞行状态,本文利用直升机实飞数据,建立RVM分类模型。首先,结合预分类结果,分别对每一小类设计RVM分类器;然后,采用粒子群算法对RVM核参数寻优,提高了飞行状态识别率;最后,利用样本集训练出RVM模型,并完成单点识别实验和全起落实验。实验结果表明,本章方法能够识别大多数飞行状态。(4)利用深度学习强大的特征提取能力,提出并实现了基于DBN的直升机飞行状态识别方法。首先,介绍DBN网络结构和特征提取过程;其次,在预处理和预分类的基础上,分别为每一个小类设计DBN分类器;然后,利用训练样本,采用实验的方法确定每一个DBN网络的隐层层数和隐层节点数;最后,将确定的网络结构参数输入到模型中,通过单点识别实验、全起落实验和对比实验验证该方法的有效性。实验结果表明:相比于RVM方法,DBN网络能够取得更高的识别率。