论文部分内容阅读
摘要：针对某型号直升机的16个典型飞行状态进行状态识别方法研究。首先根据飞行状态参数偏航角、无线电高度与指示空速三种监测参数对直升机飞行状态进行初步划分，即分别将其差分绝对值与方差大小作为限定条件，并结合概率密度函数方法，将直升机状态分为平飞、上升、下降、转弯、非转弯、稳速、增速与减速等状态。其次，在初步状态划分基础上，根据高度、偏航角两种参数进行三大状态预分类。再次，在每个大类中，再根据速度的划分范围及速度变化情况将直升机划分为16个典型飞行状态。最后，对划分的16个典型飞行状态所属的大状态类别分别建立广义回归GRNN状态识别模型。本文结合某型号直升机飞行过程中获取到的飞行参数，对所研究的方法进行验证，验证结果表明，该方法能够实现对直升机飞行状态的有效识别，对于提高直升机状态监控具有重要的支撑作用。
關键词：直升机状态识别；概率密度函数；预分类；预处理；广义回归神经网络
中图分类号：V215文献标识码：ADOI：10.19452/j.issn1007-5453.2021.08.003
直升机是一种可以实现低高空、低高速和机头方向灵活变动的航空器，相比飞机，直升机在执行任务时，起落场地要求简单[1]，因此应用广泛，可以在高原、沙漠、极寒等各种气候下，从事军事打击和抢险救灾[2]。直升机在空中的飞行状态因执行任务各异而变得复杂多样[3]。直升机任务执行中，在内因及外因的影响下，所承受载荷类型复杂，传动系统承受载荷较大。
不同飞行状态下，直升机产生的振动强度不同，各零部件的受损情况会受到不同程度影响。尤其是具有直升机三大动部件之称的传动系统，其零部件一般无冗余备份，一旦发生故障或振动超限极易造成灾难性的后果。直升机传动系统状态监测技术中尤为重要的内容是要完成飞行状态识别，根据不同的飞行状态，开展直升机状态监测及预测，可有效提高状态监测及预测的准确性及可靠性。因此直升机飞行状态识别是开展直升机状态监测、故障诊断及预测的重要条件之一[4]。
王少萍等[5]提出了基于预分类技术及径向基函数（radial basis function，RBF）神经网络的飞行状态识别方法，其预分类过程简洁，在飞行状态初步分类过于粗略，且识别结果有待提升。国内外研究学者采用图像分析法进行状态识别[6-7]，但在实践工程应用中准确率有待验证。为了更加精确地划分各个飞行状态，根据状态参数数据变化特点，对状态参数差分值绝对值及差分值方差进行限定，同时结合概率密度函数方法，对直升机实现初步状态划分。根据状态参数阈值大小建立直升机典型16个状态的分类机制。结果显示，在实际应用中，对直升机进行初步状态准确划分的基础上，飞行状态识别具有很高的准确率。
1基于GRNN的飞行状态识别方法
1.1概率密度函数
光滑因子σ很大时，输出接近样本的均值。光滑因子σ接近0时，输出会与训练的样本很相似。σ的取值要适中，根据最佳效果调节大小。
2直升机状态预分类机制
2.1直升机状态初步分类
本文根据状态参数偏航角、无线电高度、指示空速进行状态划分，分别将其划分为转弯非转弯、平飞非平飞、稳速及非稳速、上升与下降、增速与减速。
截取原始偏航角部分数据1045个采样点，将得到的直升机15种飞行参数分别作为状态识别参数，对于转弯非转弯的变化情况，仅有偏航角参数能够准确反映，由于篇幅限制，以偏航角参数进行转弯非转弯状态划分过程为例进行具体说明。具体转弯非转弯状态划分步骤如下。
（1）对状态参数偏航角值进行差分，考虑飞行状态的时间连续性并根据差分值变化特点，选择至少连续5s，且偏航角差分值绝对值小于3.6的时间序列，初步得到属于非转弯状态的多段序列。剩下的即为转弯状态数据。
（2）选择出来符合条件（1）的非转弯状态多段序列，对每一段序列数据求其概率密度，并找出对应各段序列中概率密度最大值对应的偏航角参数值大小m。结合状态参数变化特点，每一段数据序列中，保留距离此值m<7的数据，作为非转弯状态数据，则每段中不符合此限定条件的数据归为转弯状态下的数据。
（3）步骤（1）中得到的每段数据在条件（2）限定的基础上，完成了对每段数据序列的重新筛选。方差是可以反映一组数据的整体波动大小的量，因此在经过重新筛选得到的属于非转弯状态的每段序列，求取对应各段数据的差分绝对值的方差，去掉绝对值方差大于6的数据段数据，最终经过上述步骤层层筛选，保留下来的符合上述条件的数据即最终得到的非转弯状态数据，则其余的数据全部为转弯状态数据。
经过仿真得到结果，其中得到转弯采样点个数171，非转弯采样点个数874。转弯状态如图2所示。得到非转弯状态数据如图3所示。最终的转弯非转弯状态划分的结果如图4所示。
2.2直升机状态分类
无线电高度阈值为270m[11]，高于此阈值为高空状态，小于此阈值为低空状态。通过无线电高度划分的状态平飞非平飞，非平飞中上升与下降，偏航角划分的状态转弯非转弯，指示空速度划分的状态稳速变速，变速中的增速减速以及速度阈值大小，具体划分为16个典型状态。其中速度大小范围[12]划分为：（1）最小速度范围：小于4km/h，4～74km/h；（2）过度速度范围：74～94km/h，94～130km/h，130～190km/h；（3）远航速度：190～215km/h；（4）最大速度范围：大于215km/h。具体划分的此型号直升机16个典型飞行状态见表1。通过无线电高度阈值、偏航角的转弯非转弯预分类为三个大状态，各状态所属大状态类别见表2。 3直升机状态识别
根据直升机16个典型状态所属的大状态类别，对每个大状态建立GRNN状态识别模型。神经网络输入参数横向变距角、右发扭矩、指示空速、偏航角、偏航角差分值等15个直升机参数。
3.1直升机大状态1状态识别
建立大状态1的神经网络识别模型，随机选取状态1～4每个状态的60个样本作为神经网络训练样本数据，并进行归一化处理，对应状态1～4神经网络识别模型输出期望值分别为（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。创建神经网络识别模型。选取另一个直升机飞行每个状态的30个样本进行测试。大状态1状态识别结果如图5所示。神经网络1输出结果见表3。
{A1，A2，A3，A4}表示状态1/2/3/4。光滑因子σ为0.3，状态识别结果准确率为94.17%。
3.2直升機大状态2状态识别
建立大状态2的神经网络识别模型，将状态5、6、9、13每个状态的60个样本输入神经网络2，则状态识别模型输出期望值分别为（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。大状态2状态识别结果如图6所示。神经网络2输出结果见表4。
{A5，A6，A9，A13}表示状态5/6/9/13。光滑因子σ为0.32，状态识别结果准确率为92.5%。
3.3直升机大状态3状态识别
建立大状态3的神经网络识别模型，将状态7/8/11/15每个状态的60个样本输入神经网络3，则状态识别模型输出期望值分别为（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。大状态3状态识别结果如图7所示。神经网络3输出结果见表5。
{A7，A8，A11，A15}表示状态7/8/11/15。光滑因子σ为0.23，状态识别结果准确率为91.67%。
4结论
为了对直升机状态进行更加准确的划分，先对直升机飞行状态进行初步划分，根据状态参数偏航角、无线电高度与指示空速度数据特点及限定条件划分为转弯非转弯、稳速增速加速、平飞上升与下降，根据高度阈值及转弯非转弯预分类为三个大状态。通过速度变化及各速度范围的划分，最终划分为16个典型飞行状态。建立三个大状态的状态识别模型。采用直升机另外一个架次的飞行数据根据分类机制进行状态划分后作为测试数据，对三个神经网络识别模型进行测试，其输出结果与状态分类机制结果进行验证，结果显示三个大状态的状态识别准确率分别为94.17%、92.5%、91.67%，具有很高的准确率，在工程实践应用中具有很好的效果。由于直升机数据样本有限，直升机更多状态样本数据不足。直升机状态初步划分可研究更加准确分类机制。
参考文献
[1]Shahani A R，Mohammadi S. Damage tolerance and classic fatigue life prediction of a helicopter main rotor blade[J]. Meccanica，2016，51（8）：1869-1886.
[2]Davies D P，Jenkins S L，Belben F R. Survey of fatiguefailures in helicopter components and some lessons learnt[J]. Engineering FailureAnalysis，2013，32（9）：134-151.
[3]袁大天，于芳芳，李太平.直升机航电系统高寒山地环境飞行试验[J].航空科学技术，2018，29（10）：32-37. Yuan Datian， Yu Fangfang， Li Taiping. Helicopter avionics systemflighttestinalpinemountainenvironment[J]. Aeronautical Science & Technology， 2018， 29（10）：32-37.（in Chinese）
[4]张武林，樊征兵，高文涛.直升机传动系统振动预测技术研究[J].航空科学技术，2017，28（7）：1-6. Zhang Wulin， Fan Zhengbing， Gao Wentao. Research on vibration prediction technology of helicopter transmission system[J]. Aeronautical Science & Technology， 2017，28（7）：1-6.（in Chinese）
[5]王少萍，李凯，张超.基于预分类技术和RBF神经网络的直升机飞行状态识别方法：中国201010190352.X[P].2010-10-06. Wang Shaoping， Li Kai， Zhang Chao. Helicopter flight status recognition method based on pre-classification technology and RBF neural network： China 201010190352.X[P].2010-10-06.（in Chinese） [6]Voskuijl M，Tooren M J L V，Walker D J. Condition-based flight control for heliconpters：an extension to condition based maintenance[J]. Aerospace Science and Technology，2015，42：322-333.
[7]趙世峰，张海，范耀祖.一种基于计算机视觉的飞行器姿态估计算法[J].北京航空航天大学学报，2006， 32（8）：885-888. Zhao Shifeng， Zhang Hai， Fan Yaozu. Attitude estimation method for flight vehicles based on computervision[J]. Journal of Beijing University of Aeronautics and Astronautics， 2006， 32（8）：885-888.（in Chinese）
[8]张卫华，赵明军.指标无量纲化方法对综合评价结果可靠性的影响及其实证分析[J].统计信息论坛， 2005， 20（3）：33-35. Zhang Weihua， Zhao Mingjun. The influence and empirical analysis of index dimensionless method on the reliability of comprehensive evaluation results[J]. Statistical Information Forum， 2005， 20（3）：33-35.（in Chinese）
[9]李善，谭继文. KPCA-GRNN网络在数控机床复合故障诊断中的应用[J].煤矿机械， 2016， 37（3）：152-154. Li Shan， Tan Jiwen.KPCA-GRNN network in the application of CNC machine tools in the dia- gnosis of complex[J]. Coal Mine Machinery， 2016， 37（3）：152-154.（in Chinese）
[10]Kong Rui，Zhang Bing. A new face recognition method based on fast least squares support vector machine[J]. Physics Procedia，2011（22）：616-621
[11]刘雨.基于SVM的直升机飞行状态识别方法及其应用研究[D].南昌：南昌航空大学，2016. Liu Yu. Recognition method and application of helicopter flightstatusbasedonSVM[D].Nanchang：Nanchang Hangkong University， 2016.（in Chinese）
[12]熊邦书，刘雨，莫燕，等.基于SVM的直升机飞行状态识别[J].应用科学学报， 2016， 34（4）：469-474. Xiong Bangshu， Liu Yu， Mo Yan， et al. SVM-based helicopter flight status recognition[J]. Journal of Applied Sciences， 2016， 34（4）：469-474.（in Chinese）
Helicopter Flight Status Recognition Based on Pre-Classification Mechanism and GRNN
Li Shengnan，Wang Jinglin，Shen Yong，Shan Tianmin，Lin Zeli，Cao Liang
Aeronautical Science and Technology Key Laboratory of Fault Diagnosis and Health Management，AVIC Shanghai Aviation Measurement and Control Technology Research Institute，Shanghai 201601，China
Abstract： According to the typical 16 flight states of a certain type of helicopter， the state recognition method is studied. First of all， according to the flight state parameters yaw angle， radio altitude and indicated air speed， three monitoring parameters are used to divide the helicopter flight state. The status is divided into level flying， ascending， descending， turning， non-turning， steady speed， increasing speed and decelerating status. Secondly， on the basis of the preliminary state division， the three state pre-classifications are carried out according to the two parameters of altitude and yaw angle. In addition， in each category， the helicopter is divided into 16 typical flight states according to the speed range and speed changes. Finally， the generalized regression GRNN neural network state recognition model was established for the large state categories to which the 16 typical flight states belonged. This paper combines the flight parameters obtained during the flight of a certain type of helicopter to verify the method studied. The verification results show that the method can effectively identify the flight status of the helicopter and has an important supporting role for improving the monitoring of the helicopter status.
Key Words：helicopter status recognition；probability density function；pre-sort；pretreatment；generalized regression neural network
關键词：直升机状态识别；概率密度函数；预分类；预处理；广义回归神经网络
中图分类号：V215文献标识码：ADOI：10.19452/j.issn1007-5453.2021.08.003
直升机是一种可以实现低高空、低高速和机头方向灵活变动的航空器，相比飞机，直升机在执行任务时，起落场地要求简单[1]，因此应用广泛，可以在高原、沙漠、极寒等各种气候下，从事军事打击和抢险救灾[2]。直升机在空中的飞行状态因执行任务各异而变得复杂多样[3]。直升机任务执行中，在内因及外因的影响下，所承受载荷类型复杂，传动系统承受载荷较大。
不同飞行状态下，直升机产生的振动强度不同，各零部件的受损情况会受到不同程度影响。尤其是具有直升机三大动部件之称的传动系统，其零部件一般无冗余备份，一旦发生故障或振动超限极易造成灾难性的后果。直升机传动系统状态监测技术中尤为重要的内容是要完成飞行状态识别，根据不同的飞行状态，开展直升机状态监测及预测，可有效提高状态监测及预测的准确性及可靠性。因此直升机飞行状态识别是开展直升机状态监测、故障诊断及预测的重要条件之一[4]。
王少萍等[5]提出了基于预分类技术及径向基函数（radial basis function，RBF）神经网络的飞行状态识别方法，其预分类过程简洁，在飞行状态初步分类过于粗略，且识别结果有待提升。国内外研究学者采用图像分析法进行状态识别[6-7]，但在实践工程应用中准确率有待验证。为了更加精确地划分各个飞行状态，根据状态参数数据变化特点，对状态参数差分值绝对值及差分值方差进行限定，同时结合概率密度函数方法，对直升机实现初步状态划分。根据状态参数阈值大小建立直升机典型16个状态的分类机制。结果显示，在实际应用中，对直升机进行初步状态准确划分的基础上，飞行状态识别具有很高的准确率。
1基于GRNN的飞行状态识别方法
1.1概率密度函数
光滑因子σ很大时，输出接近样本的均值。光滑因子σ接近0时，输出会与训练的样本很相似。σ的取值要适中，根据最佳效果调节大小。
2直升机状态预分类机制
2.1直升机状态初步分类
本文根据状态参数偏航角、无线电高度、指示空速进行状态划分，分别将其划分为转弯非转弯、平飞非平飞、稳速及非稳速、上升与下降、增速与减速。
截取原始偏航角部分数据1045个采样点，将得到的直升机15种飞行参数分别作为状态识别参数，对于转弯非转弯的变化情况，仅有偏航角参数能够准确反映，由于篇幅限制，以偏航角参数进行转弯非转弯状态划分过程为例进行具体说明。具体转弯非转弯状态划分步骤如下。
（1）对状态参数偏航角值进行差分，考虑飞行状态的时间连续性并根据差分值变化特点，选择至少连续5s，且偏航角差分值绝对值小于3.6的时间序列，初步得到属于非转弯状态的多段序列。剩下的即为转弯状态数据。
（2）选择出来符合条件（1）的非转弯状态多段序列，对每一段序列数据求其概率密度，并找出对应各段序列中概率密度最大值对应的偏航角参数值大小m。结合状态参数变化特点，每一段数据序列中，保留距离此值m<7的数据，作为非转弯状态数据，则每段中不符合此限定条件的数据归为转弯状态下的数据。
（3）步骤（1）中得到的每段数据在条件（2）限定的基础上，完成了对每段数据序列的重新筛选。方差是可以反映一组数据的整体波动大小的量，因此在经过重新筛选得到的属于非转弯状态的每段序列，求取对应各段数据的差分绝对值的方差，去掉绝对值方差大于6的数据段数据，最终经过上述步骤层层筛选，保留下来的符合上述条件的数据即最终得到的非转弯状态数据，则其余的数据全部为转弯状态数据。
经过仿真得到结果，其中得到转弯采样点个数171，非转弯采样点个数874。转弯状态如图2所示。得到非转弯状态数据如图3所示。最终的转弯非转弯状态划分的结果如图4所示。
2.2直升机状态分类
无线电高度阈值为270m[11]，高于此阈值为高空状态，小于此阈值为低空状态。通过无线电高度划分的状态平飞非平飞，非平飞中上升与下降，偏航角划分的状态转弯非转弯，指示空速度划分的状态稳速变速，变速中的增速减速以及速度阈值大小，具体划分为16个典型状态。其中速度大小范围[12]划分为：（1）最小速度范围：小于4km/h，4～74km/h；（2）过度速度范围：74～94km/h，94～130km/h，130～190km/h；（3）远航速度：190～215km/h；（4）最大速度范围：大于215km/h。具体划分的此型号直升机16个典型飞行状态见表1。通过无线电高度阈值、偏航角的转弯非转弯预分类为三个大状态，各状态所属大状态类别见表2。 3直升机状态识别
根据直升机16个典型状态所属的大状态类别，对每个大状态建立GRNN状态识别模型。神经网络输入参数横向变距角、右发扭矩、指示空速、偏航角、偏航角差分值等15个直升机参数。
3.1直升机大状态1状态识别
建立大状态1的神经网络识别模型，随机选取状态1～4每个状态的60个样本作为神经网络训练样本数据，并进行归一化处理，对应状态1～4神经网络识别模型输出期望值分别为（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。创建神经网络识别模型。选取另一个直升机飞行每个状态的30个样本进行测试。大状态1状态识别结果如图5所示。神经网络1输出结果见表3。
{A1，A2，A3，A4}表示状态1/2/3/4。光滑因子σ为0.3，状态识别结果准确率为94.17%。
3.2直升機大状态2状态识别
建立大状态2的神经网络识别模型，将状态5、6、9、13每个状态的60个样本输入神经网络2，则状态识别模型输出期望值分别为（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。大状态2状态识别结果如图6所示。神经网络2输出结果见表4。
{A5，A6，A9，A13}表示状态5/6/9/13。光滑因子σ为0.32，状态识别结果准确率为92.5%。
3.3直升机大状态3状态识别
建立大状态3的神经网络识别模型，将状态7/8/11/15每个状态的60个样本输入神经网络3，则状态识别模型输出期望值分别为（1，0，0，0）T，（0，1，0，0）T，（0，0，1，0）T，（0，0，0，1）T。大状态3状态识别结果如图7所示。神经网络3输出结果见表5。
{A7，A8，A11，A15}表示状态7/8/11/15。光滑因子σ为0.23，状态识别结果准确率为91.67%。
4结论
为了对直升机状态进行更加准确的划分，先对直升机飞行状态进行初步划分，根据状态参数偏航角、无线电高度与指示空速度数据特点及限定条件划分为转弯非转弯、稳速增速加速、平飞上升与下降，根据高度阈值及转弯非转弯预分类为三个大状态。通过速度变化及各速度范围的划分，最终划分为16个典型飞行状态。建立三个大状态的状态识别模型。采用直升机另外一个架次的飞行数据根据分类机制进行状态划分后作为测试数据，对三个神经网络识别模型进行测试，其输出结果与状态分类机制结果进行验证，结果显示三个大状态的状态识别准确率分别为94.17%、92.5%、91.67%，具有很高的准确率，在工程实践应用中具有很好的效果。由于直升机数据样本有限，直升机更多状态样本数据不足。直升机状态初步划分可研究更加准确分类机制。
参考文献
[1]Shahani A R，Mohammadi S. Damage tolerance and classic fatigue life prediction of a helicopter main rotor blade[J]. Meccanica，2016，51（8）：1869-1886.
[2]Davies D P，Jenkins S L，Belben F R. Survey of fatiguefailures in helicopter components and some lessons learnt[J]. Engineering FailureAnalysis，2013，32（9）：134-151.
[3]袁大天，于芳芳，李太平.直升机航电系统高寒山地环境飞行试验[J].航空科学技术，2018，29（10）：32-37. Yuan Datian， Yu Fangfang， Li Taiping. Helicopter avionics systemflighttestinalpinemountainenvironment[J]. Aeronautical Science & Technology， 2018， 29（10）：32-37.（in Chinese）
[4]张武林，樊征兵，高文涛.直升机传动系统振动预测技术研究[J].航空科学技术，2017，28（7）：1-6. Zhang Wulin， Fan Zhengbing， Gao Wentao. Research on vibration prediction technology of helicopter transmission system[J]. Aeronautical Science & Technology， 2017，28（7）：1-6.（in Chinese）
[5]王少萍，李凯，张超.基于预分类技术和RBF神经网络的直升机飞行状态识别方法：中国201010190352.X[P].2010-10-06. Wang Shaoping， Li Kai， Zhang Chao. Helicopter flight status recognition method based on pre-classification technology and RBF neural network： China 201010190352.X[P].2010-10-06.（in Chinese） [6]Voskuijl M，Tooren M J L V，Walker D J. Condition-based flight control for heliconpters：an extension to condition based maintenance[J]. Aerospace Science and Technology，2015，42：322-333.
[7]趙世峰，张海，范耀祖.一种基于计算机视觉的飞行器姿态估计算法[J].北京航空航天大学学报，2006， 32（8）：885-888. Zhao Shifeng， Zhang Hai， Fan Yaozu. Attitude estimation method for flight vehicles based on computervision[J]. Journal of Beijing University of Aeronautics and Astronautics， 2006， 32（8）：885-888.（in Chinese）
[8]张卫华，赵明军.指标无量纲化方法对综合评价结果可靠性的影响及其实证分析[J].统计信息论坛， 2005， 20（3）：33-35. Zhang Weihua， Zhao Mingjun. The influence and empirical analysis of index dimensionless method on the reliability of comprehensive evaluation results[J]. Statistical Information Forum， 2005， 20（3）：33-35.（in Chinese）
[9]李善，谭继文. KPCA-GRNN网络在数控机床复合故障诊断中的应用[J].煤矿机械， 2016， 37（3）：152-154. Li Shan， Tan Jiwen.KPCA-GRNN network in the application of CNC machine tools in the dia- gnosis of complex[J]. Coal Mine Machinery， 2016， 37（3）：152-154.（in Chinese）
[10]Kong Rui，Zhang Bing. A new face recognition method based on fast least squares support vector machine[J]. Physics Procedia，2011（22）：616-621
[11]刘雨.基于SVM的直升机飞行状态识别方法及其应用研究[D].南昌：南昌航空大学，2016. Liu Yu. Recognition method and application of helicopter flightstatusbasedonSVM[D].Nanchang：Nanchang Hangkong University， 2016.（in Chinese）
[12]熊邦书，刘雨，莫燕，等.基于SVM的直升机飞行状态识别[J].应用科学学报， 2016， 34（4）：469-474. Xiong Bangshu， Liu Yu， Mo Yan， et al. SVM-based helicopter flight status recognition[J]. Journal of Applied Sciences， 2016， 34（4）：469-474.（in Chinese）
Helicopter Flight Status Recognition Based on Pre-Classification Mechanism and GRNN
Li Shengnan，Wang Jinglin，Shen Yong，Shan Tianmin，Lin Zeli，Cao Liang
Aeronautical Science and Technology Key Laboratory of Fault Diagnosis and Health Management，AVIC Shanghai Aviation Measurement and Control Technology Research Institute，Shanghai 201601，China
Abstract： According to the typical 16 flight states of a certain type of helicopter， the state recognition method is studied. First of all， according to the flight state parameters yaw angle， radio altitude and indicated air speed， three monitoring parameters are used to divide the helicopter flight state. The status is divided into level flying， ascending， descending， turning， non-turning， steady speed， increasing speed and decelerating status. Secondly， on the basis of the preliminary state division， the three state pre-classifications are carried out according to the two parameters of altitude and yaw angle. In addition， in each category， the helicopter is divided into 16 typical flight states according to the speed range and speed changes. Finally， the generalized regression GRNN neural network state recognition model was established for the large state categories to which the 16 typical flight states belonged. This paper combines the flight parameters obtained during the flight of a certain type of helicopter to verify the method studied. The verification results show that the method can effectively identify the flight status of the helicopter and has an important supporting role for improving the monitoring of the helicopter status.
Key Words：helicopter status recognition；probability density function；pre-sort；pretreatment；generalized regression neural network