基于神经网络的直升机适航噪声预估方法研究

仲唯贵

(中国直升机设计研究所，江西 景德镇 333001)

0 引言

民用直升机用途广泛，执行任务时往往要在人口稠密的城市中心地带起降和飞行，以完成紧急医疗服务、城市消防、治安维护等任务。直升机较高的外部噪声水平直接影响城区居民的生活环境，城市中往往会采取限制直升机在城区运输的飞行路线和飞行时间的措施，以保证城区良好的生活环境，这成为阻碍直升机在城区服务和商业应用中发展的重要环节。因此国内外的民用航空适航规定中，都对直升机的噪声水平进行了严格的限定[1]。

在民用直升机的设计中，直升机的适航噪声水平分析是重要的设计流程。为进行直升机外部噪声的分析，研究人员建立了基于CFD技术和FW-H声学方程的直升机气动噪声计算方法，并开发了众多的分析程序[2-4]。但是利用这些方法进行直升机适航噪声计算需要大量详细的数据，需要考虑旋转噪声、脉冲噪声和宽带噪声等噪声成分，同时要进行适航状态的飞行模拟给出配平结果，需要复杂的分析模型和较长计算周期。因此，建立高效的直升机适航噪声分析方法对民用直升机的设计具有重要意义。

本文考虑直升机外部噪声的主要影响因素，基于神经网络模型建立了简单有效的直升机适航噪声分析方法，用于直升机适航噪声的快速分析。

1 直升机适航状态噪声分析问题描述

民用直升机的研发必须满足噪声适航规范(CCAR-36)的要求。直升机噪声水平在CCAR36部中有明确规定，包含了三种飞行状态：起飞状态、飞越状态和进场状态[5]。适航规范对直升机三种飞行状态的飞行高度、速度、过程以及噪声数据的处理进行了严格规定，并以重量为函数给出了相应的噪声水平限定要求(图1)。

图1 直升机适航噪声要求

在民用直升机的研发过程中，适航噪声水平分析是基本的设计流程(图2)。根据直升机的设计参数，建立三种适航状态的计算分析模型，实现直升机噪声水平计算。进行精确的直升机适航噪声分析，要完成飞行状态的配平计算、载荷计算以及声学计算等流程，需要的计算参数多，计算周期长。本文在提炼直升机噪声的主要影响参数基础上，利用神经网络适用于非线性预估的特点，采用美国联邦航空局(FAA)的资讯通报发布的直升机适航噪声飞行试验数据[6]，进行神经网络的设计和训练，建立基于神经网络的直升机适航噪声分析方法。方法可用于概念设计和方案设计阶段的直升机适航噪声分析以及总体参数的优化，并且随着大量的试验和试飞数据的积累，可进一步完善神经网络模型，实现直升机噪声的准确预估。

图2 直升机适航噪声预估流程

2 神经网络模型及模型训练

基于神经网络模型进行直升机适航噪声水平分析是应用神经网络模型的非线性函数近似功能，获得给定参数的直升机适航噪声水平。应用神经网络模型进行函数近似的主要优点是通过训练数据能够获得网络输入和输出的高度非线性关系，设计的网络能够适用于新的数据，并且保证误差在有限的范围内，同时网络输入和设计参数的合理选择能够保证神经网络模型的鲁棒性[7]。

2.1 神经网络模型

本文建立了五层结构的反向传播(BP)神经网络模型，中间层为3层，输出为3项，其中为xi为神经网络输入，yi为神经网络实际输出(见图3)。

图3 神经网络模型

神经网络的数学模型表示如下。隐蔽层第j个神经元的输入为：

netj=∑iωjiOi

(1)

其中：ωji为第j个神经元的权值，Oi为输入层第i个神经元输出。

第j个神经元的输出为：

Oj=f(netj)

(2)

其中：f()为激励函数，采用双曲正切函数，表示为：

(3)

神经网络训练涉及迭代优化神经元权重和偏差，提升网络的性能，通过测量训练网络的输出与期望输出的误差评估网络性能。本文采用神经网络容差的均方值作为网络性能的度量。

(4)

其中：tk是目标输出，Ok是神经网络输出。

2.2 神经网络的训练

为保证神经网络具有较好的通用性，能够有效模拟不在训练序列中的输入数据，训练网络时采用了提前停止法。有效数据的一部分用于训练网络，另一部分用于验证网络的训练结果。在训练迭代的每一步，神经网络模拟验证序列中的输入数据并计算MSE，验证序列的容差会随着训练序列的容差下降，但是随着神经网络的训练达到过拟合，验证序列的容差开始增加，此时训练停止并且认为神经网络训练达到了较优的性能。

训练和验证序列中的数据数量和构成对神经网络的训练有重要影响。在研究中，所有数据的近80%用于训练，20%用于验证。为避免训练序列和验证序列中数据的倾向性，进行序列构建时进行数据随机分配构建多组方案的序列，训练多组神经网络，用于神经网络性能的横向对比。由于训练开始前神经元的初始权重和误差是随机给出的，对神经网络的每次训练都会对最终性能产生一点差别，所以采用多组神经网络训练可以更好地评估训练的神经网络的性能。每组神经网络训练10次直到提前停止发生，通过MSE的平均值进行判定。

3 直升机适航噪声分析设计参数影响分析

直升机适航噪声水平受到起飞重量、旋翼和尾桨参数的影响，考虑到神经网络的性能受到输入参数的影响较大，合理选择输入参数会使神经网络产生较好的性能和对新数据的适应性。为了分析神经网络性能随输入参数的变化，进行了参数化的影响研究。用于直升机适航噪声预估的神经网络的输入参数选择范围在表1中给出，完整的全局输入共含10个参数。

表1 计算输入参数选择

根据输入参数，制定了四组输入参数序列：

(1)序列1：W、Dm、Vtm、σm、Nm

(2)序列2：W、Dm、Vtm、σm、Nm、P

(3)序列3：W、Dm、Vtm、σm、Nm、Dt、Vtt、σt、Nt

(4)序列4：W、Dm、Vtm、σm、Nm、Dt、Vtt、σt、Nt、P

第一组输入参数序列包含了5个参数，主要针对起飞重量和旋翼参数；第二组输入参数序列在第一组的基础上增加了起飞功率；第三组输入参数序列包含了9个参数，主要针对起飞重量、旋翼和尾桨参数；第四组输入参数序列包含了所有的10个参数。

以四组不同的设计输入对神经网络进行训练和确认，每组训练10次，并取10次训练网络性能的平均值，通过对比研究不同输入参数对直升机适航噪声预估神经网络的性能的影响，结果在图4中给出。

图4 采用不同输入参数的神经网络性能

从图中可以看出，采用四组输入参数进行神经网络训练，都能获得性能较好的神经网络,但是采用全部输入参数训练的神经网络性能最优，说明训练的神经网络能够反映直升机总体参数对适航噪声的影响。

4 直升机适航噪声预估模型训练结果

以10个参数为输入，利用训练的性能较优的神经网络，对飞越状态、起飞状态和进场状态三个适航状态的直升机噪声水平进行了对比，评估神经网络的直升机适航噪声预测水平，结果见图5至图7。图中包含了用于训练和试验的所有数据，试验数据从所有数据中随机选择，不低于总数据的20%。图5给出了飞越状态直升机噪声的预测值与测试值的对比，可以看出神经网络的预测值与测试值具有较好的一致性，线性相关系数R=0.965；从预测结果的误差带来看，低于2EPNdB。图6给出了起飞状态直升机噪声的预测值与测试值的对比，可以看出神经网络的预测值与测试值一致性较好，线性相关系数R=0.947；从误差带来看，仅有一个点的噪声预测值与测试值偏差较大，接近2.5EPNdB。图7给出了进场状态直升机噪声的预测值与测试值的对比，可以看出神经网络的预测值与测试值一致性较好，线性相关系数R=0.929；从误差带来看，仅有一个点的噪声预测值与测试值偏差较大，超出了2EPNdB。从三种状态的线性相关系数变化来看，飞越状态的直升机噪声预测结果最好，起飞和进场状态的预测结果偏差较大，主要是由于起飞和进场状态的直升机噪声成分更复杂，其准确分析需要更详细的输入参数，并建立更复杂的神经网络。

图5 直升机飞越噪声预估结果

图6 直升机起飞噪声预估结果

图7 直升机进场噪声预估结果

5 结论

本文以直升机适航噪声的预估方法为研究对象，进行了基于神经网络的直升机适航噪声预估方法研究，建立直升机适航噪声预测神经网络模型，并进行了神经网络的测试和评估，主要结论如下：

1)基于神经网络模型，利用直升机适航噪声的飞行试验数据，采用合理的训练方法，能够训练出有效预估直升机适航噪声的神经网络模型；

2)以直升机起飞重量、旋翼和尾桨的主要参数为输入，通过训练的神经网络模型，能够进行直升机适航噪声的有效预估；

3)对直升机适航噪声预估结果的分析表明，通过对神经网络的有效训练，能够使直升机适航噪声的预估结果误差小于2.5EPNdB。