基于PCA-BP的飞机爬升段油耗分析模型.docx

基于PCA
BP的飞机爬升段油耗分析模型
 
 
 
 
 
   
 
 
 
胡小娜
摘 要：鉴于航班油耗影响因素众多、各因素对油耗贡献相差很大、各因素之间耦合关系复。此外，飞机在本场起降训练或进场调机飞行时多处于爬升、下降或者爬升、低高度巡航、下降两种模式。因此，研究爬升段和下降段油耗的影响因素则更为必要。现在以爬升段为例分析各因素对油耗的影响。
影响因素确定
依据QAR数据所包含的内容以及能够影响飞机爬升段油耗的相关因素，分析整理出6个影响油耗的特征指标：（1）爬升初始重量，以飞机的最初重量，减去开始爬升之前消耗的燃油重量约算出；（2）爬升距离，依据QAR中的经纬度参数求出每秒大圆距离，对其进行积分；（3）爬升时间，依据QAR数据进行飞行阶段的划分，直接提取时间参数；（4）平均爬升率，每分钟飞机爬升的高度，依据垂直速度计算；（5）最终爬升高度，爬升段结束时飞机上升的高度；（6）爬升段气象状态，包括温度、风速和风向。
2 PCA原理与BP神经网络
PCA原理
PCA方法是一种利用降维思想的多元统计分析方法，在损失很少信息的前提下，将多个特征指标转化为少数几个主成分，能够反映原始变量的大部分信息。各主成分互不相关，具有更优越的性能。采用该方法能够抓住研究问题的主要矛盾，使复杂的研究问题得到简单化，提高分析问题的效率。
设有p个特征指标，这p个指标构成p维的随机向量：X=[x1，x2，x3，…，xp]T
对X进行线性变换形成新的综合变量Y，满足：
BP神经网络
BP神经网络具有自适应、自组织、自学习的能力，并且有非局域性和非凸性的优点。BP神经网络模型输入层、输出层的个数分别由需要的输入变量个数、输出变量个数所决定，隐含层个数没有固定的解析式给出，一般由其自身的网络结构与数据特征所决定。同样的输出精度，相应的输入数据的关联性、耦合性越高隐含层神经元所需的个数就越多。
3 油耗模型建立原理
特征指标PCA
分析选取了6项特征指标，其中前5项指标的表现形式比较简明，第6项气象状态包含温度、风向和风速三个指标。这三个指标在爬升段存在的形式不稳定，但是温度、风向风速尤其是低空風切变对发动机的参数和状态影响较大，不能忽略，以三个指标在爬升段的起始值、最终值、最大值、最小值、均值和标准差作为分析依据，共有23项参数。
对提取的数据特征指标进行标准化。用PCA方法进行处理，求得其相关系数矩阵的特征值、特征向量、贡献率，并提取主成分。可知每一个特征值对应的贡献率，%，因此选取前6个主成分代替原来的23项特征指标进行数据分析。
BP神经网络油耗模型
，将6个主成分Y1、Y2、Y3、Y4、Y5和Y6作为输入参数，燃油的消耗量CF为输出。BP神经网络共有6个输入节点和一个输出节点，由于提取的主成分之间耦合关联较小，则隐含层需要n+n个神经元，n为输入变量的维数。最终构建6-12-1结构的BP神经网络进行建模分析。
仿真结果分析
将经过PCA计算后数据的80%作为训练样本，余下20%作为检验样本，创建结构为6-12-1的BP神经网络。以提取的6个主成分作为输入向量，燃油消耗为输