基于ANFIS的进近阶段飞行员操纵模型设计

毛忠明　顾宏斌　吴东苏

摘要：自适应神经模糊系统（ANFIS）中的模糊推理部分能有效地模拟飞行员在操纵时的感知、决策、执行过程，人工神经网络部分能对复杂的非线性系统进行自适应学习，因此利用ANFIS对飞行员的操纵行为进行建模是非常合适的。本文基于CESSNA 172模拟器设计了飞行员在环的人机实验，通过实验采集了进近阶段飞行员的操纵数据和飞机实时响应数据，将数据处理后作为ANFIS的输入输出训练得到飞行员在进近时的操纵模型，并对模型预测效果进行了验证。ANFIS训练得到的操纵模型既可以作为进一步研究飞行员操纵行为的工具，也可以作为评判飞行员进近时操纵表现的标准。

关键词：飞行员操纵模型；ANFIS；飞行员在环实验；进近过程

中图分类号：TP216.7 文献标识码：A 文章编号：1007-9416（2019）01-0168-04

0 引言

飞行员操纵飞机作业是一个复杂的、高耦合的人机闭环系统，飞行员的操纵表现直接关乎飞行安全。随着新材料和新科技的发展，飞机设备本身原因造成的事故已经大大减少，飞行员的不当操纵逐渐成为飞行事故的主要诱因[1]。据统计由飞行员失误引发的飞行事故超总事故的一半以上，因此分析飞行员的操纵表现、对其进行建模研究，对减少飞行员的不安全行为、提高航空系统的安全性有着重要意义。

从发展过程看，飞行员操纵模型大致可以分为两类，一类是以经典控制、现代控制等控制技术为基础的典型控制模型，另一类是以人体生理学、人的认知过程为研究出发点的“人”的模型。最早的飞行员操纵模型是Tustin[2]提出的用线性近似的方法来表示飞行员的操纵行为。随后 McRuer[3]提出了经典的交叉模型，对截止频率附近飞行员的线性行为进行了描述。基于人体生理学，Hess[4]提出了一种模拟飞行员感知和操控行为的结构化飞行员模型。Hosman[5]为了分析视觉和前庭系统对飞行员行为的影响，提出了一种描述模型用来模拟飞行员在执行追踪任务时的行为表现。

近年来随着人工智能的兴起，模糊控制和神经网络等智能技术在飞行员操纵建模研究中越来越受到重视。本文在现有的经典飞行员操纵模型上，利用CESSNA 172模拟器进行了飞行员在环的人机实验，试图探讨真实情形下飞行员在进近时的操纵行为。通过采集飞行员的操纵数据和飞机响应数据，使用ANFIS[6]自适应神经网络训练得到进近阶段飞行的操纵模型，并对模型预测结果进行了验证。实验结果表明，ANFIS训练得到的飞行员操纵模型具有较好的预测效果。

1 飞行实验设计

1.1 实验流程

本次飞行实验选取15名被试分别在正常（晴朗白天）、风雨干扰、夜间等三种不同环境条件下，以禄口机场为起降机场进行五边飞行，并通过数据接口，实时记录被试在飞行过程中各个阶段的操纵信息和飞机响应信息。实验流程如图1所示。

飞行实验开始前，每一被试都有单独15分钟的时间对实验室的CESSNA 172模拟器进行试飞以熟悉实验环境，从而减小被试由于客观原因造成的操纵误差。正式开始实验时，被试依次进入CESSNA 172模拟器，保持良好的生理、心理状态，准备飞行。实验人员设置实验飞行环境（正常、风雨干扰、夜间）、起降机场（本实验中均为禄口机场），同时启动后台数据采集程序，实时记录被试操纵信息和飞机响应信息。实验人员告知被试“可以起飞”后，被试开始正常起飞，在飞行过程中，实验人员应该在被试操纵飞机进入下一飞行阶段（例如起飞、平飞、进近着陆等）时记录对应的时间信息，以便于后续进行数据分析。

实验要求每个被试均以禄口机场为起降机场进行五边飞行，分别在不同飞行环境下完成3组飞行实验。实验过程保持安静，每次飞行结束后，被试在模拟器内等待，实验人员重新设置飞行环境，准备下一组飞行实验，实验流程与前述过程一致。实验结束后，被试应按要求填写被试登记表，实验人员安排下一名被试进行实验。

1.2 实验对象

本次实验所选被试为15名男性飞行学员，年龄19～25周岁，平均年龄21.9周岁，双眼裸眼视力正常，均为右利手，身体状况良好，无重大病史。实验开始前所有被试应注意保持作息规律，避免服用刺激性药物或食品，实验过程中应保持良好的生理、心理状态。

被试的相关信息如表1所示。

1.3 数据分析

数据采集程序在被试进行飞行实验时，由实验人员启动，后台运行，采样频率为50Hz。每组实验数据包含13列信息：时间、迎角、侧滑角、高度、马赫数、俯仰角、滚转角、升降舵操纵输入、副翼操纵输入、方向舵操纵输入、俯仰角速率、滚转角速率、偏航角速率。

图2所示是第11号被试和第13号被试在正常飞行环境下进近时的操纵数据（本文只分析进近阶段被试的操纵表现）。从中可以发现不同被试在进近时的操纵行为具有一定的相似性，因此通过被试的操纵数据训练得到相应的操纵模型是可性的。此外，不同的被试，其操纵表现有一定差异，在当前情况下，13号被试的表现略优于11号被试。对于异常的操纵数据在后续模型训练时应及时剔除，并让该被试重新进行飞行实验和数据采集。

2 ANFIS网络结构

1985年Takagi和Sugeno[7]提出了一种新的模糊推理模型——T-S模型，该模型可以通过少数模糊规则生成大量的非線性函数，进而模拟人脑的判断和决策。ANFIS就是由T-S模型和人工神经网络构成的，该系统既具有模糊推理系统的拟人性，又包含人工神经网络的自适应学习能力，其最大的特点是根据已知数据就可以对控制系统进行建模。因此对于系统特性相对复杂或者系统特性不明显，甚至不知道被控系统的特性时，都可以利用ANFIS得到一个较好的控制效果。

T-S模型的输出一般为输入变量的线性函数或常数，其典型的模糊推理规则为：

If is and is Then

規则中，和是前提的模糊数，是结论中的准确数。多为和的多项式。为了实现T-S模型的学习能力，引入人工神经网络，将其转化一个自适应网络，即ANFIS，结构如图3所示。

ANFIS的结构一般可以分为五层：

在自适应网络中，，，，是隶属函数的参数，，，是结论参数，利用相应算法训练ANFIS，可以得到对应的参数值，达到模糊建模的目的。

3 减法聚类算法

减法聚类[8]（Subtractive Clustering）是一种通过检测输入输出数据中的聚类来生成模糊推理系统的方法。不必预先定义隶属度函数的数量，而由算法根据找到的关键集群自行设置。

为了从数据中提取规则，训练数据根据各自类别被分成组。考虑某一特定类的一组个数据点，其中是输入特征空间中的向量，在不丧失一般性的情况下，假定特征空间是规范化的，因此所有数据都由一个单位超立方体所限定。假定每个数据点都是该组的潜在聚类中心，而数据点作为该组聚类中心的潜在可能为：

其中，表示欧氏距离，是一个正常数。因此，某一数据点作为聚类中心的潜在可能为该点到组内其他点距离的函数。一般来说，具有越多相邻数据点的数据点越可能成为聚类中心。常数是定义邻域的标准化半径，该半径之外的数据点对聚类中心的影响很小。值得注意的是，由于数据空间是规范化的，所以等于数据空间一侧的长度。在计算出组中每个数据点成为聚类中心的潜在可能之后，选择数值最高的数据点作为第一个聚类中心。假设是第一个聚类中心的位置，是其可能值。则每个数据点作为该组聚类中心的潜在可能值修正为：

（9）

其中，是一个正常数（压缩因子）。也就是说，此时每个数据点作为聚类中心的潜在可能应减去已完成的第一个聚类中心的作用。距离第一个聚类中心越近的数据点，其减去的值越大，越不可能被选为该组的下一个聚类中心。常数是定义邻域的半径，用来测量数据点作为聚类中心的潜在可能的减少值。为了避免获得密集的簇中心，通常选择为。当所有数据点成为聚类中心的潜在可能经式9修正后，选择当前可能值最大的数据点作为下一个聚类中心。每个数据点作为该组聚类中心的潜在可能值继续被修正： （10）

其中是第个聚类中心的位置，是其可能值。

不断获取新的聚类中心并对数据点的潜在可能值进行修正，直到组中所有数据点的可能值都低于第一个聚类中心的可能值的某一部分值，一般将作为停止标准。

4 飞行员操纵模型训练和验证分析

4.1 模型训练

在飞行员进近时，飞行仪表能帮助飞行员获得飞机的当前姿态和高度信息，从而指引飞行员做出正确的操纵行为。本文以飞行仪表指示作为输入，对应的俯仰操纵和滚转操纵作为输出训练飞行员操纵模型。

在模型训练前，首先对45组实验数据进行均值处理，然后随机抽取35组作为训练数据，10组作为验证数据，以飞机的高度信息、俯仰角、滚转角作为输入值，分别以俯仰操纵和滚转操纵作为输出值，分别用减法聚类算法训练得到基于飞行仪表指示的进近阶段飞行员俯仰操纵模型（FD_Pitch_FIS）和滚转操纵模型（FD_Roll_FIS），模型结构如图4和图5所示。

4.2 ANFIS操纵模型验证

训练得到的FD_Pitch_FIS模型有35个隶属度函数，训练误差为0.0541，FD_Roll_FIS模型有15个隶属度函数，训练误差为0.1929，图6所示是FD_Pitch_FIS模型中俯仰角、飞机高度输入和俯仰控制信号输出之间的非线性关系。图7所示分别是时域上飞行员进近时俯仰操纵和滚转操纵的验证数据（虚线）与对应的模型预测数据（实线）的比较情况。

从图7中可以看出，以飞行仪表指示作为输入训练得到的飞行员操纵模型在飞行员低频操纵时具有较好的预测效果，对于飞行员频次较高的操纵行为模型预测结果有不同程度的失真现象。从整体上看，俯仰操纵的预测效果略优于滚转操纵。

5 结语

本文基于飞行实验，在传统的飞行员操纵模型的基础上，引入ANFIS系统，通过利用采集到的的飞行员操纵数据和飞机响应数据，训练得到基于飞行仪表指示的进近阶段飞行员操纵模型，为飞行员操纵行为建模提供了一种新的思路和方法。训练得到的操纵模型能较好地预测飞行员的操纵行为，可以作为进一步研究飞行员操纵行为表现的工具。此外，为了提高ANFIS模型训练的效果，可以通过加大飞行实验的样本数，调整聚类算法参数，增加模型输入等方式进行改进。

参考文献

[1] 中国民用航空总局人为因素课题组.民用航空人的因素培训手册[M].北京：中国民航出版社，2003.

[2] Tustin， A.， An Investigation of the Operators Response in Manual Control of a Power Driven Gun[C]. C. S. Memorandum Number 169， Metropolitan Vickers Electric Company， Ltd， Sheffield， England，1944.

[3] McRuer， D. T.， & Jex， H. R. A review of quasi-linear pilot models[J]. IEEE Transactions on Human Factors in Electronics， HFE， 1967，8（3）：231-249.

[4] Hess， R. A. Structural model of the adaptive human pilot[J].Journal of Guidance， Control， and Dynamics，1979，3（5），416-423.

[5] Hosman， R. Pilots perception and control of aircraft motions[C]. Delft University Press，1996.

[6] Takagi， T. and Sugeno， M.， Fuzzy Identification of Systems and Its Application to Modeling and Control[J]. IEEE Trans. On Systems， Man & Cybernetics，1985，（15）：116-132.

[7] Sugeno， M.， Industrial Applications of Fuzzy Control[J]. Elsevier Science Pub. Co.，1985.

[8] Chiu， S.， Fuzzy Model Identification Based on Cluster Estimation[J]. Journal of Intelligent & Fuzzy Systems， 1994，Vol. 2， No. 3.

Abstract：The fuzzy reasoning part of the ANFIS can effectively simulate the process of pilot's perception， decision-making and execution during operation， and the artificial neural network part can carry out adaptive learning for the complex nonlinear system. Therefore， it is very appropriate to use ANFIS to model pilot's control behavior. This paper designs the pilot's man-machine experiment in the loop based on CESSNA 172 simulator. Through the experiment， the pilot's control data and aircraft real-time response data are collected. The data are processed as input and output of ANFIS. Then， the pilot's control model is trained and the predictive effect of the model is verified. The control model trained by ANFIS can be used not only as a tool to further study pilot's control behavior， but also as a criterion to evaluate pilot's maneuvering performance when approaching.

Key words：pilot control model； ANFIS； pilot-in-the-loop experiment； approach stage