基于BP網絡的機組工作量評估范文

本站小編為你精心準備了基于BP網絡的機組工作量評估參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《飛機設計雜志》2014年第三期

1方法

1.1試驗設計試驗設計的目的是保證被試能夠在盡可能逼真的條件下完成飛行任務，以便對整個飛行過程的工作負荷進行評估。模擬飛行的起飛機場選為南京祿口機場，降落機場為武漢天河機場。

1.1.1機型及故障的選擇為區分工作負荷的大小，選擇了塞斯納-172型（傳統儀表盤）、波音B737、空客A320、空客A380四種機型作為研究對象，并針對不同飛行階段設定了自動油門喪失、單側供油故障及單發停車三類故障。

1.1.2飛行階段的制定根據民航慣例，民用飛機通常分為以下6個階段：（1）地面階段：G1地面滑行，G2飛機靜止（系統工作），G3維修。（2）起飛階段：T1起飛滑跑（抬前輪之前），T2起飛（抬前輪之后），T3中斷飛行。（3）飛行中：F1爬升，F2收起落架，F3放起落架，F4巡航，F5下降，F6進場，F7復飛，F860m到著地，F9其他。（4）著陸階段：L1著陸滑跑、L2反推力剎車。

1.1.3飛行程序的制定飛行程序指的是在不同飛行階段，飛行員為完成指定任務所進行的操作與監控活動的順序。具體飛行程序相當復雜，且因機型不同而異。此處不做論述。

1.2被試者共15名民航飛行學院的飛行員參加了試驗，全部為男生，被試年齡在22~27歲之間，平均年齡為24.5歲，所有被試視力正常、心理素質良好、飛行技術過硬。

1.3生理指標及測量設備的確定該論文主要任務是對機組工作量進行評估，而機組工作屬于情景意識范疇，此時被試心率變化較明顯，能反映工作負荷。同時，廖建橋（1995）也在其論文中證實了心率、腦電與工作負荷之間存在某種映射關系。除此之外，Kilseop等人（2005）的試驗也證明了眼動、腦電和心率3個生理指標與腦力負荷關系緊密，可以在一定程度上反映腦力負荷的大小。綜上所述，本論文可以選擇眨眼率、心率、腦電作為神經網絡的輸入。根據生理指標，確定相應測量設備。眨眼率的測量采用美國應用科學實驗室（AppliedScienceLaboratory,ASL）生產的ASL504非頭盔式眼部跟蹤記錄儀；腦電的測量采用國產數字式光電隔離腦電放大器；心率的測量采用北京超思電子有限公司生產的MD100A手持式心電檢測儀。

1.4主觀評定法三種經典的主觀評定法分別是庫柏哈柏方法、主觀負荷評估技術（SubjectiveWorkloadAssessmentTechnique，SWAT）和美國航空航天局任務負荷指數（NationalAeronauticsandSpaceAdministration-TaskLoadIndex，NASA-TLX），其中，NASA-TLX法更為直觀、簡便，本論文將其選為網絡的輸出。NASA-TLX量表分別由腦力要求、體能要求、時間要求、努力程度要求、績效水平及受挫程度6個條目組成。表中對應的每一條目均為標有刻度的20等分的線段，每一條目的分值由左向右依次增大，最左端為0、最右端為100。根據主觀感受，作業者可在每一條目的相應位置進行標注；然后將六條目的權重進行排序，由被試者賦予它們不同的權重值（6，5，4，3，2，1），6條目對總工作負荷的權重值分別為6／21，5／21，4／21，3／21，2／21及1／21。總工作負荷即為6條目的加權平均值（0~l00），分值越大，代表工作負荷越高[6]。

1.5數據收集與整理及相關性驗證試驗采集了15名被試分別在A320正常、B737正常、塞斯納-172正常、A380正常、A320自動油門喪失、A320單側供油故障、A320單發停車7種情況下，生理指標的平均值及每種情況下，主觀評價值的平均值，如表1所示。本文選用生理指標值作為輸入、主觀評定值作為輸出僅為假設，二者之間是否存在映射關系，還需進行相關性驗證，驗證結果如表2所示。顯著性水平P均小于0.05，故假設成立，即生理指標與主觀評價值之間存在映射關系。

1.6bp網絡相對于其他神經網絡模型，BP網絡的預測精度最高，李金波在其論文中證明了這一點，故本文選其作為建模核心方法。MATLAB提供了BP網絡建模的專用工具箱，使神經網絡的運用更方便、高效。該論文選用MATLAB實現BP網絡，代碼如下。對訓練模式對進行歸一化net=newff(minmax(xn),[n1],{''''tansig'''',''''purelin''''},''''trainlm'''',''''learngdm'''')；設定輸入輸出神經元的個數及訓練、傳遞、學習函數n=7；經測試，n=7時預測效果最好inputWeights=net.IW{1,1}；設定輸入層權值inputbias=net.b{1}；設定輸入層閾值layerWeights=net.IW{1,1}；設定中間層權值layerbias=net.b{2}；設定中間層閾值net.trainParam.epochs=1000；設定訓練次數上限net.trainParam.goal=1e-4；設定訓練精度net=train(net,xn,yn)；調用train函數對網絡訓練p_test=[XXX]；輸入值p_test=p_test''''；對輸入值進行轉置t_test=[Y]；期望的輸出值pn_test=tramnmx(p_test,minx,maxx)；對輸入值進行歸一化tn_sim=sim(net,pn_test)；對網絡進行仿真、測試，得到實際的輸出值t_sim=postmnmx(tn_sim,miny,maxy)；對實際輸出值進行反歸一化，與期望輸出值對比。

2驗證

為了驗證該方法的實用性與可靠性，分別設定三種任務模式，對利用BP網絡法得到的工作負荷與NASA-TLX表法得到的工作負荷進行比較。任務模式及生理指標如表3所示。如表3所示，對3種飛行條件下，15名被試的生理指標求平均值，帶入BP網絡對工作負荷進行預測。采集15名被試的NASA-TLX表評估值，并對其求平均數，數據如表4、表5所示。利用MATLAB中plot功能將兩種方法的預測結果圖形化，使其更直觀。

3結論

由表4可知，BP網絡法與NASA-TLX表法測得的主觀評價值相比，后者波動明顯較大，說明BP網絡法更穩定。原因在于，主觀評價法與被試的經驗有直接關系，對于某項任務，經驗豐富者的主觀評價值通常低于經驗匱乏者，且評價結果個體差異性大，往往需要對大樣本求平均值才能得出近似結果。由表5可知，兩種方法的評價結果較為接近，說明BP網絡法具有較高的可信性。理論上講，神經網絡的一個輸入對應一個輸出，但如果訓練模式對數量過少，就會出現在N次預測中，同一輸入產生不同輸出的情況。本文因操作和試驗條件所限，只能選取7種模式作為輸入對網絡進行訓練，網絡的穩定性和精確性較差，故會產生表4所示的波動情況。實際測試中，如果訓練模式對增多，輸出的波動會減小，網絡會更穩定，這一問題會得到很好的解決。

本文選取穩定性較高的生理指標作為輸入，以BP網絡作為預測工具對工作負荷進行評估，提高了評估結果的穩定性，并解決了以往主觀評價法需要大量樣本的缺點。利用該方法，對機組工作量進行評估時，生理指標的采集是關鍵，任何指標的偏差都會影響最終結果的準確性。而對于復雜人機系統中的飛行員來說，對生理指標進行測量時，需要佩戴各種設備，可能會影響到正常的飛行操作；故如何改進測量方法，使其更加簡潔化是今后的研究重點。本試驗僅僅對飛行進行模擬，情景意識、緊張程度與真實飛行相差甚遠。各種飛行條件下所采集到的數據與實際相比，肯定存在一定差距。如實際飛行中，單發停車可能會造成機毀人亡；而模擬過程中，即便被試對危險情況處理不當，也不會對人身產生任何后果，故此時的生理指標變化量差距很大。但無論是現實與模擬，當飛行條件發生變化時，生理指標的變化趨勢都是一樣的，本文證明了生理指標與工作負荷存在映射這一假設。

作者：劉樹強孫有朝單位：南京航空航天大學民航學院