直升机飞行环境特殊,处于不同飞行状态,动部件和有寿件损伤程度不同。因此,飞行状态正确识别对直升机结构部件的故障诊断和寿命预测具有重要的现实意义。在实际中,用于飞行状态识别训练的飞行数据往往为小样本,导致传统方法识别率不高。针对上述问题,本文利用某型直升机实飞数据,采用信号去噪、预分类和支持向量机等技术,深入研究了直升机飞行状态识别方法,在此基础上,建立了直升机飞行状态识别软件系统平台,可为我国开发直升机健康与使用监测系统(HUMS)提供具有自主知识产权的核心方法。本文主要研究工作和成果如下:(1)概述了直升机飞行状态识别传统方法及其相关理论知识。首先,对直升机飞行状态识别方法进行了详细的分析;然后,对本课题方法相关的背景及理论基础进行了叙述;最后,分析了直升机操作基本原理、飞行参数和飞行状态之间的关系。(2)提出了基于SVM(支持向量机)的直升机飞行状态识别方法。首先,利用去野点、限幅和均值滤波方法对飞行数据进行了预处理;其次,利用最小二乘方法对飞行数据进行了直线拟合获取变化率,并利用直升机操纵特性和飞参数据线性相关性提取了状态敏感参数,减少了数据冗余;再次,根据敏感参数对飞行状态进行了预分类,分为十个小类,并对每一小类分别进行了SVM分类器设计;然后,采用遗传算法对SVM核函数进行了参数寻优,提高了识别率;最后,利用训练样本对每一个SVM分类器分别进行了训练,并用训练好的SVM网络模型完成直升机全起落飞行状态识别。通过利用某型直升机实飞数据作为实验数据,将本文方法与RBF神经网络方法和Elman网络方法进行了对比实验研究。大量实验结果表明,在小样本情况下,本文方法对直升机飞行状态识别率有明显的提高。(3)开发了直升机飞行状态识别软件系统。首先,根据HUMS对飞行状态识别软件的开发需求,实现了系统概要设计,主要包括软件系统构架、软件接口和软件界面等设计;其次,根据软件构架,实现了系统详细设计,主要包括预分类方案、试验管理、训练网络、状态识别和识别历史五个功能模块;最后,根据飞行状态识别方法,实现了软件系统的模块测试和系统联调。系统集成了本文方法与传统的RBF神经网络和Elman神经网络,具有较强的稳定性以及很好地扩展性,为我国直升机健康与管理系统提供了核心模块。