基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中，通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法，诸如极大似然法，需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程，这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法，可将含待辨识参数的飞行动力学模型作为正则项加入损失函数，直接辨识得到气动参数。该方法可以显著减少建模数据需求，也能提高建模精度。飞行仿真数据验证结果表明，该方法的无噪声、含2%噪声仿真数据，纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%，表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性，并对含噪声的飞行数据具有泛化性。     

非定常气动力非线性微分方程建模方法

为准确描述过失速机动中非定常气动力特性,研究了以非线性微分方程为基本结构的非定常气动建模方法.基于动力学系统建模思想,分析揭示该模型的物理机理,并发展和改进了基于风洞强迫振荡试验的模型参数辨识方法:基于小振幅试验数据,采用线性回归参数辨识方法辨识确定气动模型中特征时间常数等线性参数;基于大振幅试验数据,采用遗传算法全局...     

基于径向基神经网络的不确定非线性系统的鲁棒自适应控制

 针对能够采用仿射非线性表示的含有不确定动态的非线性系统 ,提出了一种鲁棒自适应控制方法 ,该方法根据离线辨识出的受控对象的已知部分 ,采用神经网络在线辨识其未知部分 ,并针对辨识得到神经网络模型采用反馈线性化方法设计出自适应控制器 ,同时引入滑模控制方法以增强控制系统的鲁棒性 ,从而实现鲁棒自适应控制。通过对具有未建模动态的非线性直升机空气动力学模型 ,设计了总距通道系统。仿真表明该方法是有效的。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

电液负载模拟器的神经网络参数辨识

基于神经网络,提出一种根据参数上下界辨识系统参数的新方法。在建立电液负载模拟器模型的基础上,在待辨识参数的上下界内,使用神经网络对动态系统的参数进行辨识,找到一组参数使之满足对实际系统的最佳逼近,使系统在实际输入信号下能更好地复现实际系统的实际输出。并使用另一组实验数据检验辨识结果对实际系统的任意实际输入输出采样数据组的逼近程度。验证结果表明该辨识结果能很精确地逼近实际系统。该方法可用于一般复杂系统的实际参数辨识。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

N4SID辨识方法在航空发动机中的应用

针对在现代航空发动机的自适应控制和故障监控领域建立系统动态模型的需要 ,本文研究了基于状态空间模型的数字子空间状态空间系统辨识 (N4SID)方法 ,并在某型双转子涡喷发动机非线性气动热力学模型的“小偏离”状态上进行了仿真实验 ,结论表明 :该方法可以较准确地辨识发动机“小偏离”状态时的系统模型     

两种有翼飞行器高超声速动态气动特性的对比实验研究

采用模型自由飞技术在脉冲型高超声速风洞中测量了两种类航天飞机外形模型的腐爷阻尼导数，两种模型具有十分接近的外形特征尺寸和投影面积，但机身和机翼的剖面则片此各不相同，实验在名义马赫数M∞＝6.4条件下进行，同一名义实验条件下的重复实验显示一致的运动形态和接近的动导数测量结果。气动参数辨识采用最大似然法，对风沿实验准定常试验时间中模型的平面运动以线性气动参数模型辨识得到它们的俯3仰阻尼导数。结果提产两种外形有差异的模型呈现迥然不同的动态气动特性：带OMS舱的航天飞机仿真模型具有动态稳定性，而简化外形的类航天飞机模型则为动不稳定，虽然对导致这种极大差异的直接物理原因还有待深入研究，但实验揭示了动稳定性对模型外形细节的敏感性。     

小波网络在某型航空发动机故障诊断中的应用

分析了用小波网络替代神经网络进行模型辨识的优点,在误差反向传播算法(Error back prop-agation)的基础上,结合小波分析理论,设计了一种小波网络算法.通过对某型航空发动机的仿真实验,小波网络能够及时准确地预测出发动机的输出.同时利用小波变换对残差的分析可以有效地检测出系统所发生的故障.      

液-固挤压铝基复合材料动态系统建模方法

 液态浸渗挤压是一种可以由液态金属直接成形复合材料管、棒、型材的新工艺,针对该工艺过程参数和成形过程难于控制的现存问题,在对其辨识建模特点进行深入分析的基础上,采用基于U-D分解的非线性模型和参数在线估计方法,辨识出液-固挤压铝基复合材料过程的动态模型。实验结果表明,该方法可以提高模型和参数在线估计的计算效率和数值稳定性,辨识模型能很好地反映系统的动态特性,说明该在线估计方法工程应用的有效性,同时也为液-固挤压复合材料工艺的实际应用和过程控制奠定了基础。     

子空间辨识方法的改进

针对现代航空发动机的自适应控制和故障监控领域建立物理意义明确的系统动态模型的需要，基于数字子空间状态空间系统辨识（N4SID）方法，提出并推导了指定状态为量的子空间辨识方法，并在某些双转子涡喷发动机气动热力学模型上进行了仿真实验，说明通过指定状态变量的子空间辨识方法可以得到较好的辨识结果。     

直升机动态逆神经网络模型

以SH－2G直升机辨识模型为对象，采用天并作用函数的多层感知器网络，建立了直升机的动态逆神经网络模型，在直升机越障机动飞行仿真的同时，利用直升机操纵信号和对应的状态作为网络的训练样本，对直升机逆模型进行在线辨识，并给出了仿真结果及其分析。结果表明，该网络对直升机动力学逆模型具有良好的在线辨识效果。     

基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.     

微型直升机动力学建模的研究现状

从模型修改、结构分析、神经网络及系统辨识几个方面介绍了微型直升机动力学建模的研究现状,并对几种不同的建模方法进行了比较。然后,指出了系统辨识方法中存在的问题。通过讨论和比较,为微型直升机的不同建模目标提供了可供借鉴的建模方法。     

扑翼飞行器动力系统建模方法

为快速评估扑翼飞行器的航时,便于针对不同扑动翼进行动力系统设计与优化,逐步减少实物验证与试飞,加快扑翼飞行器的研制,基于实验数据参数辨识的方法建立了包含直流无刷电机、电调（ESC）、锂电池和扑动机构等扑翼飞行器动力系统组件的动态模型,其中电机模型相对误差小于10%,锂电池动态模型相对误差小于6%;提出了一种基于风洞试验气动数据和功率数据的扑动轴瞬时气动载荷半经验高精度建模方法,解决了气动载荷测量较为困难的问题,模型确定系数大于0.89;集成以上模型后的扑翼飞行器仿真系统还包含扑动翼周期平均气动模型、平尾气动模型和纵向控制模型,确保仿真在动态配平状态下进行,可进行全任务剖面航时仿真,航时仿真与实际试飞结果相比误差小于3%。集成的扑翼飞行器仿真系统采用模块化建模思想,各模型参数独立可调,能进一步应用于扑翼飞行器多学科优化等研究。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

涡轮发动机平衡流形展开模型辨识方法研究

 根据涡轮发动机平衡流形展开模型的特点提出了两步建模方法。将复杂非线性建模转化为静态参数拟合和带约束条件的动态参数最小二乘辨识，根据单轴涡喷发动机气动热力模型辨识算例证明了方法的有效性。     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

考虑进排气的飞翼静、动态气动特性数值模拟

采用计算流体力学（CFD）数值模拟技术，以二维模型为例，建立了基于小幅度非定常运动的动导数计算方法，构建了考虑喷流引射效应的进排气模型、考虑管道效应的通气模型以及常规的保形模型，分别对其静态以及动态气动特性进行了数值模拟计算，并辨识了其纵向俯仰力矩系数组合动导数。研究表明:非定常动导数辨识方法较为准确可靠，相比保形模型，进排气以及通气模型的静态失速攻角（AOAs）增大，升力系数、阻力系数及俯仰力矩系数也增大，但力矩系数斜率基本不变，说明静态稳定性差异不大。而相同攻角下，进排气影响下的俯仰力矩系数组合动导数绝对值最大，表明了进排气模型具有最大的动态阻尼，而通气模型次之，保形模型的动导数绝对值最小。      

非定常气动力的结构自适应神经网络建模方法

讨论了非线性非定常气动力的结构自适应神经网络模型建模方法,该方法具有同时进行结构辨识与参数辨识的优点;利用纵向大振幅强迫振荡风洞试验数据,验证了建模方法及所建模型的有效性,结果表明:结构自适应神经网络模型对非定常气动力有很好的逼近能力,由于采用飞行参数的时间离散数据作为输入量,模型可直接应用于飞行仿真研究。