高超声速飞行器FADS算法研究

应用BP神经网络开展高超声速飞行器嵌入式大气数据系统(FADS)算法研究。采用自主研发CACFD软件平台求解欧拉方程,计算获得飞行器头部的压力分布作为神经网络样本训练的输入,对应的来流状态,如静压、马赫数、迎角和侧滑角作为样本的目标训练神经网络,建立基于BP神经网络FADS求解算法,并进行测试研究。研究表明,基于神经网络技术的FADS算法具有较好的鲁棒性和求解精度,实时性强,是一种非常有效的求解算法。研究结果得出,一定样本数范围内,FADS的求解精度随着样本数增加而提高;算法的平均误差随着测压点的增加而减小;包含大锥角位置测压点的布点组合,明显比只有小锥角测压点布点组合的求解结果平均误差要小;去掉顶点测压点,对算法的求解结果影响不大;1%压力测量误差时,神经网络泛化性能表现非常稳定。     

基于神经网络的类乘波体飞行器FADS算法研究

大气数据是飞行器飞行的重要参数,大气数据系统是必备的机载航电系统。嵌入式大气数据系统（FADS）是新一代大气数据系统,可用于类乘波体飞行器。飞行器外形特殊,大飞行包线内FADS压力场模型复杂,解算算法尚不完备。针对飞行器的特点,利用三维几何建模和计算流体动力学（CFD）计算的方法,分析FADS压力场模型特性,设计并验证了基于神经网络的类乘波体飞行器FADS算法,结果表明,算法对马赫数、攻角和侧滑角大气参数的解算可行有效。     

嵌入式飞行参数传感系统的神经网络算法

对使用BP网络来代替嵌入式飞行数据传感(FADS)系统的空气动力学模型进行了研究。针对FADS系统的特点设计了一个具有双隐含层的BP网络模型并详细推导出了它的快速算法。文中不仅设计了数据集的产生方法,而且对数据集的划分进行了探讨。试验结果显示,动静压的平均绝对误差均在130Pa以内,可以满足FADS系统的设计要求。     

FADS/INS组合法迎角、侧滑角测量方法研究

嵌入式大气数据传感(FADS)系统比传统迎角、侧滑角传感器在测量精度、可靠性、隐身性能上都具有较大的优势,因此该系统可被应用于各型飞行器上。但由于该系统在获得大气参数方面存在延时,所以,它在飞行器机动飞行状态下,迎角和侧滑角的测量精度会下降。针对这一问题,本文提出了以FADS测量结果为基础,采用惯性导航系统(INS)测量的迎角、侧滑角变化量进行修正的FADS/INS组合法迎角、侧滑角测量方法。理论分析和仿真结果表明,该组合系统在飞行器处于平稳和机动飞行时,对迎角、侧滑角的测量均能获得较高精度。     

测压点分布对嵌入式大气数据传感系统计算精度的影响研究

测压点是嵌入式大气数据传感(FADS)系统的数据来源,其分布形式直接影响到系统测量精度。基于牛顿模型和滤波算法建立FADS计算模型;以球形机头为例,设定飞行剖面的马赫数范围为4.30~15.79,高度范围为25~70km;得出测压点圆周角、圆锥角和非对称分布下大气参数的计算误差。结果表明:沿圆周方向增加测压点数量,可提高FADS系统测量精度,但存在门槛值,超过此门槛值效果有限;在测压点数量相同的情况下,增大圆锥角可明显提高FADS的测量精度;测压点的非对称分布则对测量精度没有影响。     

FADS系统参数的解算和校正方法

<正>嵌入式大气数据传感(Flush Airdata Sensing,FADS)系统是一种通过嵌入在飞行器前端或者机翼前缘的压力传感器阵列来测量飞行器表面测压孔的压力,并由测得的测压孔压力通过特定的解算算法来获得大气数据的传感系统。1 FADS系统的空气动力学模型通过将位势流模型与修正的牛顿流模型用形压系数ε相结合得到FADS的空气动力学模型。形压系数ε是马赫数Ma∞、当地迎角αe与当地侧滑角βe的函数。入射     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

高超声速飞行器纵向大攻角非线性失稳分析与控制

针对滑翔式高超声速飞行器大攻角纵向失稳问题,基于连续算法和分岔理论,求解并分析了多特征点单参数分岔图,对平衡分支的稳定性和突变点进行了分析。结合高超声速飞行器大包线飞行特性,求解并分析了双参数分岔,并计算了稳定分支曲面和不稳定分支曲面,从全包线范围揭示了高超声速飞行器大攻角失稳特性。为了实现高超声速飞行器的稳定控制,基于非线性动态逆和分阶思想,设计了非线性控制器,并计算了非线性开环闭环系统的全局特征根分布,结合所提出的一种基于连续算法的非线性闭环系统全局性能评估方法,评估并分析得出非线性控制器的有效性和较优的全局性能。最后,对闭环系统进行了时间历程仿真,进一步验证了非线性控制器的有效性。     

涡轴发动机高精度实时部件级模型研究

提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。     

高超声速飞行器再入轨迹多目标优化

针对飞行器再入轨迹多目标优化问题,提出了一种基于粒子群算法与层次分析法的综合求解策略。首先,根据飞行器的动力学模型以及再入约束条件,建立了飞行器多目标优化模型;然后,考虑到粒子群算法只能求解无约束单目标问题,采用罚函数处理飞行过程中的约束条件和优化目标;最后,针对不同约束及目标的权重对再入轨迹的影响,利用层次分析法建立包含主观评估信息的优化模型,采用粒子群算法优化求解满足相应约束条件的再入轨迹问题。仿真结果表明,该方法所生成的优化轨迹具有较高的精度和计算效率,并对设计者的主观需求有良好的体现。     

嵌入式大气数据传感系统的改进算法

简要介绍了嵌入式大气数据传感系统及其空气动力学模型,提出了求解动、静压和修正参数的改进算法.改进算法首先应用Moore-Penrose广义逆矩阵对非线性方程组进行简化.然后采用改进迭代算法和BP神经网络求解动、静压和修正系数.改进算法在精度、可靠性和实时性上都能满足系统的要求.应用BP神经网络,达到系统要求的精度所需要的计算时间只相当于原有算法的5%,具有更大的实时性优势.     

低成本捷联惯导不对称动态误差的神经网络补偿

 针对低成本捷联惯导系统(SINS)中陀螺动态误差的不对称性在角振动条件下造成姿态漂移的问题,设计了多层前向神经网络的补偿模型。在标定模型参数时,为降低对外部参考信号测量精度的要求,提出用姿态解算的最终误差作为网络优化目标的训练方法。由于最终的姿态误差不是网络的期望输出,无法采用有导师的训练方法,为此采用了微粒群优化算法。仿真实验结果表明:补偿后的陀螺动态误差的不对称度减小了一个数量级。     

基于改进BP神经网络的导弹攻击区计算

针对传统导弹攻击区计算方法和BP神经网络算法的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的导弹攻击区模型。该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性。仿真结果表明,与传统导弹攻击区计算方法和BP神经网络相比,动态变结构BP神经网络具有更好的计算能力和收敛速度,可以快速、准确地完成导弹攻击区计算。     

基于GRU的敌方拦截弹制导律快速辨识方法

针对拦截弹制导律辨识问题，基于门循环单元(GRU)神经网络提出了一种制导律辨识方法。首先，构建了三维空间下的拦截弹-我方飞行器相对运动模型，并假设拦截弹采用经典的比例导引(PN)制导律或增强比例导引(APN)制导律。由相对运动模型提取数据，构成训练样本集和测试样本集，样本输入为敌我双方运动学信息，标签为敌方拦截弹对应的制导律。其次，建立了包含三层隐含层的GRU网络模型，采用基于Adam算法的反向传播对网络进行训练，探究了样本时间跨度等因素对辨识准确度的影响。最后，通过数学仿真对网络参数进行了优化，并在多种条件下进行了仿真验证。结果表明，相比其他网络结构而言，所提方法采用GRU拥有良好的抗噪能力和辨识精度；同时，相比于基于卡尔曼滤波器的制导律辨识模型，所提方法能够大幅减少辨识所需时间。     

连分式扩充的粒子群神经网络压气机特性重构方法

对航空发动机压气机原始二维等转速线的数据点进行连分式扩充,通过两次网络训练,增加转速特性数据,在三维空间中进行BP(back propagation)网络模型重构.根据压气机特性数据空间分布的特点,引入压力比函数,调整计算区域,定义网络的输入输出数据,利用试探法确定隐含层维数.采用基于趋利避害原则的粒子群算法对网络的初始权值和阈值进行优化,建立了压气机压比和效率特性的整体代理模型.最后以某型发动机的低压压气机为例进行了压气机特性模型的重构.通过模型的校核与验证表明:采用这种方法建立的模型精度较高,优于普遍采用的传统二维插值方法和普通BP神经网络模型.最终建立的重构模型对于采用选配法、坐标法和部件法等以压气机通用特性曲线为基础的发动机模型的求解,可提高计算精度和迭代速度,具有一定的工程应用价值.      

基于深度学习的飞行器故障情况下可配平能力快速预示方法

针对飞行器在执行机构故障条件下配平能力受限的问题，本文提出了一种基于深度学习的故障情况下可配平能力快速预示方法。首先，建立飞行器气动力矩和执行机构故障模型，并给出飞行器旋转配平条件。其次，在不同执行机构故障情况下，采用基于二次规划的可配平能力求解方法，在迎角/侧滑角二维平面内进行遍历求解，得到当前故障情况下的可配平能力剖面，并采用8个特征点进行包络，同时为所提方法提供样本。再次，利用深度神经网络强大的拟合能力，从样本中提取故障和气动力矩信息作为网络输入，特征点的迎角和侧滑角的值作为网络输出，离线训练深度神经网络。利用训练好的深度神经网络根据当前故障信息实时计算可配平能力剖面。最后，通过仿真验证了所提方法的有效性和实时性。     

嵌入式大气数据传感系统压力传感器设计研究

嵌入式大气数据传感(FADS)系统较之传统的大气数据系统有很大的优势,它依靠飞行器前端的压力传感器间接得到飞行大气数据.在本文中,首先简要介绍了FADS系统的压力模型;然后通过分析压力传感器几何外形设计对系统性能的影响,建立了压力传感器的动力学模型,并提出了FADS系统中的压力传感器的设计准则;最后给出了仿真结果.     

FADS系统在飞翼布局飞行器上的应用研究

针对飞翼布局飞行平台对高精度迎角、侧滑角的依赖性,设计了一种采用安装于机头表面的测压孔和机翼前缘的测压孔相结合的FADS系统应用方案,给出了其空气动力学模型,并将该FADS系统与惯性系统相结合来提高机动情况下大气数据的测量精度。由于该系统以FADS测量结果为基础,所以可以保证最后输出结果的精度要求,而且还克服了FADS系统延时的影响,其计算复杂性基本没有增加,满足实时性要求,易于工程实现。     

高超声速飞行器推进模块的设计参数分析

通过斜激波理论、准一维工程估算和特征线方法建立了一个与飞行器机体一体化的推进系统模块的气动分析模型,其中采用参考温度法估算模块的粘性效应。在此基础上分别研究了飞行器前体长度、前缘角及推进模块宽度等关键设计参数对推进模块气动性能的影响。结果表明:增大模块前体长度将使模块的升力、净推力和比冲先增后降;增加前缘角将增加升力,但降低净推力;增加模块宽度会导致等效升力下降。因此,在设计此类高超声速巡航飞行器时,应采用模块化的推进系统并折衷选择前体长度和前缘角的大小。      

使用深度残差网络的乘波体气动性能预测

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景,建立气动数据快速生成工具,使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型,并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片,研究基于图片识别的深度学习模型搭建,省略飞行器外形的参数化表达。测试结果说明,深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上,而基于图片识别的代理模型精度提高有限。研究表明,深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显,为深度学习技术在气动外形设计中的应用奠定了基础。