神经网络在飞翼布局飞机主动涡流控制中的应用

以小展弦比飞翼布局飞机为研究对象,其本体的优化增稳控制器由3个气动舵面(连续控制面)构成.为增加操纵能力,基于神经网络设计了主动涡流(bang-bang型控制面)优化控制器.为加快网络的训练速度和收敛精度,采用三层反馈神经网络,通过改变每层网络权重和隐层神经元单元个数对网络进行优化.最后给出了增加主动涡流控制器的飞机闭环系统的响应结果.与仅采用气动舵面闭环响应结果的对比仿真表明,增加主动涡流控制器后闭环系统可获得更好的响应特性,系统达到稳态的时间和所需气动舵面的控制量均明显减小.      

模型跟踪和涡流控制在飞翼布局飞机上的应用

为增加小展弦比飞翼类布局飞机的操纵特性,并满足其对隐身性能的要求,将模型跟踪控制器和涡流控制器进行综合使用.模型跟踪是一种提高系统闭环响应并跟踪驾驶员指令的方法,通过此方法可使动态特性较差的飞机对动态特性较好的飞机输出进行跟踪,由此来改善飞机的动态特性.增加涡流控制可以进一步扩展模型跟踪控制的作用效果,涡流控制器使用变步长神经网络进行训练.结果表明,两种方法的综合使用可以有效地提高飞机的动态特性,通过增加涡流控制后,进一步增加了模型跟踪控制的作用效果.     

涡流控制在小展弦比飞翼布局飞机上的应用研究

全隐身布局飞行器采用无尾飞翼布局,此种布局具有很多优点,但是在动态特性上存在一些新的问题,造成了飞行器稳定和操纵的困难.通过对小展弦比飞翼布局飞机进行涡流控制,可以产生较大的控制力矩,从而对飞机进行纵向和航向的控制,改善飞机的操纵效率.控制力矩是非线性变化的,其大小与飞机飞行状态(迎角、速度等)以及喷流的状态(喷流速度、喷孔位置、喷流方向等)有关.将喷流产生的控制力矩应用于飞机的控制,通过对增加喷流后飞机静操纵特性的分析,表明其改善了飞机静操纵特性和隐身性能,具有较好的实用性.     

数据融合技术在空气动力学研究中的应用

气动力数据通常通过风洞试验、数值计算和飞行试验三种途径获得,三者各有优缺点,为了得到更加完善准确的气动数据,可采用数据融合技术对不同来源的数据进行深加工和利用。针对数据融合技术在空气动力学中的应用进行讨论和探索,首先介绍了数据融合技术在空气动力学中的应用背景、发展现状及数据融合的基本思想,此后综合提出了建立气动数据融合准则的基本思路和两种具有应用价值的融合算法:基于不确定度的数据融合方法和基于气动力建模的数据融合方法,并给出了部分研究应用结果。最后,文章对气动数据融合技术在气动领域的应用前景进行了展望。研究发现,采用数据融合技术后,可以进一步提高气动数据的完整性和准确性,但由于气动数据融合工作不仅需要进行算法研究,同时还需要工作人员的大量经验,融合结果包含较多的人为因素,因此具体采用何种融合方法要根据具体情况而定。     

过失速机动的模糊逻辑建模仿真

对模糊逻辑建模方法进行了深入的研究,讨论了非定常气动力的模糊逻辑建模与参数辨识方法,针对其在飞机非定常气动力建模与辨识中的应用提出新的思路,使之更具有实用性,并应用于实际算例的计算分析中.利用振荡三角翼的试验数据建立了非定常气动力的两种模糊逻辑模型:一种采用减缩频率进行建模,另一种考虑时间历程对非定常气动力的影响.结果表明,所建立模糊逻辑模型的计算结果与实验数据结果符合较好.采用这两种不同的模糊逻辑模型对飞机的眼镜蛇机动进行了模拟、仿真,检验了模型的实用性.      

小展弦比飞翼布局飞机横向涡流控制气动机理

为增加小展弦比飞翼布局飞机横向控制效能,设计了可提供飞机滚转力矩的涡流控制方案,在此基础上研究了三角翼前缘非对称垂直喷流对前缘涡破裂位置和结构的影响。应用三维任意坐标系下的雷诺平均N-S方程数值模拟方法和Spalart-Allmaras方程湍流模型,对小展弦比飞翼布局飞机前缘非对称喷流及无喷流情况下的绕流进行了研究分析。结果表明：与无喷流情况相比,喷流速度、喷口压力、飞行迎角的不同造成了涡破裂点的改变以及涡的强度和涡轴位置的变化,这些因素最终引起流场变化,并产生不对称力和力矩;喷流产生的直接力和力矩与飞行状态无太大关系;垂直喷流在进行横向控制同时产生较小的偏航力矩,对阻力的影响也较小。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题，气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法，采用深度神经网络直接逼近流场偏微分方程的解，因此适用于气动数据的建模。然而训练PINN时，损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差，对于复杂的非线性偏微分方程，这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差，而且用神经网络拟合初始条件和边界条件时，不可避免存在拟合误差，误差随空间和时间累计，这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题，本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合，在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差，从而提高了神经网络的建模精度。根据CFD仿真时使用的模型，融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。