风洞自由飞试验中气动参数辨识准度评价方法研究

当高超声速风洞自由飞试验的测量数据被有色噪声污染时，传统的Cramér-Rao界作为参数估计准度的度量往往过于乐观。文本采用一种修正协方差方法来处理传统的最大似然估计的残差，以便计算出有色残差情况下精确的Cramér-Rao下界，对辨识参数结果进行不确定度评价。以10°半锥角尖锥模型为例，通过大量的Monte Carlo仿真试验和风洞试验验证了修正协方差方法的有效性。结果表明，在风洞试验测量存在有色噪声情况下，修正协方差方法给出的标准差均值约为传统的Cramér-Rao界方法给出的标准差的3~5倍，与参数估计的统计标准差一致，客观反映了参数辨识结果的精准度。     

粒子群算法在气动力参数辨识中的应用

将粒子群优化算法推广应用于气动力参数辨识,以取代传统的梯度类优化算法。通过采用加入动态改变惯性权重的粒子群算法对A型、B型战术导弹的纵向和横向气动力参数进行辨识计算及分析后,可以看到:(1)粒子群算法是气动力辨识的一种新的有效方法,该算法不受参数初值选取的影响,具有较好的全局寻优特性;(2)粒子群算法的计算效率受算法构造本身等因素的影响比较大、对粒子群规模不十分敏感,并且还有相当大的进一步完善与改进的空间。     

一体化试验评估在美国飞行器研制中的应用

一体化试验评估是从分系统、研制过程、研究手段三个维度来对飞行器各研制阶段的试验活动进行统筹规划和组织实施的方法,可以有效提高试验效率、缩短试验周期、减少试验成本并降低试验风险。文章在剖析美国提出的飞行器一体化试验评估内涵的基础上,介绍了一体化试验评估方法在飞行器外挂物投放、航空推进系统、高超声速武器系统以及无人机系统中的应用情况,分析了一体化试验评估应用于飞行器研制中的除地面风洞试验和飞行试验外的其他相关关键技术,并从大数据和人工智能、高性能计算、体系分析、人类行为建模四个方面对其后续发展趋势进行了展望,最后总结了一体化试验评估在美国飞行器研制中落地的原因和对我国应用的启示。     

基于最大似然法的风洞自由飞试验气动力参数辨识技术研究

采用最大似然辨识算法对风洞自由飞试验数据进行气动力参数辨识,可以避免直接对测量数据进行二阶数值微分造成的气动参数的严重误差。详细介绍了风洞自由飞试验气动力参数辨识的原理及方法,分别通过仿真和实测数据算例对方法进行了具体说明和实现。算例辨识结果表明将气动参数辨识技术应用于风洞自由飞试验,是获取飞行器气动特性的有效途径之一。力导数可辨识性较低,受测量精度影响较大;力矩导数辨识结果与工程软件计算值接近,相对误差在30%以内,基本满足工程精度要求。同时,增加试验数据测量点数、提高数据测量精准度、安装过载测量设备、提升模型加工工艺水平,均有利于提高辨识结果的可信度。     

人工智能与空气动力学结合的初步思考

以人工智能为核心的新一轮技术革命及产业变革正在影响着社会的各个领域,世界各航空航天大国均在人工智能与空气动力学的结合方面开展了许多有益的尝试与探索。本文回顾了人工智能技术的发展历程及现状,重点讨论了大数据时代背景下人工智能在风洞试验、数值计算和飞行试验等空气动力学研究的三大手段上的应用,详细分析了人工智能在辅助海量气动数据分析与知识发现上发挥的作用,探讨了人工智能在气动建模与先进飞行器设计中蕴藏的应用价值,并指出了人工智能与空气动力学相结合所带来的挑战。