| 飞行仿真气动力数据机器学习建模方法 |
| |
| 引用本文： | 王超,王贵东,白鹏.飞行仿真气动力数据机器学习建模方法[J].空气动力学学报,2019,37(3):488-497. |
| |
| 作者姓名： | 王超 王贵东 白鹏 |
| |
| 作者单位： | 中国航天空气动力技术研究院,北京,100074;中国航天空气动力技术研究院,北京,100074;中国航天空气动力技术研究院,北京,100074 |
| |
| 基金项目： | 国家重点研发计划;装备预研基金 |
| |
| 摘 要： | 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。
|
| 关 键 词： | 非线性气动力 气动建模方法 神经网络 气动参数辨识 飞行仿真 |
Machine learning method for aerodynamic modeling based on flight simulation data |
| |
| WANG Chao,WANG Guidong,BAI Peng.Machine learning method for aerodynamic modeling based on flight simulation data[J].Acta Aerodynamica Sinica,2019,37(3):488-497. |
| |
| Authors: | WANG Chao WANG Guidong BAI Peng |
| |
| Institution: | (China Academy of Aerospace Aerodynamics,Beijing 100074,China) |
| |
| Abstract: | WANG Chao;WANG Guidong;BAI Peng(China Academy of Aerospace Aerodynamics,Beijing 100074,China) |
| |
| Keywords: | nonlinear aerodynamic force aerodynamic modeling method neural network aerodynamic parameter identification flight simulation |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
|
