基于H∞算法的飞机机翼结冰气动参数辨识

针对国内大型飞机结冰防护需求,开展针对大型结冰研究样机的H_∞算法参数辨识结冰探测研究。首先通过参数调节选取一组合适的H_∞算法参数,利用考虑测量噪声的结冰研究样机飞行仿真数据验证H_∞算法的辨识能力,由结果对比发现辨识算法能够跟踪飞机气动导数随结冰累积过程的变化趋势,辨识精度较高,其最大归一化平方根（RMS）误差仅为真值的11%;分析了H_∞算法对81种不同结冰累积过程的辨识能力,通过结果分析发现结冰累积时间较长且结冰速度较慢的情况辨识效果较差,结冰累积时间在100~300 s之间辨识精度较高;最后利用蒙特卡罗仿真分析了不同测量噪声大小对H_∞算法辨识精度和跟踪延时的影响,给出了3个纵向气动导数在随机误差影响下的辨识误差和跟踪延时的统计结果,发现在给定噪声标准差变化范围内,升力和俯仰力矩关于迎角的导数能够得到较为准确的辨识结果,二者的归一化平方根误差均值仅为各自真值的1.8%和4%,其预报延时均值最大仅为3 s和9.5 s。     

用于气动导数辨识的试飞数据处理方法研究

飞行试验的测量环境十分复杂,未经处理的试飞数据直接用于飞机的气动导数辨识会降低辨识精度,甚至导致辨识的迭代过程发散或收敛到错误值。提出一套从野值剔除、数据平滑、时延修正到相容性检验的试飞数据处理方法,并将其应用到真实试飞数据的气动导数辨识中,通过对比分析数据处理前后的辨识过程和辨识结果,验证了本文提出的数据处理方法在改善辨识过程收敛特性和提高辨识精度上的有效性。     

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。     

测量参数时间延迟对气动导数辨识结果的影响

主要讨论了测量参数间的时间延迟对飞机气动导数辨识结果的影响。通过对飞机仿真数据的计算表明,为了保证气动导数辨识的准确性,必须对测量参数间的延迟时间作一定的限制。结果表明,飞机的主要导数对时间延迟不敏感,而一些小值导数则较敏感。文中还根据实际计算经验对测量参数间的延迟时间给出了适当的限制。这些结果可为工程应用提供理论参考。     

基于无迹卡尔曼滤波的飞机结冰辨识

为了在线获得飞机的结冰情况,通过引入结冰严重程度参数和结冰影响模型,基于风洞试验数据建立结冰飞机纵向非线性飞行动力学模型;同时引入结冰增长模型并定义三种不同程度的结冰过程,利用无迹卡尔曼滤波算法在这三种结冰过程下分别对结冰严重程度参数进行辨识。仿真结果表明,该算法可以有效地跟踪结冰严重程度的变化,并且在不同程度的扰动下均能保持较高的精度,具有良好的鲁棒性。     

基于递推傅里叶变换的飞行器参数在线辨识方法

在线辨识在现代飞行控制系统设计中扮演越来越重要的角色,飞行器模型的在线更新使得人们可以采用更智能的控制方法。基于计算精度和速度的考虑,在线辨识方法通常以递推方式进行,主要分为时域和频域两大类方法。在建立飞行器系统模型结构的基础上,利用频域递推傅里叶变换及最小二乘方法,实现对气动及控制偏导数的在线辨识。针对某飞机纵向通道的在线辨识仿真验证该方法有效,且计算速度和收敛速度快,辨识结果与参数真实值之间的一致性好,方法对传感器噪声有较强的适应性。最后,分析比较了各种典型激励信号对辨识结果的影响,为进行实际在线辨识试验提供了参考依据。     

多操纵面飞机气动参数在线辨识新方法研究

以多操纵面布局飞机为对象,针对其操纵面冗余造成的激励信号线性相关及控制过程中存在的信号激励不足问题,对最小二乘辨识算法进行了改进。新方法将先验经验引入在线辨识过程,可以克服弱信号输入造成的辨识不准确;采用激励-补偿机制,增加激励信号,改善了辨识结果的精度。以六自由度非线性飞机模型为对象进行的姿态控制系统仿真验证表明,当操纵面完好时,该方法能够在线修正建模误差;当飞机操纵面损伤时,该方法能够迅速反映操纵面气动参数的变化,提高了控制系统的适应性和鲁棒性。     

结合离线知识的时变结构模态参数在线辨识

飞行器的结构模态参数在线获取对其高效、可靠运行具有重要意义。传统时变结构模态参数辨识方法存在辨识虚假结果较多,抵抗测量数据中的极端异常值能力差等问题,难以有效应用于在线过程。建立一种基于长短时记忆网络的时变结构模态参数在线辨识网络模型,通过数据集构建过程离线地引入先验信息,同时结合模型自身特性,有效提升制约在线辨识应用的可靠性。实验结果表明：在不同时变规律下,与传统辨识方法相比,在线辨识模型能有效缓解虚假结果问题,同时保证辨识结果的连续性;采用α稳定分布模型对脉冲噪声进行建模,验证了其在测量数据包含由于偶发因素产生的极端异常值时在线辨识鲁棒性。     

基于物理解算的民用飞机气动参数辨识方法研究

传统的风洞试验与理论计算无法满足建立高精确飞机飞行动力学模型的需求,有必要通过试飞后的气动参数辨识来修正其飞行动力学模型。以极大似然法为代表的传统动态激励气动参数辨识法极大地依赖于激励信号设计、辨识算法等,存在较大的不确定性。本文提出了一种基于物理解算的方法,利用飞机不同飞行条件下的配平数据,从物理机理出发,针对气动静导数条理进行一一解算,并形成了物理解算法的辨识流程和方案。这一方法可为后续动导数的动态激励辨识减少大量未知参数,从而提高了整个气动模型的修正精度和效率。研究结果表明这一方法具有较高的可靠性和准确性。     

飞机操稳特性大导数辨识及随机噪声影响分析

针对飞机研制中操稳特性需求,分别讨论了小扰动理论和参数辨识两种获得飞机稳定和操纵大导数的分析手段,由两种气动布局比较接近的小型无人机ANCE和大型客机Boeing 747数据验证了参数辨识方法的有效性和辨识结果的正确性。在此基础上对两者进行了大导数辨识,并由Monte Carlo仿真分析了飞行试验测量中的随机噪声对大导数辨识精度和模态响应特征值的影响。结果表明:随机噪声对由飞机固有气动特性决定的一些相对较小的大导数辨识精度影响较大,而部分大导数辨识精度较高;随机噪声对长周期和螺旋模态特征值影响较大,短周期、荷兰滚和滚转模态特征值辨识分析结果较为可信。     

利用GPS进行姿态估计的一种算法

首先建立了全球定位系统（ＧＰＳ）姿态确定的观测方程;然后给出了利用ＧＰＳ进行飞行器姿态估计的模型,并对该模型进行了线性处理;最后利用攻推广卡尔曼滤波技术,针对某飞行器进行了仿真计算。计算结果表明,对于不同的测量噪声和系统噪声,滤波器都有较好的估计,姿态估计的精度明显高于单纯ＧＰＳ姿态确定的精度,可以满足大多数飞行器对姿态确定的要求,证实了模型和算法可用性。     

平尾积冰对飞机纵向气动参数的影响

建立飞机纵向动力学模型,基于最大似然参数估计原理,设计用于辨识飞机纵向气动参数的辨识系统,并对辨识系统的正确性和精确度进行了验证.以DHC-6飞机飞行试验数据为依据,对未积冰飞机和两种平尾积冰冰型的飞机进行纵向气动参数辨识,通过对比3种情况下飞机纵向气动参数的辨识结果,定量分析了平尾积冰对飞机纵向气动参数的影响.结果表明:平尾积冰将导致飞机纵向气动特性恶化,俯仰阻尼可减小15％,升降舵效率可降低20％,对飞行稳定性、操纵性以及飞行安全构成一定的威胁.     

闭环气动参数辨识的两步方法

对于闭环控制飞行器动力学系统,如果输入输出数据中含有误差和噪声,将其直接用于辨识气动参数是有偏差的。针对这个问题,利用闭环控制飞行仿真数据,采用两步方法辨识飞行器的气动参数,并与直接开环辨识的结果及参数真值进行对比,表明两步方法辨识结果较直接开环辨识方法具有更高的精度,是一种有效的闭环气动参数辨识方法。     

一种飞行器投放分离气动力辨识修正方法

空中投放发射的大翼面飞行器的分离轨迹与姿态受载机干扰流场影响更加明显,对分离时干扰气动数据库的准确性提出了更高要求。针对投放分离干扰气动力特点,提出了一种简化的差量气动力模型,并给出了一套飞行数据处理与参数预估计的方法。分离段飞行数据的辨识结果与六自由度飞行动力学仿真结果说明了提出的差量气动模型与相关数据处理方法的有效性。用辨识结果对气动数据库进行修正提高了数据库的准确度,可提高分离安全飞行仿真分析的精度。     

基于卡尔曼滤波的航空发动机单神经元自适应控制

针对航空发动机多任务、多变量、高精度和一体化控制的需求,提出了一种基于卡尔曼滤波的单神经元自适应控制方法。该方法在单神经元自适应控制算法的基础上,增加了对控制量和发动机反馈量的滤波,提高了响应速度,精度较高。仿真结果证明,该方法对过程噪声和测量噪声具有很强的克服能力,所需计算量较小,能满足发动机控制对实时性的要求。     

基于自适应扩展卡尔曼滤波的载波跟踪算法

精确的载波相位测量是精密测距中一个很重要的研究点。针对传统扩展卡尔曼滤波(EKF)的固定设计在先验信息不充分和动态变化环境中存在的不足,提出了一种基于自适应扩展卡尔曼滤波(AEKF)的载波跟踪算法。该算法通过实时监测滤波器新息或残差的动态变化,以修正状态噪声方差和观测噪声方差,进而调整滤波器增益,控制状态预测值和观测值在滤波结果中的权重。理论分析和仿真结果表明,本算法充分利用了观测信号的统计特性,克服了传统扩展卡尔曼滤波算法的不足,能够获得更好的载波跟踪性能。     

A fusion and learning algorithm for landing aircraft tracking:compensating for exhaust plume disturbance

An algorithm is presented for tracking a landing aircraft using fusion of two different passive sensors, a laser range finder (LRF) and a forward-looking infrared (FLIR) camera. The main feature of this algorithm is its ability to identify and compensate for an exhaust plume disturbance. The algorithm is based on the extended Kalman filter (EKF) and the filtering confidence function (FCF) which introduces a learning approach to the tracking problem. The results of a simulation using the learning tracking algorithm and the EKF alone are presented and compared     

Enhanced motion and sizing of bank in moving-bank MMAE

The focus of this research is to provide methods for generating precise parameter estimates in the face of potentially significant parameter variations such as system component failures. The standard multiple model adaptive estimation (MMAE) algorithm uses a bank of Kalman filters, each based on a different model of the system. Parameter discretization within the MMAE refers to selection of the parameter values assumed by the elemental Kalman filters, and dynamically redeclaring such discretization yields a moving-bank MMAE. A new online parameter discretization method is developed based on the probabilities associated with the generalized chi-squared random variables formed by residual information from the elemental Kalman filters within the MMAE. This new algorithm is validated through computer simulation of an aircraft navigation system subjected to interference/jamming while attempting a successful precision landing of the aircraft.