高超声速飞行器气动力/热参数辨识研究综述

飞行器气动力和气动热参数辨识是高超声速飞行器设计的关键技术之一。笔者对高超声速飞行器的气动力和气动热参数辨识技术进行了综述。介绍了飞行器气动力、气动热参数辨识的基本原理与主要方法,气动力、气动热参数辨识技术在高超声速飞行器研发中的应用情况与发展趋势。同时也简要介绍了中国空气动力研究与发展中心（CARDC）在气动力和气动热参数辨识研究方面的研究概况。     

一种极坐标系升力式再入六自由度仿真模型

建立了升力式再入飞行器在极坐标系下的六自由度模型。首先,定义了建模所需坐标系及转换关系;然后,建立了极坐标系下的升力式再入质心运动方程以及面对称飞行器在体坐标系下的转动方程,并利用坐标转换关系建立欧拉角转换辅助方程;最后,对欧拉角关系、开环六自由度进行了仿真验证。仿真结果表明,该模型可为同时关注位置变量和速度变量的升力式再入飞行器的飞行力学问题研究,如六自由度的轨迹优化、制导控制一体化设计等提供模型参考。     

风洞模型自由翻滚实验动导数辨识方法

用笔者发展的从风洞模型自由翻滚实验数据获取动导数的最大似然辨识方法仿真的算例表明 ,动导数辨识结果受测量误差、测量噪声以及静态俯仰力矩系数非线性的影响很小 ,而常用的动导数估算方法所得结果受其影响较大。最后 ,采用最大似然辨识方法处理了某飞行器模型风洞自由翻滚实验数据 ,获取了该飞行器在M =4.0和M =6.0下 0°～ 1 80°振幅范围的动导数     

机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。     

不稳定飞机气动参数辨识的一种实用方法

地是飞行器气动参数辨识最广泛采用的一种方法。但对于气动高度不稳定的飞机，辨识算法往往因状态方程组和灵敏度方程组积分发散而无法进行。为克服这一数值困难，将方程解耦技术引入输出误差法，发展了高度不稳定飞机气动参数辨识的一种实用方法－－基于方程解耦的误差法。并对某鸭式布局飞机的纵向劝仿真数据进行了辨识仿真计算，计算结果证实了所述方法的有效性。     

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。     

飞船返回舱再入飞行迎角和侧滑角估计

迎角和侧滑角是飞船返回舱再入飞行试验气动分析工作所需的重要参数.本文发展了基于弹道重建的返回舱迎角和侧滑角估计方法.首先,利用舱上测量数据和有限的地面雷达测量数据,采用极大似然法进行弹道重建,再现黑障区的弹道,同时给出整个再入过程的弹道参数;然后,利用几何关系法计算迎角和侧滑角,并进行风修正.对某飞船返回舱的飞行试验数据进行了计算和分析,结果证实了弹道重建数学模型和算法的正确性以及迎角和侧滑角估计方法的有效性.     

风洞模型自由翻滚试验技术

风洞模型自由翻滚动导数试验技术是为满足航空航天飞行器 0°～ 36 0°全迎角范围内的动导数测量及产生极限环振动现象研究之急需而研制的。该项试验技术研制了 0 .6m跨超声速风洞和 0 .5m高超声速风洞采用液体轴承支撑的自由翻滚试验装置 ;研制了高精度的角度测试系统与系统建模的大迎角非线性数据处理技术。该项技术已成功地为逃逸飞行器模型提供了可靠的试验结果     

混合遗传算法在气动力参数辨识中的应用

遗传算法是求解复杂系统优化问题的一种有效方法，具有较强的鲁棒性和全局寻优能力，但计算量大，效率较低。将遗传算法与一维局部寻优算法相结合，构造了一混合遗传算法．并将其用于气动力参数辨识．以取代通常采用的梯度类优化算法。采用该混合遗传算法对某型飞机的横向气动力参数进行辨识计算与分析，结果表明该混合遗传算法是气动力参数辨识的一种有效方法，与遗传模拟退火算法相比．其计算效率有较大提高。     

飞机结冰在线辨识方法研究

开展飞机结冰气动特性在线辨识研究,不仅可以用于分析结冰对飞机气动特性的影响,而且对于飞机结冰在线识别具有重要的意义。近年来卡尔曼滤波和 H ∞算法在飞机结冰在线辨识中应用较多,二者均具有可靠性高、收敛快等特点,但对于噪声环境下算法的可靠性和精度评估还不够充分。本文针对飞机结冰在线辨识需求,探讨了扩展卡尔曼滤波和 H ∞算法作为结冰在线辨识算法的应用。首先通过 NASA 双水獭结冰研究飞机算例,利用扩展卡尔曼滤波和 H ∞算法,辨识双水獭飞机结冰后的俯仰方向导数,通过考虑阵风扰动和测量噪声后的仿真数据快速估计该飞机俯仰方向上的三个稳定和控制导数,并将辨识结果与参考值对比,发现两种算法均能在2s 之内快速收敛到参考值附近,且滤波得到的状态量与仿真数据吻合较好,说明算法可靠性高且收敛快,具备飞机结冰在线探测的能力。在此基础上利用不同测量噪声统计特性的仿真数据,评估测量噪声对两种算法辨识精度的影响,经分析发现随着测量噪声标准差取值增大,扩展卡尔曼滤波辨识结果精度明显降低,而 H ∞算法的辨识精度变化较小,说明扩展卡尔曼滤波辨识精度依赖于噪声先验信息的准确性,而 H ∞算法不依赖于噪声先验信息,即使数据质量较差,H ∞算法也能得到精度相当的辨识结果。