利用飞行试验信号对发动机模型辨识的研究

 利用飞行试验信号对发动机模型辨识进行了研究。在飞行过程中,发动机将受到各种随机扰动的作用,这种扰动将引起发动机特性的变化、在这种情况下,利用与发动机特性有关的信号进行发动机数学模型辨识对发动机自适应控制和状态监控有实际的意义。飞行试验是在H=3km、v=770km/h和H=13km、v=1540km/h时进行的,利用机载信号采集与记录设备录取了试验信号。介绍了信号的平滑和滤波方法,讨论了巴特沃思滤波器的设计和参数选择。为了得到无偏估计,采用递推广义最小二乘方法进行辨识,并得到了辨识结果。     

一种改进的变记忆长度辨识算法

本文基于多分辨分析方法 ,提出了一种改进的变记忆长度的小波变换多分辨分析方法 ,该方法将辨识的数据分解到不同频段 ,然后针对各不同频段采用不同的记忆长度进行辨识 ,通过对某航空涡轮起动机系统辨识的实例 ,表明该方法可以有效地提高系统辨识的精度。     

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。     

飞机短周期运动参数的神经网络辨识

本文提出了一种用馈神经网络辨识飞机短周期运动参数的新方法。该方法的特点是不需要预先假定模型，只需要用获得的飞行数据训练一前馈馈神经网络，就可以用这个网络直接辨识参数的值。模拟飞行数据的仿真结果证明所提出的方法是有效的并且具有较好的鲁棒性。     

有理分式正交多项式频响函数模态参数识别

 讨论一种多输入的频域模态参数识别方法。该方法将频响函数表示为具有矩阵系数的有理分式,利用Forsythe 正交多项式减少方程的病态并解耦系统矩阵,随后运用特征值与奇异值分解求解系统的极点与留数。使用欧洲国家航空界广泛使用的GARTEUR 飞机模型进行仿真计算。结果表明:该方法在30 %噪声下仍具有对严重耦合模态的识别能力;振型识别较为准确;适当提高分母阶次能取得更好的识别结果。     

自由振荡风洞实验获取的随振幅变化的动导数的应用问题研究

本文研究了自由振荡风洞实验获取的动导数如何在飞行器动态特性分析、轨道仿真和飞行控制设计等飞行力学课题中应用的问题。讨论了将随振幅变化的动导数变换为随迎角变化的动导数两种近似换算方法，提出了动导数换算的递推－辨识算法和多项式形式动导数的系数辨识算法。其中递推－辨识算法和多项式形式动导数的系数辨识算法都得到了令人满意的结果。     

环境激励下基于chirplet变换的线性时变系统参数识别

提出了针对时变系统响应的短时频率线性时变假设,通过将时变响应拟合成多分量线调频信号,根据线调频信号互相关理论推导了随机白噪声激励下时变系统的物理参数识别方法。该识别方法只需基于结构的加速度响应,便能识别结构的时变质量和刚度。由于引入了调频斜率刻画响应信号的短时频率线变特征,该方法相比传统识别方法能更好地追踪快变甚至突变参数,对实际工程中的时变问题具有重要的应用价值。仿真算例中构造了1个3自由度时变结构模型,针对线性时变、周期时变和突变等情况进行了物理参数的识别,误差分析显示识别误差均在5%以内,仿真结果验证了方法的正确性和适用性。     

单轴航空涡扇发动机数学模型辨识

依据某型单轴航空涡扇发动机试车数据辨识建立了发动机的全包线、全工况实时动态数学模型。由于试车数据所含噪声较大,辨识方法采用了先建立稳态模型,进而建立实时动、静态数学模型的方法,这种方法可以通过辨识稳态点来消除噪声。验模表明,所建模型精确度很高,且能准确反映发动机性能,并满足实时性需求。     

固体火箭横向响应载荷识别方法

利用小波分析在时频两域都具有表征信号局部特征的特点,对固体火 箭飞行遥测过载数据进行了小波分解,然后从结构动力学理论出发提出了一种识别固体火箭 截面剪力和弯矩的方法。结合某型固体火箭的遥测参数对火箭主要截面弯矩和剪力进行了 识别,给出了识别结果。该方法对自由-自由飞行的固体火箭截面横向载荷的评估及设计 具有重要的参考意义。
     

基于最小二乘支持向量机的小型无人直升机悬停动态建模

小型无人直升机(SUH)是一类典型的非线性动态系统,由于其本质不稳定性,由开环辨识实验获得的数据通常是小样本的,使用传统黑箱辨识方法难以获得较好的辨识效果。提出一种利用支持向量机(SVM)对SUH悬停动态进行辨识建模的新方法。通过动力学机理分析和合理的简化,确定了模型的非线性回归形式,以及从低维输入空间到高维Hilbert特征空间的映射关系和相应的机理核函数,并应用最小二乘支持向量机(LS-SVM)训练获得SVM模型和对应的参数化非线性多输入多输出（MIMO）模型。利用实际飞行数据辨识得到的模型不仅具有良好的预报精度,而且显式表达了各状态变量之间以及输入与状态之间的耦合关系,便于非线性控制策略的设计。