CN102607639A - 基于bp神经网络的大攻角飞行状态下大气数据测量方法 - Google Patents

基于bp神经网络的大攻角飞行状态下大气数据测量方法 Download PDF

Info

Publication number
CN102607639A
CN102607639A CN2012100427722A CN201210042772A CN102607639A CN 102607639 A CN102607639 A CN 102607639A CN 2012100427722 A CN2012100427722 A CN 2012100427722A CN 201210042772 A CN201210042772 A CN 201210042772A CN 102607639 A CN102607639 A CN 102607639A
Authority
CN
China
Prior art keywords
angle
neural network
attack
data
flight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012100427722A
Other languages
English (en)
Inventor
李荣冰
马航帅
刘建业
雷廷万
郭毅
曾庆化
陆辰
李素娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN2012100427722A priority Critical patent/CN102607639A/zh
Publication of CN102607639A publication Critical patent/CN102607639A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Navigation (AREA)

Abstract

本发明公开了一种基于BP神经网络的大攻角飞行状态下大气数据测量方法。本发明在不改变飞机结构外形、不增添额外测量装置和硬件设备的前提下，充分利用现有的机载惯性导航系统、卫星定位系统、飞行控制系统输出参数，基于BP神经网络实现大攻角飞行状态下大气数据的精确估计。本发明方法不仅有利于飞机隐身，同时提高了大气数据系统的测量范围和测量精度以及对大攻角飞行环境的适应性，是一种相对经济且易于工程实现的方法。对于提高我国新一代飞机大攻角飞行状态下大气数据的测量范围、改善飞机飞行性能具有重要的现实意义。

Description

基于BP神经网络的大攻角飞行状态下大气数据测量方法
技术领域
本发明涉及一种大气数据测量方法，尤其涉及一种基于BP神经网络的大攻角飞行状态下大气数据测量方法，用于飞行器在大攻角飞行状态下的大气数据测量。
背景技术
大气数据是飞行器的重要飞行参数，大气数据的精度和测量范围直接关系到飞行器的自动控制系统、导航系统、火控系统、飞行管理系统以及座舱仪表显示/警告系统的正常工作及性能发挥。随着新一代飞机的发展，大气数据的测量面临着新的问题与挑战。世界各国都把飞机的机动性、敏捷性列为设计中的重要战术技术指标。战斗机的瞬时高机动、高敏捷主要是通过大攻角飞行来实现的，大攻角飞行特性已成为现代战斗机发挥战斗使用潜能的主要技术基础保证。然而在大攻角飞行时，飞机机体表面气流容易发生分离，飞机处于复杂的非线性不对称漩涡气流中，利用传统的空速管式大气数据系统难以实现大气数据的有效测量，严重制约了新一代飞机性能发挥。另外，突出的传感器测量装置势必会降低飞机的隐身性，因此解决新一代飞机大气数据测量问题显得尤为重要。
针对这一问题，目前国内外通过研究嵌入式大气数据系统和光学式大气数据系统的方法实现大攻角下大气数据的测量，但是这种研究新型大气数据系统的方法技术难度大、校准和维护费用代价较高；另外，国外也提出了一种基于飞行动力学模型，利用惯性导航系统、飞行控制系统、大气数据系统输出数据进行攻角和侧滑角的估计方法，由于该方法需要精确的飞行动力学模型，然而准确的飞行动力学模型在实际应用中难以建立，并且该方法只能对攻角和侧滑角进行估计，不能实现其他大气数据的估计。
大气数据与大气特性、飞行状态、飞行控制量以及机体物理结构之间存在复杂的非线性的函数关系。人工神经网络具有良好的非线性映射能力，不需要建立复杂的函数模型，只要有足够的样本数据和网络神经元，通过构建合适的网络结构，就可以建立起输入与输出之间的对应关系，从而实现对复杂非线性函数的逼近。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于BP神经网络的大攻角飞行状态下大气数据测量方法，利用机载惯性导航系统、卫星定位系统、飞行控制系统，通过BP神经网络实现大攻角飞行状态下大气数据的精确估计。
本发明的基于BP神经网络的大攻角飞行状态下大气数据测量方法，包括以下步骤：
步骤1、在大攻角飞行状态下采集一段时间内惯性导航系统、卫星定位系统、飞行控制系统以及大气数据系统的输出数据，并对其进行归一化；
步骤2、建立BP神经网络，并以归一化后的惯性导航系统、卫星定位系统、飞行控制系统的输出数据作为BP神经网络的训练和测试输入样本，以归一化后的大气数据系统的输出数据作为BP神经网络的训练和测试输出样本，对BP神经网络进行训练、测试；
步骤3、在大攻角飞行状态下采集当前时刻惯性导航系统、卫星定位系统、飞行控制系统的输出数据，对其进行归一化后输入训练好的BP神经网络，将BP神经网络的输出数据进行反归一化处理，即得到当前时刻的大气数据。
     优选地，所述惯性导航系统的输出数据包括三个姿态角、三个姿态角速度和三个线加速度信息，三个姿态角信息分别为俯仰角                                               
Figure 2012100427722100002DEST_PATH_IMAGE002
、横滚角
Figure 2012100427722100002DEST_PATH_IMAGE004
、偏航角
Figure 2012100427722100002DEST_PATH_IMAGE006
；三个姿态角速度信息分别为机体坐标系下轴、轴和轴方向的横滚角速度
Figure 2012100427722100002DEST_PATH_IMAGE014
、俯仰角速度、偏航角速度
Figure 2012100427722100002DEST_PATH_IMAGE018
；三个线加速度信息分别为机体坐标系下
Figure 911602DEST_PATH_IMAGE008
轴方向的线加速度
Figure 2012100427722100002DEST_PATH_IMAGE020
、
Figure 140327DEST_PATH_IMAGE010
轴方向的线加速度
Figure 2012100427722100002DEST_PATH_IMAGE022
、轴方向的线加速度
Figure 2012100427722100002DEST_PATH_IMAGE024
，其中机体坐标系的
Figure 567471DEST_PATH_IMAGE008
轴、
Figure 319526DEST_PATH_IMAGE010
轴和
Figure 328939DEST_PATH_IMAGE012
轴的指向分别为向右、向前、向上；所述卫星定位系统的输出数据包括地理坐标系下的三维速度和飞行高度，地理坐标系方向定义为东、北、天，此三个方向的地速分别为
Figure 2012100427722100002DEST_PATH_IMAGE026
，飞行高度为
Figure 2012100427722100002DEST_PATH_IMAGE028
；所述飞行控制系统的输出数据包括升降舵偏转角
Figure 2012100427722100002DEST_PATH_IMAGE030
、方向舵偏转角
Figure 2012100427722100002DEST_PATH_IMAGE032
、副翼偏转角
Figure 2012100427722100002DEST_PATH_IMAGE034
以及油门大小
Figure 2012100427722100002DEST_PATH_IMAGE036
；所述大气数据系统的输出数据包括攻角
Figure 2012100427722100002DEST_PATH_IMAGE038
、侧滑角
Figure 2012100427722100002DEST_PATH_IMAGE040
、真空速
Figure 2012100427722100002DEST_PATH_IMAGE042
、马赫数
Figure 2012100427722100002DEST_PATH_IMAGE044
、指示空速
Figure 2012100427722100002DEST_PATH_IMAGE046
、气压高度
Figure 2012100427722100002DEST_PATH_IMAGE048
、升降速度
Figure 2012100427722100002DEST_PATH_IMAGE050
。
     优选地，所述BP神经网络为一个输入层、一个隐含层和一个输出层的三层网络；所述输入层有17个神经元，分别对应俯仰角、横滚角
Figure 559704DEST_PATH_IMAGE004
、偏航角
Figure 415534DEST_PATH_IMAGE006
、横滚角速度
Figure 346581DEST_PATH_IMAGE014
、俯仰角速度
Figure 287861DEST_PATH_IMAGE016
、偏航角速度
Figure 962556DEST_PATH_IMAGE018
、机体坐标系的
Figure 675821DEST_PATH_IMAGE008
轴方向的线加速度
Figure 43349DEST_PATH_IMAGE020
、机体坐标系的
Figure 471925DEST_PATH_IMAGE010
轴方向的线加速度
Figure 684731DEST_PATH_IMAGE022
、机体坐标系的
Figure 515153DEST_PATH_IMAGE012
轴方向的线加速度
Figure 788003DEST_PATH_IMAGE024
、东向速度、北向速度
Figure 2012100427722100002DEST_PATH_IMAGE054
、天向速度
Figure 2012100427722100002DEST_PATH_IMAGE056
、飞行高度为
Figure 769121DEST_PATH_IMAGE028
、升降舵偏转角
Figure 34887DEST_PATH_IMAGE030
、方向舵偏转角
Figure 470547DEST_PATH_IMAGE032
、副翼偏转角
Figure 429145DEST_PATH_IMAGE034
以及油门大小
Figure 317466DEST_PATH_IMAGE036
；隐含层有20个神经元；输出层有7个神经元，分别为攻角
Figure 386922DEST_PATH_IMAGE038
、侧滑角、真空速
Figure 809518DEST_PATH_IMAGE042
、马赫数
Figure 185136DEST_PATH_IMAGE044
、指示空速
Figure 792703DEST_PATH_IMAGE046
、气压高度
Figure 202956DEST_PATH_IMAGE048
、升降速度
Figure 503356DEST_PATH_IMAGE050
。
优选地，所述BP神经网络隐含层神经元和输出层神经元的传递函数都采用双曲正切S型函数。
优选地，所述大气数据系统为嵌入式大气数据系统或光学式大气数据系统。从而可在不影响飞行器隐身性能和大攻角飞行特性的情况下获得训练和测试BP神经网络所需的准确的大气数据样本；并可在完成BP神经网络的训练后将其拆除，从而降低飞行器成本。
本发明在不改变飞机结构外形、不增添额外测量装置和硬件设备的前提下，充分利用现有的机载惯性导航系统、卫星定位系统、飞行控制系统输出参数，基于BP神经网络实现大攻角飞行状态下大气数据的精确估计。本方法不仅有利于飞机隐身，同时提高了大气数据系统的测量范围和测量精度以及对大攻角飞行环境的适应性，是一种相对经济且易于工程实现的方法。对于提高我国新一代飞机大攻角飞行状态下大气数据的测量范围、改善飞机飞行性能具有重要的现实意义。
附图说明
图1是本发明方法中的BP神经网络结构图，图中输入层共17个神经元，输入参数分别为姿态角（俯仰角、横滚角、偏航角）、姿态角速度（俯仰角速度、横滚角速度、偏航角速度）、线加速度（机体坐标系的
Figure 490904DEST_PATH_IMAGE008
轴方向线加速度、机体坐标系的
Figure 893373DEST_PATH_IMAGE010
轴方向线加速度、机体坐标系的
Figure 892554DEST_PATH_IMAGE012
轴方向线加速度）、速度（东向速度、北向速度、天向速度）、飞行高度、舵面偏转角（升降舵偏转角、方向舵偏转角、副翼偏转角）以及油门大小，隐含层共20个神经元，输出层共7个神经元，分别为攻角、侧滑角、真空速、马赫数、指示空速、气压高度、升降速度；
图2是测试样本的攻角估计效果曲线图；
图3是测试样本的侧滑角估计效果曲线图；
图4是测试样本的真空速估计效果曲线图；
图5是测试样本的马赫数估计效果曲线图；
图6是测试样本的指示空速估计效果曲线图；
图7是测试样本的气压高度估计效果曲线图；
图8是测试样本的升降速度估计效果曲线图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
本发明方法充分利用现有的机载惯性导航系统、卫星定位系统、飞行控制系统输出数据，在不改变飞机结构外形、不增添额外测量装置和硬件设备的前提下，利用BP神经网络实现了大攻角飞行状态下的大气数据精确估计。具体包括以下步骤：
（1）样本数据的采集与处理步骤：
（a）以周期
Figure DEST_PATH_IMAGE058
读取惯性导航系统中的三个姿态角、三个姿态角速度和三个线加速度信息，三个姿态角信息分别为俯仰角、横滚角
Figure 901016DEST_PATH_IMAGE004
、偏航角
Figure 866698DEST_PATH_IMAGE006
；三个姿态角速度信息分别为机体坐标系下
Figure 235231DEST_PATH_IMAGE008
轴、
Figure 362587DEST_PATH_IMAGE010
轴和
Figure 452290DEST_PATH_IMAGE012
轴方向的横滚角速度
Figure 956084DEST_PATH_IMAGE014
、俯仰角速度
Figure 444703DEST_PATH_IMAGE016
、偏航角速度；三个线加速度信息分别为机体坐标系下
Figure 317030DEST_PATH_IMAGE008
轴方向的线加速度
Figure 624514DEST_PATH_IMAGE020
、
Figure 639744DEST_PATH_IMAGE010
轴方向的线加速度
Figure 626679DEST_PATH_IMAGE022
、
Figure 235515DEST_PATH_IMAGE012
轴方向的线加速度
Figure 346690DEST_PATH_IMAGE024
，其中机体坐标系的
Figure 544322DEST_PATH_IMAGE008
轴、
Figure 636912DEST_PATH_IMAGE010
轴和
Figure 670727DEST_PATH_IMAGE012
轴的指向分别为向右、向前、向上；
（b）以周期
Figure 569282DEST_PATH_IMAGE058
读取卫星定位系统输出的地理坐标系下的三维速度和飞行高度，地理坐标系方向定义为东、北、天，此三个方向的地速分别为
Figure 372153DEST_PATH_IMAGE026
，飞行高度为
Figure 700890DEST_PATH_IMAGE028
；
（c）以周期
Figure 222002DEST_PATH_IMAGE058
读取飞行控制系统输出的升降舵偏转角
Figure 658668DEST_PATH_IMAGE030
、方向舵偏转角
Figure 581625DEST_PATH_IMAGE032
、副翼偏转角
Figure 78334DEST_PATH_IMAGE034
以及油门大小
Figure 86741DEST_PATH_IMAGE036
；
（d）以周期
Figure 327099DEST_PATH_IMAGE058
读取大气数据系统（优选嵌入式大气数据系统或光学式大气数据系统）输出的攻角
Figure 104562DEST_PATH_IMAGE038
、侧滑角、真空速
Figure 16945DEST_PATH_IMAGE042
、马赫数
Figure 60993DEST_PATH_IMAGE044
、指示空速、气压高度
Figure 531475DEST_PATH_IMAGE048
、升降速度；
（e）在大攻角飞行阶段，根据步骤（a）、（b）、（c）、（d）将获取的
Figure DEST_PATH_IMAGE060
时刻的俯仰角
Figure 34317DEST_PATH_IMAGE002
、横滚角
Figure 772991DEST_PATH_IMAGE004
、偏航角
Figure 798715DEST_PATH_IMAGE006
、横滚角速度
Figure 252699DEST_PATH_IMAGE014
、俯仰角速度
Figure 389283DEST_PATH_IMAGE016
、偏航角速度、机体坐标系的
Figure 176159DEST_PATH_IMAGE008
轴方向的线加速度、机体坐标系的
Figure 982014DEST_PATH_IMAGE010
轴方向的线加速度、机体坐标系的
Figure 59878DEST_PATH_IMAGE012
轴方向的线加速度
Figure 973607DEST_PATH_IMAGE024
、东向速度
Figure 701261DEST_PATH_IMAGE052
、北向速度、天向速度
Figure 804532DEST_PATH_IMAGE056
、飞行高度为
Figure 471136DEST_PATH_IMAGE028
、升降舵偏转角
Figure 739831DEST_PATH_IMAGE030
、方向舵偏转角
Figure 175492DEST_PATH_IMAGE032
、副翼偏转角
Figure 868510DEST_PATH_IMAGE034
、油门大小
Figure 22411DEST_PATH_IMAGE036
、攻角、侧滑角
Figure 382034DEST_PATH_IMAGE040
、真空速
Figure 511533DEST_PATH_IMAGE042
、马赫数
Figure 887151DEST_PATH_IMAGE044
、指示空速、气压高度
Figure 896182DEST_PATH_IMAGE048
、升降速度
Figure 744052DEST_PATH_IMAGE050
参数记为一组样本数据，并将
Figure DEST_PATH_IMAGE062
-
Figure DEST_PATH_IMAGE064
时间段内采集到的所有组样本数据分为两部分，即将所有组样本中的前80%作为训练样本，将后20%作为测试样本。
（f）将步骤（e）所得到的样本数据归一化到在-1到+1之间。
（2）建立BP神经网络步骤：
所述的BP神经网络如图1所示，由一个输入层、一个隐含层和一个输出层组成。其中，网络的输入层有17个神经元，分别对应俯仰角
Figure 918551DEST_PATH_IMAGE002
、横滚角
Figure 329809DEST_PATH_IMAGE004
、偏航角
Figure 594568DEST_PATH_IMAGE006
、横滚角速度
Figure 68800DEST_PATH_IMAGE014
、俯仰角速度
Figure 419010DEST_PATH_IMAGE016
、偏航角速度、机体坐标系的
Figure 487646DEST_PATH_IMAGE008
轴方向的线加速度
Figure 129848DEST_PATH_IMAGE020
、机体坐标系的
Figure 967354DEST_PATH_IMAGE010
轴方向的线加速度
Figure 720416DEST_PATH_IMAGE022
、机体坐标系的
Figure 694188DEST_PATH_IMAGE012
轴方向的线加速度
Figure 510222DEST_PATH_IMAGE024
、东向速度
Figure 835024DEST_PATH_IMAGE052
、北向速度
Figure 126197DEST_PATH_IMAGE054
、天向速度
Figure 220055DEST_PATH_IMAGE056
、飞行高度为
Figure 204060DEST_PATH_IMAGE028
、升降舵偏转角
Figure 750579DEST_PATH_IMAGE030
、方向舵偏转角
Figure 111022DEST_PATH_IMAGE032
、副翼偏转角
Figure 59386DEST_PATH_IMAGE034
以及油门大小
Figure 217223DEST_PATH_IMAGE036
；网络隐含层神经元个数的初始值根据公式
Figure DEST_PATH_IMAGE066
进行确定，式中
Figure DEST_PATH_IMAGE068
为隐含层神经元个数的初始值；
Figure DEST_PATH_IMAGE070
为输入层的神经元个数即17；为输出层的神经元个数即7；
Figure DEST_PATH_IMAGE074
为1-10之间的某一常数，通过比较隐含层的神经元不同个数情况下网络的输出结果，最后确定隐含层的神经元个数为20；网络输出层有7个神经元，分别为攻角
Figure 687256DEST_PATH_IMAGE038
、侧滑角
Figure 70964DEST_PATH_IMAGE040
、真空速
Figure 403330DEST_PATH_IMAGE042
、马赫数
Figure 479871DEST_PATH_IMAGE044
、指示空速
Figure 250249DEST_PATH_IMAGE046
、气压高度、升降速度
Figure 609873DEST_PATH_IMAGE050
。所述的网络隐含层神经元和输出层神经元的传递函数都采用双曲正切S型函数。
（3）对神经网络进行训练和测试步骤：
用训练样本来对网络进行训练。对网络输入一组训练样本，即给出俯仰角
Figure 857314DEST_PATH_IMAGE002
、横滚角
Figure 114989DEST_PATH_IMAGE004
、偏航角
Figure 106079DEST_PATH_IMAGE006
、横滚角速度
Figure 135739DEST_PATH_IMAGE014
、俯仰角速度
Figure 554082DEST_PATH_IMAGE016
、偏航角速度
Figure 33474DEST_PATH_IMAGE018
、机体坐标系的
Figure 828255DEST_PATH_IMAGE008
轴方向的线加速度
Figure 709492DEST_PATH_IMAGE020
、机体坐标系的
Figure 485687DEST_PATH_IMAGE010
轴方向的线加速度
Figure 468686DEST_PATH_IMAGE022
、机体坐标系的
Figure 53776DEST_PATH_IMAGE012
轴方向的线加速度
Figure 540252DEST_PATH_IMAGE024
、东向速度
Figure 815245DEST_PATH_IMAGE052
、北向速度
Figure 19961DEST_PATH_IMAGE054
、天向速度
Figure 140233DEST_PATH_IMAGE056
、飞行高度为
Figure 746794DEST_PATH_IMAGE028
、升降舵偏转角
Figure 192688DEST_PATH_IMAGE030
、方向舵偏转角
Figure 619121DEST_PATH_IMAGE032
、副翼偏转角
Figure 811593DEST_PATH_IMAGE034
、油门大小、攻角
Figure 623877DEST_PATH_IMAGE038
、侧滑角
Figure 803186DEST_PATH_IMAGE040
、真空速
Figure 530839DEST_PATH_IMAGE042
、马赫数
Figure 846414DEST_PATH_IMAGE044
、指示空速
Figure 634110DEST_PATH_IMAGE046
、气压高度
Figure 35136DEST_PATH_IMAGE048
、升降速度
Figure 557691DEST_PATH_IMAGE050
一组输入样本数据时，隐含层神经元个数为20，经过网络自动训练，输出层输出攻角
Figure 993351DEST_PATH_IMAGE038
、侧滑角
Figure 686370DEST_PATH_IMAGE040
、真空速、马赫数
Figure 909727DEST_PATH_IMAGE044
、指示空速
Figure 199894DEST_PATH_IMAGE046
、气压高度
Figure 63813DEST_PATH_IMAGE048
、升降速度共7个输出值（大气数据估计值），将输出的7个大气数据估计值与期望值（大气数据实际值）进行对比，若误差小于指定精度，则学习结束。否则，误差通过隐含层向输入层逐层向前传播，并将误差分摊给各层所有神经元，从而获得各层神经元的误差信号，以此误差信号作为修正各层神经元的连接权值和阈值的依据，然后进入下一组学习，直到所有训练样本学习结束，完成一次循环，此时如果总的估计误差在指定范围以内，输出此时的最佳权值和阈值。否则，进入下一次循环，直到总估计误差在指定范围以内，训练结束。对网络进行反复训练，直到误差小于0.001，停止训练，开始对网络进行测试。
用测试样本对网络进行测试。当网络训练结束以后，将测试样本中的俯仰角
Figure 315508DEST_PATH_IMAGE002
、横滚角
Figure 460181DEST_PATH_IMAGE004
、偏航角
Figure 760581DEST_PATH_IMAGE006
、横滚角速度
Figure 623495DEST_PATH_IMAGE014
、俯仰角速度
Figure 34754DEST_PATH_IMAGE016
、偏航角速度
Figure 299513DEST_PATH_IMAGE018
、机体坐标系的
Figure 770815DEST_PATH_IMAGE008
轴方向的线加速度
Figure 855445DEST_PATH_IMAGE020
、机体坐标系的
Figure 11008DEST_PATH_IMAGE010
轴方向的线加速度
Figure 379541DEST_PATH_IMAGE022
、机体坐标系的
Figure 772476DEST_PATH_IMAGE012
轴方向的线加速度
Figure 859250DEST_PATH_IMAGE024
、东向速度
Figure 363043DEST_PATH_IMAGE052
、北向速度
Figure 586083DEST_PATH_IMAGE054
、天向速度
Figure 149920DEST_PATH_IMAGE056
、飞行高度为
Figure 461340DEST_PATH_IMAGE028
、升降舵偏转角、方向舵偏转角
Figure 924999DEST_PATH_IMAGE032
、副翼偏转角
Figure 909005DEST_PATH_IMAGE034
以及油门大小
Figure 642474DEST_PATH_IMAGE036
数据输入到训练好的网络，将输出层输出的攻角
Figure 488070DEST_PATH_IMAGE038
、侧滑角
Figure 685703DEST_PATH_IMAGE040
、真空速
Figure 591342DEST_PATH_IMAGE042
、马赫数
Figure 889073DEST_PATH_IMAGE044
、指示空速
Figure 538360DEST_PATH_IMAGE046
、气压高度
Figure 856078DEST_PATH_IMAGE048
、升降速度
Figure 932618DEST_PATH_IMAGE050
共7个大气数据估计值与测试样本数据中的对应的大气数据实际值进行对比，当大气数据估计值和实际值之间的误差均小于规定水平即通过测试，网络可以用于大气数据的估计工作。
（4）通过测试的神经网络实现大攻角飞行状态下的大气数据的估计步骤：
利用通过测试的神经网络进行大攻角飞行状态下大气数据的估计。首先将当前时刻采集到的输入数据即俯仰角
Figure 437418DEST_PATH_IMAGE002
、横滚角
Figure 890396DEST_PATH_IMAGE004
、偏航角
Figure 62620DEST_PATH_IMAGE006
、横滚角速度
Figure 310062DEST_PATH_IMAGE014
、俯仰角速度
Figure 305087DEST_PATH_IMAGE016
、偏航角速度
Figure 296177DEST_PATH_IMAGE018
、机体坐标系的
Figure 322907DEST_PATH_IMAGE008
轴方向的线加速度
Figure 741250DEST_PATH_IMAGE020
、机体坐标系的
Figure 486221DEST_PATH_IMAGE010
轴方向的线加速度
Figure 202374DEST_PATH_IMAGE022
、机体坐标系的
Figure 99922DEST_PATH_IMAGE012
轴方向的线加速度、东向速度
Figure 658784DEST_PATH_IMAGE052
、北向速度
Figure 240944DEST_PATH_IMAGE054
、天向速度、飞行高度为
Figure 2413DEST_PATH_IMAGE028
、升降舵偏转角
Figure 394080DEST_PATH_IMAGE030
、方向舵偏转角、副翼偏转角
Figure 199542DEST_PATH_IMAGE034
以及油门大小
Figure 320469DEST_PATH_IMAGE036
归一化到-1到+1之间，然后将输入数据输入到通过测试的BP神经网络中，并将网络输出的数据进行反归一化，即可以实现大攻角飞行状态下当前时刻的攻角
Figure 261749DEST_PATH_IMAGE038
、侧滑角
Figure 202023DEST_PATH_IMAGE040
、真空速
Figure 850042DEST_PATH_IMAGE042
、马赫数
Figure 201258DEST_PATH_IMAGE044
、指示空速
Figure 380567DEST_PATH_IMAGE046
、气压高度
Figure 99431DEST_PATH_IMAGE048
、升降速度
Figure 415006DEST_PATH_IMAGE050
的精确估计。
为了验证本发明的效果，利用飞行模拟软件X-Plane仿真在大攻角飞行状态下的飞行数据，对本发明基于BP神经网络的大攻角飞行状态下的大气数据测量方法进行实验，得出的仿真试验结果如图2-图8所示。从测试样本中的大气数据（攻角、侧滑角、真空速、马赫数、指示空速、气压高度和升降速度）的估计效果曲线图（图2-图8）可以看出，大攻角飞行状态下利用BP神经网络估计的大气数据与大气数据实际值吻合度较高，本发明能够实现大攻角飞行状态下大气数据的精确估计，具有很强的工程应用价值。

Claims (5)

1.基于BP神经网络的大攻角飞行状态下大气数据测量方法，其特征在于，包括以下步骤：
步骤1、在大攻角飞行状态下采集一段时间内惯性导航系统、卫星定位系统、飞行控制系统以及大气数据系统的输出数据，并对其进行归一化；
步骤2、建立BP神经网络，并以归一化后的惯性导航系统、卫星定位系统、飞行控制系统的输出数据作为BP神经网络的训练和测试输入样本，以归一化后的大气数据系统的输出数据作为BP神经网络的训练和测试输出样本，对BP神经网络进行训练、测试；
步骤3、在大攻角飞行状态下采集当前时刻惯性导航系统、卫星定位系统、飞行控制系统的输出数据，对其进行归一化后输入训练好的BP神经网络，将BP神经网络的输出数据进行反归一化处理，即得到当前时刻的大气数据。
2.如权利要求1所述基于BP神经网络的大攻角飞行状态下大气数据测量方法，其特征在于，所述惯性导航系统的输出数据包括三个姿态角、三个姿态角速度和三个线加速度信息，三个姿态角信息分别为俯仰角                                               
Figure 2012100427722100001DEST_PATH_IMAGE002
、横滚角
Figure 2012100427722100001DEST_PATH_IMAGE004
、偏航角
Figure DEST_PATH_IMAGE006
；三个姿态角速度信息分别为机体坐标系下轴、
Figure DEST_PATH_IMAGE010
轴和
Figure DEST_PATH_IMAGE012
轴方向的横滚角速度
Figure DEST_PATH_IMAGE014
、俯仰角速度
Figure DEST_PATH_IMAGE016
、偏航角速度
Figure DEST_PATH_IMAGE018
；三个线加速度信息分别为机体坐标系下
Figure 473149DEST_PATH_IMAGE008
轴方向的线加速度、
Figure 64055DEST_PATH_IMAGE010
轴方向的线加速度
Figure DEST_PATH_IMAGE022
、
Figure 720033DEST_PATH_IMAGE012
轴方向的线加速度，其中机体坐标系的
Figure 77065DEST_PATH_IMAGE008
轴、
Figure 786395DEST_PATH_IMAGE010
轴和
Figure 926914DEST_PATH_IMAGE012
轴的指向分别为向右、向前、向上；所述卫星定位系统的输出数据包括地理坐标系下的三维速度和飞行高度，地理坐标系方向定义为东、北、天，此三个方向的地速分别为
Figure DEST_PATH_IMAGE026
，飞行高度为
Figure DEST_PATH_IMAGE028
；所述飞行控制系统的输出数据包括升降舵偏转角
Figure DEST_PATH_IMAGE030
、方向舵偏转角
Figure DEST_PATH_IMAGE032
、副翼偏转角
Figure DEST_PATH_IMAGE034
以及油门大小
Figure DEST_PATH_IMAGE036
；所述大气数据系统的输出数据包括攻角
Figure DEST_PATH_IMAGE038
、侧滑角
Figure DEST_PATH_IMAGE040
、真空速
Figure DEST_PATH_IMAGE042
、马赫数、指示空速
Figure DEST_PATH_IMAGE046
、气压高度
Figure DEST_PATH_IMAGE048
、升降速度
Figure DEST_PATH_IMAGE050
。
3.如权利要求2所述基于BP神经网络的大攻角飞行状态下大气数据测量方法，其特征在于，所述BP神经网络为一个输入层、一个隐含层和一个输出层的三层网络；所述输入层有17个神经元，分别对应俯仰角
Figure 948701DEST_PATH_IMAGE002
、横滚角
Figure 238868DEST_PATH_IMAGE004
、偏航角
Figure 368367DEST_PATH_IMAGE006
、横滚角速度、俯仰角速度
Figure 554815DEST_PATH_IMAGE016
、偏航角速度、机体坐标系的
Figure 2818DEST_PATH_IMAGE008
轴方向的线加速度
Figure 115000DEST_PATH_IMAGE020
、机体坐标系的
Figure 463942DEST_PATH_IMAGE010
轴方向的线加速度
Figure 728701DEST_PATH_IMAGE022
、机体坐标系的轴方向的线加速度
Figure 284633DEST_PATH_IMAGE024
、东向速度
Figure DEST_PATH_IMAGE052
、北向速度
Figure DEST_PATH_IMAGE054
、天向速度
Figure DEST_PATH_IMAGE056
、飞行高度为
Figure 751780DEST_PATH_IMAGE028
、升降舵偏转角、方向舵偏转角
Figure 513248DEST_PATH_IMAGE032
、副翼偏转角
Figure 85175DEST_PATH_IMAGE034
以及油门大小
Figure 829447DEST_PATH_IMAGE036
；隐含层有20个神经元；输出层有7个神经元，分别为攻角
Figure 68799DEST_PATH_IMAGE038
、侧滑角
Figure 6537DEST_PATH_IMAGE040
、真空速
Figure 65759DEST_PATH_IMAGE042
、马赫数
Figure 622512DEST_PATH_IMAGE044
、指示空速
Figure 906250DEST_PATH_IMAGE046
、气压高度、升降速度
Figure 374457DEST_PATH_IMAGE050
。
4.如权利要求3所述基于BP神经网络的大攻角飞行状态下大气数据测量方法，其特征在于，所述BP神经网络隐含层神经元和输出层神经元的传递函数都采用双曲正切S型函数。
5.如权利要求1所述基于BP神经网络的大攻角飞行状态下大气数据测量方法，其特征在于，所述大气数据系统为嵌入式大气数据系统或光学式大气数据系统。
CN2012100427722A 2012-02-24 2012-02-24 基于bp神经网络的大攻角飞行状态下大气数据测量方法 Pending CN102607639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100427722A CN102607639A (zh) 2012-02-24 2012-02-24 基于bp神经网络的大攻角飞行状态下大气数据测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100427722A CN102607639A (zh) 2012-02-24 2012-02-24 基于bp神经网络的大攻角飞行状态下大气数据测量方法

Publications (1)

Publication Number Publication Date
CN102607639A true CN102607639A (zh) 2012-07-25

Family

ID=46525228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100427722A Pending CN102607639A (zh) 2012-02-24 2012-02-24 基于bp神经网络的大攻角飞行状态下大气数据测量方法

Country Status (1)

Country Link
CN (1) CN102607639A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103852081A (zh) * 2014-03-20 2014-06-11 南京航空航天大学 用于大气数据/捷联惯导组合导航系统的真空速解算方法
WO2014194480A1 (en) * 2013-06-05 2014-12-11 Microsoft Corporation Air quality inference using multiple data sources
CN104318107A (zh) * 2014-10-27 2015-01-28 中国运载火箭技术研究院 一种跨大气层飞行飞行器的高精度大气数据获取方法
CN104454347A (zh) * 2014-11-28 2015-03-25 云南电网公司电力科学研究院 一种独立变桨距风力发电机桨距角的控制方法
CN104866703A (zh) * 2015-03-09 2015-08-26 中国航空工业集团公司沈阳飞机设计研究所 一种无人机真空速重构策略
CN106352880A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
CN106840573A (zh) * 2016-12-19 2017-06-13 中国航天空气动力技术研究院 一种嵌入式大气数据传感系统标定方法
CN107202664A (zh) * 2017-05-24 2017-09-26 南京航空航天大学 一种用于嵌入式大气数据系统的大气参数解算方法
CN108196090A (zh) * 2017-12-27 2018-06-22 中国航天空气动力技术研究院 一种无人机嵌入式大气数据传感系统
CN108983800A (zh) * 2018-07-27 2018-12-11 西北工业大学 一种基于深度学习的飞机姿态控制方法
CN109635494A (zh) * 2018-12-28 2019-04-16 中国航天空气动力技术研究院 一种飞行试验与地面仿真气动力数据综合建模方法
CN111122901A (zh) * 2019-12-31 2020-05-08 中国航空工业集团公司西安飞机设计研究所 一种攻角误差自动检测方法及其修正系统
CN111122899A (zh) * 2019-12-11 2020-05-08 南京航空航天大学 一种用于大气扰动中飞行的迎角侧滑角估计方法
CN111504341A (zh) * 2020-04-30 2020-08-07 中国直升机设计研究所 一种直升机飞行状态识别方法
CN112034702A (zh) * 2020-08-06 2020-12-04 西安睿高测控技术有限公司 一种使用继电式舵机的制导弹药的智能控制方法
CN112269031A (zh) * 2020-10-22 2021-01-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于神经网络的旋翼无人机实时风速估计方法
CN112977869A (zh) * 2021-02-25 2021-06-18 成都凯天电子股份有限公司 一种直升机大气数据系统旋翼下洗流影响修正方法
CN117589190A (zh) * 2024-01-18 2024-02-23 西北工业大学 基于惯导/飞控的大气参数解算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2093575A2 (en) * 2008-02-21 2009-08-26 Honeywell International Inc. Systems and methods for determining air data parameters
CN101713654A (zh) * 2009-11-18 2010-05-26 南京航空航天大学 跨音速飞行阶段大气攻角与惯性攻角的融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2093575A2 (en) * 2008-02-21 2009-08-26 Honeywell International Inc. Systems and methods for determining air data parameters
CN101713654A (zh) * 2009-11-18 2010-05-26 南京航空航天大学 跨音速飞行阶段大气攻角与惯性攻角的融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马航帅，等: "高性能飞行器大气数据传感技术研究进展", 《航空计算技术》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014194480A1 (en) * 2013-06-05 2014-12-11 Microsoft Corporation Air quality inference using multiple data sources
CN103852081B (zh) * 2014-03-20 2017-01-25 南京航空航天大学 用于大气数据/捷联惯导组合导航系统的真空速解算方法
CN103852081A (zh) * 2014-03-20 2014-06-11 南京航空航天大学 用于大气数据/捷联惯导组合导航系统的真空速解算方法
CN104318107A (zh) * 2014-10-27 2015-01-28 中国运载火箭技术研究院 一种跨大气层飞行飞行器的高精度大气数据获取方法
CN104318107B (zh) * 2014-10-27 2017-12-22 中国运载火箭技术研究院 一种跨大气层飞行飞行器的高精度大气数据获取方法
CN104454347B (zh) * 2014-11-28 2018-09-07 云南电网公司电力科学研究院 一种独立变桨距风力发电机桨距角的控制方法
CN104454347A (zh) * 2014-11-28 2015-03-25 云南电网公司电力科学研究院 一种独立变桨距风力发电机桨距角的控制方法
CN104866703A (zh) * 2015-03-09 2015-08-26 中国航空工业集团公司沈阳飞机设计研究所 一种无人机真空速重构策略
CN104866703B (zh) * 2015-03-09 2018-04-13 中国航空工业集团公司沈阳飞机设计研究所 一种无人机真空速重构方法
CN106352880A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
CN106352880B (zh) * 2016-10-28 2019-04-12 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
CN106840573A (zh) * 2016-12-19 2017-06-13 中国航天空气动力技术研究院 一种嵌入式大气数据传感系统标定方法
CN106840573B (zh) * 2016-12-19 2019-04-30 中国航天空气动力技术研究院 一种嵌入式大气数据传感系统标定方法
CN107202664A (zh) * 2017-05-24 2017-09-26 南京航空航天大学 一种用于嵌入式大气数据系统的大气参数解算方法
CN107202664B (zh) * 2017-05-24 2019-12-24 南京航空航天大学 一种用于嵌入式大气数据系统的大气参数解算方法
CN108196090A (zh) * 2017-12-27 2018-06-22 中国航天空气动力技术研究院 一种无人机嵌入式大气数据传感系统
CN108983800A (zh) * 2018-07-27 2018-12-11 西北工业大学 一种基于深度学习的飞机姿态控制方法
CN109635494B (zh) * 2018-12-28 2023-08-01 中国航天空气动力技术研究院 一种飞行试验与地面仿真气动力数据综合建模方法
CN109635494A (zh) * 2018-12-28 2019-04-16 中国航天空气动力技术研究院 一种飞行试验与地面仿真气动力数据综合建模方法
CN111122899A (zh) * 2019-12-11 2020-05-08 南京航空航天大学 一种用于大气扰动中飞行的迎角侧滑角估计方法
CN111122899B (zh) * 2019-12-11 2020-11-17 南京航空航天大学 一种用于大气扰动中飞行的迎角侧滑角估计方法
CN111122901A (zh) * 2019-12-31 2020-05-08 中国航空工业集团公司西安飞机设计研究所 一种攻角误差自动检测方法及其修正系统
CN111504341A (zh) * 2020-04-30 2020-08-07 中国直升机设计研究所 一种直升机飞行状态识别方法
CN111504341B (zh) * 2020-04-30 2023-09-19 中国直升机设计研究所 一种直升机飞行状态识别方法
CN112034702A (zh) * 2020-08-06 2020-12-04 西安睿高测控技术有限公司 一种使用继电式舵机的制导弹药的智能控制方法
CN112269031A (zh) * 2020-10-22 2021-01-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于神经网络的旋翼无人机实时风速估计方法
CN112269031B (zh) * 2020-10-22 2022-05-10 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于神经网络的旋翼无人机实时风速估计方法
CN112977869A (zh) * 2021-02-25 2021-06-18 成都凯天电子股份有限公司 一种直升机大气数据系统旋翼下洗流影响修正方法
CN117589190A (zh) * 2024-01-18 2024-02-23 西北工业大学 基于惯导/飞控的大气参数解算方法
CN117589190B (zh) * 2024-01-18 2024-03-26 西北工业大学 基于惯导/飞控的大气参数解算方法

Similar Documents

Publication Publication Date Title
CN102607639A (zh) 基于bp神经网络的大攻角飞行状态下大气数据测量方法
CN108152529A (zh) 一种基于飞行参数计算风速及风向的方法
CN108153323B (zh) 一种高空无人飞行器高精度再入制导方法
CN105094138A (zh) 一种用于旋翼无人机的低空自主导航系统
CN106527491A (zh) 一种固定翼无人机控制系统及横侧向飞行轨迹控制方法
CN103712598B (zh) 一种小型无人机姿态确定方法
CN103994748B (zh) 一种采用飞行和风洞试验数据估计无人机配平迎角的方法
CN106885918B (zh) 一种面向多旋翼飞行器的多信息融合实时风速估计方法
CN107727101B (zh) 基于双偏振光矢量的三维姿态信息快速解算方法
CN102680201A (zh) 基于视频测量的抖振风洞试验方法
CN110320925A (zh) 基于高阶干扰观测器的四旋翼飞行器安全控制方法
Larrabee et al. Wind field estimation in UAV formation flight
CN110081875A (zh) 一种仿鸽子智能的无人机自主导航系统及方法
CN104504255A (zh) 一种螺旋翼升力和阻力力矩的确定方法
CN106290969B (zh) 一种考虑减速伞气动力影响的风速风向探测方法
CN105373647A (zh) 一种通过地面滑跑试验辨识气动焦点的方法
CN106292685B (zh) 模型飞机及其飞行控制方法和系统
CN201004180Y (zh) 无人机姿态控制系统
CN109541963B (zh) 一种基于侧滑角信息的无人机测风建模方法
CN110779512A (zh) 一种测控设备精度鉴定飞行试验航线规划方法
Tian et al. Wake encounter simulation and flight validation with UAV close formation flight
Saderla et al. Parameter estimation of UAV from flight data using neural network
CN205787901U (zh) 一种无人机飞行控制系统
CN111222082B (zh) 适用于无人飞行器的上升气流位置和速度的辨识方法
Zakharin et al. Concept of navigation system design of UAV

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120725