CN109635494A - 一种飞行试验与地面仿真气动力数据综合建模方法 - Google Patents
一种飞行试验与地面仿真气动力数据综合建模方法 Download PDFInfo
- Publication number
- CN109635494A CN109635494A CN201811625150.6A CN201811625150A CN109635494A CN 109635494 A CN109635494 A CN 109635494A CN 201811625150 A CN201811625150 A CN 201811625150A CN 109635494 A CN109635494 A CN 109635494A
- Authority
- CN
- China
- Prior art keywords
- data
- flight test
- aerodynamic
- flight
- sample
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种飞行试验与地面仿真气动力数据综合建模方法,用于根据10次以上的飞行试验数据样本,以及飞行器的飞行包络范围内的气动力地面仿真数据,建立飞行器的全空域、全速域气动力数学模型。本发明首先在飞行器的飞行包络范围内,进行气动力计算地面仿真,获取全空域、全速域的气动力仿真数据,并转换成气动力仿真样本。进而进行飞行试验,获取10次以上的飞行试验状态测量数据,并根据气动力辨识方法,获得多次飞行试验的气动力辨识数据样本。最后,将上述气动力辨识数据样本以及气动力仿真样本一起作为总样本,利用基于人工智能的BP神经网络方法,通过机器学习,建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。
Description
技术领域
本发明属于飞行器系统建模领域,涉及对飞行器飞行试验与地面仿真气动力数据进行数学建模的方法。
背景技术
对于飞行器的地面仿真数据,通常是一个数据表。而飞行器的飞行试验气动力数据,通常是沿弹道的离散的数据点。如何利用飞行试验数据修正地面仿真数据,是一个广泛关注的难题,建立一个既包括飞行试验数据又包括地面仿真数据的综合气动力模型是可行的办法。对于全空域、全速域地面仿真数据,以及10次以上的飞行试验数据,高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大,气动力和高度、速度、迎角、侧滑角、舵偏角等参数之间的关系呈现高度非线性,传统气动建模方法很难对空域、速域、状态变化都比较大时的气动力数学模型给出准确的描述,需要发展新的建模方法。
基于人工智能的神经网络方法,能够逼近任意非线性,是理想的建模方法。该方法在气动力建模领域已经有个别的应用,但大都是针对大迎角、复杂流动等特定条件下的非线性、非定常气动力进行建模的,状态参数少,状态变化范围小。对于高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大的情况,尚没有应用。另外,在BP神经网络气动建模应用中,得到最优的网络层数、每层的神经元个数等规律,尚未见报道。
发明内容
本发明所要解决的技术问题是:针对全空域、全速域地面仿真数据,以及10次以上的飞行试验数据,高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大,气动力和高度、速度、迎角、侧滑角、舵偏角等参数之间的关系呈现高度非线性的情况,利用基于人工智能的BP神经网络方法,建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。
本发明包括如下技术方案:一种飞行试验与地面仿真气动力数据综合建模方法,步骤如下:
在飞行器的飞行包络范围内,进行气动力计算地面仿真,获取全空域、全速域的气动力仿真数据,并转换成气动力仿真样本;
进行飞行试验,获取10次以上的飞行试验状态测量数据;
对所述的飞行试验状态测量数据,根据气动力辨识方法,获得多次飞行试验的气动力辨识数据样本;
将上述气动力辨识数据样本以及气动力仿真样本一起作为总样本,利用基于人工智能的BP神经网络方法,通过机器学习,建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。
优选的,气动力仿真样本的转换通过下述方式实现:
将得到的气动力仿真数据制成气动数据表,所述的气动数据表包括仿真输入参数以及对应的输出;
将气动数据表中的每个仿真输入参数在飞行包络范围内生成相同数量的随机数,根据正交组合方式得到新的气动数据表;
利用多元插值方式确定新的气动数据表中的输出,将新的气动数据表中的输入参数及输出作为气动力仿真样本。
优选的,所述的多元插值方式从气动数据表中最外层开始依次利用一元插值方式进行插值,直至第一层插值完成。
优选的,所述随机数的数量不少一万。
优选的,所述的随机数在飞行试验覆盖的范围内的数量不大于飞行试验的气动力辨识数据样本数量的10%。
优选的,在获得飞行试验气动力数据样本之前对所述的飞行试验状态测量数据进行数据处理、获取飞行试验标称数据;之后对飞行试验标称数据进行气动力辨识,获得多次飞行试验的气动力辨识数据样本。
优选的,所述的获取飞行试验标称数据通过下述方式实现:
建立飞行试验状态测量参数误差模型;
利用极大似然方法,根据飞行试验状态测量数据中的弹道坐标预测误差最小,估计上述误差模型中的未知参数,得到确定的误差模型;
利用确定的误差模型修正飞行试验状态测量数据;
利用每次飞行试验过程中风场的测量数据修正对应飞行试验状态测量中的速度数据。
优选的,所述的气动力辨识方法如下:
利用飞行试验状态测量数据或者飞行试验标称数据中的速度、姿态计算攻角和侧滑角;
利用大气模型计算声速,再利用上述速度计算得到马赫数;
利用大气模型计算大气密度,并利用上述速度计算得到动压;
利用飞行试验状态测量数据或者飞行试验标称数据中的加速度、飞行器质量、参考面积结合所述的动压计算得到气动力系数;
利用飞行试验状态测量数据或者飞行试验标称数据中的角速率通过微分得到角加速率,再利用飞行器的转动惯量、参考面积、参考长度结合所述的动压得到气动力矩系数。
优选的,BP神经网络的最优层数为3层,每层神经元数分别为M、M-1、M-2,这样得到的模型预测误差最小,其中M为输入参数个数。
优选的,所述的输入参数个数M值为8个,分别为高度h,马赫数Ma,迎角α,侧滑角β,四个舵偏角δ1、δ2、δ3、δ4。
本发明与现有技术相比具有如下优点:
本发明的飞行试验与地面仿真气动力数据综合建模方法简便、实用、准确、可信。本发明仅需要10次以上的飞行试验测量数据样本,以及飞行器飞行包络范围内的气动力地面仿真数据,就可以建立飞行器全空域、全速域气动力数学模型,方法简便、实用。由于该方法既利用了地面仿真数据,又利用了飞行试验数据,因此建立的模型综合了飞行试验与地面仿真气动力数据,在飞行包络范围内的所有高度、所有速度、所有迎角、侧滑角、舵偏角状态都是有效的。在飞行试验覆盖的范围内修正了地面仿真数据的误差,得到的模型更准确、可信。在飞行试验没有覆盖的范围,模型也包含了飞行试验数据的信息,因此比地面仿真数据更准确。总之,本方法建立的模型在全空域、全速域范围内都可以使用,而且较地面仿真数据,准确性得到了提高。
本发明通过对飞行试验数据进行误差建模、估计和误差修正,提高了飞行试验气动力辨识的精确度。通过对地面仿真数据,在飞行包络范围内生成随机数,并进行正交组合,确保了各输入参数之间的正交性、随机性,使得生成的地面仿真数据样本更具有全局性,建立的气动力模型准确度更高。另外,通过设置BP神经网络的最优网络层数、以及每层网络的神经元数,使得建立的气动力数学模型具有更高的精准度。
附图说明
图1为本发明飞行试验高度和速度与正交组合方式得到的高度、速度示意图;
图2为轴向力的地面仿真数据样本与本发明预测结果的对比曲线;
图3为轴向力的飞行试验数据样本与本发明预测结果的对比曲线。
具体实施方式
一种飞行试验与地面仿真气动力数据综合建模方法,步骤如下:
第一步,在飞行器的飞行包络范围内,进行气动力计算地面仿真,获取全空域、全速域的气动力仿真数据,并转换成气动力仿真样本;
气动力仿真样本的转换通过下述方式实现:
(1)将得到的气动力仿真数据制成气动数据表1,所述的气动数据表包括仿真输入参数以及对应的输出,所述的输入参数分别为高度h,马赫数Ma,迎角α,侧滑角β,四个舵偏角δ1、δ2、δ3、δ4,所述的输出包括轴向力系数Cx,法向力系数Cy,侧向力系数Cz,滚转力矩系数Cmx,偏航力矩系数Cmy,俯仰力矩系数Cmz;
表1
(2)将气动数据表中的每个仿真输入参数在飞行包络范围内生成相同数量的随机数,根据正交组合方式得到新的气动数据表,其中输入参数格式如表2;随机数的数量不少于一万。
所述的随机数在飞行试验覆盖的范围内的数量不大于飞行试验的气动力辨识数据样本数量的10%。
表2
(3)利用多元插值方式确定新的气动数据表中的输出,将新的气动数据表中的输入参数及输出作为气动力仿真样本,格式如表3。
表3
所述多元插值方式从气动数据表中最外层开始依次利用一元插值方式进行插值,直至第一层插值完成。
第二步,进行飞行试验,获取10次以上的飞行试验状态测量数据;
第三步,对所述的飞行试验状态测量数据,根据气动力辨识方法,获得多次飞行试验的气动力辨识数据样本;
为了提高气动力辨识数据的精准度,在获得气动力辨识数据样本之前对所述的飞行试验状态测量数据进行数据处理、获取飞行试验标称数据;之后对飞行试验标称数据进行气动力辨识,获得多次飞行试验的气动力辨识数据样本。
获取飞行试验标称数据通过下述方式实现:
建立飞行试验状态测量参数误差模型;
所述误差模型为
其中,axm,aym,azm为加速度测量值;ax,ay,az为加速度真实值;为加速度比例因子误差;Δax,Δay,Δaz为加速度零位误差;exy,exz,eyx,eyz,ezx,ezy为加速度交叉耦合因子。ωxm,ωym,ωzm为角速率测量值;ωx,ωy,ωz为角速率真实值;为角速率比例因子误差;Δωx,Δωy,Δωz为角速率常值漂移误差;cxy,cxz,cyx,cyz,czx,czy为角速率交叉耦合因子。xm,xm,xm为坐标测量值;x,y,z为坐标真实值;Δx,Δy,Δz为坐标零位误差;vxm,vym,vzm为速度测量值;vx,vy,vz为速度真实值;Δvx,Δvy,Δvz为速度零位误差;ψm,γm为姿态测量值;ψ,γ为姿态真实值;Δψ,Δγ为姿态零位误差。
利用极大似然方法,根据飞行试验状态测量数据中的弹道坐标预测误差最小,估计上述误差模型中的未知参数,得到确定的误差模型,所述未知参数为式(1)-式(5)中的如下参数Δx,Δy,Δz、ΔVx,ΔVy,ΔVz、Δψ,Δγ、Δax,Δay,Δaz、Δωx,Δωy,Δωz、cxy,cxz,cyx,cyz、exy,exz,eyx,eyz,ezx,ezy。
利用确定的误差模型修正飞行试验状态测量数据,修正公式为
利用每次飞行试验过程中风速的测量数据修正对应飞行试验状态测量中的速度数据。所述修正方法如下
(1)将风速投影到地面坐标系:
其中,Vxw,Vyw,Vzw为风速的地面系投影;Uw,Vw为垂直风速和水平风速分量;Aw为风向角;A为地面坐标系X轴方位角。
(2)计算飞行器相对于大气的相对速度
其中,Vxr,Vyr,Vzr为飞行器相对于大气的相对速度。
(3)将返回器与大气的相对速度转换到体轴坐标系:
其中,Vxb,Vyb,Vzb为相对速度在体轴坐标系的投影;为地面坐标系到体轴坐标系的转换矩阵。
气动力辨识方法如下:
(1)利用相对速度在体轴坐标系的投影计算攻角和侧滑角,公式为
其中,α为攻角;β为侧滑角;V为总速度。
(2)利用大气模型计算声速,再利用上述速度计算得到马赫数;
其中,Ma为马赫数;Vsou为声速。
(3)利用大气模型计算大气密度,并利用上述速度计算得到动压;
其中,q为动压;ρ为大气密度。
(4)利用飞行试验状态测量数据或者飞行试验标称数据中的加速度、飞行器质量、参考面积结合所述的动压计算得到气动力系数;
其中,Cx,Cy,Cz分别为气动力系数的体轴坐标系分量;m为飞行器质量;S为参考面积。
(5)利用飞行试验状态测量数据或者飞行试验标称数据中的角速率通过微分得到角加速率,再利用飞行器的转动惯量、参考面积、参考长度结合所述的动压得到气动力矩系数。
其中,Cmx,Cmy,Cmz分别为气动力矩系数的体轴坐标系分量;L为参考长度;MI为飞行器转动惯量矩阵;为交加速率的体轴坐标系分量。
第四步,将上述气动力辨识数据样本以及气动力仿真样本一起作为总样本,利用基于人工智能的BP神经网络方法,通过机器学习,建立飞行试验气动辨识数据神经网络数学模型。
总样本包括如下参数:
输入参数:高度h,马赫数Ma,迎角α,侧滑角β,四个舵偏角δ1、δ2、δ3、δ4;
输出参数:轴向力系数Cx,法向力系数Cy,侧向力系数Cz,滚转力矩系数Cmx,偏航力矩系数Cmy,俯仰力矩系数Cmz。
对于本发明所属的8个输入参数的情况,通过理论结合计算分析,确定BP神经网络的最优层数为3层,每层神经元数分别为8、7、6,这样得到的模型预测误差最小。
利用本方法建立的气动力模型,用于了某飞行器弹道与性能分析。由于所建立的气动力模型更为准确,因此弹道与性能分析结果更加真实可信。
建模方法验证
以某飞行器为例,共进行20次飞行试验,其覆盖的高度速度范围如图1黑色曲线所示,以及根据地面仿真插值得到的仿真数据样本,如图1中星号点所示。
图2给出了轴向力系数仿真数据的样本真实值与模型预测结果,预测值与样本值非常一致。图3给出了轴向力系数飞行数据的样本真实值与模型预测结果,预测值与样本值非常一致。
说明该建模方法能够适用于高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大,气动力和高度、速度、迎角、侧滑角、舵偏角等参数之间的关系呈现高度非线性的情况。
本发明未详细说明部分属本领域技术人员公知常识。
Claims (10)
1.一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于,步骤如下:
在飞行器的飞行包络范围内,进行气动力计算地面仿真,获取全空域、全速域的气动力仿真数据,并转换成气动力仿真样本;
进行飞行试验,获取10次以上的飞行试验状态测量数据;
对所述的飞行试验状态测量数据,根据气动力辨识方法,获得多次飞行试验的气动力辨识数据样本;
将上述气动力辨识数据样本以及气动力仿真样本一起作为总样本,利用基于人工智能的BP神经网络方法,通过机器学习,建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。
2.根据权利要求1所述的一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于气动力仿真样本的转换通过下述方式实现:
将得到的气动力仿真数据制成气动数据表,所述的气动数据表包括仿真输入参数以及对应的输出;
将气动数据表中的每个仿真输入参数在飞行包络范围内生成相同数量的随机数,根据正交组合方式得到新的气动数据表;
利用多元插值方式确定新的气动数据表中的输出,将新的气动数据表中的输入参数及输出作为气动力仿真样本。
3.根据权利要求2所述的一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于所述的多元插值方式从气动数据表中最外层开始依次利用一元插值方式进行插值,直至第一层插值完成。
4.根据权利要求2所述的一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于:所述随机数的数量不少一万。
5.根据权利要求2或4所述的一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于:所述的随机数在飞行试验覆盖的范围内的数量不大于飞行试验的气动力辨识数据样本数量的10%。
6.根据权利要求1-4之一所述的一种飞行试验与地面仿真气动力数据综合数学建模方法,其特征在于:在获得飞行试验气动力数据样本之前对所述的飞行试验状态测量数据进行数据处理、获取飞行试验标称数据;之后对飞行试验标称数据进行气动力辨识,获得多次飞行试验的气动力辨识数据样本。
7.根据权利要求6所述的一种飞行试验与地面仿真气动力数据综合数学建模方法,其特征在于:所述的获取飞行试验标称数据通过下述方式实现:
建立飞行试验状态测量参数误差模型;
利用极大似然方法,根据飞行试验状态测量数据中的弹道坐标预测误差最小,估计上述误差模型中的未知参数,得到确定的误差模型;
利用确定的误差模型修正飞行试验状态测量数据;
利用每次飞行试验过程中风场的测量数据修正对应飞行试验状态测量中的速度数据。
8.根据权利要求1或6所述的一种飞行试验与地面仿真气动力数据综合数学建模方法,其特征在于所述的气动力辨识方法如下:
利用飞行试验状态测量数据或者飞行试验标称数据中的速度、姿态计算攻角和侧滑角;
利用大气模型计算声速,再利用上述速度计算得到马赫数;
利用大气模型计算大气密度,并利用上述速度计算得到动压;
利用飞行试验状态测量数据或者飞行试验标称数据中的加速度、飞行器质量、参考面积结合所述的动压计算得到气动力系数;
利用飞行试验状态测量数据或者飞行试验标称数据中的角速率通过微分得到角加速率,再利用飞行器的转动惯量、参考面积、参考长度结合所述的动压得到气动力矩系数。
9.根据权利要求1所述的一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于:BP神经网络的最优层数为3层,每层神经元数分别为M、M-1、M-2,这样得到的模型预测误差最小,其中M为输入参数个数。
10.根据权利要求9所述的一种飞行试验与地面仿真气动力数据综合建模方法,其特征在于:所述的输入参数个数M值为8个,分别为高度h,马赫数Ma,迎角α,侧滑角β,四个舵偏角δ1、δ2、δ3、δ4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625150.6A CN109635494B (zh) | 2018-12-28 | 2018-12-28 | 一种飞行试验与地面仿真气动力数据综合建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625150.6A CN109635494B (zh) | 2018-12-28 | 2018-12-28 | 一种飞行试验与地面仿真气动力数据综合建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635494A true CN109635494A (zh) | 2019-04-16 |
CN109635494B CN109635494B (zh) | 2023-08-01 |
Family
ID=66078957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811625150.6A Active CN109635494B (zh) | 2018-12-28 | 2018-12-28 | 一种飞行试验与地面仿真气动力数据综合建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635494B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276144A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨工业大学 | 一种垂直起降运载器气动参数在线辨识方法 |
CN110929339A (zh) * | 2019-11-29 | 2020-03-27 | 海丰通航科技有限公司 | 高精度亚音速固定翼飞行器非线性动力学建模方法 |
CN111695192A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
CN111914366A (zh) * | 2020-08-05 | 2020-11-10 | 湖南航天机电设备与特种材料研究所 | 一种高压冷气发射飞行器出筒速度获取方法 |
CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
CN112749429A (zh) * | 2020-12-01 | 2021-05-04 | 重庆大学 | 一种基于多元插值的海上风电固定式基础结构设计方法 |
CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
CN113779900A (zh) * | 2021-08-31 | 2021-12-10 | 航宇救生装备有限公司 | 一种地面模拟计算飞行员弹射过程中颈部载荷的方法 |
CN114491788A (zh) * | 2021-12-27 | 2022-05-13 | 中国航天空气动力技术研究院 | 高超声速飞行器气动力预测方法、系统、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256962A1 (en) * | 2009-04-03 | 2010-10-07 | Airbus Operations (S.A.S.) | Aerodynamic model identification process for aircraft simulation process |
CN102607639A (zh) * | 2012-02-24 | 2012-07-25 | 南京航空航天大学 | 基于bp神经网络的大攻角飞行状态下大气数据测量方法 |
CN103020456A (zh) * | 2012-12-11 | 2013-04-03 | 中国航天空气动力技术研究院 | 一种飞行器气动参数辨识误差区间估算方法 |
-
2018
- 2018-12-28 CN CN201811625150.6A patent/CN109635494B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256962A1 (en) * | 2009-04-03 | 2010-10-07 | Airbus Operations (S.A.S.) | Aerodynamic model identification process for aircraft simulation process |
CN102607639A (zh) * | 2012-02-24 | 2012-07-25 | 南京航空航天大学 | 基于bp神经网络的大攻角飞行状态下大气数据测量方法 |
CN103020456A (zh) * | 2012-12-11 | 2013-04-03 | 中国航天空气动力技术研究院 | 一种飞行器气动参数辨识误差区间估算方法 |
Non-Patent Citations (5)
Title |
---|
张栋: ""飞行仿真气动数据处理的神经网络应用"", 《航空计算技术》 * |
张瑞民等: ""基于神经网络的非定常气动力建模研究"", 《计算机仿真》 * |
汪清等: ""飞机大攻角空间机动气动力建模研究"", 《航空学报》 * |
王贵东 等: ""喷流控制飞行器气动参数辨识方法研究"", 《空气动力学报》 * |
龚正等: ""非定常气动力的结构自适应神经网络建模方法"", 《飞行力学》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276144A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨工业大学 | 一种垂直起降运载器气动参数在线辨识方法 |
CN110929339A (zh) * | 2019-11-29 | 2020-03-27 | 海丰通航科技有限公司 | 高精度亚音速固定翼飞行器非线性动力学建模方法 |
CN110929339B (zh) * | 2019-11-29 | 2024-05-10 | 海丰通航科技有限公司 | 高精度亚音速固定翼飞行器非线性动力学建模方法 |
CN111695192A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
CN111695192B (zh) * | 2020-05-11 | 2020-12-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
CN111914366B (zh) * | 2020-08-05 | 2024-04-26 | 湖南航天机电设备与特种材料研究所 | 一种高压冷气发射飞行器出筒速度获取方法 |
CN111914366A (zh) * | 2020-08-05 | 2020-11-10 | 湖南航天机电设备与特种材料研究所 | 一种高压冷气发射飞行器出筒速度获取方法 |
CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
CN112749429A (zh) * | 2020-12-01 | 2021-05-04 | 重庆大学 | 一种基于多元插值的海上风电固定式基础结构设计方法 |
CN112749429B (zh) * | 2020-12-01 | 2023-09-01 | 重庆大学 | 一种基于多元插值的海上风电固定式基础结构设计方法 |
CN113779900B (zh) * | 2021-08-31 | 2024-02-13 | 航宇救生装备有限公司 | 一种地面模拟计算飞行员弹射过程中颈部载荷的方法 |
CN113779900A (zh) * | 2021-08-31 | 2021-12-10 | 航宇救生装备有限公司 | 一种地面模拟计算飞行员弹射过程中颈部载荷的方法 |
CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
CN114491788A (zh) * | 2021-12-27 | 2022-05-13 | 中国航天空气动力技术研究院 | 高超声速飞行器气动力预测方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109635494B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635494A (zh) | 一种飞行试验与地面仿真气动力数据综合建模方法 | |
Lu et al. | Real-time simulation system for UAV based on Matlab/Simulink | |
Campa et al. | Simulation environment for machine vision based aerial refueling for UAVs | |
CN106527122A (zh) | 平流层飞艇定高飞行非线性pid控制方法 | |
CN109947126A (zh) | 四旋翼无人机的控制方法、装置、设备及可读介质 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
CN111695193B (zh) | 一种全局相关三维气动力数学模型的建模方法及系统 | |
CN107367941B (zh) | 高超声速飞行器攻角观测方法 | |
RU2432592C1 (ru) | Моделирующий комплекс для проверки системы управления беспилотного летательного аппарата | |
CN108647442A (zh) | 一种基于辅助输出的六旋翼无人机故障估计方法 | |
CN110276144A (zh) | 一种垂直起降运载器气动参数在线辨识方法 | |
CN106096091A (zh) | 一种飞机运动模拟方法 | |
CN106774385A (zh) | 一种采用自适应变结构的飞艇定点悬停控制方法 | |
CN109781374A (zh) | 一种实时在线快速估计飞行器推力的方法 | |
Saderla et al. | Longitudinal parameter estimation from real flight data of unmanned cropped delta flat plate configuration | |
CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 | |
CN114442673B (zh) | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 | |
Kanyshev et al. | Methods of computing thrust vector coordinates for aircrafts equipped with thrust vector control | |
Liu et al. | Correction methods of aerodynamic force and moment coefficients based on the identification data | |
CN104715133A (zh) | 一种待辨识对象的运动学参数在轨辨识方法和装置 | |
Yang et al. | On collaborative path planning for multiple UAVs based on Pythagorean Hodograph curve | |
Schulze et al. | System identification and modal extraction from response data | |
CN112762960A (zh) | 一种飞行器所处风场的在线计算方法 | |
RU103215U1 (ru) | Моделирующий комплекс для проверки системы управления беспилотного летательного аппарата | |
Chen et al. | Flight dynamics modelling and experimental validation for unmanned aerial vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |