CN109684599A - 适用于电传飞控直升机的飞行实验数据快速频域辨识方法 - Google Patents
适用于电传飞控直升机的飞行实验数据快速频域辨识方法 Download PDFInfo
- Publication number
- CN109684599A CN109684599A CN201811479888.6A CN201811479888A CN109684599A CN 109684599 A CN109684599 A CN 109684599A CN 201811479888 A CN201811479888 A CN 201811479888A CN 109684599 A CN109684599 A CN 109684599A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- data
- identification
- fly
- 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
Links
- 238000012360 testing method Methods 0.000 title abstract description 12
- 238000012850 discrimination method Methods 0.000 title abstract 2
- 230000001133 acceleration Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 38
- 230000005484 gravity Effects 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000013459 approach Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Discrete Mathematics (AREA)
- Navigation (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于直升机模型辨识领域，提供一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，包括以下步骤：步骤1：数据野值的剔除与补正、低通滤波、传感器位置校正以及数据相容性检查和数据重建；步骤2：将飞行实验数据转换成频域，并构建辨识模型，采用完全线化的状态空间模型；步骤3：快速初值估计，得到待辨识参数的初值估计θ；步骤4：模型结构辨识，在进行下一步辨识之前，对这些参数进行取舍；步骤5：快速频域输出误差。本发明根据各个待辨识参数收敛速度不同的特点设计了加速优化算法，进一步提高了计算效率，实现了对频谱较为细致的描述，同时又保证了计算量。
Description
技术领域
本发明属于直升机模型辨识领域。
背景技术
基于飞行试验数据的参数辨识方法为直升机飞行品质评估提供了有效的技术手段。国内外飞行品质规范均提出用参数辨识来检查直升机的飞行品质的方法。所谓参数辨识是根据飞行实测试验得到的输入—输出数据建立系统数学模型，其主要特点就是不需要知道研究对象的详细物理机理细节。但为了辨识出与实际情况吻合的模型，需要产生能够充分反映研究对象特性的试验数据，需要建立能够合理描述研究对象的参数化模型，需要有良好估计准度和效率的辨识算法。对于直升机来说，根据飞行试验数据求取直升机的气动导数是一个十分复杂的问题。
经过长期的探索研究，飞行试验技术得到了很大的发展，飞行试验所产生的试验数据能有效反映直升机的飞行特性；经过长期的机理建模研究，对飞行动力学内在的物理机理认识已有相当的基础，从而为直升机飞行动力学的辨识建模提供了丰富的先验知识，虽然对少数复杂气动现象的机理认识有待提高并加以准确描述，总体上能合理描述直升机的参数化模型。然而，由于直升机飞行动力学参数化模型固有的复杂性，包括待辨识参数数量多、在不同操纵输入下各个参数灵敏度差异大等等，给模型的辨识带来了许多数学问题，建立具有良好估计准度和效率的辨识算法，成为直升机飞行动力学模型辨识成败的关键。
通过研究，掌握电传直升机时域辨识技术、频域辨识技术的关键技术，突破传统参数辨识应用的瓶颈，可以为我国电传直升机设计鉴定试飞奠定理论和技术基础，为设计鉴定试飞数据处理提供工程技术手段。
发明内容
本发明要解决的技术问题：
提供一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，计算规模降低，计算效率提高。
本发明的技术方案：
一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，包括以下步骤：
步骤1：数据野值的剔除与补正、低通滤波、传感器位置校正以及数据相容性检查和数据重建；
步骤2：将飞行实验数据转换成频域，并构建辨识模型，采用完全线化的状态空间模型；
步骤3：快速初值估计，得到待辨识参数的初值估计θ；
步骤4：模型结构辨识，在进行下一步辨识之前，对这些参数进行取舍；
步骤5：快速频域输出误差。
步骤1具体为：
首先利用低阶多项式滑动拟合法来进行野值的判断和剔除；
之后使用滤波器滤去高频噪声，并且需要对传感器的位置进行校正；
之后进行数据相容性检查，利用具有函数关系的不同测量响应来辨识出这些偏差；
之后进行数据重建，以消除所有测量数据的偏差，确保数据的相容性。
步骤1的滤波方法如下式：
其中，ωc为低通滤波的截止频率，单位为Hz，f(t)为测量得到的响应序列，为滤波后的响应序列，sinc(·)为滤波函数。
步骤1的传感器位置校正通过以下公式实现：
其中，ax,ay,az表示重心处的加速度，axm,aym,azm表示传感器处的加速度，p,q,r表示直升机x、y、z轴的角加速度，lii(i＝1,2,3)表示传感器与重心的距离。当直升机只有平动时，传感器处的加速度就等于重心处的值，而当有转动时，就必须要就行修正。
步骤2具体为：使用Harming窗对所有数据进行加窗，之后再通过快速傅里叶变换实现时域数据向频域的转换。
步骤3具体为：
快速初值估计，将线性代数方程进行傅立叶变换，并进一步转换为不含有复数部分的形式，作为快速初值估计的线性代数方程，然后利用最小二乘法得到待辨识参数的初值估计。
步骤3的线性代数方程的形式如下：
Y(t)＝X(t)·θ
其中，Δax(t),Δay(t),Δaz(t)分别表示测量得到的x、y、z轴线性加速度增量，分别表示测量得到的x、y、z轴角加速度增量，θ为由稳定性导数和操纵导数组成的待辨识参数向量：X(t)是由测量的状态量和操纵量增量组成的回归矩阵。
步骤4具体为：
所有的待辨识参数得到初步的辨识结果后，计算待辨识参数的不灵敏度函数和Cramer—Rao边界，然后将不灵敏度函数值大于经验值以及Cramer－Rao边界大于经验值的参数从模型中删除，不参与下一步的辨识。
步骤5具体为：
首先得到响应频谱的解析解，而后得到响应频谱对待辨识参数的灵敏度，进而得到频域输出误差法的指标函数；基于以上的结果，建立伯德图形式的频域输出误差法，得到待辨识参数的迭代公式。
步骤5的频域输出误差法的指标函数为：
其中，x(ω)为状态变量的频域表示，xm(ω)为测量得到的响应频谱，ω0为频域数据的基频，N为辨识用到的数据总点数，R是新息协方差矩阵。
本发明的有益效果：
在频域辨识方法的研究中，本发明提出了快速频域辨识算法。通过引入伯德灵敏度函数并结合理论分析实现了模型的结构辨识，创建了基于伯德图形式频谱的频域输出误差法，在此基础上，根据各个待辨识参数收敛速度不同的特点设计了加速优化算法，进一步提高了计算效率，实现了对频谱较为细致的描述，同时又保证了计算量。
附图说明
图1为本发明快速频域辨识算法流程图。
具体实施方式
时域辨识方法需要数值求解直升机飞行动力学微分方程以及灵敏度方程，导致时域辨识算法的数值稳定性不够好。同时时域辨识方法需要使用上千的数据点来进行模型的辨识，这就导致整体计算量非常大，方法的计算效率不够高。而如果将模型的辨识放在频域里进行，则可以克服以上问题。在频域里，微分方程形式的飞行动力学模型变成了代数方程，模型的响应以及灵敏度方程均具有解析解，所以不存在数值稳定性问题。在频域里，虽然上千的时域数据转换成了上千的频域数据，但是由于低阶飞行动力学模型的带宽窄，在辨识过程中通常将频域数据的截断到几赫兹，也就是几百个数据点，因此辨识的计算规模降低，计算效率提高。
如图1所示，下面通过具体实施步骤对本发明作进一步详细说明。
步骤1：首先利用低阶多项式滑动拟合法来进行野值(由于外界干扰或传感器的跳动等造成测量数据的不合理跳点)的判断和剔除，之后使用滤波器滤去高频噪声，并且需要对传感器的位置进行校正，最后进行数据相容性检查，利用具有函数关系的不同测量响应来辨识出这些偏差，之后进行数据重建，以消除所有测量数据的偏差，确保数据的相容性。
滤波方法如下式：
其中，ωc为低通滤波的截止频率，单位为Hz，f(t)为测量得到的响应序列，为滤波后的响应序列，sinc(·)为滤波函数。
传感器位置校正通过以下公式实现：
其中，ax,ay,az表示重心处的加速度，axm,aym,azm表示传感器处的加速度，p,q,r表示直升机x、y、z轴的角加速度，lii(i＝1,2,3)表示传感器与重心的距离。当直升机只有平动时，传感器处的加速度就等于重心处的值，而当有转动时，就必须要就行修正。
步骤2：，使用Harming窗对所有数据进行加窗，之后再通过快速傅里叶变换(FFT)实现时域数据向频域的转换；
步骤3：快速初值估计，将线性代数方程进行傅立叶变换，并进一步转换为不含有复数部分的形式，作为快速初值估计的基本方程，然后利用最小二乘法得到待辨识参数的初值估计；
线性代数方程的形式如下：
Y(t)＝X(t)·θ
其中，Δax(t),Δay(t),Δaz(t)分别表示测量得到的x、y、z轴线性加速度增量，分别表示测量得到的x、y、z轴角加速度增量，θ为由稳定性导数和操纵导数组成的待辨识参数向量：X(t)是由测量的状态量和操纵量增量组成的回归矩阵。
步骤4：所有的待辨识参数得到初步的辨识结果后，计算待辨识参数的不灵敏度函数和Cramer—Rao边界，然后将不灵敏度函数值大于经验值以及Cramer－Rao边界大于经验值的参数从模型中删除，不参与下一步的辨识；
步骤5：首先得到响应频谱的解析解，而后得到响应频谱对待辨识参数的灵敏度，进而得到频域输出误差法的指标函数。基于以上的结果，建立伯德图形式的频域输出误差法，得到待辨识参数的迭代公式。
频域输出误差法的指标函数为：
其中，x(ω)为状态变量的频域表示，xm(ω)为测量得到的响应频谱，ω0为频域数据的基频，N为辨识用到的数据总点数，R是新息协方差矩阵。
Claims (10)
1.一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，包括以下步骤：
步骤1：数据野值的剔除与补正、低通滤波、传感器位置校正以及数据相容性检查和数据重建；
步骤2：将飞行实验数据转换成频域，并构建辨识模型，采用完全线化的状态空间模型；
步骤3：快速初值估计，得到待辨识参数的初值估计θ；
步骤4：模型结构辨识，在进行下一步辨识之前，对这些参数进行取舍；
步骤5：快速频域输出误差。
2.如权利要求1所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤1具体为：
首先利用低阶多项式滑动拟合法来进行野值的判断和剔除；
之后使用滤波器滤去高频噪声，并且需要对传感器的位置进行校正；
之后进行数据相容性检查，利用具有函数关系的不同测量响应来辨识出这些偏差；
之后进行数据重建，以消除所有测量数据的偏差，确保数据的相容性。
3.如权利要求2所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤1的滤波方法如下式：
其中，ωc为低通滤波的截止频率，单位为Hz，f(t)为测量得到的响应序列，为滤波后的响应序列，sinc(·)为滤波函数。
4.如权利要求2所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤1的传感器位置校正通过以下公式实现：
其中，ax,ay,az表示重心处的加速度，axm,aym,azm表示传感器处的加速度，p,q,r表示直升机x、y、z轴的角加速度，lii(i＝1,2,3)表示传感器与重心的距离。当直升机只有平动时，传感器处的加速度就等于重心处的值，而当有转动时，就必须要就行修正。
5.如权利要求1所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤2具体为：使用Harming窗对所有数据进行加窗，之后再通过快速傅里叶变换实现时域数据向频域的转换。
6.如权利要求1所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤3具体为：
快速初值估计，将线性代数方程进行傅立叶变换，并进一步转换为不含有复数部分的形式，作为快速初值估计的线性代数方程，然后利用最小二乘法得到待辨识参数的初值估计。
7.如权利要求6所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤3的线性代数方程的形式如下：
Y(t)＝X(t)·θ
其中，Δax(t),Δay(t),Δaz(t)分别表示测量得到的x、y、z轴线性加速度增量，分别表示测量得到的x、y、z轴角加速度增量，θ为由稳定性导数和操纵导数组成的待辨识参数向量：X(t)是由测量的状态量和操纵量增量组成的回归矩阵。
8.如权利要求1所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤4具体为：
所有的待辨识参数得到初步的辨识结果后，计算待辨识参数的不灵敏度函数和Cramer—Rao边界，然后将不灵敏度函数值大于经验值以及Cramer－Rao边界大于经验值的参数从模型中删除，不参与下一步的辨识。
9.如权利要求1所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤5具体为：
首先得到响应频谱的解析解，而后得到响应频谱对待辨识参数的灵敏度，进而得到频域输出误差法的指标函数；基于以上的结果，建立伯德图形式的频域输出误差法，得到待辨识参数的迭代公式。
10.如权利要求9所述的一种适用于电传飞控直升机的飞行实验数据快速频域辨识方法，其特征在于，步骤5的频域输出误差法的指标函数为：
其中，x(ω)为状态变量的频域表示，xm(ω)为测量得到的响应频谱，ω0为频域数据的基频，N为辨识用到的数据总点数，R是新息协方差矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479888.6A CN109684599A (zh) | 2018-12-05 | 2018-12-05 | 适用于电传飞控直升机的飞行实验数据快速频域辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479888.6A CN109684599A (zh) | 2018-12-05 | 2018-12-05 | 适用于电传飞控直升机的飞行实验数据快速频域辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109684599A true CN109684599A (zh) | 2019-04-26 |
Family
ID=66187000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811479888.6A Pending CN109684599A (zh) | 2018-12-05 | 2018-12-05 | 适用于电传飞控直升机的飞行实验数据快速频域辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109684599A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138602A (zh) * | 2020-12-28 | 2021-07-20 | 北京理工大学 | 基于频域辨识的多旋翼无人机建模方法 |
-
2018
- 2018-12-05 CN CN201811479888.6A patent/CN109684599A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 吴伟: "直升机飞行动力学模型辨识与机动飞行研究", 《中国博士学位论文全文数据库，工程科技II辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113138602A (zh) * | 2020-12-28 | 2021-07-20 | 北京理工大学 | 基于频域辨识的多旋翼无人机建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
| CN100507460C (zh) | 基于脉冲响应模板和参数优化的动态软测量建模方法 | |
| CN111046581A (zh) | 一种输电线路故障类型识别方法及系统 | |
| CN105868164B (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
| CN113128047A (zh) | 一种航空发动机推力计算方法、存储介质及计算设备 | |
| CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
| CN106599367A (zh) | 一种航天器状态异常检测方法 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| CN109062051B (zh) | 一种提高机器人动力学参数辨识精度的方法 | |
| CN109684599A (zh) | 适用于电传飞控直升机的飞行实验数据快速频域辨识方法 | |
| CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 | |
| CN114264865A (zh) | 一种电流采集装置在线自校准方法 | |
| CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
| CN117171681B (zh) | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 | |
| CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
| CN108228977B (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
| CN113688474B (zh) | 一种基于参数辨识的电动舵机仿真建模方法 | |
| CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
| Jin et al. | An enhanced multi-circuit optimization approach for identification of microwave filter parameters | |
| CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |