CN110276144A - 一种垂直起降运载器气动参数在线辨识方法 - Google Patents
一种垂直起降运载器气动参数在线辨识方法 Download PDFInfo
- Publication number
- CN110276144A CN110276144A CN201910560945.1A CN201910560945A CN110276144A CN 110276144 A CN110276144 A CN 110276144A CN 201910560945 A CN201910560945 A CN 201910560945A CN 110276144 A CN110276144 A CN 110276144A
- Authority
- CN
- China
- Prior art keywords
- aerodynamic parameter
- angle
- aerodynamic
- parameter
- coefficient
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Fluid Mechanics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种垂直起降运载器气动参数在线辨识方法,所述方法在风洞数据的基础上,利用极大似然法对不同飞行条件下的气动参数进行辨识,再通过训练神经网络的方式建立运载器飞行条件和气动参数间的关系,以适应运载器气动参数随飞行条件变化的情况。本发明基于风洞数据和极大似然法进行气动参数辨识,风洞数据气动插值表得到的气动参数,可以为极大似然法辨识参数提供良好的初值;训练后的神经网络可以用于气动参数在线辨识,实时性好,具有良好的工程实用性。该方法解决了垂直起降运载器气动参数离线辨识中一组气动参数对应多种飞行条件与实际不符、运载器气动参数在线辨识实时性差的问题,可用于在线气动参数辨识。
Description
技术领域
本发明属于飞行器气动参数辨识领域,涉及一种垂直起降运载器 气动参数在线辨识方法,具体涉及一种基于极大似然法和BP神经网 络的垂直起降运载器气动参数在线辨识方法。
背景技术
获取运载器准确气动特性是研制高性能运载器自动驾驶仪的基 础。目前获取运载器气动参数的途径包含三种:风洞试验、数值计算、 飞行试验。风洞试验通过模拟飞行工况测量运载器气动特性,但由于 无法完全模拟运载器真实飞行环境,会造成气动参数的较大偏差;而 数值计算通过数值模拟计算运载器气动特性,但由于存在理论缺陷也 无法准确刻画运载器气动特性;飞行试验通过飞行试验测出运载器过 载和角运动量等飞行数据,再利用气动参数离线辨识获取运载器的气 动特性,是获取和验证运载器气动特性最有效的方式。利用目前的气 动参数离线辨识方法进行运载器气动参数辨识必须做出如下假设:一 定时间内运载器的气动参数是不变的。而运载器实际飞行中其飞行状 态时时在变化,因此气动参数也在一直变化,严格来说,运载器的一 个飞行条件就对应一组运载器气动参数。而且,垂直起降运载器具有 实时制导要求、飞行条件变化剧烈,需要进行气动参数在线辨识,但 目前的气动参数在线辨识方法往往不能满足实时性的要求,不具有工 程实用性。可以考虑利用离线辨识方法对运载器气动参数进行辨识, 然后以一定方式用于气动参数在线辨识,神经网络工具提供了这样一 种方式。神经网络具有优良的拟合特性,可以通过训练神经网络来直 接构建运载器气动参数同飞行条件间的关系。
发明内容
本发明的目的是提供一种垂直起降运载器气动参数在线辨识方 法,该方法解决了垂直起降运载器气动参数离线辨识中一组气动参数 对应多种飞行条件与实际不符、运载器气动参数在线辨识实时性差的 问题,可用于在线气动参数辨识。
本发明的目的是通过以下技术方案实现的:
一种垂直起降运载器气动参数在线辨识方法,包括如下步骤:
步骤(1):根据风洞试验数据得到气动插值表,将马赫数、攻 角、舵偏的组合称为飞行节点,经过差商计算,得到不同飞行节点下 的气动参数;
步骤(2):进行闭环气动参数辨识输入设计,进行运载器飞行 试验,获得运载器历史飞行数据;
步骤(3):利用运载器历史飞行试验数据,采用极大似然法对 各条弹道上各节点处的三通道气动参数进行辨识,辨识过程中先对俯 仰通道气动参数进行辨识,再对滚转和偏航通道气动参数进行辨识;
步骤(4):按照步骤(3)的方法完成插值表上所有节点的三通 道气动参数辨识后,再对节点间隔进行加密插值扩充,作为神经网络 的训练样本;
步骤(5):利用BP神经网络对步骤(4)的样本数据进行训练, 直接构建飞行条件-俯仰通道气动参数、飞行条件-偏航与滚转通道气 动参数之间的关系,建立两个神经网络,然后对神经网络进行训练, 训练完成后获得弹道上任意节点的气动参数。
相比于现有技术,本发明具有如下优点:
1、基于风洞数据和极大似然法进行气动参数辨识,风洞数据气 动插值表得到的气动参数,可以为极大似然法辨识参数提供良好的初 值;
2、训练后的神经网络可以用于气动参数在线辨识,实时性好, 具有良好的工程实用性。
附图说明
图1为基于神经网络和风洞数据进行运载器气动参数的辨识流程 图;
图2为时间-速度曲线;
图3为时间-攻角曲线;
图4为时间-俯仰角速度曲线;
图5为时间-高度曲线。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限 于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发 明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种垂直起降运载器气动参数在线辨识方法,该方 法在风洞数据的基础上,利用极大似然法对不同飞行条件下的气动参 数进行辨识,再通过训练神经网络的方式建立运载器飞行条件和气动 参数间的关系,以适应运载器气动参数随飞行条件变化的情况。如图 1所示,具体实施步骤如下:
(1)根据风洞试验数据得到气动插值表,将马赫数、攻角、舵偏 的组合称为飞行节点,则经过差商计算,可以得到不同飞行节点下的 气动参数。
(2)历史飞行试验数据生成。运载器的飞行试验弹道上应包含气 动插值表上所有飞行节点。实际运载器飞行试验均是在闭环控制下完 成的,这会严重抑制运载器动力学系统相关运动模态,大大降低气动 参数的可辨识性。因此在运载器飞行试验中还有必要进行闭环系统气 动参数辨识输入设计,运载器需在与气动插值表上对应的飞行节点附 近作机动飞行,激发运载器动力学系统运动模态。另外,后续进行运 载器气动参数辨识时,是通过分通道气动参数辨识的,因此试验弹道 应包含纵向机动和横滚机动。
(3)气动插值表节点气动参数修正。由气动插值表得到的气动参 数与真实的气动参数有一定偏差,因此利用运载器历史飞行试验数据 进行气动参数辨识,以修正气动参数。前面提到,基于极大似然法的 运载器气动参数辨识需要给定一组良好的待辨识参数初值,而由气动 插值表的得到的气动参数恰好可以作为参数辨识初值,很好地解决了 这一问题。采用极大似然法对各条弹道上各节点处的三通道气动参数 进行辨识,以对气动参数进行修正,获得更为准确的气动参数。为避 免气动参数数目过多所造成的极大似然法辨识精度下降的问题,将三 通道解耦,即先对俯仰通道气动参数进行辨识,再对滚转和偏航通道 气动参数进行辨识。
(4)神经网络的训练样本扩充。完成插值表上所有节点的气动参 数辨识后,再对节点间隔进行加密插值扩充,作为神经网络的训练样 本。
(5)利用BP神经网络训练样本数据。利用BP神经网络对样本数 据进行训练,直接构建飞行条件同待辨识气动参数之间的关系,网络 训练完成后,就可以获得弹道上任意节点的气动参数,该神经网络还 能用于实时气动参数辨识。神经网络的规模越小,越有利于提高神经 网络拟合精度,因此,仍将俯仰通道和偏航、滚转通道分开,对飞行 条件-俯仰通道气动参数、飞行条件-偏航与滚转通道气动参数的关系 分别进行构建,建立两个神经网络。
下面以具体实例对上述方案作以说明。
1)运载器六自由度运动气动参数辨识模型
采用极大似然法这一传统方法进行运载器气动参数辨识,要求先 给出运载器运动状态方程、运载器气动参数数学模型、观测方程。
采用运载器六自由度运动与动力学方程组作为气动参数辨识的 状态方程组。
状态方程组为:
补充方程为:
下面给出用极大似然法辨识运载器六自由度模型的气动参数的 具体表达式。运载器外作用力有气动力R、重力以及他们形成的绕质 心的力矩。气动力R运载器体轴系的三个分量为轴向力Rx、法向力 Ry、侧向力Rz。气动力形成的气动力矩M的三个分量为Mx、My和Mz。气动力和力矩系数非线性数学模型采用多项式模型,考虑三通 道间的主要耦合作用,气动力和力矩系数具体模型如下:
待辨识参数包括:
Cx0、Cy0、Cz0、Mz0、
Mx0、My0、
一共24个待辨识参数。
其中,Cx0、Cy0、Cz0、Mx0、My0、Mz0分别表示攻角、侧滑角、 舵偏角为零时的零阻力系数、零升力系数、零侧向力系数、零俯仰力 矩系数、零偏航力矩系数、零滚转力矩系数,主要是由于运载器气动 外形不对称产生的;为阻力系数、升力系数、俯仰力矩系数、滚转力矩系数对攻角的偏导数,表示攻角变化单位角度 时相应系数的变化量;分别表示阻力系数、升力系数、 俯仰力矩系数对俯仰舵偏角δz的偏导数;分别表示侧向 力系数、滚转力矩系数、偏航力矩系数对侧滑角的偏导数; 表示俯仰、偏航、滚转三通道的阻尼力矩系数;为滚转 力矩系数、俯仰力矩系数对滚转舵偏角δx的偏导数;为由攻角、 侧滑角耦合引起的滚转力矩系数;分别表示偏航力矩系数、 侧向力系数对偏航舵偏角δy的偏导;q、S、l分别代表来流动压头、 运载器特征面积、特征长度。
观测方程:选取三个角速率ωx、ωy、ωz,三个过载信号Nx、Ny、 Nz,三个欧拉姿态角ψ、γ,以及攻角α和侧滑角α作为状态变量, 一共11个观测量。其具体表达式为:
式中,vi为零均值随机观测噪声;G为运载器重量;Wx、Wy、Wz为 稳态风在弹体坐标系上的投影,Vx、Vy、Vz为速度在弹体坐标系上分 量。
2)神经网络训练样本获取
前面给出了基于神经网络和风洞试验数据的气动参数辨识方案, 下面主要进行神经网络训练样本的获取。获取神经网络训练样本包括 以下步骤:
a)基于风洞试验数据得到的气动插值表获得气动参数。
b)进行闭环气动参数辨识输入设计,进行运载器飞行试验,获 得历史飞行数据。
c)在给定风洞试验数据的基础上,基于历史飞行试验弹道数据, 对气动插值表上所有节点的气动参数进行辨识与修正。
d)神经网络训练样本扩充。
以俯仰通道的神经网络训练样本的获取和扩充为例,本节将对基 于风洞试验数据的气动参数获取进行具体说明,然后以一个飞行节点 作为算例,说明获取神经网络训练样本的过程,最后对样本扩充过程 进行说明。
a)基于风洞试验数据获取气动参数
以俯仰通道为例,对基于风洞试验数据的气动参数获取进行具体 说明。
俯仰通道气动插值表的节点数共有800个,涵盖8个攻角、10个马 赫数、10个俯仰舵偏角。各条件具体如下:
攻角节点:1°、2°、4°、6°、8°、10°、12°、15°;
马赫数:1、2、3、4、6、8、10、12、14、15;
俯仰舵偏角:-10°、-8°、-5°、-3°、-2°、0°、3°、5°、8°、10°。
表1是某型号运载器在马赫数为3、俯仰舵偏角为0时通过风洞试 验得到的气动插值表。
表1 Ma=10δ=0时由风洞数据得到的气动插值表
基于运载器风洞试验数据得到气动插值表,对气动插值表中数据 进行差商,就可以得到不同飞行条件下的气动参数。
b)闭环系统气动参数辨识输入设计
运载器常见的舵偏输入有阶跃输入、方波输入、偶极方波输入、 正弦输入等,本研究中采用阶跃输入作为舵偏输入形式。当运载器的 飞行条件与气动插值表上对应的飞行节点接近时,需要输入阶跃舵 偏,从而激发运载器动力学系统运动模态,所设计的舵偏输入还应保 证最终的控制输入与飞行节点的舵偏相同或者接近。
c)基于极大似然法的节点气动参数修正
以一个飞行节点为例,进行气动参数辨识修正。先进行俯仰通道 气动参数辨识,再对滚转和偏航通道气动参数进行辨识。以气动插值 表该节点上的气动参数作为辨识初值。
俯仰通道待辨识参数包括:
Cx0、Cy0、Mz0、
一共10个参数。
俯仰通道气动参数辨识观测量取为:速度、弹道倾角、俯仰角速 度、轴向过载、法向过载、俯仰角、攻角。
由仿真结果可知,俯仰通道辨识气动参数仿真弹道与实际飞行弹 道偏差较小,基于极大似然法的俯仰通道气动参数辨识结果具有较高 精度。
接下来对滚转通道与偏航通道气动参数进行辨识。以同次飞行试 验中相近飞行条件下的横滚机动数据作为样本,进行滚转与偏航通道 气动参数辨识研究。辨识中,俯仰通道气动参数采取俯仰通道气动参 数辨识结果,滚转与偏航通道待辨识参数包括:
Cz0、Mx0、My0、一共14个参数。
滚转与偏航通道气动参数辨识观测量取为:速度倾侧角、弹道偏 角、滚转角速度、偏航角、滚转角、攻角、侧滑角。
比较由辨识参数得到的仿真弹道与真实飞行弹道,可知两者偏差 较小,说明滚转通道与偏航通道气动参数辨识结果具有较高精度。
d)样本扩充
在完成插值表上所有节点的气动参数辨识后,再对节点间隔进行 加密插值扩充,作为神经网络的训练样本。仍以俯仰通道为例进行说 明。
取相同飞行条件的相邻条件节点中点作为新样本点,对原有的 800个样本进行扩充,则各个条件的节点如下:
攻角节点:1°、1.5°、2°、3°、4°、5°、6°、7°、8°、9°、10°、11°、 12°、13.5°、15°;
马赫数节点:1、1.5、2、2.5、3、3.5、4、5、6、7、8、9、10、 11、12、13、14、14.5、15;
俯仰舵偏角节点:-10°、-9°、-8°、-6.5°、-5°、-4°、-3°、-2.5°、-2°、-1°、0°、1.5°、3°、4°、5°、6.5°、8°、9°、10°;
新样本共计15*19*19=5415个。至此,俯仰通道神经网络训练样 本扩充完成。
3)神经网络训练
训练样本扩充完成后,需要训练神经网络,构建运载器飞行条件 同运载器气动参数间的关系。神经网络的规模越小,越有利于提高神 经网络拟合精度,因此,仍将俯仰通道和偏航、滚转通道分开,对俯 仰通道飞行条件-气动参数、偏航与滚转通道飞行条件-气动参数的关 系分别进行构建,建立两个神经网络,然后对神经网络进行训练,最 后验证神经网络的有效性。
针对飞行条件以及修正后的气动参数间的映射关系,采用BP神 经网络进行训练。第一个神经网络的输入为飞行马赫数、攻角、俯仰 舵偏,输出为俯仰通道气动参数 Cx0、Cy0、Mz0、第二个神经网络的输 入为飞行马赫数、攻角、侧滑角、偏航通道以及滚转通道的舵偏角, 输出为偏航通道、滚转通道的气动参数:
Cz0、Mx0、My0、
两个神经网络的具体参数设置如下:
第一个BP神经网络一共4层,包括2个隐含层,以及输入层、 输出层,输入层节点为3,两个隐含层的神经元节点数分别为6、10, 输出层节点数为10,等于俯仰通道气动参数数目。
第二个BP神经神经网络也为4层,包括2个隐含层,以及输入 层、输出层,输入层节点为5,两个隐含层的神经元节点数分别为9、 12,输出层节点数为14,等于偏航、滚转通道气动参数数目。
结合未经过辨识的某段飞行试验弹道数据,对扩充修正训练后的 神经网络进行仿真验证。
结合未经过辨识的某段飞行试验弹道数据,对扩充修正训练后的 神经网络进行仿真验证,可得如2-5所示仿真结果。
由以上仿真结果可知,基于神经网络输出气动参数得到的仿真弹 道与飞行试验弹道较为接近,弹道偏差最大不超过3%,证明经过飞 行试验数据修正气动插值表中的气动参数后,再训练得到的神经网络 在给定的飞行条件下对运载器实际气动参数有较高的拟合精度。
Claims (4)
1.一种垂直起降运载器气动参数在线辨识方法,其特征在于所述方法包括如下步骤:
步骤(1):根据风洞试验数据得到气动插值表,将马赫数、攻角、舵偏的组合称为飞行节点,经过差商计算,得到不同飞行节点下的气动参数;
步骤(2):进行闭环气动参数辨识输入设计,进行运载器飞行试验,获得运载器历史飞行数据;
步骤(3):利用运载器历史飞行试验数据,采用极大似然法对各条弹道上各节点处的三通道气动参数进行辨识,辨识过程中先对俯仰通道气动参数进行辨识,再对滚转和偏航通道气动参数进行辨识;
步骤(4):按照步骤(3)的方法完成插值表上所有节点的三通道气动参数辨识后,再对节点间隔进行加密插值扩充,作为神经网络的训练样本;
步骤(5):利用BP神经网络对步骤(4)的样本数据进行训练,直接构建飞行条件-俯仰通道气动参数、飞行条件-偏航与滚转通道气动参数之间的关系,建立两个神经网络,然后对神经网络进行训练,训练完成后获得弹道上任意节点的气动参数。
2.根据权利要求1所述的垂直起降运载器气动参数在线辨识方法,其特征在于所述步骤(2)中,闭环气动参数辨识输入设计时,采用阶跃输入作为舵偏输入形式。
3.根据权利要求1所述的垂直起降运载器气动参数在线辨识方法,其特征在于所述步骤(3)中,俯仰通道待辨识参数包括10个参数:
Cx0、Cy0、Mz0、
其中:Cy0、Mz0分别表示攻角、侧滑角、舵偏角为零时的零升力系数、零滚转力矩系数;为阻力系数、升力系数、俯仰力矩系数对攻角的偏导数;分别表示阻力系数、升力系数、俯仰力矩系数对俯仰舵偏角δz的偏导数;表示俯仰通道的阻尼力矩系数;为俯仰力矩系数对滚转舵偏角δx的偏导数;
俯仰通道气动参数辨识观测量取为:速度、弹道倾角、俯仰角速度、轴向过载、法向过载、俯仰角、攻角。
4.根据权利要求1所述的垂直起降运载器气动参数在线辨识方法,其特征在于所述步骤(3)中,滚转与偏航通道待辨识参数包括14个参数:
Cz0、Mx0、My0、
其中:Cz0、Mx0、My0分别表示攻角、侧滑角、舵偏角为零时的零侧向力系数、零俯仰力矩系数、零偏航力矩系数;为滚转力矩系数对攻角的偏导数;分别表示侧向力系数、滚转力矩系数、偏航力矩系数对侧滑角的偏导数;表示滚转、偏航通道的阻尼力矩系数;为滚转力矩系数、俯仰力矩系数对滚转舵偏角δx的偏导数;为由攻角、侧滑角耦合引起的滚转力矩系数;分别表示偏航力矩系数、侧向力系数对偏航舵偏角δy的偏导;
滚转与偏航通道气动参数辨识观测量取为:速度倾侧角、弹道偏角、滚转角速度、偏航角、滚转角、攻角、侧滑角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560945.1A CN110276144B (zh) | 2019-06-26 | 2019-06-26 | 一种垂直起降运载器气动参数在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560945.1A CN110276144B (zh) | 2019-06-26 | 2019-06-26 | 一种垂直起降运载器气动参数在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276144A true CN110276144A (zh) | 2019-09-24 |
CN110276144B CN110276144B (zh) | 2020-05-05 |
Family
ID=67963406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560945.1A Active CN110276144B (zh) | 2019-06-26 | 2019-06-26 | 一种垂直起降运载器气动参数在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276144B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955859A (zh) * | 2019-11-15 | 2020-04-03 | 北京航空航天大学 | 一种基于预定飞行轨的实际飞行轨道气动参数的计算方法 |
CN111209521A (zh) * | 2020-01-23 | 2020-05-29 | 西安现代控制技术研究所 | 一种单平面双通道气动数据的双平面三通道扩展方法 |
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 |
CN113917938A (zh) * | 2021-10-08 | 2022-01-11 | 北京京航计算通讯研究所 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
CN114527795A (zh) * | 2022-02-23 | 2022-05-24 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于增量在线学习的飞行器智能控制方法 |
CN116382071A (zh) * | 2023-02-08 | 2023-07-04 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7293001B1 (en) * | 2002-01-07 | 2007-11-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administrator (Nasa) | Hybrid neural network and support vector machine method for optimization |
CN101126916A (zh) * | 2007-07-13 | 2008-02-20 | 上海大学 | 主动减振智能柔性结构受控模型多通道在线辨识方法 |
CN107588921A (zh) * | 2016-07-08 | 2018-01-16 | 北京空间技术研制试验中心 | 飞行器气动参数测量方法 |
US10118696B1 (en) * | 2016-03-31 | 2018-11-06 | Steven M. Hoffberg | Steerable rotating projectile |
CN109144084A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工业大学 | 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法 |
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 |
-
2019
- 2019-06-26 CN CN201910560945.1A patent/CN110276144B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7293001B1 (en) * | 2002-01-07 | 2007-11-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administrator (Nasa) | Hybrid neural network and support vector machine method for optimization |
CN101126916A (zh) * | 2007-07-13 | 2008-02-20 | 上海大学 | 主动减振智能柔性结构受控模型多通道在线辨识方法 |
US10118696B1 (en) * | 2016-03-31 | 2018-11-06 | Steven M. Hoffberg | Steerable rotating projectile |
CN107588921A (zh) * | 2016-07-08 | 2018-01-16 | 北京空间技术研制试验中心 | 飞行器气动参数测量方法 |
CN109144084A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工业大学 | 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法 |
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 |
Non-Patent Citations (2)
Title |
---|
JIMOH O. PEDRO 等: "Online Aerodynamic Parameter Estimation of a Miniature Unmanned Helicopter Using Radial Basis Function Neural Networks", 《PROCEEDINGS OF 2011 8TH ASIAN CONTROL CONFERENCE (ASCC)》 * |
浦甲伦 等: "飞行器气动参数智能在线辨识技术研究", 《宇航总体技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955859A (zh) * | 2019-11-15 | 2020-04-03 | 北京航空航天大学 | 一种基于预定飞行轨的实际飞行轨道气动参数的计算方法 |
CN110955859B (zh) * | 2019-11-15 | 2021-05-14 | 北京航空航天大学 | 一种基于预定飞行轨的实际飞行轨道气动参数的计算方法 |
CN111209521A (zh) * | 2020-01-23 | 2020-05-29 | 西安现代控制技术研究所 | 一种单平面双通道气动数据的双平面三通道扩展方法 |
CN111209521B (zh) * | 2020-01-23 | 2023-06-02 | 西安现代控制技术研究所 | 一种单平面双通道气动数据的双平面三通道扩展方法 |
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 |
CN113917938A (zh) * | 2021-10-08 | 2022-01-11 | 北京京航计算通讯研究所 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
CN113917938B (zh) * | 2021-10-08 | 2024-04-19 | 北京京航计算通讯研究所 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
CN114527795A (zh) * | 2022-02-23 | 2022-05-24 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于增量在线学习的飞行器智能控制方法 |
CN114527795B (zh) * | 2022-02-23 | 2022-08-16 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于增量在线学习的飞行器智能控制方法 |
CN116382071A (zh) * | 2023-02-08 | 2023-07-04 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
CN116382071B (zh) * | 2023-02-08 | 2023-12-22 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110276144B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276144A (zh) | 一种垂直起降运载器气动参数在线辨识方法 | |
CN106681348B (zh) | 考虑全捷联导引头视场约束的制导控制一体化设计方法 | |
CN102706217B (zh) | 一种控制多枚导弹攻击角度和攻击时间的方法 | |
CN104460681A (zh) | 倾转旋翼无人直升机过渡段的飞行控制方法 | |
CN104298109B (zh) | 基于多控制器融合的无尾飞行器协调转弯控制方法 | |
CN103558857A (zh) | 一种btt飞行器的分布式复合抗干扰姿态控制方法 | |
CN109635494A (zh) | 一种飞行试验与地面仿真气动力数据综合建模方法 | |
CN110889170B (zh) | 飞行器大角度攻击目标的落角与攻角的估计方法 | |
CN107272719B (zh) | 基于协调因子的高超声速飞行器姿态运动协调控制方法 | |
CN111273688B (zh) | 基于事件触发的四旋翼无人机一致性编队控制方法 | |
CN110320925A (zh) | 基于高阶干扰观测器的四旋翼飞行器安全控制方法 | |
CN111813146B (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
CN114200826B (zh) | 一种超音速大机动靶标持续大过载机动高度稳定控制方法 | |
CN104331084A (zh) | 一种基于方向舵控滚转策略的气动舵偏范围计算方法 | |
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 | |
CN113268084B (zh) | 一种无人机编队智能容错控制方法 | |
CN110187713A (zh) | 一种基于气动参数在线辨识的高超声速飞行器纵向控制方法 | |
CN108549210A (zh) | 基于bp神经网络pid控制的多无人机协同飞行方法 | |
CN106406097A (zh) | 多机械臂系统的分布式自适应协调控制方法 | |
CN105116914A (zh) | 一种平流层飞艇解析模型预测路径跟踪控制方法 | |
CN107367941A (zh) | 基于非线性增益的高超声速飞行器攻角观测方法 | |
CN109460055A (zh) | 一种飞行器控制能力确定方法、装置及电子设备 | |
CN115793453A (zh) | 融合ai深度学习的旋翼飞行器轨迹跟踪自适应控制方法 | |
CN107817818B (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
CN107957686B (zh) | 基于预见控制的无人直升机自动着舰控制系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220106 Address after: 150001 room 103, unit 1, building 15, No. 2, tiesan street, Nangang District, Harbin, Heilongjiang Province Patentee after: Harbin Zhuyu Aerospace Technology Co.,Ltd. Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin Patentee before: HARBIN INSTITUTE OF TECHNOLOGY |