CN111538237B - 一种倾转旋翼无人机非线性浅灰模型辨识与校正方法 - Google Patents

一种倾转旋翼无人机非线性浅灰模型辨识与校正方法 Download PDF

Info

Publication number
CN111538237B
CN111538237B CN202010198928.0A CN202010198928A CN111538237B CN 111538237 B CN111538237 B CN 111538237B CN 202010198928 A CN202010198928 A CN 202010198928A CN 111538237 B CN111538237 B CN 111538237B
Authority
CN
China
Prior art keywords
model
data
parameters
identification
unmanned aerial
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.)
Expired - Fee Related
Application number
CN202010198928.0A
Other languages
English (en)
Other versions
CN111538237A (zh
Inventor
王英勋
赵艳琪
蔡志浩
赵江
王泽昕
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010198928.0A priority Critical patent/CN111538237B/zh
Publication of CN111538237A publication Critical patent/CN111538237A/zh
Application granted granted Critical
Publication of CN111538237B publication Critical patent/CN111538237B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于无人机飞行控制领域，涉及一种无人机浅灰模型校正方法，尤其是涉及一种将机理建模与辨识建模结合的针对倾转旋翼无人机非线性浅灰模型进行校正的方法。本发明首先通过机理分析给出倾转旋翼无人机的非线性浅灰模型，线性化后根据辨识需求确定辨识模型结构；然后进行辨识方案设计，包括输入信号的设计、数据采样频率及数据长度的选择，并对采集得到的飞行试验数据进行预处理；接着基于飞行试验数据，利用CIFER软件得到倾转旋翼无人机各个模态下的线性模型；最后利用辨识结果校正非线性模型，若有必要不断迭代这一过程直至非线性模型线性化后的参数与结构与辨识模型一致。利用本发明，可以得到较为精确的倾转旋翼无人机的非线性模型。

Description

一种倾转旋翼无人机非线性浅灰模型辨识与校正方法
技术领域
本发明属于无人机飞行控制领域，涉及一种无人机浅灰模型校正方法，尤其是涉及一种将机理建模与辨识建模结合的针对倾转旋翼无人机非线性模型进行校正的方法。
背景技术
倾转旋翼无人机作为一种兼具固定翼飞机和直升机特点的新型垂直起降飞行器，自诞生起就是国内外研究的热点。该无人机机翼两侧分别安装发动机短舱，起飞和降落的实现与双旋翼直升机类似；前飞时短舱向前倾转，旋翼产生向前的推力，类似螺旋桨飞机。倾转旋翼无人机既具有常规直升机的垂直起降和空中悬停能力，又具有固定翼飞机速度快、载重量大、航程长等优点，无论军用还是民用都具有很高的应用价值。
由于倾转旋翼无人机的主要升力由机翼和旋翼共同产生，在实际飞行过程中，尤其是模态转换时，两者之间的气流扰动和变化十分复杂，存在严重的耦合和影响。即使对倾转旋翼无人机进行机理分析，也只能得到存在不确定参数的浅灰模型。
发明内容
为此，本发明提供了一种倾转旋翼无人机非线性浅灰模型辨识与校正方法，本方法利用系统辨识的方法校正或者确定不准确的参数，通过仿真和试飞，不断迭代这一过程，校正由机理建模得到的非线性浅灰模型，从而得到较为精准的倾转旋翼无人机的非线性模型。
本发明提供了一种倾转旋翼无人机非线性浅灰模型辨识与校正方法，包括如下步骤：
S1：对倾转旋翼无人机的旋翼、机翼、机身、尾翼及其它各部分分别进行建模，得到倾转旋翼无人机的非线性浅灰模型；
S2：设计基本控制器，并针对倾转旋翼无人机不同飞行模态的特性和试验条件设计辨识方案，进行倾转旋翼无人机试飞试验，得到飞行试验数据；
S3：对步骤S1中得到的非线性浅灰模型进行解耦与小扰动线性化，建立传递函数和状态方程，分析所述非线性浅灰模型中对飞行产生影响的不确定参数，得到待辨识参数，确定模型参数辨识的线性模型；
S4：读取步骤S2中得到的飞行试验数据，并从中选取与所述待辨识参数相关的有用数据，对所述有用数据进行预处理并将预处理后的数据转换成CIFER软件能够处理的数据；
S5：利用CIFER软件，结合步骤S3确定的模型参数辨识的线性模型，将步骤S4中转换后的数据通过FRESPID、MISOSA、COMPOSITE、NAVFIT、DERIVD部分进行频域辨识，得到辨识参数，再通过VERIFY部分对参数已确定的模型参数辨识的线性模型进行时域验证，若辨识结果不满足精度要求，则返回步骤S3，重新确定模型参数辨识的线性模型，否则继续步骤S6；
S6：将步骤S3中得到的模型参数辨识的线性模型的参数与步骤S5得到的辨识参数进行比对，根据比对结果校正所述非线性浅灰模型，若校正后的非线性浅灰模型未体现无人机试飞试验的飞行特性，则需要返回步骤S3重新确定模型参数辨识的线性模型，如此不断迭代，最终得到较为精准的倾转旋翼无人机的非线性模型。
进一步，步骤S2中，所设计的基本控制器包括PID控制器配合前馈通路进行姿态角的控制。
进一步，步骤S2中，所设计的辨识方案包括试飞输入信号的类型、幅值、频段、长度、试飞次数和采用何种辨识方法。
进一步，所设计的辨识方案具体如下：
采用扫频信号作为输入信号，扫频幅值引起的飞机角度响应为±5°～±15°，频率ω的范围为0.5ωBW≤ω≤2.5ω180，ωBW为带宽频率，ω180为相角为-180度时所对应的频率；扫频实验在倾转旋翼无人机处于配平状态3至5秒后开始，结束扫频后在配平状态停留至少3秒后结束一次试验，每次试验时间Trec为
Figure BDA0002418628550000021
ωmin为最小频率，ωmin＝0.5ωBW，不同飞行模态下三轴分别进行两至三次扫频试验。
进一步，步骤S3中，所建立的状态方程为：
Figure BDA0002418628550000031
其中，u,w,q,θ为状态量，u表示体轴系下x轴方向扰动速度，w表示体轴系下z轴方向扰动速度，q表示扰动俯仰角速度，θ表示扰动俯仰角；δe,δT为控制量，δe表示归一化升降舵偏角，δT表示油门；Xu、Zu、Mu分别表示纵向力、侧向力和俯仰力矩对体轴系下x轴方向扰动速度u的偏导数，Xw、Zw、Mw分别表示纵向力、侧向力和俯仰力矩对体轴系下z轴方向扰动速度w的偏导数，Xq、Zq、Mq分别表示纵向力、侧向力和俯仰力矩对扰动俯仰角速度q的偏导数，
Figure BDA0002418628550000032
分别表示纵向力、侧向力和俯仰力矩对归一化升降舵偏角δe的偏导数，
Figure BDA0002418628550000033
分别表示纵向力、侧向力和俯仰力矩对油门δT的偏导数；U0、W0、Θ0分别表示配平状态下体轴系下x轴方向速度、体轴系下z轴方向速度和俯仰角；g表示重力加速度。
进一步，步骤S4中，对所述有用数据进行预处理并将预处理后的数据转换成CIFER软件能够处理的数据具体如下：
截取在配平状态下的扫频数据，舍弃其中明显有误、残缺或者质量不佳的数据，将剩下的数据转换成CIFER软件能够处理的数据类型，保留频域响应相干值
Figure BDA0002418628550000034
且相干值曲线较为平滑的数据用于辨识，以保证数据质量。
进一步，步骤S5具体过程如下：
转换后的数据经过CIFER软件的FRESPID、MISOSA及COMPOSITE部分生成MIMO(多输入多输出)频率响应数据库，首先确定根据步骤S3建立的传递函数和状态方程的阶次；在辨识过程中，通过NAVFIT部分，将SISO(单输入单输出)频域数据拟合为传递函数形式，再将传递函数拟合结果转化为状态方程的形式，得到状态方程参数初值；通过DERIVID部分，将MIMO频域数据拟合成状态方程(参数拟合的本质都是优化算法寻优过程，所以当待辨识参数很多或者寻优很大以致范围不能确定的时候需要先确定某些参数初值，再进行状态方程的参数辨识，因此一般都要先进行NAVFIT部分，再进行DERIVID部分)，若辨识结果与频率响应曲线拟合情况不佳，则重新确定模型参数辨识的线性模型，采用双极方波在VERIFY部分对参数已确定的模型参数辨识的线性模型进行时域验证，验证不通过则证明辨识得到的模型不具备模型预测能力，之后返回步骤S3重新确定模型参数辨识的线性模型。
本发明的有益效果：
1)本发明采用分体法进行机理建模，通过CIFER软件的辨识结果对倾转旋翼无人机非线性浅灰模型进行校正，可以得到较为精确的倾转旋翼无人机的非线性模型；
2)本发明校正后的非线性模型，可以用于倾转旋翼无人机多模态仿真，为控制器的进一步设计提供了基础。
3)本发明弥补了机理建模对于结构假设的不合理以及参数不准确甚至未知的缺点，经校正得到的非线性模型能够真实反映倾转旋翼无人机的飞行响应。
附图说明
图1为本发明的倾转旋翼无人机非线性浅灰模型辨识与校正方法流程图；
图2为本发明的倾转旋翼无人机基本坐标系；
图3为本发明实施例的基本控制器示意图；
图4为本发明的纵向频率响应拟合结果图。
具体实施方式
本发明首先通过机理分析给出倾转旋翼无人机的非线性浅灰模型，线性化后根据辨识需求确定辨识模型结构；然后进行辨识方案设计，包括输入信号的设计、数据采样频率及数据长度的选择，并对采集得到的飞行试验数据进行预处理；接着基于飞行试验数据，利用CIFER软件得到倾转旋翼无人机各个模态下的线性模型；最后利用辨识结果校正非线性浅灰模型，包括模型参数和模型结果，若有必要不断迭代这一过程直至最终得到的非线性模型线性化后的参数与结构与辨识模型一致。
下面结合附图和实施例进一步描述本发明，应该理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明的倾转旋翼无人机非线性浅灰模型辨识与校正方法，包括如下步骤：
S1：根据飞行力学、空力动力学及运动学原理，对倾转旋翼无人机的旋翼、机翼、机身、尾翼及其他各部分分别进行建模，得到倾转旋翼无人机的非线性浅灰模型。
由于倾转旋翼无人机的短舱倾角变化会引起其质心变化，而旋翼与机翼之间存在不可忽略的气动干扰，因此非线性浅灰模型的输入除了操纵量还加入了短舱倾转角，无人机的飞行模态及特性随着短舱倾角的变化而变化，以此提高非线性浅灰模型的准确性，模型中不确定的参数暂时用经验值或者估计值代替。本发明采用分体法对倾转旋翼无人机的旋翼、机翼、机身、尾翼及其他各部分分别进行建模，加入短舱倾角变化带来的影响，提升了动力学模型的准确性，完善了倾转旋翼无人机的非线性模型。图2示出了倾转旋翼无人机基本坐标系，其中，体轴系OBxByBzB和地球坐标系OExEyEzE采用美式坐标系定义，此外为计算旋翼气动力建立桨毂轴系ORxRyRzR和短舱倾转坐标系ONxNyNzN,OR位于桨毂中心，ORxR轴与旋翼轴重合，ORyR轴在桨毂平面内与OByB轴平行，ORzR按右手法则确定；ON位于短舱支点处，ONxN轴与旋翼轴平行，ONyN轴与OByB轴平行，ONzN轴按右手法则确定；RRB,RBE,RNB分别为OB指向OR的矢径，OE指向OB的矢径，OB指向ON的矢径。
S2：设计基本控制器及辨识方案进行试飞试验，采集得到飞行试验数据，相关数据记录在pixhawk中。其中，辨识方案包括试飞输入信号的类型、幅值、频段、长度，试飞次数，采用何种辨识方法等。
考虑到倾转旋翼无人机无法开环试验，因此必须在浅灰模型的基础上先设计基础控制器，以便能进行试飞试验。由于希望飞行数据尽量体现无人机本体响应，而过于“强势”的控制器会导致低频段频率响应被掩盖，因此优选地采用设计较为方便且结构比较简单的控制器进行飞行试验，例如，图3所示的PID控制器配合前馈通路进行姿态角的控制。针对倾转旋翼无人机不同飞行模态的特性和试验条件设计频域辨识方案，可以采用扫频信号作为输入信号，扫频幅值引起的飞机角度响应为±5°～±15°，扫频频率ω的范围为0.5ωBW≤ω≤2.5ω180，其中ωBW是带宽频率，ω180是相角为-180度时所对应的频率。扫频实验在倾转旋翼无人机处于配平状态3至5秒后开始，结束扫频后在配平状态停留至少3秒后结束一次试验，每次试验时间推荐
Figure BDA0002418628550000061
ωmin为最小频率，即0.5ωBW，不同飞行模态下三轴分别进行两至三次扫频试验。在未进行扫频的通道输入小幅值白噪声避免产生输入量的耦合，采用直接辨识方法进行辨识，即直接测量控制器输出量和模型输出量进行辨识。在本实施例中，分别给θcmd,φcmd,ψcmd(分别为俯仰角指令，滚转角指令，偏航角指令)扫频输入指令，幅值大约为±15°，频段0.3—30rad/s，未扫频通道输入随机数模拟白噪声，横纵向分别进行两次扫频试验。
S3：对步骤S1中得到的非线性浅灰模型进行解耦与小扰动线性化，建立相对应的纵向及横侧向状态方程，下面式(1)为通用的飞机纵向状态方程，其中某些稳定导数和操纵导数(如俯仰力矩对状态量q的偏导数Mq、俯仰力矩对控制量δe的偏导数
Figure BDA0002418628550000062
等)直接影响纵向姿态，但由于所得到的非线性浅灰模型不够精准或者不完整导致线性化得到的数值并不准确或者是未知量，这些参数即为待辨识参数，
Figure BDA0002418628550000063
其中，u,w,q,θ为状态量，u表示体轴系下x轴方向扰动速度，w表示体轴系下z轴方向扰动速度，q表示扰动俯仰角速度，θ表示扰动俯仰角；δe,δT为控制量，δe表示归一化升降舵偏角，δT表示油门；X*、Z*、M*分别表示纵向力、侧向力和俯仰力矩对状态量的稳定导数和对控制量的操纵导数，*代表状态量和控制量，具体地，Xu、Zu、Mu分别表示纵向力、侧向力和俯仰力矩对体轴系下x轴方向扰动速度u的偏导数，Xw、Zw、Mw分别表示纵向力、侧向力和俯仰力矩对体轴系下z轴方向扰动速度w的偏导数，Xq、Zq、Mq分别表示纵向力、侧向力和俯仰力矩对扰动俯仰角速度q的偏导数，
Figure BDA0002418628550000071
Figure BDA0002418628550000072
分别表示纵向力、侧向力和俯仰力矩对归一化升降舵偏角δe的偏导数，
Figure BDA0002418628550000073
分别表示纵向力、侧向力和俯仰力矩对油门δT的偏导数；U0、W0、Θ0分别表示配平状态下体轴系下x轴方向速度、体轴系下z轴方向速度和俯仰角；g表示重力加速度。
在无人机悬停状态模型中，不确定参数主要是姿态稳定导数以及操纵导数，这些参数即为待辨识参数，模型参数辨识的线性模型确定如下；
Figure BDA0002418628550000074
Figure BDA0002418628550000075
其中，p,r,φ,ψ为横侧向模型状态量，[p,r,φ,ψ]Tp表示滚转角速度，r表示偏航角速度，φ表示滚转角，ψ表示偏航角；δa,δr为控制量[δa,δr]T，δa表示归一化副翼偏角，δr表示归一化方向舵偏角；Mq表示俯仰力矩对q的偏导数，Lp、Np分别表示滚转力矩和偏航力矩对p的偏导数，Lp、Np分别表示滚转力矩和偏航力矩对p的偏导数，Lr、Nr分别表示滚转力矩和偏航力矩对r的偏导数，
Figure BDA0002418628550000076
分别表示滚转力矩和偏航力矩对的δa偏导数，
Figure BDA0002418628550000077
Figure BDA0002418628550000078
分别表示滚转力矩和偏航力矩对的δr偏导数。
S4：通过matlab读取步骤S2中得到的飞行试验数据(数据存储是.bin文件形式)然后将数据整合成能够处理的数据形式，并从中选取有用数据，即与待辨识参数相关的输入量和观测量，如δe，q，θ，截取这些有用数据在配平状态下的扫频数据，舍弃明显有误、残缺或者质量不佳的实验数据，转换成CIFER软件能够处理的数据类型，保留频域响应相干值
Figure BDA0002418628550000081
且相干值曲线较为平滑的数据用于辨识，以保证数据质量。在本实施例中，选取控制量[δe,δa,δr]及状态量[p,q,r,φ,θ,ψ]中质量较好的扫频数据，转换成CIFER软件能够处理的数据类型。
S5：利用CIFER软件，将步骤S4中转换后的数据经过FRESPID、MISOSA、COMPOSITE、NAVFIT、DERIVD等部分进行频域辨识，得到辨识参数，纵向频率响应拟合结果如图4所示，a)和b)为传递函数
Figure BDA0002418628550000082
的波特图，c)为相干值，图中实线为飞行数据曲线，虚线为模型拟合曲线，代价函数Jave＝79.674＜100，经过VERIFY部分时域验证TIC＝0.1<0.25，均满足精度要求，其中TIC指Theil不等式系数的值，通常反映了飞行动力学建模的时域内可接受的精度水平。倾转旋翼无人机悬停状态的纵向传递函数如下式(4)所示和纵向状态方程如下式(5)所示：
Figure BDA0002418628550000083
Figure BDA0002418628550000084
其中，传递函数
Figure BDA0002418628550000085
代表纵向操纵量对俯仰角的影响，s是复变量，t是时间，根据辨识结果可得Mq＝-3.4,
Figure BDA0002418628550000086
-0.0811是延迟时间。
S6：将步骤S3得到的模型参数辨识的线性模型中的参数与步骤S5得到的辨识参数进行辨识比对，根据辨识比对结果校正步骤S1中得到倾转旋翼无人机的非线性浅灰模型中的待辨识参数，例如根据Mq的辨识结果校正非线性浅灰模型中的挥舞刚度Kβ。若校正后的非线性浅灰模型未体现无人机试飞试验的飞行特性，，则返回步骤S3重新确定模型参数辨识的线性模型，如此不断迭代，最终得到较为精准的倾转旋翼无人机的非线性模型。
本发明基于无人机试飞数据通过CIFER软件辨识结果得到模型参数辨识的线性模型，与无人机的非线性浅灰模型线性化结果进行比较，不断迭代校正非线性浅灰模型的参数与结构，最终弥补了机理建模对于结构假设的不合理以及参数不准确甚至未知的缺点。本发明经校正得到的无人机非线性模型能够真实反映倾转旋翼无人机的飞行响应，校正结果最后还通过试验飞行数据与matlab仿真结果的对比进行了验证。
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种倾转旋翼无人机非线性浅灰模型辨识与校正方法，其特征在于，包括如下步骤：
S1：对倾转旋翼无人机的旋翼、机翼、机身、尾翼及其它各部分分别进行建模，得到倾转旋翼无人机的非线性浅灰模型，所述非线性浅灰模型中不确定的参数暂时用经验值或者估计值代替；
S2：设计基本控制器，并针对倾转旋翼无人机不同飞行模态的特性和试验条件设计辨识方案，进行倾转旋翼无人机试飞试验，得到飞行试验数据；所设计的基本控制器包括PID控制器配合前馈通路进行姿态角的控制；
S3：对步骤S1中得到的非线性浅灰模型进行解耦与小扰动线性化，建立传递函数和状态方程，分析所述非线性浅灰模型中对飞行产生影响的不确定参数，得到待辨识参数，确定模型参数辨识的线性模型；
S4：读取步骤S2中得到的飞行试验数据，并从中选取与所述待辨识参数相关的有用数据，对所述有用数据进行预处理并将预处理后的数据转换成CIFER软件能够处理的数据；
S5：利用CIFER软件，结合步骤S3确定的模型参数辨识的线性模型，将步骤S4中转换后的数据通过FRESPID、MISOSA、COMPOSITE、NAVFIT、DERIVD部分进行频域辨识，得到辨识参数，再通过VERIFY部分对参数已确定的模型参数辨识的线性模型进行时域验证，若辨识结果不满足精度要求，则返回步骤S3，重新确定模型参数辨识的线性模型，否则继续步骤S6；
S6：将步骤S3中得到的模型参数辨识的线性模型的参数与步骤S5得到的辨识参数进行比对，根据比对结果校正所述非线性浅灰模型，若校正后的非线性浅灰模型未体现无人机试飞试验的飞行特性，则需要返回步骤S3，重新确定模型参数辨识的线性模型，如此不断迭代，最终得到较为精准的倾转旋翼无人机的非线性模型；
所述步骤S3中，所建立的状态方程为：
Figure FDA0003183779570000021
其中，u,w,q,θ为状态量，u表示体轴系下x轴方向扰动速度，w表示体轴系下z轴方向扰动速度，q表示扰动俯仰角速度，θ表示扰动俯仰角；δe,δT为控制量，δe表示归一化升降舵偏角，δT表示油门；Xu、Zu、Mu分别表示纵向力、侧向力和俯仰力矩对体轴系下x轴方向扰动速度u的偏导数，Xw、Zw、Mw分别表示纵向力、侧向力和俯仰力矩对体轴系下z轴方向扰动速度w的偏导数，Xq、Zq、Mq分别表示纵向力、侧向力和俯仰力矩对扰动俯仰角速度q的偏导数，
Figure FDA0003183779570000022
分别表示纵向力、侧向力和俯仰力矩对归一化升降舵偏角δe的偏导数，
Figure FDA0003183779570000023
分别表示纵向力、侧向力和俯仰力矩对油门δT的偏导数；U0、W0、Θ0分别表示配平状态下体轴系下x轴方向速度、体轴系下z轴方向速度和俯仰角；g表示重力加速度；
在无人机悬停状态模型中，不确定参数是姿态稳定导数以及操纵导数，这些参数即为待辨识参数，模型参数辨识的线性模型确定如下；
Figure FDA0003183779570000024
Figure FDA0003183779570000025
其中，p,r,φ,ψ为横侧向模型状态量，p表示滚转角速度，r表示偏航角速度，φ表示滚转角，ψ表示偏航角；δa,δr为控制量，δa表示归一化副翼偏角，δr表示归一化方向舵偏角；Mq表示俯仰力矩对q的偏导数， Lp、Np分别表示滚转力矩和偏航力矩对p的偏导数，Lr、Nr分别表示滚转力矩和偏航力矩对r的偏导数，
Figure FDA0003183779570000031
Figure FDA0003183779570000032
分别表示滚转力矩和偏航力矩对δa的偏导数，
Figure FDA0003183779570000033
分别表示滚转力矩和偏航力矩对δr的偏导数；
所述步骤S4中的有用数据为δe，q和θ。
2.根据权利要求1所述的方法，其特征在于，步骤S2中，所设计的辨识方案包括试飞输入信号的类型、幅值、频段、长度、试飞次数和采用何种辨识方法。
3.根据权利要求2所述的方法，其特征在于，所设计的辨识方案具体如下：
采用扫频信号作为输入信号，扫频幅值引起的飞机角度响应为±5°～±15°，扫频频率ω的范围为0.5ωBW≤ω≤2.5ω180，ωBW为带宽频率，ω180为相角-180度时所对应的频率；扫频实验在倾转旋翼无人机处于配平状态3至5秒后开始，结束扫频后在配平状态停留至少3秒后结束一次试验，每次试验时间Trec为
Figure FDA0003183779570000034
ωmin为最小频率，ωmin＝0.5ωBW，不同飞行模态下三轴分别进行两至三次扫频试验。
4.根据权利要求1所述的方法，其特征在于，步骤S4中，对所述有用数据进行预处理并将预处理后的数据转换成CIFER软件能够处理的数据具体如下：
截取在配平状态下的扫频数据，舍弃其中明显有误、残缺或者质量不佳的数据，将剩下的数据转换成CIFER软件能够处理的数据类型，保留频域响应相干值
Figure FDA0003183779570000035
且相干值曲线较为平滑的数据用于辨识，以保证数据质量。
5.根据权利要求1所述的方法，其特征在于，步骤S5具体过程如下：
转换后的数据经过CIFER软件的FRESPID、MISOSA及COMPOSITE部分生成MIMO频率响应数据库，首先确定根据步骤S3建立的传递函数和状态方程的阶次；在辨识过程中，通过NAVFIT部分，将SISO频域数据拟合为传递函数形式，再将传递函数拟合结果转化为状态方程的形式，得到状态方程参数初值；通过DERIVID部分，将MIMO频域数据拟合成状态方程，若辨识结果与频率响应曲线拟合情况不佳，则重新确定模型参数辨识的线性模型，采用双极方波在VERIFY部分对参数已确定的模型参数辨识的线性模型进行时域验证，验证不通过则证明辨识得到的模型不具备模型预测能力，之后返回步骤S3重新确定模型参数辨识的线性模型。
CN202010198928.0A 2020-03-20 2020-03-20 一种倾转旋翼无人机非线性浅灰模型辨识与校正方法 Expired - Fee Related CN111538237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010198928.0A CN111538237B (zh) 2020-03-20 2020-03-20 一种倾转旋翼无人机非线性浅灰模型辨识与校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010198928.0A CN111538237B (zh) 2020-03-20 2020-03-20 一种倾转旋翼无人机非线性浅灰模型辨识与校正方法

Publications (2)

Publication Number Publication Date
CN111538237A CN111538237A (zh) 2020-08-14
CN111538237B true CN111538237B (zh) 2021-10-29

Family

ID=71976713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010198928.0A Expired - Fee Related CN111538237B (zh) 2020-03-20 2020-03-20 一种倾转旋翼无人机非线性浅灰模型辨识与校正方法

Country Status (1)

Country Link
CN (1) CN111538237B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112068582B (zh) * 2020-09-24 2022-02-18 北京航空航天大学 一种倾转旋翼无人机过渡模式模型辨识方法
CN113189866B (zh) * 2021-02-03 2022-04-26 北京航空航天大学 一种倾转旋翼无人机状态空间模型辨识方法
CN115309178A (zh) * 2021-05-06 2022-11-08 北京理工大学 一种小型四旋翼无人机前飞实验系统设计及模型辨识方法
CN113901572B (zh) * 2021-12-09 2022-03-04 中航金城无人系统有限公司 基于频域辨识的多旋翼飞行器传递函数模型建模方法
CN115056990B (zh) * 2022-02-23 2023-08-18 南京航空航天大学 倾转旋翼机动力系统控制方法及装置
CN114543841B (zh) * 2022-02-25 2023-06-02 四川大学 环境因素对空三点云影响实验装置以及评估方法
CN115266016B (zh) * 2022-09-20 2023-01-10 之江实验室 基于模型参考和时间快进的环境风场快速估计方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930494A (zh) * 2010-09-03 2010-12-29 清华大学 基于模态分割和遗传算法的飞行器不定阶次参数模型辨识方法
CN102507131A (zh) * 2011-09-26 2012-06-20 中国航空工业第六一八研究所 一种获取无人机数学模型中未知气动参数的方法
CN103010485A (zh) * 2012-12-21 2013-04-03 南京航空航天大学 一种倾转旋翼无人机仿真建模方法及其系统
CN108196573A (zh) * 2017-12-29 2018-06-22 南京奇蛙智能科技有限公司 一种无人机在线辨识与控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2465050A4 (en) * 2009-09-03 2014-01-29 Wallace E Larimore METHOD AND SYSTEM FOR THE EMPIRICAL MODELING OF NONLINEAR SYSTEMS WITH TIME AND PARAMETER VARIATIONS THROUGH REPEATED LINEAR SURFACE CALCULATION

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930494A (zh) * 2010-09-03 2010-12-29 清华大学 基于模态分割和遗传算法的飞行器不定阶次参数模型辨识方法
CN102507131A (zh) * 2011-09-26 2012-06-20 中国航空工业第六一八研究所 一种获取无人机数学模型中未知气动参数的方法
CN103010485A (zh) * 2012-12-21 2013-04-03 南京航空航天大学 一种倾转旋翼无人机仿真建模方法及其系统
CN108196573A (zh) * 2017-12-29 2018-06-22 南京奇蛙智能科技有限公司 一种无人机在线辨识与控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
固定翼无人机不确定性建模研究;朱菲菲;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170815;正文第6页第2.2节、第9页第2.2.1节第（3）小节、第52页第4.4.1节、第11页第2.2.3-2.2.4节、第53页第4.4.2节 *
直升机飞行力学模型系统辨识技术研究;陈力;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170815;正文第42-48页第3.4.1节，图3.7 *

Also Published As

Publication number Publication date
CN111538237A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111538237B (zh) 一种倾转旋翼无人机非线性浅灰模型辨识与校正方法
US10787242B1 (en) Variable camber continuous aerodynamic control surfaces and methods for active wing shaping control
CN112068582B (zh) 一种倾转旋翼无人机过渡模式模型辨识方法
CN109543271B (zh) 一种应用于共轴带推力桨高速直升机的配平操纵设计方法
Johnson et al. Design and performance of lift-offset rotorcraft for short-haul missions
US11460865B2 (en) Method and system for longitudinal control of aircraft
Seher-Weiß ACT/FHS system identification including rotor and engine dynamics
Vayalali et al. Horizontal stabilator utilization for post swashplate failure operation on a UH-60 black hawk helicopter
Mathur et al. Wind Tunnel Testing and Aerodynamic Characterization of a QuadPlane Uncrewed Aircraft System
Kohler et al. Linearized Rigid-Body Static and Dynamic Stability of an Aircraft with a Bio-Inspired Rotating Empennage
Gilyard et al. Flight test of an adaptive configuration optimization system for transport aircraft
Tischler et al. Bell 412 system identification and model fidelity assessment for hover and forward flight
CN113189866B (zh) 一种倾转旋翼无人机状态空间模型辨识方法
Nadell et al. System Identification and Stitched Modeling of the ADAPT™ Winged Compound Helicopter Scaled Demonstrator
Saetti et al. Flight simulation and control using the Julia language
Bottà Modeling and identification of a distributed electric propulsion demonstrator aircraft
Ozdemir In-flight performance optimization for rotorcraft with redundant controls
Sim et al. Flight-determined aerodynamic derivatives of the AD-1 oblique-wing research airplane
Huang et al. Aerodynamic Design of Fixed-wing Mode for A Ducted-fan Tiltrotor UAV by Digital DATCOM
Paletta Maneuver load controls, analysis and design for flexible aircraft
Lawler et al. System identification of the longitudinal/heave dynamics for a tandem-rotor helicopter including higher-order dynamics
Gladfelter et al. Enhanced Flight Dynamics Models with Aerodynamic Interference for Real-Time Simulation of VTOL Concept Vehicles
Nguyen et al. Enhancement of light aircraft 6 DOF simulation using flight test data in longitudinal motion
Zhiming et al. Research on Trim Control of Compound High Speed Helicopter.
Bagiev et al. Handling qualities evaluation of an autogiro against the existing rotorcraft criteria

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211029

CF01 Termination of patent right due to non-payment of annual fee