CN112668092A - 一种耦合气动干扰的飞行器混合配平分析方法 - Google Patents

Abstract

本发明公开了一种耦合气动干扰的飞行器混合配平分析方法，该方法能够有效补偿在物理模型建立过程中未考虑的气动干扰问题，并且该算法基本不依赖于初值，收敛速度快。该方法基于IA/LM耦合LBM的混合优化配平算法，利用CFD计算各个状态下部件气动干扰力和力矩，补偿到飞行动力学模型中，实现对气动干扰的补偿计算；利用IA算法对初值依赖度较低以及LM算法计算收敛速度快的特点，实现不依赖初值的快速收敛配平计算。在飞行器的配平计算中，主要用于具有较大气动干扰及气动变化的变结构、变模态飞行器的配平计算。

Description

一种耦合气动干扰的飞行器混合配平分析方法

技术领域

本发明属于飞行器构建飞行动力学模型技术领域，具体涉及一种耦合气动干扰的飞行器混合配平分析方法。

背景技术

飞行器的配平分析是研究飞行器操稳特性的基础。通常的配平方法有：在构建配平算法时，引入依赖于工程经验的阻尼项，然后根据初值将配平分算法分三个部分：纵向、横向和旋翼转速；采用广义简约梯度优化算法对配平方法进行优化，但该配平方法依然没有解决对初值依赖的问题，而且该算法容易收敛到局部最优解；将基于遗传算法的混合优化算法引入到飞行器配平算法中。特别是变构型、多模态的飞行器，其构型会导致飞行器具有显著的气动特性和结构特性的变化，该类飞行器不仅具有时变特性，也具有高度的非线性特性，对该类飞行器的高精度模型建立具有很大的难度。因此，研究其配平方法对其设计研究具有非常重要的应用价值。

一些针对配平分析的研究主要体现在研究飞行器的动力学数学仿真模型。但是其所建立的模型精度较低，没有考虑到各气动部件之间的气动干扰问题，并且其对配平的初值依赖较大。与此同时，也有很多学者利用系统辨识的方法，通过试飞数据建立了飞行器的传递函数模型，虽然这种方法能够提高模型的精度，但是成本却非常高并且周期较长。

发明内容

非线性飞行动力学模型是研究倾转四旋翼无人机操稳特性、操纵策略、倾转路径以及飞行控制技术研究的基础。针对倾转四旋翼无人机旋翼和机翼气动干扰问题，以及传统配平方法比较依赖于初值的选取以及收敛速度慢、收敛精度低等问题，提出的一种耦合气动干扰的飞行器混合配平分析方法，该方法能够有效补偿在物理模型建立过程中未考虑的气动干扰问题，并且该算法基本不依赖于初值，收敛速度快。该方法基于IA/LM耦合LBM的混合优化配平算法，利用CFD计算各个状态下部件气动干扰力和力矩，补偿到飞行动力学模型中，实现对气动干扰的补偿计算；利用IA算法对初值依赖度较低以及LM算法计算收敛速度快的特点，实现不依赖初值的快速收敛配平计算。在飞行器的配平计算中，主要用于具有较大气动干扰及气动变化的变结构、变模态飞行器的配平计算。

本发明具体技术方案为：

一种耦合气动干扰的飞行器混合配平分析方法，包括步骤如下：

第一步，根据飞行器动力学方程和运动学方程，建立飞行器的动力学模型，并且将动力学模型配平转化为多目标求取极值问题，构造目标函数。

第二步，利用IA/LM算法对目标函数进行初步求解，将初步求解的结果作为LBM算法气动状态的输入，进行气动干扰计算。

第三步，将计算气动干扰后的气动力和力矩，引入到飞行器动力学模型中，重复第二步，直至结果收敛到一定精度。

进一步地，上述方法的具体实现方案如下：

步骤1，构造目标函数

分别建立各气动部件(旋翼、机翼、机身、平尾和垂尾等)的气动力模型，然后根据动力学方程(1)和运动学方程(2)建立飞行器的动力学模型：

其中m为飞行器质量，g为重力加速度，F为大地坐标系下的力，M为机体轴系下的操纵力矩，I为惯性矩，u,v,w分别为大地坐标系下x,y,z轴速度分量，

θ,ψ分别为机体轴滚转，俯仰和偏航角，p,q,r分别为机体轴滚转，俯仰和偏航角速度。

公式(1)和(2)改写成状态方程形式：

式中，X是状态向量，U为操纵向量。

则配平的解就是如下非线性方程的解：

g_i(X_I)＝0 (i＝1,2,3,…) (4)

构造适应度函数：

当，J＝0时，X_I是式(5)的精确解，飞行器的配平问题转变为多目标优化问题，即寻求X_I使得J最小，随机初始化解空间，形成解空间的初始值。

步骤2，应用IA/LM算法对目标函数进行求解；

步骤2-1，首先进行适应度函数识别，即理解待优化的问题，对问题进行可行性分析，提取先验知识，构造出合适的亲和度函数，并制定各种约束条件。

步骤2-2，然后产生初始可行解群，通过编码把问题的可行解表示成解空间形式，在解的空间内随机产生一个初始可行解。

定义可行解因子为：

式中，N为可行解空间规模，S(ab_i,ab_j)表示可行解之间的相似度，可以表示为：

其中，ab_i为可行解空间中的第i个可行解，aff(ab_i,ab_j)为可行解i与j的亲和度，δ_s为相似度阈值。

步骤2-3，对可行解空间中的每一个可行解进行亲和度评价。

步骤2-4，判断是否满足IA算法终止条件：如果满足条件。则终止IA算法寻优进程，并将计算结果作为LM算法的初始值进行计算，否则，继续寻优运算。

步骤2-5，计算可行解因子和转变因子。

步骤2-6，进行可行解处理，包括可行解选择、复制、改变。

步骤2-7，可行解刷新，以随机生成的新可行解代替解空间中转变因子较低的抗体，形成新一代可行解空间，转步骤2-3。

步骤2-8，判断LM算法是否收敛，如果收敛则终止LM算法，并将计算结果作为气动干扰模型的状态输入，否则继续寻优，转到步骤2-4。

步骤3，将气动干扰模型引入到配平方法中，耦合气动干扰模型的配平方法具体步骤为：

步骤3-1，将IA/LM最终优化结果代入LBM模型中，计算各部件的气动力；针对气动干扰模型的计算，选择基于对流-扩散问题的格子玻尔兹曼方程：

其中，用来调节对流效应的外力项为：

式中，u为对流速度矢量。对于二维问题，u＝ui+uj，i和j分别为x和y方向的单位矢量，c_k为沿着流动方向的单位矢量；

步骤3-2，将LBM模型计算得到的气动力和力矩与飞行动力学模型组合，得到耦合后的气动力；

式中，上标n表示迭代次数，

和

分别表示第n次迭代时LBM模型和飞行动力学模型产生的气动力；

步骤3-3，将产生的组合气动力代入到配平方程的适应度函数公式(5)中，利用IA/LM优化算法得到耦合气动干扰模型后的配平变量；确定是否满足收敛条件，如果满足则输出组合配平值，否则返还步骤2直到收敛。

本发明的有益效果为：本发明在实际应用于变构型/多模态飞行器飞行动力学配平分析中具有切实的实际意义，不仅解决了飞行动力学建模过程中模型不确定性问题，而且还将各气动部件之间的相互干扰引入到了配平修正中。采用的智能优化方法不仅消除了配平方法对初值依赖的问题，而且减少了运算量，增加了算法的收敛速度。本算法是对飞行器飞行动力学模型进行配平运算处理，仿真结果表明基本在迭代3步左右计算结果收敛。在达到配平计算结果准确性的同时，也保证了计算的效率。

附图说明

图1为耦合气动干扰模型的配平分析方法流程图。

图2为耦合了气动干扰模型的配平优化算法前向力和垂向力误差迭代收敛曲线结果。(a)前向力误差；(b)垂向力误差。

图3为操纵和姿态随着前飞速度的变化曲线。(a)油门操纵量；(b)俯仰操纵量；(c)俯仰角。

具体实施方式

1、具有部分倾转机翼的倾转四旋翼配平分析结果

为验证本发明所提方法的有效性与合理性，本发明以某具有部分倾转机翼的倾转四旋翼飞行器为例，进行了配平分析。具有部分倾转机翼的倾转四旋翼性能参数如表1所示。

表1具有部分倾转机翼的倾转四旋翼飞行器参数

耦合了气动干扰模型的倾转四旋翼无人机配平结果如图2、图3和表2-表6所示。

表2耦合气动干扰模型的配平分析方法前向力收敛误差。

表3耦合气动干扰模型的配平分析方法垂向力收敛误差

表4耦合气动干扰模型和未耦合气动干扰模型油门操纵量配平结果对比

表5耦合气动干扰模型和未耦合气动干扰模型俯仰操纵量配平结果对比

表6耦合气动干扰模型和未耦合气动干扰模型俯仰角操纵量配平结果对比

图2为耦合了气动干扰模型的配平优化算法前向力和垂向力误差迭代收敛曲线结果。从图中可以看出，耦合气动干扰模型的配平优化算法收敛速度较快，基本迭代三次都达到了合理的收敛精度。从表2和表3中可以看出，前向和垂向力误差在迭代三次后分别达到了2m/s时0.15、-0.05，4m/s时-0.8、-0.75，6m/s时-0.828、0.56和8m/s时-0.33、-0.59。

图3为耦合气动干扰模型和未耦合气动干扰模型的优化配平算法对带有倾转短板的倾转四旋翼无人机在直升机模式下的配平结果对比图。从3(c)中可以看出，当考虑了气动干扰之后，随着前飞速度的增加，倾转四旋翼无人机的俯仰角会逐渐增加。与不考虑气动干扰模型相比，当引入气动干扰模型时，当速度大于4m/s时，倾转四旋翼无人机要进一步减小俯仰角以抵消倾转短板产生的阻力。同时由于倾转四旋翼无人机俯仰角负向更大，因此倾转四旋翼产生相同前向拉力所需的油门转速也越小。当前飞速度较小时，由于机身低头较小，旋翼对倾转短板的下洗流的影响，产生一个负向升力，因此需要增加旋翼转速以提供足够的升力来配平倾转四旋翼无人机的重力。当前飞速度变大后，由于机身低头更大，倾转短板开始提供一部分升力，同时机翼提供的升力也逐步增加，因此为了配平重力所需求的旋翼转速逐渐下降。

Claims (1)

1.一种耦合气动干扰的飞行器混合配平分析方法，其特征在于，包括步骤如下：

步骤1，构造目标函数；

分别建立各气动部件的气动力模型，然后根据动力学方程(1)和运动学方程(2)建立飞行器的动力学模型：

其中m为飞行器质量，g为重力加速度，F为大地坐标系下的力，M为机体轴系下的操纵力矩，I为惯性矩，u,v,w分别为大地坐标系下x,y,z轴速度分量，

θ,ψ分别为机体轴滚转、俯仰和偏航角，p,q,r分别为机体轴滚转、俯仰和偏航角速度；

公式(1)和(2)改写成状态方程形式：

式中，X是状态向量，U为操纵向量；

则配平的解就是如下非线性方程的解：

g_i(X_I)＝0(i＝1,2,3,…) (4)

构造适应度函数：

当，J＝0时，X_I是式(5)的精确解，飞行器的配平问题转变为多目标优化问题，即寻求X_I使得J最小，随机初始化解空间，形成解空间的初始值；

步骤2，应用IA/LM算法对目标函数进行求解；

步骤2-1，首先进行适应度函数识别，即理解待优化的问题，对问题进行可行性分析，提取先验知识，构造出合适的亲和度函数，并制定约束条件；

步骤2-2，然后产生初始可行解群，通过编码把问题的可行解表示成解空间形式，在解的空间内随机产生一个初始可行解；

定义可行解因子为：

式中，N为可行解空间规模，S(ab_i,ab_j)表示可行解之间的相似度，表示为：

其中，ab_i为可行解空间中的第i个可行解，aff(ab_i,ab_j)为可行解i与j的亲和度，δ_s为相似度阈值；

步骤2-3，对可行解空间中的每一个可行解进行亲和度评价；

步骤2-4，判断是否满足IA算法终止条件：如果满足条件，则终止IA算法寻优进程，并将计算结果作为LM算法的初始值进行计算，否则，继续寻优运算；

步骤2-5，计算可行解因子和转变因子；

步骤2-6，进行可行解处理，包括可行解选择、复制、改变；

步骤2-7，可行解刷新，以随机生成的新可行解代替解空间中转变因子较低的抗体，形成新一代可行解空间，转步骤2-3；

步骤2-8，判断LM算法是否收敛，如果收敛则终止LM算法，并将计算结果作为气动干扰模型的状态输入，否则继续寻优，转到步骤2-4；

步骤3，将气动干扰模型引入到配平方法中，耦合气动干扰模型的配平方法具体步骤为：

步骤3-1，将IA/LM最终优化结果代入LBM模型中，计算各部件的气动力；

针对气动干扰模型的计算，选择基于对流-扩散问题的格子玻尔兹曼方程：

其中，用于调节对流效应的外力项为：

式中，u为对流速度矢量；对于二维问题，u＝ui+uj，i和j分别为x和y方向的单位矢量，c_k为沿着流动方向的单位矢量；

步骤3-2，将LBM模型计算得到的气动力和力矩与飞行动力学模型组合，得到耦合后的气动力；

式中，上标n表示迭代次数，

和

分别表示第n次迭代时LBM模型和飞行动力学模型产生的气动力；

步骤3-3，将产生的组合气动力代入到配平方程的适应度函数公式(5)中，利用IA/LM优化算法得到耦合气动干扰模型后的配平变量；确定是否满足收敛条件，如果满足则输出组合配平值，否则返还步骤2直到收敛。

Images