CN113673036B - 一种扑翼飞行器的升力和功耗协同优化方法 - Google Patents

一种扑翼飞行器的升力和功耗协同优化方法 Download PDF

Info

Publication number
CN113673036B
CN113673036B CN202111011225.3A CN202111011225A CN113673036B CN 113673036 B CN113673036 B CN 113673036B CN 202111011225 A CN202111011225 A CN 202111011225A CN 113673036 B CN113673036 B CN 113673036B
Authority
CN
China
Prior art keywords
ornithopter
power consumption
max
lift force
lift
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.)
Active
Application number
CN202111011225.3A
Other languages
English (en)
Other versions
CN113673036A (zh
Inventor
邓慧超
肖胜杰
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 CN202111011225.3A priority Critical patent/CN113673036B/zh
Publication of CN113673036A publication Critical patent/CN113673036A/zh
Application granted granted Critical
Publication of CN113673036B publication Critical patent/CN113673036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种扑翼飞行器的升力和功耗协同优化方法，包括如下步骤：根据准定常假设建立扑翼飞行器空气动力学模型和功率消耗模型；根据扑翼飞行器空气动力学模型建立升力最大和功率消耗最小的目标函数，并建立约束函数；采用NSGA‑II多目标优化算法求解满足升力和功率消耗的最优全局配置方案；输出最优控制变量给扑翼飞行器。本发明可以使扑翼飞行器在升力和功率消耗两个指标之间取得平衡，在较小功率消耗的前提下能发挥较大升力、提高带载能力，提高飞行器的续航时间，拓展扑翼飞行器的应用范围。

Description

一种扑翼飞行器的升力和功耗协同优化方法
技术领域
本发明涉及扑翼飞行器技术领域，尤其涉及一种扑翼飞行器的升力和功耗协同优化方法。
背景技术
由于扑翼飞行器结构特点，目前的扑翼飞行器通常尺寸较小，负载能力较低。为了完成各种不同的任务，扑翼飞行器通常需要携带多种不同的设备，扑翼飞行器的升力越高，其带载能力就越强，适用范围就越广，但是同时功率消耗大，飞行器的续航时间短。因此需要研究能够满足升力和功率消耗的多目标配置优化方法，使扑翼飞行器的功率损耗低同时升力尽可能大，以取得携带载荷和续航之间的完美平衡，尽量提高扑翼飞行器的带载能力并延长其续航时间。
发明内容
本发明目的是提供了一种扑翼飞行器的升力和功耗协同优化方法，以解决上述问题。
本发明解决技术问题采用如下技术方案：
一种扑翼飞行器的升力和功耗协同优化方法，包括如下步骤：
S1，根据准定常假设建立扑翼飞行器空气动力学模型和功率消耗模型；
S2，根据扑翼飞行器空气动力学模型建立升力最大和功率消耗最小的目标函数，并建立约束函数；
S3，采用NSGA-II多目标优化算法求解满足升力和功率消耗的最优全局配置方案；
S4，输出最优控制变量给扑翼飞行器。
优选的，根据准定常假设，扑翼飞行器空气动力学模型为：
F＝FL+FR
其中F为扑翼飞行器的升力；
ρ为大气密度，v为扑翼拍动速度，α为攻角，WL,w1,/>为常量，R为扑翼飞行器翼展，r为扑翼的平均长度；
θ为俯仰角度，WR,w2,/>为常量。
优选的，扑翼飞行器的功率消耗为：
C1，C2，C3为常量，T1为驱动扑翼电机拍动的转矩，T2为驱动攻角电机的转矩，T3为驱动俯仰电机的转矩。
优选的，扑翼飞行器节能控制的目标函数为：
Max F，扑翼飞行器的升力最大；
MinP，扑翼飞行器的功率消耗最低。
优选的，约束条件为：
F＞G，G为扑翼飞行器的重力；
ρ＜ρmax，ρmax为安全飞行高度对应的大气密度；
v＜vmax，vmax为最大安全扑翼拍动速度；
0＜α＜αmax，αmax为攻角最大值；
0＜θ＜θmax，θmax为俯仰角最大值；
P＜Pmax，Pmax为锂电池的额定输出功率。
优选的，多目标优化算法的流程为：
S31，随机生成初始种群；
S32，对种群中的每个个体计算升力的目标函数值Fi和功率消耗的目标函数值Pi；
S33，计算拥挤度并进行快速非支配排序；
采用快速非支配排序方法对种群进行非支配层算法分级；
第i个个体的拥挤度为：
其中fj(j＝1,2)分别表示升力和功率损耗两个目标函数，β为权重调整因子，用于调整升力和功率损耗的权重值；
S34，对种群进行选择、交叉和变异操作，生成子代种群，并计算子代种群的升力的目标函数值和功率消耗的目标函数值；
S35，将父代和子代合并，通过快速非支配排序方法和精英策略得到新的种群；
S36，重复步骤S32～S35，达到迭代次数后，停止迭代。
优选的，步骤S4中的控制变量包括飞行高度、扑翼拍动速度、攻角和俯仰角。
本发明公开的一种扑翼飞行器的升力和功耗协同优化方法，具有以下有益效果：
(1)本发明公开的扑翼飞行器的升力和功耗协同优化方法，输出的最优控制参数能够使飞行器在功率消耗较小时获得较大的升力，满足升力最大和功率消耗最小的最优配置。
(2)本发明公开的扑翼飞行器的升力和功耗协同优化方法采用NSGA-II多目标优化算法求解满足升力和功率消耗的最优全局配置方案，算法的收敛速度快，满足实时性要求。
(3)本发明公开的扑翼飞行器的升力和功耗协同优化方法在计算拥挤度时采用权重调整因子调整升力和功率消耗的权重，从而可以根据不同的任务需求调整算法，使算法的最优控制变量倾向于升力提升或者是功率消耗小，提高扑翼飞行器执行任务的多样性。
附图说明
图1为本发明扑翼飞行器的升力和功耗协同优化方法的整体流程图。
图2为本发明NSGA-II多目标优化算法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例公开的一种扑翼飞行器的升力和功耗协同优化方法，包括如下步骤：
S1，根据准定常假设建立扑翼飞行器空气动力学模型和功率消耗模型；
S2，根据扑翼飞行器空气动力学模型建立升力最大和功率消耗最小的目标函数，并建立约束函数，其中目标函数为扑翼飞行器的升力最大、功率消耗最小，约束函数包括升力应大于自身重力、飞行高度应确保最小安全高度、飞行速度小于最大设计速度、攻角在设计范围内、俯仰角在设计范围内、扑翼飞行器的消耗功率小于锂电池的额定输出功率，输出的控制变量为飞行高度、扑翼拍动速度、攻角和俯仰角；
S3，采用NSGA-II多目标优化算法求解满足升力和功率消耗的最优全局配置方案；
S4，输出最优控制变量给扑翼飞行器，使飞行器在稳定飞行时升力较大、功率损耗较低。
根据准定常假设，扑翼飞行器空气动力学模型为：
F＝FL+FR
其中F为扑翼飞行器的升力；
ρ为大气密度，v为扑翼拍动速度，α为攻角，WL,w1,/>为常量，R为扑翼飞行器翼展，r为扑翼的平均长度；
θ为俯仰角度，WR,w2,/>为常量。
扑翼飞行器的功率消耗为：
C1，C2，C3为常量，T1为驱动扑翼电机拍动的转矩，T2为驱动攻角电机的转矩，T3为驱动俯仰电机的转矩。
扑翼飞行器节能控制的目标函数为：
Max F，扑翼飞行器的升力最大；
MinP，扑翼飞行器的功率消耗最低。
约束条件为：
F＞G，G为扑翼飞行器的重力；扑翼飞行器的升力大于重力；
ρ＜ρmax，ρmax为安全飞行高度对应的大气密度；高度越高，大气密度越低，需保证扑翼飞行器的安全飞行高度；
v＜vmax，vmax为最大安全扑翼拍动速度；扑翼拍动速度小于最大安全扑翼拍动速度；
0＜α＜αmax，αmax为攻角最大值；攻角在设计范围之内；
0＜θ＜θmax，θmax为俯仰角最大值；俯仰角在设计范围之内；
P＜Pmax，Pmax为锂电池的额定输出功率，扑翼飞行器的消耗功率小于锂电池的额定输出功率。
由此建立目标函数和约束函数，输出的控制变量为飞行高度、扑翼拍动速度、攻角和俯仰角。
如图2所示，多目标优化算法的流程为：
(1)随机生成初始种群；采用二进制编码生成初始种群xi(i＝1,2,...,种群大小)，初始种群数量的大小与扑翼飞行器控制器的运算速度相关，初始种群数量越大，越能保持种群的多样性，确保搜寻到全局最优解，但是会降低NSGA-II算法的收敛速度，降低响应时间，初始种群的大小通常应不小于40。
(2)根据目标函数计算适应度值，适应度函数为目标函数，第i个个体的适应度值为扑翼飞行器的功耗Fi和功率消耗的目标函数值Pi。
(3)计算拥挤度并进行快速非支配排序。
若个体xi与xj满足Pi＜Pj且Fi＞Fj，则个体xi占优个体xj，首先找出的xi占优于其他所有个体，作为种群的第一级非支配层，然后，忽略这些已经标记的非支配个体，得到第二级非支配层。依此类推，直到整个种群被分层。
第i个个体的拥挤度为：
其中fj(j＝1,2)分别表示升力和功率损耗两个目标函数，β为权重调整因子，用于调整升力和功率损耗的权重值，当β＝1，升力和功率损耗的权重相同，0＜β＜1时，升力的权重大于功率损耗，即此时扑翼飞行器以提高升力为主要目标；β＞1时，升力的权重小于功率损耗，即此时扑翼飞行器以降低功率损耗为主要目标。
S34，对种群进行选择、交叉和变异操作，生成子代种群，并计算子代种群的升力的目标函数值和功率消耗的目标函数值，并通过精英策略挑选下一代种群。选择概率的取值范围为为0.5～0.8，交叉概率的取值范围为为0.3～0.6，变异概率的取值范围为为0.01～0.2。
S35，将父代个子代个体合并，采用精英策略产生新的子代种群：按照第一级非支配层、第二级非支配层的依次顺序选择个体，在同一个非支配层，优先选择拥挤度大的个体，直到选择的个体达到种群大小。
S36，重复步骤(2)～(4)，达到迭代次数后，停止迭代。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种扑翼飞行器的升力和功耗协同优化方法，其特征在于，包括如下步骤：
S1，根据准定常假设建立扑翼飞行器空气动力学模型和功率消耗模型；
S2，根据扑翼飞行器空气动力学模型建立升力最大和功率消耗最小的目标函数，并建立约束函数；
S3，采用NSGA-II多目标优化算法求解满足升力和功率消耗的最优全局配置方案；
S4，输出最优控制变量给扑翼飞行器；
根据准定常假设，扑翼飞行器空气动力学模型为：
F＝FL+FR
其中F为扑翼飞行器的升力；
ρ为大气密度，v为扑翼拍动速度，α为攻角，WL,w1,/>为常量，R为扑翼飞行器翼展，r为扑翼的平均长度；
θ为俯仰角度，WR,w2,/>为常量；
扑翼飞行器的功率消耗为：
C1，C2，C3为常量，T1为驱动扑翼电机拍动的转矩，T2为驱动攻角电机的转矩，T3为驱动俯仰电机的转矩。
2.根据权利要求1所述的一种扑翼飞行器的升力和功耗协同优化方法，其特征在于，扑翼飞行器节能控制的目标函数为：
Max F，扑翼飞行器的升力最大；
Min P，扑翼飞行器的功率消耗最低。
3.根据权利要求2所述的一种扑翼飞行器的升力和功耗协同优化方法，其特征在于，约束条件为：
F＞G，G为扑翼飞行器的重力；
ρ＜ρmax，ρmax为安全飞行高度对应的大气密度；
v＜vmax，vmax为最大安全扑翼拍动速度；
0＜α＜αmax，αmax为攻角最大值；
0＜θ＜θmax，θmax为俯仰角最大值；
P＜Pmax，Pmax为锂电池的额定输出功率。
4.根据权利要求1所述的一种扑翼飞行器的升力和功耗协同优化方法，其特征在于，多目标优化算法的流程为：
S31，随机生成初始种群；
S32，对种群中的每个个体计算升力的目标函数值Fi和功率消耗的目标函数值Pi；
S33，计算拥挤度并进行快速非支配排序；
采用快速非支配排序方法对种群进行非支配层算法分级；
第i个个体的拥挤度为：
其中fj(j＝1,2)分别表示升力和功率损耗两个目标函数，β为权重调整因子，用于调整升力和功率损耗的权重值；
S34，对种群进行选择、交叉和变异操作，生成子代种群，并计算子代种群的升力的目标函数值和功率消耗的目标函数值；
S35，将父代和子代合并，通过快速非支配排序方法和精英策略得到新的种群；
S36，重复步骤S32～S35，达到迭代次数后，停止迭代。
5.根据权利要求1所述的一种扑翼飞行器的升力和功耗协同优化方法，其特征在于，步骤S4中的控制变量包括飞行高度、扑翼拍动速度、攻角和俯仰角。
CN202111011225.3A 2021-08-31 2021-08-31 一种扑翼飞行器的升力和功耗协同优化方法 Active CN113673036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111011225.3A CN113673036B (zh) 2021-08-31 2021-08-31 一种扑翼飞行器的升力和功耗协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111011225.3A CN113673036B (zh) 2021-08-31 2021-08-31 一种扑翼飞行器的升力和功耗协同优化方法

Publications (2)

Publication Number Publication Date
CN113673036A CN113673036A (zh) 2021-11-19
CN113673036B true CN113673036B (zh) 2024-01-23

Family

ID=78548041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111011225.3A Active CN113673036B (zh) 2021-08-31 2021-08-31 一种扑翼飞行器的升力和功耗协同优化方法

Country Status (1)

Country Link
CN (1) CN113673036B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206813321U (zh) * 2017-05-25 2017-12-29 江苏工程职业技术学院 一种根据挂载可伸缩的扑翼机机翼模型结构
CN107729639A (zh) * 2017-10-10 2018-02-23 东莞理工学院 一种仿蜂鸟扑翼微型飞行器悬飞下翅翼的设计方法
WO2018133588A1 (zh) * 2017-01-20 2018-07-26 亿航智能设备（广州）有限公司 一种飞行器及其控制方法
CN112009722A (zh) * 2020-08-06 2020-12-01 北京航空航天大学 一种扑翼微型飞行器气动效率及机械效率测量装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018133588A1 (zh) * 2017-01-20 2018-07-26 亿航智能设备（广州）有限公司 一种飞行器及其控制方法
CN206813321U (zh) * 2017-05-25 2017-12-29 江苏工程职业技术学院 一种根据挂载可伸缩的扑翼机机翼模型结构
CN107729639A (zh) * 2017-10-10 2018-02-23 东莞理工学院 一种仿蜂鸟扑翼微型飞行器悬飞下翅翼的设计方法
CN112009722A (zh) * 2020-08-06 2020-12-01 北京航空航天大学 一种扑翼微型飞行器气动效率及机械效率测量装置

Also Published As

Publication number Publication date
CN113673036A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
US20220033062A1 (en) Method and system for determining helicopter rotor airfoil
Shiau et al. Optimal sizing and cruise speed determination for a solar-powered airplane
CN106777739B (zh) 一种倾转旋翼机倾转过渡过程的求解方法
US20190179997A1 (en) Automatic aircraft design optimization based on joint aerodynamic, structural, and energy performance
CN110347181B (zh) 基于能耗的无人机分布式编队控制方法
CN107745819A (zh) 一种固定翼太阳能飞机
CN109969426A (zh) 一种针对复合推力构型直升机的升力分配方法及系统
CN105649877A (zh) 一种大型风电机组的蚁群pid独立变桨控制方法
EP3499391A1 (en) Automatic aircraft design optimization based on joint aero-dynamic, structural, and energy performance
CN106150915B (zh) 基于无人机平台的高空风力发电系统
CN109268205A (zh) 一种基于智能风力机的风电场优化控制方法
CN113673036B (zh) 一种扑翼飞行器的升力和功耗协同优化方法
KR102104732B1 (ko) 풍력 발전 지대용 유효 전력을 분배하기 위한 방법 및 디바이스
CN104216383B (zh) 一种小水电站机组运行效率优化方法
Cong et al. Energy management strategy based on deep q-network in the solar-powered UAV communications system
CN112231845B (zh) 一种平流层飞艇高度控制方法及系统
CN108280267B (zh) 一种手抛式不间断飞行无人机的参数优化方法
Champasak et al. Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations
CN106875122B (zh) 一种降低凝结尾生成的区域扇区飞行调配方法
CN113504797A (zh) 一种扑翼飞行机器人编队控制方法
Alves et al. Design of a hydrogen powered small electric fixed-wing uav with vtol capability
CN113722826B (zh) 一种基于遗传算法的扑翼飞行器节能控制优化方法
CN109240084A (zh) 一种单旋翼直升机前飞状态风洞试验自动配平算法
MURAYAMA et al. Aerodynamic performance of a bird-inspired morphing tail
CN113901700A (zh) 一种基于粒子群算法的扑翼飞行器升力最大优化方法

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
GR01 Patent grant
GR01 Patent grant