CN113821869A - 一种基于多源数据融合的飞行器力载荷在线预示方法 - Google Patents
一种基于多源数据融合的飞行器力载荷在线预示方法 Download PDFInfo
- Publication number
- CN113821869A CN113821869A CN202110979844.5A CN202110979844A CN113821869A CN 113821869 A CN113821869 A CN 113821869A CN 202110979844 A CN202110979844 A CN 202110979844A CN 113821869 A CN113821869 A CN 113821869A
- Authority
- CN
- China
- Prior art keywords
- force load
- value
- aircraft
- force
- deviation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000001052 transient effect Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000006073 displacement reaction Methods 0.000 description 13
- 238000005452 bending Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
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)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biomedical Technology (AREA)
- Fluid Mechanics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据融合的飞行器力载荷在线预示方法。该方法通过飞行力学和瞬态动力学仿真得到飞行器全弹道的飞行参数数据、力载荷设计值及动应变设计值。将在线测量得到的动应变测量值代入基于神经网络的力载荷辨识模型得到力载荷辨识值。将力载荷的辨识值减去对应的设计值得到力载荷偏差，由力载荷偏差和飞行参数之间的预示模型得到后续时刻的力载荷偏差预示值。由力载荷偏差预示值和后续时刻的设计值进行多源数据融合，即可解算出飞行器力载荷的预示值。该方法也适用于飞行器强度和刚度的预示。本发明方法可提前5‑10s进行力载荷预测，飞行器起飞后20s即可达到设定的预示精度，可为飞行器轨迹重规划争取时间裕度。
Description
技术领域
本发明涉及一种飞行器力载荷在线预示技术，尤其涉及一种基于多源数据融合的飞行器力载荷在线预示方法，属于载荷识别技术领域。通过在线测量飞行器结构动应变响应，在线提前预示后续时刻的力载荷环境参数。
背景技术
由于飞行器强度和刚度的限制，力载荷环境参数是飞行器轨迹重规划时的重要输入。飞行器在发射和运行过程中(特别是穿越大气层阶段)要经历复杂和严酷的力载荷环境，往往要承受气动力、气动热、噪声、发动机推力、火工品爆炸、级间分离等作用而产生较为复杂的大振幅宽频带的外载荷。想要直接测量得到力载荷是非常困难的，例如恶劣的工作条件会使得直接测量力载荷的传感器难以安装，或者力载荷传感器的设置会阻碍结构的正常运行甚至改变结构的动态特性。但将应变传感器安装在对载荷敏感的结构部位上则是可实现的，通过建立载荷辨识和预示模型，即可建立力载荷和应变响应之间的映射关系。现有的动载荷辨识模型可以用于在线辨识当前时刻的力载荷，但是无法提前预示力载荷。本发明提出一种力载荷在线预示方法，在飞行过程中，将测量得到的应变响应代入建立的预示模型，提前预示得到飞行器在飞行过程中后续时刻的力载荷，从而为飞行器轨迹重规划争取时间裕度。
发明内容
本发明的目的在于为飞行器的轨迹重规划提供一种基于多源数据融合的飞行器力载荷在线预示方法，提前预示得到后续时刻的力载荷环境参数。
本发明采用的技术方案如下：
一种基于多源数据融合的飞行器力载荷在线预示方法，步骤如下：
首先通过对飞行器的飞行力学进行理论分析，计算得到全弹道的飞行参数数据和受力状态(气动力，气动力矩，推力，重力)。上述飞行力学分析需建立飞行器质心的运动学方程和动力学方程：
飞行器质心的速度分量在地面坐标系与机体坐标系的转换方程：
绕质心转动的运动学方程：
机体坐标系中飞行器质心动力学方程的标量形式：
轴对称飞行器绕质心转动的动力学方程的最简形式：
其中α、β、φ、θ、ψ、
分别飞行器的迎角、侧滑角、滚转角、俯仰角、偏航角、滚转角速度、俯仰角速度、偏航角速度。飞行器质心在地面坐标系下的坐标为(xg,yg,zg)T，速度分量为
在机体坐标系下，飞行速度矢量的投影为(u,v,w)T，绕各轴的角速度分量和转动惯量分别为(p,q,r)T和(Ix,Iy,Iz)T，力矩分量为(L,M,N)T，推力分量为(TcosαT,0,T sinαT)T。风轴坐标系下的气动力分量为(-D,C,-L)T。
建立有限元模型，将气动力，气动力矩，推力，重力施加到飞行器结构的有限元模型上，完成瞬态动力学求解，得到飞行过程中各点的动应变设计值。
依据动应变设计值和力载荷的设计值建立基于神经网络的力载荷的在线辨识模型。上述力载荷的设计值是将飞行器简化为一维梁单元，通过弹身内力的公式计算得到，弹身内力包括弹身轴向力N,剪力Q和弯矩M，其通用表达式分别为:
其中Gi为重力，Xi为升力，Yi阻力，
为过载，Δxi为弹身第i受载轴段在x轴长度分量，
分别是推力在x、y轴的分量，μi(x)为线密度，Q(x)为分布剪力，ΔMi为集中弯矩。
在当前时刻，在线测量得到的动应变测量值，代入已经建立好的力载荷的在线辨识模型，得到力载荷辨识值。
基于多源数据融合，将力载荷的辨识值减去对应的设计值，得到当前时刻的力载荷偏差；基于神经网络，建立力载荷偏差和飞行参数之间的预示模型，得到后续时刻(5-10s)的力载荷偏差预示值。
所述的基于神经网络，建立力载荷偏差和飞行参数之间的预示模型的方法具体如下：
Step1：确定预示模型的输入变量和输出变量，输入变量包括若干个关键飞行参数和已解算得到的力载荷偏差，输出变量为待预示的力载荷偏差；
Step2：对输入变量和输出变量进行归一化处理，得到神经网络的包含若干个关键飞行参数数据的输入层和包含已解算得到的力载荷偏差数据的输出层的训练数据库；
Step3：构建神经网络预示模型；
Step4：初始化网络权重和参数，设定迭代步数epochs，更新阈值delta；
Step5：计算第k次迭代的误差
其中pi为输出层第k次迭代的输出，yi为对应的输出层训练数据；同时根据梯度下降法更新模型参数；
Step6：如果error(k)-error(k-1)连续六次小于更新阈值delta或者k＞epochs，神经网络预示模型完成训练，转至step7；否则k＝k+1，返回Step5；
Step7：将后续时刻的飞行参数代入训练好的神经网络预示模型，输出力载荷偏差的预示值。
将力载荷偏差预示值和后续时刻力载荷的设计值进行多源数据融合，得到力载荷预示值；每隔2s进行一次力载荷在线预示，得到5-10s的预示值，每次均保存后2s的预示值，直到遍历全弹道时间。
基于多源数据融合的飞行器力载荷在线预示方法，还可以用于飞行器强度和刚度的预示。按上述方法基于神经网络，建立应力或振动位移偏差和飞行参数之间的预示模型，得到后续时刻(5-10s)的应力或振动位移偏差预示值。将应力或振动位移偏差预示值和后续时刻的设计值进行多源数据融合，得到应力或振动位移预示值；每隔2s进行一次力载荷在线预示，得到5-10s的预示值，每次均保存后2s的预示值，直到遍历全弹道时间。
本发明的有益效果：
力载荷环境参数是飞行器轨迹规划时的重要约束条件，本发明通过建立力载荷在线预示模型，将飞行过程中测量得到的应变响应代入预示模型，提前预示得到飞行器在后续时刻的力载荷，可以用于修正力载荷设计值的不确定性，并为飞行器轨迹重规划争取了时间裕度。
附图说明
图1为预示方法示意图。
图2飞行力学分析得到的飞行参数。
图3 0-60s力载荷设计值。
图4提前5s的力载荷预示结果。
图5应力预示结果和设计值对比。
图6振动位移预示结果和设计值对比。
具体实施方式
下面结合附图，从对某导弹的力载荷预示仿真和结构强度和刚度的预示仿真详细描述本发明，本发明的目的和效果将变得更加明显。
如图1为本发明基于多源数据融合的飞行器力载荷在线预示方法的示意图，该方法具体包括如下步骤：
1)力载荷预示仿真
以某导弹为研究对象，通过飞行力学公式和弹身内力计算公式得到飞行参数数据和力载荷数据，整个数据集为60s，采样频率为400Hz。飞行参数为速度、高度、迎角、极坐标的角度、俯仰程序角、法向过载和轴向过载等，飞行参数时程曲线如图2。
力载荷为某导弹模型一二级级间段截面的内力：轴力、剪力和弯矩。通过弹身内力的公式计算得到力载荷的设计值如图3。
为了减少在线训练神经网络预示模型的时间，对于三个力载荷，预示模型的输入变量选为飞行速度。第一次迭代时，选择0-10s的力载荷偏差和飞行参数数据作为训练集训练神经网络预示模型。然后把10-15s的飞行速度代入预示模型，得到10-15s的力载荷偏差。然后将10-15s的力载荷偏差加上力载荷设计值，得到10-15s的力载荷预测结果并保存下来。
接着进行第二次迭代，选择0-12s的力载荷偏差和飞行参数数据作为训练集训练神经网络预示模型。然后把12-17s的飞行速度代入预示模型，得到12-17s的力载荷偏差。然后将12-17s的力载荷偏差加上力载荷设计值，得到12-17s的力载荷预测结果，并将15-17s的力载荷预测结果保存下来。
一共进行24次迭代，得到10-60s的力载荷预测结果如图4。由预示结果可知，轴力的预示精度为0.063％，剪力的预示精度为1.51％，弯矩的预示精度为2.62％。
2)结构强度和刚度的预示仿真
采用本项目建立的力载荷预示模型，对结构的一、二级级间断截面上3个节点的应力和振动位移进行在线预示。预示模型的输入为：输入层数据：飞行参数和输出层数据：应力或振动位移偏差。
和力载荷预示类似，弹体起飞后10s即可给出预示数据，可提前5-10s预测得到力载荷，间隔2s更新预示数据。3个节点轴向应力提前5s的预示结果和设计值对比如图5。
由对比结果可知，从第10s开始，866点应力的预示精度为1.49％，924点应力的预示精度1.20％，982点应力的预示精度1.19％，应力的预示精度和力载荷的预示精度相当。
866点位移提前5s的预示结果和设计值对比如图6。
由预示结果可知，从第10s开始，能够给出位移预示值，但是精度很差，约为49％。20s以后的预示精度有了明显的提高，ux位移的预示精度为10.88％，uy位移的预示精度为15.01％，uz位移的预示精度为14.22％。位移的预示精度比力载荷的预示精度稍微差些。
Claims (4)
1.一种基于多源数据融合的飞行器力载荷在线预示方法，其特征在于，包括如下步骤：
步骤(1)通过对飞行器的飞行力学进行理论分析，计算得到全弹道的飞行参数数据和受力状态，所述的受力状态包括气动力、气动力矩、推力和重力；
步骤(2)建立有限元模型，将受力状态代入到飞行器的有限元模型中，完成瞬态动力学求解，得到飞行过程中各点的动应变设计值；
步骤(3)将飞行器简化为一维梁单元，通过弹身内力的公式计算得到力载荷的设计值；
步骤(4)依据动应变设计值和力载荷的设计值建立基于神经网络的力载荷的在线辨识模型；
步骤(5)将当前时刻在线测量得到的动应变测量值代入力载荷的在线辨识模型，得到力载荷辨识值；
步骤(6)将力载荷的辨识值减去对应的设计值，得到当前时刻的力载荷偏差；
步骤(7)基于神经网络，建立力载荷偏差和飞行参数之间的预示模型，得到后续时刻5-10s的力载荷偏差预示值；
步骤(8)将后续时刻的力载荷偏差预示值和后续时刻力载荷的设计值进行多源数据融合，得到力载荷预示值；
步骤(9)每隔2s进行一次力载荷在线预示，得到5-10s的预示值，每次均保存后2s的预示值，直到遍历全弹道时间。
2.根据权利要求1所述的基于多源数据融合的飞行器力载荷在线预示方法，其特征在于，步骤(7)中所述的基于神经网络，建立力载荷偏差和飞行参数之间的预示模型的方法具体如下：
Step1：确定预示模型的输入变量和输出变量，输入变量包括若干个关键飞行参数和已解算得到的力载荷偏差，输出变量为待预示的力载荷偏差；
Step2：对输入变量和输出变量进行归一化处理，得到神经网络的包含若干个关键飞行参数数据的输入层和包含已解算得到的力载荷偏差数据的输出层的训练数据库；
Step3：构建神经网络预示模型；
Step4：初始化网络权重和参数，设定迭代步数epochs，更新阈值delta；
Step5：计算第k次迭代的误差
其中pi为输出层第k次迭代的输出，yi为对应的输出层训练数据；同时根据梯度下降法更新模型参数；
Step6：如果error(k)-error(k-1)连续六次小于更新阈值delta或者k＞epochs，神经网络预示模型完成训练，转至step7；否则k＝k+1，返回Step5；
Step7：将后续时刻的飞行参数代入训练好的神经网络预示模型，输出力载荷偏差的预示值。
3.根据权利要求1所述的基于多源数据融合的飞行器力载荷在线预示方法，其特征在于，步骤(8)中所述的力载荷偏差外推值和后续时刻的设计值进行多源数据融合，具体方法为：后续时刻的力载荷预示值＝该时刻的力载荷偏差外推值+该时刻的力载荷设计值。
4.根据权利要求1所述的基于多源数据融合的飞行器力载荷在线预示方法，其特征在于，还可以用于飞行器强度和刚度的预示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110979844.5A CN113821869B (zh) | 2021-08-25 | 2021-08-25 | 一种基于多源数据融合的飞行器力载荷在线预示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110979844.5A CN113821869B (zh) | 2021-08-25 | 2021-08-25 | 一种基于多源数据融合的飞行器力载荷在线预示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113821869A true CN113821869A (zh) | 2021-12-21 |
| CN113821869B CN113821869B (zh) | 2024-03-19 |
Family
ID=78923169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110979844.5A Active CN113821869B (zh) | 2021-08-25 | 2021-08-25 | 一种基于多源数据融合的飞行器力载荷在线预示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113821869B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521561A (zh) * | 2024-01-03 | 2024-02-06 | 中国人民解放军国防科技大学 | 巡航飞行器的气动力与推力在线预示方法 |
| CN118133431A (zh) * | 2024-04-30 | 2024-06-04 | 北京航空航天大学 | 多源数据融合的飞机翼面结构载荷识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080208516A1 (en) * | 2004-11-04 | 2008-08-28 | Smith & Nephew, Inc. | Cycle and Load Measurement Device |
| US20130085672A1 (en) * | 2011-09-30 | 2013-04-04 | The Boeing Company | Flight Trajectory Prediction with Application of Environmental Conditions |
| CN105631179A (zh) * | 2014-10-31 | 2016-06-01 | 北京宇航系统工程研究所 | 基于星箭载荷耦合分析结果的运载器瞬态响应预示方法 |
| CN106885918A (zh) * | 2017-02-10 | 2017-06-23 | 南京航空航天大学 | 一种面向多旋翼飞行器的多信息融合实时风速估计方法 |
| CN111258302A (zh) * | 2020-01-23 | 2020-06-09 | 北京航天自动控制研究所 | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 |
-
2021
- 2021-08-25 CN CN202110979844.5A patent/CN113821869B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080208516A1 (en) * | 2004-11-04 | 2008-08-28 | Smith & Nephew, Inc. | Cycle and Load Measurement Device |
| US20130085672A1 (en) * | 2011-09-30 | 2013-04-04 | The Boeing Company | Flight Trajectory Prediction with Application of Environmental Conditions |
| CN105631179A (zh) * | 2014-10-31 | 2016-06-01 | 北京宇航系统工程研究所 | 基于星箭载荷耦合分析结果的运载器瞬态响应预示方法 |
| CN106885918A (zh) * | 2017-02-10 | 2017-06-23 | 南京航空航天大学 | 一种面向多旋翼飞行器的多信息融合实时风速估计方法 |
| CN111258302A (zh) * | 2020-01-23 | 2020-06-09 | 北京航天自动控制研究所 | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐彦等: "新型载人飞行器轻质化机身机构的概念设计研究", 《载人航天》, 20 December 2016 (2016-12-20) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521561A (zh) * | 2024-01-03 | 2024-02-06 | 中国人民解放军国防科技大学 | 巡航飞行器的气动力与推力在线预示方法 |
| CN117521561B (zh) * | 2024-01-03 | 2024-03-19 | 中国人民解放军国防科技大学 | 巡航飞行器的气动力与推力在线预示方法 |
| CN118133431A (zh) * | 2024-04-30 | 2024-06-04 | 北京航空航天大学 | 多源数据融合的飞机翼面结构载荷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113821869B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108256264B (zh) | 一种基于地面频响试验的气动伺服弹性稳定性预测方法 | |
| CN113821869B (zh) | 一种基于多源数据融合的飞行器力载荷在线预示方法 | |
| CN112668104B (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
| CN114580224B (zh) | 一种分布式气动融合轨道耦合姿态摄动分析方法 | |
| CN111221345B (zh) | 一种基于决策树的飞行器动力系统故障在线辨识方法 | |
| CN109558660B (zh) | 一种航天器碎片陨落落区预报方法 | |
| CN111258302B (zh) | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 | |
| CN111950079B (zh) | 一种基于风洞测试响应的气动力建模及全机颤振分析方法 | |
| CN108427322A (zh) | 一种大柔性飞行器基于在线辨识的建模方法 | |
| Wu et al. | Studies on aeroservoelasticity semi-physical simulation test for missiles | |
| WO2021059787A1 (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
| CN114611416B (zh) | 导弹非线性非定常气动特性ls-svm建模方法 | |
| Wang et al. | Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter | |
| CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
| CN117521561B (zh) | 巡航飞行器的气动力与推力在线预示方法 | |
| CN117436322B (zh) | 基于叶素理论的风力机叶片气动弹性仿真方法和介质 | |
| Cheng et al. | Hover-to-cruise transition control for high-speed level flight of ducted fan UAV | |
| CN117195763A (zh) | 一种考虑风干扰的固定翼飞行器元飞行气动建模方法 | |
| CN116611160A (zh) | 基于一段实测弹道参数的无控飞行器在线实时特征参数辨识与弹道预报方法 | |
| Jiali et al. | Dynamic modelling of a small scale turbojet engine | |
| CN110703595B (zh) | 一种星-臂耦合系统的主星姿态预报方法及系统 | |
| Lind | Flight testing with the flutterometer | |
| El-Wafa et al. | Nonlinear dynamics modelling and free-launch simulation of a flying-vehicle | |
| Krueger et al. | Flight loads analysis and measurements of external stores on an atmospheric research aircraft | |
| Bledron et al. | Blade displacement predictions for the full-scale UH-60A airloads rotor |
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 |