CN113962028B - 一种考虑结冰影响的无人机气动导数辨识方法 - Google Patents
一种考虑结冰影响的无人机气动导数辨识方法 Download PDFInfo
- Publication number
- CN113962028B CN113962028B CN202111336221.2A CN202111336221A CN113962028B CN 113962028 B CN113962028 B CN 113962028B CN 202111336221 A CN202111336221 A CN 202111336221A CN 113962028 B CN113962028 B CN 113962028B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- wing
- icing
- shape
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 239000012530 fluid Substances 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 238000009825 accumulation Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Fluid Mechanics (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种考虑结冰影响的无人机气动导数辨识方法,步骤1、确定大气参数和飞行参数的上限和下限;随机选取参数值,建立参数的随机数据集,计算外流场和水滴撞击特性,得到机翼结冰后的形状;步骤2、以随机数据集作为输入,进行归一化处理,采用卷积神经网络,构建结冰机翼形状预测模型;步骤3、指定大气参数和飞行参数,通过结冰机翼形状预测模型,得到结冰机翼形状;步骤4、采用计算流体力学方法,将常用翼型作为测试用例,采用RANS方法对动态气动性能预测能力。结冰机翼的无人机非定常受迫振荡运动,计算无人机的动态气动性能,辨识无人机的气动导数。本发明的优点是:有效得到无人机飞行性能情况,从而为相关设计提供指导思想。
Description
技术领域
本发明涉及无人机技术领域,特别涉及一种考虑结冰影响的无人机气动导数辨识方法。
背景技术
机翼结冰问题是影响航空飞行器飞行安全的重要隐患之一。无人机积冰是由于环境条件和飞行条件共同的影响结果。当发生积冰时,若处理不妥当,轻则恶化无人机的飞行性能、降低飞行品质,重则会发生无人机坠毁的事故,造成严重的损失。当无人机发生积冰现象时,会使机体总体质量增加,同时无人机尤其是机翼表面的气动外形发生变化,将严重影响无人机执行长航时全天候飞行任务的能力。实现长航时无人机全天候飞行,积冰现象是十分容易出现而且必须克服的一种天候条件。
传统的方法在计算无人机结冰机翼的气动导数时,多采用估算的方法,与实际情况可能存在较大的差距。采用试验的方法得到结冰机翼的气动导数时,成本较高。
发明内容
本发明针对现有技术的缺陷,提供了一种考虑结冰影响的无人机气动导数辨识方法。能对非定常气动导数进行快速计算的方法非常必要,对于提高积冰条件下无人机的飞行性能,发展无人机全天候飞行能力,具有重要而深远的意义。
为了实现以上发明目的,本发明采取的技术方案如下:
一种考虑结冰影响的无人机气动导数辨识方法,包括以下步骤:
步骤1、以飞行速度V、飞行攻角α、温度T、水滴直径D、液态水含量LWC,结冰时长T为参数,根据无人机对应的飞行状态和大气状态,选择各个参数的上限和下限;在各参数的范围内,随机选取参数值,建立参数的随机数据集,通过计算流体力学方法,计算外流场和水滴撞击特性计算,最后得到随机数据集对应的机翼结冰后的形状;
步骤2、以随机数据集作为输入,对应的机翼结冰后的形状作为输出,其中,对输入数据进行归一化处理,输出的机翼形状进校灰度化处理,采用卷积神经网络,训练更新神经网络卷积层和全连接层的权重,偏置相关参数,构建结冰机翼形状预测模型;
步骤3、指定飞行速度V、飞行攻角α、温度T、水滴直径D、液态水含量LWC和结冰时长T参数,通过结冰机翼形状预测模型,得到结冰机翼形状;
步骤4、采用计算流体力学方法,结合动网格技术,将常用翼型作为测试用例,采用RANS方法对动态气动性能预测能力。结冰机翼的无人机非定常受迫振荡运动,计算无人机的动态气动性能,辨识无人机的气动导数。
进一步地,所述计算无人机的动态气动性能具体为:通过俯仰阻尼动导数计算方法,结冰机翼受迫振荡运动采用随机运动形式,计算得到结冰机翼的非定常俯仰力矩系数Cm_ice,其表达式如下:
其中,α为攻角,q为俯仰角速度,Cm0_ice为零攻角时结冰机翼的俯仰力矩系数,Cmα_ice和/>分别为静导数和组合动导数。
与现有技术相比,本发明的优点在于:
通过考虑结冰对于无人机气动导数的影响,能够有效得到无人机飞行性能情况,从而为相关设计提供指导思想,提高无人机的全天候飞行能力。
附图说明
图1是本发明实施例考虑结冰影响的无人机气动导数辨识方法流程图;
图2是本发明实施例结冰机翼形状预测模型建模流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示,一种考虑结冰影响的无人机气动导数辨识方法,包括以下步骤:
步骤1、以飞行速度V、飞行攻角α、温度T、水滴直径D、液态水含量LWC,结冰时长T为参数,根据无人机对应的飞行状态和大气状态,选择各个参数的上限和下限;在各参数的范围内,随机选取参数值,建立参数的随机数据集,通过计算流体力学方法,计算外流场和水滴撞击特性计算,最后得到随机数据集对应的机翼结冰后的形状;
步骤2、以随机数据集作为输入,对应的机翼结冰后的形状作为输出,其中,对输入数据进行归一化处理,输出的机翼形状进校灰度化处理,采用卷积神经网络,训练更新神经网络相关参数,构建结冰机翼形状预测模型,如图2所示;
步骤3、指定大气参数(飞行速度V、飞行攻角)和飞行参数(温度T、水滴直径D、液态水含量LWC,结冰时长T),通过结冰机翼形状预测模型,得到结冰机翼形状;
步骤4、采用计算流体力学方法,结合动网格技术,将常用翼型作为测试用例,采用RANS方法对动态气动性能预测能力,用于后续无人机的动态气动性能计算。结冰机翼的无人机非定常受迫振荡运动,计算无人机的动态气动性能,辨识无人机的气动导数。以俯仰阻尼动导数计算方法为例,结冰机翼受迫振荡运动采用随机运动形式,计算得到结冰机翼的非定常俯仰力矩系数Cm_ice,其表达式如下:
其中,α为攻角,q为俯仰角速度,Cm0_ice为零攻角时结冰机翼的俯仰力矩系数,Cmα_ice和/>分别为静导数和组合动导数。
计算得到气动导数对比如下表所示,静导数Cmα相比不考虑降雨影响绝对值减小了24.3%,组合动导数相比不考虑降雨影响绝对值减小了13.3%。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种考虑结冰影响的无人机气动导数辨识方法,其特征在于,包括以下步骤:
步骤1、以飞行速度V、飞行攻角、温度T、水滴直径D、液态水含量LWC,结冰时长T为参数,根据无人机对应的飞行状态和大气状态,选择各个参数的上限和下限;在各参数的范围内,随机选取参数值,建立参数的随机数据集,通过计算流体力学方法,计算外流场和水滴撞击特性,最后得到随机数据集对应的机翼结冰后的形状;
步骤2、以随机数据集作为输入,对应的机翼结冰后的形状作为输出,其中,对输入数据进行归一化处理,输出的机翼形状进行灰度化处理,采用卷积神经网络,训练更新神经网络卷积层和全连接层的权重和偏置参数,构建结冰机翼形状预测模型;
步骤3、指定飞行速度V、飞行攻角、温度T、水滴直径D、液态水含量LWC和结冰时长T参数,通过结冰机翼形状预测模型,得到结冰机翼形状;
步骤4、采用计算流体力学方法,结合动网格技术,将常用翼型作为测试用例,采用RANS方法对动态气动性能预测;结冰机翼的无人机非定常受迫振荡运动,计算无人机的动态气动性能,辨识无人机的气动导数;
所述计算无人机的动态气动性能具体为:通过俯仰阻尼动导数计算方法,结冰机翼受迫振荡运动采用随机运动形式,计算得到结冰机翼的非定常俯仰力矩系数,其表达式如下:
其中,为攻角,/>为俯仰角速度,/>为零攻角时结冰机翼的俯仰力矩系数,,/>,/>,/>和/>分别为静导数和组合动导数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336221.2A CN113962028B (zh) | 2021-11-12 | 2021-11-12 | 一种考虑结冰影响的无人机气动导数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336221.2A CN113962028B (zh) | 2021-11-12 | 2021-11-12 | 一种考虑结冰影响的无人机气动导数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962028A CN113962028A (zh) | 2022-01-21 |
CN113962028B true CN113962028B (zh) | 2024-04-30 |
Family
ID=79470264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336221.2A Active CN113962028B (zh) | 2021-11-12 | 2021-11-12 | 一种考虑结冰影响的无人机气动导数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962028B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130115563A (ko) * | 2012-04-12 | 2013-10-22 | 한국항공우주산업 주식회사 | 에어포일 임계 결빙형상을 결정하는 방법 |
KR101486785B1 (ko) * | 2014-01-27 | 2015-02-04 | 부경대학교 산학협력단 | 강수형태와 얼음상황의 진단을 위한 강수온도 감지기 |
CN109558650A (zh) * | 2018-11-09 | 2019-04-02 | 中国直升机设计研究所 | 直升机旋翼结冰对旋翼性能影响的分析方法 |
CN111738481A (zh) * | 2020-04-01 | 2020-10-02 | 南京航空航天大学 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
CN111976996A (zh) * | 2020-08-26 | 2020-11-24 | 四川大学 | 一种无人机机翼分区防冰方法 |
CN113191099A (zh) * | 2021-04-28 | 2021-07-30 | 北京航空航天大学 | 一种考虑结冰影响的无人机动力学建模方法 |
CN113434978A (zh) * | 2021-06-28 | 2021-09-24 | 成都安世亚太科技有限公司 | 一种航空飞行器结冰可靠性智能评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012148716A (ja) * | 2011-01-20 | 2012-08-09 | Mitsubishi Heavy Ind Ltd | 防氷装置、翼、航空機および防氷方法 |
-
2021
- 2021-11-12 CN CN202111336221.2A patent/CN113962028B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130115563A (ko) * | 2012-04-12 | 2013-10-22 | 한국항공우주산업 주식회사 | 에어포일 임계 결빙형상을 결정하는 방법 |
KR101486785B1 (ko) * | 2014-01-27 | 2015-02-04 | 부경대학교 산학협력단 | 강수형태와 얼음상황의 진단을 위한 강수온도 감지기 |
CN109558650A (zh) * | 2018-11-09 | 2019-04-02 | 中国直升机设计研究所 | 直升机旋翼结冰对旋翼性能影响的分析方法 |
CN111738481A (zh) * | 2020-04-01 | 2020-10-02 | 南京航空航天大学 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
CN111976996A (zh) * | 2020-08-26 | 2020-11-24 | 四川大学 | 一种无人机机翼分区防冰方法 |
CN113191099A (zh) * | 2021-04-28 | 2021-07-30 | 北京航空航天大学 | 一种考虑结冰影响的无人机动力学建模方法 |
CN113434978A (zh) * | 2021-06-28 | 2021-09-24 | 成都安世亚太科技有限公司 | 一种航空飞行器结冰可靠性智能评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113962028A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105314094B (zh) | 飞机操纵面的闭环控制 | |
CN114065399B (zh) | 一种考虑复杂气象条件下的无人飞行器飞行性能计算方法 | |
CN113191099A (zh) | 一种考虑结冰影响的无人机动力学建模方法 | |
CN114065398B (zh) | 一种大展弦比柔性飞行器飞行性能计算方法 | |
CN105584627A (zh) | 控制飞行器水平稳定器的方法和装置 | |
CN113848963B (zh) | 一种飞行控制系统的控制律参数设计方法 | |
CN114065670B (zh) | 一种考虑降雨影响的无人机气动导数快速辨识方法 | |
CN116451356B (zh) | 不确定性相容的自然层流翼构型梯度优化设计方法 | |
CN112380623A (zh) | 一种水陆两栖飞机飞行品质适航符合性的评估方法 | |
CN113987894A (zh) | 一种基于降雨天气条件的无人机动力学建模方法 | |
CN113962028B (zh) | 一种考虑结冰影响的无人机气动导数辨识方法 | |
CN109614644B (zh) | 一种外吹式襟翼布局飞机动力增升效果评估方法 | |
CN113335559A (zh) | 一种空中加油软管锥套动态的模拟方法 | |
CN111159812B (zh) | 一种吸气式高超声速无人机损伤特性分析方法 | |
CN114003052B (zh) | 一种基于动态补偿系统的固定翼无人机纵向运动鲁棒自适应控制方法 | |
CN116702439A (zh) | 基于再入落点预测模型的仿真用飞行器再入落点预测方法 | |
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 | |
CN112199904B (zh) | 一种直升机部件载荷严酷状态选取及评估方法 | |
CN110750836A (zh) | 一种基于稳态锥动的飞行器俯仰阻尼力矩计算方法 | |
CN116700358B (zh) | 一种无人机转弯阶段非线性定高补偿控制方法 | |
CN117390899B (zh) | 一种运输类飞机副翼最大铰链力矩确定方法 | |
CN115200826B (zh) | 背负式进气小展弦比飞翼布局的背风涡破裂迎角修正方法 | |
CN117908385B (zh) | 基于参数辨识的飞行器滑模控制方法 | |
CN114417504A (zh) | 一种基于飞机水收集系数计算的工程近似方法 | |
CN115879374A (zh) | 一种超临界翼型样本采样方法及存储介质 |
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 |