CN113971375B - 一种阵风环境下的无人机气动力预测方法 - Google Patents
一种阵风环境下的无人机气动力预测方法 Download PDFInfo
- Publication number
- CN113971375B CN113971375B CN202111336188.3A CN202111336188A CN113971375B CN 113971375 B CN113971375 B CN 113971375B CN 202111336188 A CN202111336188 A CN 202111336188A CN 113971375 B CN113971375 B CN 113971375B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- speed
- heave
- aerodynamic force
- 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 28
- 230000033001 locomotion Effects 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 8
- 239000012530 fluid Substances 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06F2111/08—Probabilistic or stochastic 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
- G06F2119/10—Noise analysis or noise optimisation
-
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种阵风环境下的无人机气动力预测方法,包括:以无人机的随机运动作为输入,以计算流体力学方法计算的无人机随机运动的气动力响应作为输出,通过深度神经网络,建立阵风环境无人机气动力预测模型。本发明的优点是:能够有效得到阵风环境下无人机气动力情况,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。
Description
技术领域
本发明涉及无人机技术领域,特别涉及一种阵风环境下的无人机气动力预测方法。
背景技术
阵风是无人机使用过程中经常遇到的自然现象,阵风使无人机增加额外的附加力矩和附加升力,可能会显著改变结构的动力特性和气动力特性,从而恶化飞行的稳定性操纵性,对无人机的飞行性能和结构安全造成不利影响,将会严重影响长航时无人机全天候飞行的能力。因此阵风响应分析是无人机设计过程中的一个重要问题。传统的方法在计算无人机阵风响应气动力时,多采用估算的方法,但是这与实际情况可能存在较大的差距,尤其是非定常气动力计算,估算的方法往往对升力估算精确度不高。但是如果采用CFD的方法计算气动力,往往又消耗大量时间和计算资源。所以发展和应用一种既可以保证非定常气动力计算精度,又能对非定常气动力进行快速计算的方法非常必要。
发明内容
本发明针对现有技术的缺陷,提供了一种阵风环境下的无人机气动力预测方法。
为了实现以上发明目的,本发明采取的技术方案如下:
一种阵风环境下的无人机气动力预测方法,包括以下步骤:
第一步,根据阵风作用于无人机的速度,采用相对速度法,相应的转换为无人机的升沉运动,模拟阵风环境;设定阵风垂向速度为v(t),无人机垂向获得相对速度b(t)=-v(t)。
第二步,无人机的升沉运动速度b(t)服从高斯分布,而且其功率谱密度均匀分布,因此与高斯白噪声相同,对该高斯白噪声型的无人机随机运动信号进行滤波,滤波范围根据阵风的频率确定,得到滤波后的无人机升沉幅度,如下所示:
Hrand=filter(wag(P))
其中,Hrand表示无人机升沉速度,wag(P)为P dBW强度的高斯白噪声,filter为滤波函数;
采用同样的方法,生成测试集的无人机升沉随机运动速度Hrand 2,其中高斯白噪声的强度小于P;
结合计算流体力学,采用RANS方法,选择Spalart-Allmaras湍流模型进行流场求解,无人机随机升沉运动速度Hrand使用动网格技术进行实现,即通过设置机翼为刚体运动,指定机翼在垂直方向上的速度,该速度为随机升沉运动速度Hrand的关于时间的导数。
第三步,无人机升沉随机运动速度Hrand作为训练样本集的输入,相应的气动力响应作为训练样本集的输出,带入长短期记忆神经网络模型:
it=σ(Wi·yt-1,ut+bi)
ft=σ(Wf·yt-1,ut+bf)
ot=σ(Wo·yt-1,ut+bo)
yt=ot*tanh(Ct)
其中,it,Ot和ft分别代表输入门、输出门遗忘门,Ct代表t时刻的单元状态,yt和ut分别代表t时刻的输入和输出;W是权重矩阵,b代表偏置,下标t表示t时刻各模型中的参数,O表示输入门模型中参数,f表示遗忘门中的参数,C表示各单元中的参数;σ和tanh代表激活函数。
经迭代后,可得阵风环境无人机气动力预测的神经网络模型,测试集的无人机升沉随机运动Hrand 2带入神经网络模型,验证训练模型的参数最优。
第四步,以无人机的相对沉浮运动速度b(t)作为输入,通过步骤三训练的气动力神经网络模型,快速得到阵风影响的无人机气动力。
与现有技术相比,本发明的优点在于:
通过考虑阵风环境对于无人机气动力的影响,能够有效得到阵风环境下的无人机飞行气动性能情况,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是本发明实施例流程图;
图2为本发明实施例生成的无人机升沉随机运动;
图3为本发明实施例无人机升沉随机运动的升力系数响应曲线;
图4为本发明实施例通过神经网络预测得到的升力系数曲线。
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,本实施例针对某型无人机进行迎角阶跃型阵风环境下的气动力预测。
无人机以水平速度V前飞,突然受到Ug的微下冲气流的影响,即受到迎角阶跃型阵风。
第一步,由于受到迎角阶跃型阵风,即无人机的运动为以Ug的速度向上运动,升沉运动速度为b(t)=Ug;其中,V=34m/s,Ug=5m/s,攻角阶跃约为8度。
第二步,无人机的随机升沉运动速度为滤波后的高斯白噪声数据,如图2所示;采用同样的方法,生成测试集的升沉随机运动。结合计算流体力学方法,用动网格技术实现无人机随机升沉运动速度Hrand,计算气动力响应,如图3所示。
第三步,无人机升沉随机运动速度作为训练样本集的输入,相应的气动力响应作为训练样本集的输出,经迭代后,可得阵风环境无人机气动力预测的神经网络模型。测试集的无人机升沉随机运动速度带入神经网络模型,验证训练模型的参数最优。
第四步,以无人机以Ug的速度向上运动作为输入,通过步骤第三步训练的气动力神经网络模型,快速得到阵风影响的无人机气动力,如图4所示。
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)
1.一种阵风环境下的无人机气动力预测方法,其特征在于,包括以下步骤:
第一步,根据阵风作用于无人机的速度,采用相对速度法,相应的转换为无人机的升沉运动,模拟阵风环境;设定阵风垂向速度为v(t),无人机垂向获得相对速度b(t)=-v(t);
第二步,无人机的升沉运动速度b(t)服从高斯分布,而且其功率谱密度均匀分布,因此与高斯白噪声相同,对该高斯白噪声型的无人机随机运动信号进行滤波,滤波范围根据阵风的频率确定,得到滤波后的无人机升沉幅度,如下所示:
Hrand=filter(wag(P))
其中,Hrand表示无人机升沉速度,wag(P)为P dBW强度的高斯白噪声,filter为滤波函数;
采用同样的方法,生成测试集的无人机升沉随机运动速度Hrand2,其中高斯白噪声的强度小于P;
结合计算流体力学,采用RANS方法,选择Spalart-Allmaras湍流模型进行流场求解,无人机随机升沉运动速度Hrand使用动网格技术进行实现,即通过设置机翼为刚体运动,指定机翼在垂直方向上的速度,该速度为随机升沉运动速度Hrand的关于时间的导数;
第三步,无人机升沉随机运动速度Hrand作为训练样本集的输入,相应的气动力响应作为训练样本集的输出,带入长短期记忆神经网络模型:
it=σ(Wi·yt-1,ut+bi);
ft=σ(Wf·yt-1,ut+bf);
ot=σ(Wo·yt-1,ut+bo);
yt=ot*tanh(Ct);
其中,it,Ot和ft分别代表输入门、输出门遗忘门,Ct代表t时刻的单元状态,yt和ut分别代表t时刻的输入和输出;W是权重矩阵,b代表偏置,下标t表示t时刻各模型中的参数,O表示输入门模型中参数,f表示遗忘门中的参数,C表示各单元中的参数;σ和tanh代表激活函数;
经迭代后,可得阵风环境无人机气动力预测的神经网络模型,测试集的无人机升沉随机运动Hrand2带入神经网络模型,验证训练模型的参数最优;
第四步,以无人机的相对沉浮运动速度b(t)作为输入,通过步骤三训练的气动力神经网络模型,快速得到阵风影响的无人机气动力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336188.3A CN113971375B (zh) | 2021-11-12 | 2021-11-12 | 一种阵风环境下的无人机气动力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336188.3A CN113971375B (zh) | 2021-11-12 | 2021-11-12 | 一种阵风环境下的无人机气动力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971375A CN113971375A (zh) | 2022-01-25 |
CN113971375B true CN113971375B (zh) | 2024-04-09 |
Family
ID=79589683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336188.3A Active CN113971375B (zh) | 2021-11-12 | 2021-11-12 | 一种阵风环境下的无人机气动力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971375B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818020B (zh) * | 2022-03-24 | 2024-08-13 | 北京航空航天大学 | 基于势流理论的阵风预测方法和装置 |
CN115841062B (zh) * | 2023-02-20 | 2023-05-09 | 北京航空航天大学 | 考虑气动结构耦合的大展弦比无人机气动导数预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB813297A (en) * | 1956-05-07 | 1959-05-13 | Franklin Institute | A system for alleviating the effects of gusts on aircraft |
CN108516101A (zh) * | 2018-04-28 | 2018-09-11 | 北京航空航天大学 | 一种主动和被动相结合的固定翼飞机阵风减缓的控制方法 |
CN112528478A (zh) * | 2020-12-04 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种无人机阵风载荷谱快速编制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005058081B9 (de) * | 2005-12-06 | 2009-01-29 | Airbus Deutschland Gmbh | Verfahren zur Rekonstruktion von Böen und Strukturlasten bei Flugzeugen, insbesondere Verkehrsflugzeugen |
DK2251543T3 (en) * | 2009-05-14 | 2017-02-27 | Alstom Renewable Technologies | Method and system for predicting the occurrence of a gust at a wind turbine |
-
2021
- 2021-11-12 CN CN202111336188.3A patent/CN113971375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB813297A (en) * | 1956-05-07 | 1959-05-13 | Franklin Institute | A system for alleviating the effects of gusts on aircraft |
CN108516101A (zh) * | 2018-04-28 | 2018-09-11 | 北京航空航天大学 | 一种主动和被动相结合的固定翼飞机阵风减缓的控制方法 |
CN112528478A (zh) * | 2020-12-04 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种无人机阵风载荷谱快速编制方法 |
Non-Patent Citations (2)
Title |
---|
耦合滑流太阳能无人机阵风响应特性研究;赵炜等;飞行力学;20200314;第38卷(第03期);11-17 * |
针对阵风干扰的低空无人机定高控制系统设计;朱龙俊等;计算机应用与软件;20200812;第37卷(第08期);79-84 * |
Also Published As
Publication number | Publication date |
---|---|
CN113971375A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113971375B (zh) | 一种阵风环境下的无人机气动力预测方法 | |
CN109871628B (zh) | 一种用于评估水陆两栖飞机适航符合性的仿真计算系统和方法 | |
Cobb et al. | Iterative learning-based path optimization for repetitive path planning, with application to 3-d crosswind flight of airborne wind energy systems | |
Paz et al. | CFD analysis of the aerodynamic effects on the stability of the flight of a quadcopter UAV in the proximity of walls and ground | |
US20170046968A1 (en) | Flight simulation modeling of aircraft dynamic stall aerodynamics | |
US9187187B2 (en) | Method of calculating dynamic pressure at the level of an aircraft surface | |
CN108873923B (zh) | 应急指挥控制固定翼无人机舰面紧急起飞控制方法 | |
CN111752291A (zh) | 高度控制方法、装置、无人机及存储介质 | |
Wang et al. | Analysis of loads, motions and cavity dynamics during freefall wedges vertically entering the water surface | |
CN103895831A (zh) | 一种船舶鳍/翼鳍减横摇抗饱和控制装置及其控制方法 | |
CN114065670B (zh) | 一种考虑降雨影响的无人机气动导数快速辨识方法 | |
Orzan et al. | Optimizing airborne wind energy with reinforcement learning | |
CN117708985A (zh) | 一种基于机器学习的高速双旋弹非定常气动力预测方法 | |
Deese et al. | Lab-scale characterization of a lighter-than-air wind energy system-closing the loop | |
CN117473874A (zh) | 一种基于bp神经网络的舰载机复飞风险预测与评估方法 | |
Wharington | Heuristic control of dynamic soaring | |
Huang et al. | Dynamic mode decomposition for unsteady flow over flapping wings | |
Wu et al. | Analysis and verification of a miniature dolphin-like underwater glider | |
CN114706298B (zh) | 一种基于预设性能的usv鲁棒无模型轨迹跟踪控制器设计方法 | |
CN115841062B (zh) | 考虑气动结构耦合的大展弦比无人机气动导数预测方法 | |
Tsai et al. | Interactions between a free surface and a vortex sheet shed in the wake of a surface-piercing plate | |
Farrell et al. | Modeling UAVs using CFD and machine learning methods | |
CN113917938B (zh) | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 | |
Sedky | Mitigation of transverse gusts via open-and closed-loop pitching maneuvers | |
Krebill | Effect of ship motion on ship airwake aerodynamics |
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 |