CN114115314B - 一种变体飞行器的后掠角确定方法及系统 - Google Patents
一种变体飞行器的后掠角确定方法及系统 Download PDFInfo
- Publication number
- CN114115314B CN114115314B CN202111421671.1A CN202111421671A CN114115314B CN 114115314 B CN114115314 B CN 114115314B CN 202111421671 A CN202111421671 A CN 202111421671A CN 114115314 B CN114115314 B CN 114115314B
- Authority
- CN
- China
- Prior art keywords
- task
- max
- takes
- aircraft
- optimization model
- 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 32
- 238000005457 optimization Methods 0.000 claims abstract description 148
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000009194 climbing Effects 0.000 claims description 63
- 230000009189 diving Effects 0.000 claims description 15
- 239000000446 fuel Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0833—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using limited authority control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种变体飞行器的后掠角确定方法及系统。该方法包括根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角。本发明能够高效快速的给出当前飞行状况下执行给定任务的最优几何形状。
Description
技术领域
本发明涉及变体飞行器的外形决策领域,特别是涉及一种变体飞行器的后掠角确定方法及系统。
背景技术
以固定翼飞行器为代表传统飞行器多是针对某一特定任务进行设计的,因而无法满足单一飞行器执行多任务的需求。变体飞行器可以通过改变自身几何形状来改善气动特性,适于执行多种不同任务。然而现有的关于变体飞行器的技术多数集中于柔性蒙皮设计、变形机构设计、飞控系统设计等方面,关于不同任务下变体飞行器如何选择最优几何形状的技术较少。
现存的一些关于确定不同任务下变体飞行器几何形状的技术方案主要依靠优化求解,有离线优化和在线优化两种。但是离线优化时所考虑的情况有限,无法满足复杂多变的实时飞行状况;在线优化虽然可以将实时的飞行状态纳入考虑,存在着计算时间过长,不适合机载实时应用的问题。
因此,亟需一种新的变体飞行器后掠角计算方法,以实现高效快速的给出当前飞行状况下执行给定任务的最优几何形状。
发明内容
本发明的目的是提供一种变体飞行器的后掠角确定方法及系统,能够高效快速的给出当前飞行状况下执行给定任务的最优几何形状。
为实现上述目的,本发明提供了如下方案:
一种变体飞行器的后掠角确定方法,包括:
根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;所述任务类型包括:爬升任务、巡航任务、俯冲任务以及盘旋任务;所述任务参数包括:预期飞行高度、预期飞行速度以及预期飞行轨迹的曲率半径;所述变体飞行器当前状态包括:飞行器当前的高度、飞行器当前的速度以及飞行器当前的质量;所述优化模型包括:爬升任务优化模型、巡航任务优化模型、俯冲任务优化模型以及盘旋任务优化模型;所述爬升任务优化模型以爬升时间最小为优化目标,以飞行器的运动方程及爬升任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述巡航任务优化模型以巡航时间最长为优化目标,以飞行器的运动方程、巡航任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述俯冲任务优化模型以俯冲时间最短为优化目标,以飞行器的运动方程及俯冲任务约束为约束条件,以当前飞行状态为初始条件,以任务参数为终端条件;所述盘旋任务优化模型以单圈盘旋燃料消耗最少为优化目标,以飞行器的运动方程及盘旋任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;
根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;
根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;
根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角。
可选地,所述爬升任务优化模型具体包括:
利用公式min J=-tf确定爬升任务优化模型的目标函数;
根据以下公式确定变体飞行器的运动方程:
根据以下公式确定爬升任务的约束:
根据以下公式确定爬升任务的初始条件:
根据以下公式确定爬升任务的终端条件:
其中,J为目标函数,tf为爬升时间;x分别为水平横向位置坐标,y为水平纵向坐标,z为高度坐标,v为速度,γ为航迹倾角,为方位角,m为质量,α为攻角,σ为速度倾侧角,T为发动机推力,L和D分别为升力和阻力,mc为燃料消耗率,xmin,ymin,zmin,vmin,γmin,以及mmin是爬升任务中状态所允许的下限;xmax,ymax,zmax,vmax,γmax,以及mmax是爬升任务中状态所允许的上限;λmin和λmax分别为后掠角可以变化范围的下限和上限;R为飞行轨迹的曲率半径;z0,v0,m0,zf,vf为外部输入量;λ作为静态参数是优化变量。
可选地,所述巡航任务优化模型具体包括:
根据以下公式确定巡航任务优化模型的目标函数:
min J=-tf;
根据以下公式确定巡航任务的约束为:
根据以下公式确定巡航任务的初始条件:
根据以下公式确定巡航任务的终端条件:
其中,xf和yf是水平横向位置坐标和水平纵向位置坐标在tf时刻的值。
可选地,所述俯冲任务优化模型具体包括:
根据以下公式确定俯冲任务优化模型的目标函数:
min J=-tf;
根据以下公式确定俯冲任务的约束为:
根据以下公式确定俯冲任务的初始条件:
根据如下公式建立俯冲任务的终端条件:
根据以下公式确定盘旋任务优化模型的目标函数:
min J=-mf;
根据以下公式确定盘旋任务的约束为:
xmin≤x≤xmax,ymin≤y≤ymax,zmin≤z≤zmax,vmin≤v≤vmax,γmin≤γ≤γmax,mmin≤m≤mmax,m(tf)=mmin,Rmin≤R≤Rmax,根据以下公式确定盘旋任务的初始条件:
根据以下公式确定盘旋任务的终端条件:
可选地,所述根据所述数据集构建并训练神经网络,之前还包括:
对所述数据集进行数据预处理。
可选地,所述神经网络的输入层包含8个神经元;所述神经网络包括:多个隐藏层;每个隐藏层包含多个神经元。
一种变体飞行器的后掠角确定系统,包括:
优化模型建立模块,用于根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;所述任务类型包括:爬升任务、巡航任务、俯冲任务以及盘旋任务;所述任务参数包括:预期飞行高度、预期飞行速度以及预期飞行轨迹的曲率半径;所述变体飞行器当前状态包括:飞行器当前的高度、飞行器当前的速度以及飞行器当前的质量;所述优化模型包括:爬升任务优化模型、巡航任务优化模型、俯冲任务优化模型以及盘旋任务优化模型;所述爬升任务优化模型以爬升时间最小为优化目标,以飞行器的运动方程及爬升任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述巡航任务优化模型以巡航时间最长为优化目标,以飞行器的运动方程、巡航任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述俯冲任务优化模型以俯冲时间最短为优化目标,以飞行器的运动方程及俯冲任务约束为约束条件,以当前飞行状态为初始条件,以任务参数为终端条件;所述盘旋任务优化模型以单圈盘旋燃料消耗最少为优化目标,以飞行器的运动方程及盘旋任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;
优化模型求解模块,用于根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;
神经网络构建与训练模块,用于根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;
后掠角确定模块,用于根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种变体飞行器的后掠角确定方法及系统,利用神经网络估计变体飞行器执行给定任务时的最优的后掠角。首先由离线优化的方法获得数据集,即为每一种任务(爬升、巡航、俯冲以及盘旋四种任务之一)建立一个优化模型,然后求解在不同任务的优化模型中带入任务参数以及飞行状态构成的优化问题实例得到大量的(任务类型-任务参数-飞行器状态-飞行器后掠角)数据元组。进而,利用这些数据元组作为数据集去训练神经网络。在训练完成后,只需输入飞行器所需执行的任务类型、任务参数以及当前飞行状态之后,此神经网络即可给出适用于给定任务的最优后掠角。该方法为变体飞行器根据任务需求实时调整自身几何外形提供可能,使飞行器时刻保持最佳性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种变体飞行器的后掠角确定方法流程示意图;
图2为本发明所提供的一种变体飞行器的后掠角确定系统结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种变体飞行器的后掠角确定方法及系统,能够高效快速的给出当前飞行状况下执行给定任务的最优几何形状。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种变体飞行器的后掠角确定方法流程示意图,如图1所示,本发明所提供的一种变体飞行器的后掠角确定方法,包括:
S101,根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;所述任务类型包括:爬升任务、巡航任务、俯冲任务以及盘旋任务;所述任务参数包括:预期飞行高度、预期飞行速度以及预期飞行轨迹的曲率半径;所述变体飞行器当前状态包括:飞行器当前的高度、飞行器当前的速度以及飞行器当前的质量;所述优化模型包括:爬升任务优化模型、巡航任务优化模型、俯冲任务优化模型以及盘旋任务优化模型;所述爬升任务优化模型以爬升时间最小为优化目标,以飞行器的运动方程及爬升任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述巡航任务优化模型以巡航时间最长为优化目标,以飞行器的运动方程、巡航任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述俯冲任务优化模型以俯冲时间最短为优化目标,以飞行器的运动方程及俯冲任务约束为约束条件,以当前飞行状态为初始条件,以任务参数为终端条件;所述盘旋任务优化模型以单圈盘旋燃料消耗最少为优化目标,以飞行器的运动方程及盘旋任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;
S102,根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;
S103,根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;
其中将数据集进行分割,即在数据集中随机提取25%的数据元组放在一起构成验证集;余下的75%的数据用作训练集去训练神经网络;
确定神经网络参数;所述的确定神经网络参数即训练神经网络直至满足收敛条件。
S104,根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角。
所述爬升任务优化模型具体包括:
利用公式min J=-tf确定爬升任务优化模型的目标函数;
根据以下公式确定变体飞行器的运动方程:
根据以下公式确定爬升任务的约束:
根据以下公式确定爬升任务的初始条件:
根据以下公式确定爬升任务的终端条件:
其中,J为目标函数,tf为爬升时间;x分别为水平横向位置坐标,y为水平纵向坐标,z为高度坐标,v为速度,γ为航迹倾角,为方位角,m为质量,α为攻角,σ为速度倾侧角,T为发动机推力,L和D分别为升力和阻力,mc为燃料消耗率,xmin,ymin,zmin,vmin,γmin,以及mmin是爬升任务中状态所允许的下限;xmax,ymax,zmax,vmax,γmax,以及mmax是爬升任务中状态所允许的上限;λmin和λmax分别为后掠角可以变化范围的下限和上限;R为飞行轨迹的曲率半径;z0,v0,m0,zf,vf为外部输入量;λ作为静态参数是优化变量。
其中,外部输入量包括:变体飞行器当前状态参数(高度z0,速度v0,质量m0)、任务的具体参数(目标高度zf,目标速度vf,目标轨迹曲率半径R)。
所述巡航任务优化模型具体包括:
根据以下公式确定巡航任务优化模型的目标函数:
min J=-tf;
根据以下公式确定巡航任务的约束为:
根据以下公式确定巡航任务的初始条件:
根据以下公式确定巡航任务的终端条件:
其中,xf和yf是水平横向位置坐标和水平纵向位置坐标在tf时刻的值。
所述俯冲任务优化模型具体包括:
根据以下公式确定俯冲任务优化模型的目标函数:
min J=-tf;
根据以下公式确定俯冲任务的约束为:
根据以下公式确定俯冲任务的初始条件:
根据如下公式建立俯冲任务的终端条件:
所述俯冲任务优化模型具体包括:
根据以下公式确定盘旋任务优化模型的目标函数:
min J=-mf;
根据以下公式确定盘旋任务的约束为:
根据以下公式确定盘旋任务的初始条件:
根据以下公式确定盘旋任务的终端条件:
其中,Rmax和Rmin分别为盘旋任务允许的转弯半径。
对于爬升任务,在范围(zmin,zmax),(vmin,vmax)以及(mmin,mmax)中分别随机选取一个值作为z0,v0以及m0;在范围(z0,zmax)及(vmin,vmax)中分别随机选取一个值作为zf和vf;将上述值带入到爬升任务优化模型中构成一个爬升任务优化问题实例;求解所述爬升任务优化问题实例得到一个后掠角值λ*,求解优化问题实例的方法不在权利要求范围内;为爬升任务编号为1;记曲率半径R为0;综合上述结果得到一个数据元组,具体为{1,z0,v0,m0,zf,vf,0,λ};如此反复,获取大量数据元组,记作数据集1。
对于巡航任务,在范围(zmin,zmax),(vmin,vmax)以及(mmin,mmax)中分别随机选取一个值作为z0,v0以及m0;将上述值带入到巡航任务优化模型中构成一个巡航任务优化问题实例;求解所述爬升任务优化问题实例得到一个后掠角值λ,求解优化问题实例的方法不在权利要求范围内;为巡航任务编号为2;记曲率半径R为0;综合上述结果得到一个数据元组,具体为{2,z0,v0,m0,z0,v0,0,λ};如此反复,获取大量数据元组,记作数据集2。
对于俯冲任务,在范围(zmin,zmax),(vmin,vmax)以及(mmin,mmax)中分别随机选取一个值作为z0,v0以及m0;在范围(zmin,z0)及(vmin,vmax)中分别随机选取一个值作为zf和vf;将上述值带入到爬升任务优化模型中构成一个俯冲任务优化问题实例;求解所述俯冲任务优化问题实例得到一个后掠角值λ,求解优化问题实例的方法不在权利要求范围内;为俯冲任务编号为3;记曲率半径R为0;综合上述结果得到一个数据元组,具体为{3,z0,v0,m0,zf,vf,0,λ};如此反复,获取大量数据元组,记作数据集3。
对于盘旋任务,在范围(zmin,zmax),(vmin,vmax)以及(mmin,mmax)中分别随机选取一个值作为z0,v0以及m0;将上述值带入到盘旋任务优化模型中构成一个盘旋任务优化问题实例;求解所述盘旋任务优化问题实例得到一个后掠角值λ,求解优化问题实例的方法不在权利要求范围内;记盘旋任务编号为4;在范围(Rmin,Rmax)内随机选取一个值作为曲率半径R;综合上述结果得到一个数据元组,具体为{4,z0,v0,m0,z0,v0,R,λ};如此反复,获取大量数据元组,记作数据集4。
S103之前还包括:
对所述数据集进行数据预处理。
即为了保证输入数据满足神经网络的输入需求,需对输入数据进行处理,具体包括:若输入任务类型为“爬升”,则置任务代码为1,置目标轨迹曲率半径R为0,其余输入参数保持不变;若输入任务类型为“巡航”,则置任务代码为2,置目标高度为z0,置目标速度为v0,置目标轨迹曲率半径R为0,其余参数保持不变;若输入任务类型为“俯冲”,则置任务代码为3,置目标轨迹曲率半径R为0,其余输入参数保持不变;若输入任务类型为“盘旋”,则置任务代码为4,置目标高度为z0,置目标速度为v0,其余输入参数保持不变;
所述神经网络的输入层包含8个神经元;所述神经网络包括:多个隐藏层;每个隐藏层包含多个神经元。
图2为本发明所提供的一种变体飞行器的后掠角确定系统结构示意图,如图2所示,本发明所提供的一种变体飞行器的后掠角确定系统,包括:
优化模型建立模块201,用于根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;所述任务类型包括:爬升任务、巡航任务、俯冲任务以及盘旋任务;所述任务参数包括:预期飞行高度、预期飞行速度以及预期飞行轨迹的曲率半径;所述变体飞行器当前状态包括:飞行器当前的高度、飞行器当前的速度以及飞行器当前的质量;所述优化模型包括:爬升任务优化模型、巡航任务优化模型、俯冲任务优化模型以及盘旋任务优化模型;所述爬升任务优化模型以爬升时间最小为优化目标,以飞行器的运动方程及爬升任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述巡航任务优化模型以巡航时间最长为优化目标,以飞行器的运动方程、巡航任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述俯冲任务优化模型以俯冲时间最短为优化目标,以飞行器的运动方程及俯冲任务约束为约束条件,以当前飞行状态为初始条件,以任务参数为终端条件;所述盘旋任务优化模型以单圈盘旋燃料消耗最少为优化目标,以飞行器的运动方程及盘旋任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;
优化模型求解模块202,用于根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;
神经网络构建与训练模块203,用于根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;
后掠角确定模块204,用于根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种变体飞行器的后掠角确定方法,其特征在于,包括:
根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;所述任务类型包括:爬升任务、巡航任务、俯冲任务以及盘旋任务;所述任务参数包括:预期飞行高度、预期飞行速度以及预期飞行轨迹的曲率半径;所述变体飞行器当前状态包括:飞行器当前的高度、飞行器当前的速度以及飞行器当前的质量;所述优化模型包括:爬升任务优化模型、巡航任务优化模型、俯冲任务优化模型以及盘旋任务优化模型;所述爬升任务优化模型以爬升时间最小为优化目标,以飞行器的运动方程及爬升任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述巡航任务优化模型以巡航时间最长为优化目标,以飞行器的运动方程、巡航任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述俯冲任务优化模型以俯冲时间最短为优化目标,以飞行器的运动方程及俯冲任务约束为约束条件,以当前飞行状态为初始条件,以任务参数为终端条件;所述盘旋任务优化模型以单圈盘旋燃料消耗最少为优化目标,以飞行器的运动方程及盘旋任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;
根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;
根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;
根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角;
所述爬升任务优化模型具体包括:
利用公式min J=-tf确定爬升任务优化模型的目标函数;
根据以下公式确定变体飞行器的运动方程:
根据以下公式确定爬升任务的约束:
根据以下公式确定爬升任务的初始条件:
根据以下公式确定爬升任务的终端条件:
其中,J为目标函数,tf为爬升时间;x分别为水平横向位置坐标,y为水平纵向坐标,z为高度坐标,v为速度,γ为航迹倾角,为方位角,m为质量,α为攻角,σ为速度倾侧角,T为发动机推力,L和D分别为升力和阻力,mc为燃料消耗率,xmin,ymin,zmin,vmin,γmin,以及mmin是爬升任务中状态所允许的下限;xmax,ymax,zmax,vmax,γmax,以及mmax是爬升任务中状态所允许的上限;λmin和λmax分别为后掠角可以变化范围的下限和上限;R为飞行轨迹的曲率半径;z0,v0,m0,zf,vf为外部输入量;λ作为静态参数是优化变量;
所述巡航任务优化模型具体包括:
根据以下公式确定巡航任务优化模型的目标函数:
min J=-tf;
根据以下公式确定巡航任务的约束为:
根据以下公式确定巡航任务的初始条件:
根据以下公式确定巡航任务的终端条件:
其中,xf和yf是水平横向位置坐标和水平纵向位置坐标在tf时刻的值;
所述俯冲任务优化模型具体包括:
根据以下公式确定俯冲任务优化模型的目标函数:
min J=-tf;
根据以下公式确定俯冲任务的约束为:
根据以下公式确定俯冲任务的初始条件:
根据如下公式建立俯冲任务的终端条件:
所述俯冲任务优化模型具体包括:
根据以下公式确定盘旋任务优化模型的目标函数:
min J=-mf;
根据以下公式确定盘旋任务的约束为:
根据以下公式确定盘旋任务的初始条件:
根据以下公式确定盘旋任务的终端条件:
其中,Rmax和Rmin分别为盘旋任务允许的转弯半径。
2.根据权利要求1所述的一种变体飞行器的后掠角确定方法,其特征在于,所述根据所述数据集构建并训练神经网络,之前还包括:
对所述数据集进行数据预处理。
3.根据权利要求1所述的一种变体飞行器的后掠角确定方法,其特征在于,所述神经网络的输入层包含8个神经元;所述神经网络包括:多个隐藏层;每个隐藏层包含多个神经元。
4.一种变体飞行器的后掠角确定系统,用于实现权利要求1-3任意一项所述的一种变体飞行器的后掠角确定方法,其特征在于,包括:
优化模型建立模块,用于根据任务类型、相应任务类型的任务参数以及变体飞行器当前状态建立变体飞行器在执行不同任务类型时的优化模型;所述任务类型包括:爬升任务、巡航任务、俯冲任务以及盘旋任务;所述任务参数包括:预期飞行高度、预期飞行速度以及预期飞行轨迹的曲率半径;所述变体飞行器当前状态包括:飞行器当前的高度、飞行器当前的速度以及飞行器当前的质量;所述优化模型包括:爬升任务优化模型、巡航任务优化模型、俯冲任务优化模型以及盘旋任务优化模型;所述爬升任务优化模型以爬升时间最小为优化目标,以飞行器的运动方程及爬升任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述巡航任务优化模型以巡航时间最长为优化目标,以飞行器的运动方程、巡航任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;所述俯冲任务优化模型以俯冲时间最短为优化目标,以飞行器的运动方程及俯冲任务约束为约束条件,以当前飞行状态为初始条件,以任务参数为终端条件;所述盘旋任务优化模型以单圈盘旋燃料消耗最少为优化目标,以飞行器的运动方程及盘旋任务约束为约束条件、以当前飞行状态为初始条件,以任务参数为终端条件;
优化模型求解模块,用于根据变体飞行器在执行不同任务时的优化模型确定后掠角;并且根据任务类型、相应任务类型的任务参数、变体飞行器当前状态以及相应的后掠角构建数据集;
神经网络构建与训练模块,用于根据所述数据集构建并训练神经网络;所述神经网络以任务类型、相应任务类型的任务参数以及变体飞行器当前状态为输出,以相应的后掠角为输出;
后掠角确定模块,用于根据训练后的神经网络确定变体飞行器在执行不同任务类型时的后掠角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421671.1A CN114115314B (zh) | 2021-11-26 | 2021-11-26 | 一种变体飞行器的后掠角确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421671.1A CN114115314B (zh) | 2021-11-26 | 2021-11-26 | 一种变体飞行器的后掠角确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115314A CN114115314A (zh) | 2022-03-01 |
CN114115314B true CN114115314B (zh) | 2023-05-23 |
Family
ID=80370284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421671.1A Active CN114115314B (zh) | 2021-11-26 | 2021-11-26 | 一种变体飞行器的后掠角确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114115314B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118410585B (zh) * | 2024-06-27 | 2024-09-13 | 西北工业大学 | 一种基于模糊威胁判定的高速飞行器博弈变形方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2004133827A (ru) * | 2004-11-19 | 2006-04-20 | Карклин Андрей Михайлович (RU) | Самолет с несущим фюзеляжем |
RU64176U1 (ru) * | 2007-02-22 | 2007-06-27 | Закрытое акционерное общество Научно методический центр "Норма" (ЗАО НМЦ "Норма") | Тяжелый транспортный самолет |
CN106843261A (zh) * | 2016-10-25 | 2017-06-13 | 南京航空航天大学 | 一种变体飞行器过渡段的张量积插值建模与控制方法 |
CN111351488A (zh) * | 2020-03-03 | 2020-06-30 | 南京航空航天大学 | 飞行器智能轨迹重构再入制导方法 |
-
2021
- 2021-11-26 CN CN202111421671.1A patent/CN114115314B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2004133827A (ru) * | 2004-11-19 | 2006-04-20 | Карклин Андрей Михайлович (RU) | Самолет с несущим фюзеляжем |
RU64176U1 (ru) * | 2007-02-22 | 2007-06-27 | Закрытое акционерное общество Научно методический центр "Норма" (ЗАО НМЦ "Норма") | Тяжелый транспортный самолет |
CN106843261A (zh) * | 2016-10-25 | 2017-06-13 | 南京航空航天大学 | 一种变体飞行器过渡段的张量积插值建模与控制方法 |
CN111351488A (zh) * | 2020-03-03 | 2020-06-30 | 南京航空航天大学 | 飞行器智能轨迹重构再入制导方法 |
Non-Patent Citations (1)
Title |
---|
剪切式变后掠翼气动特性分析;彭金京;董彦非;陈元恺;;飞行力学(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114115314A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN112162564B (zh) | 基于模仿学习和强化学习算法的无人机飞行控制方法 | |
CN106557837B (zh) | 飞机连续下降进近轨迹的获取方法及装置 | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN110531786B (zh) | 基于dqn的无人机机动策略自主生成方法 | |
Waldock et al. | Learning to perform a perched landing on the ground using deep reinforcement learning | |
CN114355777B (zh) | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 | |
CN114115314B (zh) | 一种变体飞行器的后掠角确定方法及系统 | |
CN114253296A (zh) | 高超声速飞行器机载轨迹规划方法、装置、飞行器及介质 | |
CN117215197B (zh) | 四旋翼飞行器在线轨迹规划方法、系统、电子设备及介质 | |
CN113485443A (zh) | 基于深度学习的无人机控制方法、存储介质及设备 | |
CN116820134A (zh) | 基于深度强化学习的无人机编队保持控制方法 | |
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 | |
CN114637312A (zh) | 一种基于智能变形决策的无人机节能飞行控制方法及系统 | |
CN114706412A (zh) | 基于能量状态法的共轴无人机垂直剖面优化方法 | |
CN113093568A (zh) | 基于长短时记忆网络的飞机自动驾驶操作模拟方法 | |
CN115685764B (zh) | 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统 | |
CN113377122B (zh) | 一种可栖落机动的变体飞行器切换自适应控制方法 | |
CN114815878B (zh) | 基于实时优化和深度学习的高超声速飞行器协同制导方法 | |
CN115510910A (zh) | 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 | |
CN114115304A (zh) | 一种航空器四维爬升航迹规划方法及系统 | |
Ma et al. | Research on the design of smart morphing long-endurance UAVs | |
CN117970952B (zh) | 无人机机动策略离线建模方法 | |
CN117387634B (zh) | 基于用户偏好的变色木林区无人机路径多目标规划方法 | |
Bagiev et al. | Predictive inverse simulation of helicopters in aggressive manoeuvring flight |
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 |