CN114355777B - 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 - Google Patents

Abstract

本发明提供了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。该发明通过实时滑翔机的当前状态参数，利用训练好的神经网络得到表面压力与流动工况之间的非线性关系，获得当前滑翔机的雷诺数预测值和迎角预测值，进一步得到风速梯度的估算值，通过运动方程推导和carrot‑chasing路径跟随算法结合风速梯度的估算值实时求解每一阶段的目标姿态，最后控制滑翔机的当前姿态接近目标姿态，完成分段姿态控制。本发明通过动态滑翔分段姿态控制系统模拟无人机从风切变中获取能量，该方法实现简单，可以广泛应用于无人机在风切变中的风能利用，结果表明该方法对风的估算精度较高，且能够让无人机获得足够的能量来保持飞行。

Description

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

技术领域

本发明涉及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，在仿真环境中，可以较精确地实时估算当前位置点处的风信息，且能够让无人机获得足够的能量来保持飞行，属于无人机上的风场信息感知与风能利用领域。

背景技术

小型无人机因其成本低、运输操作方便等特点，被广泛应用于区域搜索、环境监测、农业植保、航拍等领域。然而，由于电池容量有限，小型无人机的长时间续航能力仍然是一个挑战。与旋翼无人机相比，固定翼无人机具有更高的能效和更长的续航时间，具有提升性能的潜力，例如使用薄膜太阳能电池吸收太阳能或通过调节姿态来利用风能。自然界中擅长飞行的信天翁便是通过调节姿态上下穿越风切变层来利用风能，这种动态滑翔的动作可以应用在长航时无人机的设计当中。

其中，实现动态滑翔的一个关键问题是实时风场信息的获取，目前，主要是通过惯性传感器(测量地速)与皮托管和风向标(测量空速)来推算风速，但常规的皮托管和风向标会影响无人机气动外形从而影响气动性能，且只能得到平均数值，无法捕捉局部流动的动态(脉动风)信息，而动态滑翔动作又容易受到气动性能和脉动风的影响，因此常规的空速传感器可能会降低动态滑翔的实际性能。实现动态滑翔的另一个关键问题是动态滑翔动作的控制，目前，主要是用轨迹优化和路径跟随控制的方法来模拟动态滑翔动作，这种方法将动态滑翔的控制看作一个非线性规划问题，对一个周期内的整个轨迹进行优化，并控制无人机跟随之前优化出的最优轨迹，然而，这种方法虽然能飞出相似的轨迹，但会出现由于姿态不正确而导致实际获能明显小于预期值的问题，使得动态滑翔动作的收益可能反而不如常规巡航的模式。

发明内容

本发明的目的在于针对现有空速传感器会影响无人机气动外形和无法捕捉动态流动信息的局限性，以及通过轨迹优化和路径跟随控制动态滑翔方法的不足，提出一种基于分布式压力传感器与分段姿态控制的仿信天翁动态滑翔方法及系统，与传统方法相比，本发明对空速的估算精度较高，且不会影响无人机气动外形，能够让无人机获得足够的能量来保持飞行，不会出现获能收益明显不足的情况。

本发明的目的是通过以下技术方案来实现的：

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，所述动态滑翔包括P1：逆风爬升阶段、P2：高空转弯过渡阶段、P3：顺风下潜阶段、P4：低空转弯过渡阶段、P5：沿目标方向平飞阶段；该方法具体为：

实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角必、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V_d、侧滑角传感器测量的侧滑角β。

将获取的压力数据(一定时间段内的均值)输入至一训练好的神经网络模型，获得当前滑翔机的雷诺数预测值Re′和迎角预测值α′；并依据雷诺数预测值Re′计算获得空速预测值V′_a；结合空速预测值V′_a、地速V_d、侧滑角β和实时高度h计算获得地面坐标系中x_i方向分量的风速梯度的估算值β′_w：

β′_w＝((W_ix′)_t-(W_ix′)_t-1)/(h_t-h_t-1)

W_ix′＝V_d-V′_acosα′cosβ

其中，下标t为当前时刻，下标t-1表示为上一个时刻，W_ix′是x_i方向分量的风速。

通过运动方程推导和carrot-chasing路径跟随算法结合风速梯度的估算值β′_w实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：

阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ_d1＝0和μ_d3＝0，目标航向角ψ_d1＝π-ψ_d3，阶段P1的目标俯仰角θ_d1和阶段P3的目标俯仰角θ_d3通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：

其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S_(·)和C_(·)表示sin(·)和cos(·)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量。

阶段P2和阶段P4的目标滚转角μ_d2和μ_d4通过最大化转弯效率进行优化，其余目标姿态为设定值：

阶段P5中的目标航向角ψ_d5采用carrot-chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值。

控制滑翔机的当前姿态接近目标姿态，完成分段姿态控制。

进一步地，布置于滑翔机机翼表面的多个分布式压力传感器相互之间的间距大于0.06c，c是机翼平均弦长。

进一步地，布置于滑翔机机翼表面的多个分布式压力传感器的位置通过如下方法进行确定：

通过CFD数值模拟不同流动工况下的滑翔机机翼的二维绕流流场，提取获得不同流动工况下对应的机翼表面分布的多个坐标点随时间变化的压力数据构成压力数据集X。

采用测量矩阵C表示分布式压力传感器的位置信息，则M个分布式压力传感器的测量数据Y＝{y_i}，i＝1，2，…，M与数据集X的关系表示为Y＝CX。

通过POD算法对压力数据集X进行降维，然后通过对带有传感器位置和模态信息的项进行QR分解，其中/>为降维后的POD模态矩阵，挑选出对于数据集X占优的测量矩阵C_o，测量矩阵C_o包含的传感器的位置信息即为确定的布置于滑翔机机翼表面的多个分布式压力传感器的位置。

进一步地，所述神经网络模型通过如下方法训练获得：

通过CFD数值模拟不同流动工况下的滑翔机机翼的二维绕流流场，提取获得不同流动工况下对应的布置于滑翔机机翼表面的多个分布式压力传感器的随时间变化的压力数据构成训练数据集。

构建神经网络模型，利用训练数据集，以布置于滑翔机机翼表面的多个分布式压力传感器的压力数据作为输入，雷诺数预测值Re′和迎角预测值α′作为输出，直至输出的预测值与真值损失函数收敛，训练获得神经网络模型。

进一步地，所述神经网络模型为BP神经网络、卷积神经网络。

一种滑翔机的动态滑翔模拟系统，包括：

数据获取模块，用于实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角ψ、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V_d、侧滑角传感器测量的侧滑角β。

训练好的神经网络模型，用于输入获取的压力数据(一定时间段内的均值)，输出获得当前滑翔机的雷诺数预测值Re′和迎角预测值α′。

风速梯度估计器，用于结合雷诺数预测值Re′、空速预测值V′_a、地速V_d、侧滑角β和实时高度h计算获得地面坐标系中x_i方向分量的风速梯度的估算值β′_w。

目标姿态求解器，用于通过运动方程推导和carrot-chasing路径跟随算法结合风速梯度的估算值β′_w实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：

阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ_d1＝0和μ_d3＝0，目标航向角ψ_d1＝π-ψ_d3，阶段P1的目标俯仰角θ_d1和阶段P3的目标俯仰角θ_d3通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：

其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S_(·)和C_(·)表示sin(·)和cos(·)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量。

阶段P2和阶段P4的目标滚转角μ_d2和μ_d4通过最大化转弯效率进行优化，其余目标姿态为设定值：

阶段P5中的目标航向角ψ_d5采用carrot-chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值。

控制器，控制滑翔机的当前姿态接近目标姿态。

本发明的有益效果：

1.通过数据驱动的POD算法，对翼型表面压力数据进行降维，并通过QR分解对稀疏传感器的位置进行选择，得到最优的分布式压力传感器位置，可以不用依靠经验选取传感器位置。

2.将分布式压力传感器应用于动态滑翔过程，通过线下训练好的BP神经网络模型进行空速的实时估算，可以减少传感器对无人机气动外形的影响，并且可以捕捉周围的动态流动信息，适合无人机进行动态滑翔这种复杂操作的情况。

3.通过将一个周期的动态滑翔轨迹分成几个获能段和耗能段，以及PID控制器组控制滑翔机的当前姿态逼近计算出的目标姿态来实现动态滑翔操作，能够让无人机获得足够的能量来保持飞行，不会出现由于姿态不正确而导致动态滑翔获能收益明显不足的情况。

附图说明

图1是本发明的流程图；

图2是优化得到的分布式压力传感器位置以及对应的压力分布图；

图3是估算流动工况的BP神经网络结构图；

图4是航迹坐标系示意图；

图5是无动力滑翔机的动态滑翔分段姿态控制系统结构图；

图6是动态滑翔分段姿态控制与阶段切换逻辑示意图；

图7是测试算例中一个周期的动态滑翔轨迹示意图；

图8是本发明提供的模拟动态滑翔过程中能量变化图；

图9是本发明提供的模拟动态滑翔过程中风速估算结果图；

图10是本发明提供的模拟动态滑翔过程中风梯度估算结果图。

具体实施方式

下面根据附图结合具体实施例详细说明本发明。

本发明的实施例采用大展弦比的滑翔机作为对象，采用平直翼，翼型为NACA4412，滑翔机的相关参数如下表1所示：

表1滑翔机的相关参数

其中，x_b、y_b、z_b是机身坐标系上的3个坐标轴。

CFD数值模拟算例是在雷诺数从0.82e5到3.26e5而迎角从0°到22°下的NACA4412翼型的二维绕流流场，提取翼型表面均匀分布的400个坐标点的压力数据作为翼型的表面压力分布，为传感器位置的选取和神经网络模型的训练提供数据集。

图1是本发明提供的一种基于分布式压力传感器与分段姿态控制的动态滑翔模拟方法流程图，如图1所示，本发明提出的方法具体包括：

离线训练阶段：

通过Openfoam程序对不同流动工况(0.82e5≤Re≤3.26e5，0°≤α≤22°)下的NACA4412翼型二维绕流流场进行CFD数值模拟，采用RANS湍流模型中的S-A模型求解非定常湍流场，提取翼型表面均匀分布的400个坐标点的压力数据，选取时间序列的间隔为Δt＝1×10^-2s，一共5000个时间切片，得到不同流动工况的随时间变化的压力数据集X，所述压力数据集X为二维的矩阵，其中行数表示坐标点数量，列数表示时间切片的数量。

根据数据集X选择在翼型表面的分布式压力传感器的布置位置：采用测量矩阵C来表示分布式压力传感器的位置信息，则M个分布式压力传感器的测量数据Y＝{y_i}，i＝1，2，…，M与数据集X的关系可以表示为Y＝CX，其中，相邻分布式压力传感器之间的最小间距为0.06c，c是机翼平均弦长，以此来留出足够的空间在测压孔处安装导气管。

作为一优选方案，可以通过POD算法对数据集X进行降维，得到该数据集X的低维表示，即POD模态矩阵和对应的POD系数矩阵a_k，k表示模态数量；然后通过对带有传感器位置和模态信息的/>项进行QR分解，挑选出对于数据集X占优的测量矩阵C_o；

具体包括如下子步骤：

1)将得到的压力数据集X进行奇异值分解，得到左奇异矩阵和右奇异矩阵V，以及带有特征值(奇异值)的特征矩阵∑，并根据奇异值只保留前k个来对数据集X进行降维：

其中，是保留前k个奇异值对应的POD模态矩阵，a_k是对应的POD系数矩阵，由正交投影给出：

2)当作为状态的数据集X未知而测量数据Y已知时，通过Moore-Penrose伪逆来近似POD系数并重建出状态/>

其中，Θ⁺为矩阵Θ的伪逆，M为传感器数量。

3)最佳压力传感器位置C_o是重建出状态最接近真实状态X的位置，则对Θ的逆进行优化即可获得压力传感器位置C_o：

C_o＝argmax|det(M_C)|，M_C＝Θ^TΘ

det(M_C)表示计算矩阵M_C的行列式。

本实施例优化得到的分布式压力传感器位置以及对应的压力分布如图2所示，本实施例得到的传感器数量为11个，主要分布在翼型上表面，相邻传感器之间的间距大于等于最小间距0.06c。

构建用于估算流动工况的神经网络模型，神经网络模型可以为常规神经网络模型，本实施例为BP神经网络模型，BP神经网络模型的结构分为三层：输入层、隐藏层和输出层，如图3所示。在输入层中的输入为分布式压力传感器测量值压力数据(一段时间内每个传感器测量的均值，本实施例中取所有时间切片的均值)，在隐藏层中采用双曲正切sigmoid函数作为激活函数，在输出层中的输出为流动工况的雷诺数Re和迎角α预测值。本实施例设置两个隐藏层，设置每一层的神经元数目(本实施例中，输入层为11个，两个隐藏层分别为11个和11个，输出层为2个)，使用trainbr贝叶斯正则化方法作为反向传播算法，优化器学习率0.001。利用得到的输入、输出数据对BP神经网络模型进行训练，直至输出的预测值与真值损失函数收敛，从而得到训练好的BP神经网络模型。

在线控制阶段：

通过运动方程推导了动态滑翔的获能机理，假设风速向量只考虑x_i方向分量W_ix，在本实施例中，通过来模拟风切变层，参考速度W₀＝10m/s，参考高度z₀＝10m，厚度参数l＝1，h是无动力滑翔机的实时高度，在航迹坐标系中(如图4所示)得到无动力滑翔机六自由度的运动方程：

其中，x_iy_iz_i表示地面坐标系，S_(·)和C_(·)表示sin(·)和cos(·)，L和D是升力和阻力，V_a是空速，χ是航迹方位角，m为无动力滑翔机的质量，g为重力加速度，h是无动力滑翔机的实时高度，γ是航迹爬升角，μ是气动滚转角；分别表示V_a、χ、γ、滑翔机在x_i、y_i、z_i方向位移对时间的导数。滑翔机在航迹坐标系中的总能量定义为总能量E对时间t求导：

其中，-DV_a是阻力消耗的项，风梯度β_w＝-dW_ix/dz_i是动态滑翔获能的关键，动态滑翔要获得能量，则-mV_a ²β_wS_γC_γC_χ要大于0，风梯度β_w＞0，则S_γC_γC_χ要小于0，得出结论：在爬升的时候(0＜γ＜π/2)，滑翔机需要逆风(π/2＜χ＜3π/2)才能获能；在下潜的时候(-π/2＜γ＜0)，滑翔机需要顺风(-π/2＜χ＜π/2)才能获能。

因此，本发明基于分布式压力传感器与分段姿态控制的动态滑翔方法即在线控制阶段具体为：

实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角必、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V_d、侧滑角传感器测量的侧滑角β。

将获取的压力数据(在固定时间中取均值)输入至训练好的神经网络模型，获得当前滑翔机的雷诺数预测值Re′和迎角预测值α′；并依据雷诺数预测值Re′计算获得空速预测值V′_a；结合空速预测值V′_a、地速V_d、侧滑角β和实时高度h计算获得地面坐标系中x_i方向分量的风速梯度的估算值β′_w。

通过运动方程推导和carrot-chasing路径跟随算法结合风速梯度的估算值β′_w实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角。

最后控制滑翔机的当前姿态接近目标姿态，完成分段姿态控制。

本实施例中，为了详细说明本发明，在Simulink程序中搭建了一个无动力滑翔机的动态滑翔分段姿态控制系统(如图5所示)，该系统包括风速场模拟器、六自由度无动力滑翔机模型、PID控制器组、目标姿态求解器。其中，六自由度无动力滑翔机模型从Aerosim模块中获得，滑翔机模型的输入为风速场和控制面命令(副翼、襟翼、升降舵、方向舵)，输出为滑翔机当前状态，包括滑翔机的实时高度h、速度、加速度、空速等，进一步获得滑翔机当前姿态：航向角ψ、俯仰角θ、滚转角μ、侧滑角β。将一个动态滑翔周期的轨迹分为了5段：P1逆风爬升、P2高空转弯过渡、P3顺风下潜、P4低空转弯过渡、P5沿目标方向平飞，无人机在逆风爬升(P1)和顺风下潜(P3)时从风场中获取能量，多出来的能量用于转弯过渡过程(P2、P3)和平飞过程(P5)中的能量消耗。其中，当h≥h_max时，阶段P1切换至阶段P2，当航向角|ψ-ψ_d3|≤3°时，阶段P2切换至阶段P3，当h≤h_min时，阶段P3切换至阶段P4，当总能量E＞E₀且|ψ-ψ_d5|≤6°时，阶段P4切换至阶段P5；若E≤E₀且|ψ-ψ_d1|≤6°，则不进入P5消耗能量而是进入下一个P1获取能量。其中，hmax、hmin分别是设定的最高高度和最低高度，ψ_d1是阶段P1的目标航向角，ψ_d3是阶段P3的目标航向角，ψ_d5是阶段P5的目标航向角。E₀是是初始总能量。每一段的目标姿态是通过运动方程推导和carrot-chasing路径跟随算法求解，然后通过PID控制器组控制滑翔机的当前姿态接近目标姿态，如图6所示。

其中，每一段的目标姿态是通过运动方程推导和carrot-chasing路径跟随算法求解具体过程如下：

获取滑翔机当前时刻的压力数据y′_i(i＝1，2，…，M)，并输入到训练好的BP神经网络模型中，雷诺数预测值Re′和迎角预测值α′，进一步获得该流动工况下的空速V′_a，μ₀为空气的粘性系数，l₀是特征长度，飞机上一般用机翼平均弦长c表示，估算的空速再与惯性传感器测量的地速V_d和侧滑角传感器测量值β组合，获得风速的估算值：

W_ix′＝V_d-V′_acosα′cosβ

风速V_wx′再与滑翔机的实时高度h一起进行数值微分，获得估算的风梯度β′_w：

β′_w＝dW_ix/dz_i′＝((W_ix′)_t-(W_ix′)_t-1)/(h_t-h_t-1)

其中，下标t为当前时刻，下标t-1表示为上一个时刻。

根据估算的风梯度β′_w优化求解每一段的目标姿态，其中：

阶段P1和P3中假设目标航向角ψ_d1＝π-ψ_d3，阶段P1的目标俯仰角θ_d1＝γ_opt1和阶段P3的目标俯仰角θ_d3＝γ_opt3通过最大化能量相对于高度的梯度来优化，其余目标姿态为根据经验的设定值(如图6所示)：

γ_opt1表示阶段P1通过最大化能量相对于高度的梯度优化获得的航迹爬升角，γ_opt3表示阶段P3通过最大化能量相对于高度的梯度优化获得的航迹爬升角，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，且假设无人机稳定爬升或稳定下潜(目标μ＝0，dγ/dt＝0；目标χ＝0或π)。

其中，阶段P2和P4中目标滚转角μ_d2和μ_d4通过最大化转弯效率进行优化，其余目标姿态为根据经验的设定值(如图6所示)：

其中，S_γ是μ的函数，在最大升力系数CL_max和最大载荷系数n_max的约束下，拟合曲线得到与空速相关的最优滚转角，本实施例中，拟合的曲线为

其中，阶段P5中的航向角ψ_d5采用carrot-chasing二维路径跟随算法，通过无人机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为根据经验的设定值。

本实施例利用滑翔机当前的空速和迎角状态与得到的不同空速和迎角条件下的压力数据，插值出滑翔机当前的压力数据作为滑翔机当前时刻的压力数据进行在线仿真，其测试结果如图7到图10所示，在测试中模拟了无动力滑翔机在风切变环境中进行一个周期的动态滑翔动作，水平风向沿x轴的负方向，滑翔机从5m的高度以地速15m/s、航向角ψ_d1＝0、俯仰角θ＝0、滚转角μ＝0开始进入动态滑翔动作，运动轨迹如图7所示。根据测试结果，无动力滑翔机在逆风爬升(P1)和顺风下潜(P3)时能够从风场中获得了足够多的能量，多余的能量则在转弯(P2，P4)和平飞(P5)的过程中消耗，如图8所示。根据图9所示的风速估算结果，可以看出大部分时间的风速估算轮廓与真实风速轮廓基本吻合，在阶段切换时会有少量的误差，但风速的总体的均方根误差保持在0.5m/s以内。根据风梯度的估算结果，与真实数据相比，估算时所用的数值微分方法会带来0.22s的时间延迟，图10展示了去除时间延迟后的风梯度估算情况。在逆风爬升和顺风下潜的时候(高度为5m到15m)，通过动态滑翔获能的关键风梯度信息会剧烈变化，可以从图10中看出，这时候的风梯度估算轮廓与真实风梯度轮廓基本吻合，给出了精确的风梯度信息。

与前述基于分布式压力传感器与分段姿态控制的动态滑翔方法的实施例相对应，本发明还提供了一种滑翔机的动态滑翔模拟系统的实施例。

本发明实施例提供的一种滑翔机的动态滑翔模拟系统，包括一个或多个处理器，用于实现上述实施例中的基于分布式压力传感器与分段姿态控制的动态滑翔方法。

本发明滑翔机的动态滑翔模拟系统的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。

示例性地，一种滑翔机的动态滑翔模拟系统，包括：

数据获取模块，用于实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角ψ、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V_d、侧滑角传感器测量的侧滑角β。

训练好的神经网络模型，用于输入获取的压力数据(一定时间段内的均值)，输出获得当前滑翔机的雷诺数预测值Re′和迎角预测值α′。

风速梯度估计器，用于结合雷诺数预测值Re′、空速预测值V′_a、地速V_d、侧滑角β和实时高度h计算获得地面坐标系中x_i方向分量的风速梯度的估算值β′_w。

目标姿态求解器，用于通过运动方程推导和carrot-chasing路径跟随算法结合风速梯度的估算值β′_w实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：

阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ_d1＝0和μ_d3＝0，目标航向角ψ_d1＝π-ψ_d3，阶段P1的目标俯仰角θ_d1和阶段P3的目标俯仰角θ_d3通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：

其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S_(·)和C_(·)表示sin(·)和cos(·)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量。

阶段P2和阶段P4的目标滚转角μ_d2和μ_d4通过最大化转弯效率进行优化，其余目标姿态为设定值：

阶段P5中的目标航向角ψ_d5采用carrot-chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值。

控制器，控制滑翔机的当前姿态接近目标姿态。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (6)

1.一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，所述动态滑翔包括P1：逆风爬升阶段、P2：高空转弯过渡阶段、P3：顺风下潜阶段、P4：低空转弯过渡阶段、P5：沿目标方向平飞阶段；其特征在于，该方法具体为：

实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角ψ、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V_d、侧滑角传感器测量的侧滑角β；

将获取的压力数据输入至一训练好的神经网络模型，获得当前滑翔机的雷诺数预测值Re′和迎角预测值α′；并依据雷诺数预测值Re′计算获得空速预测值V′_a；结合空速预测值V′_a、地速V_d、侧滑角β和实时高度h计算获得地面坐标系中x_i方向分量的风速梯度的估算值β′_w：

β′_w＝((W_ix′)_t-(W_ix′)_t-1)/(h_t-h_t-1)

W_ix′＝V_d-V′_acosα′cosβ

其中，下标t为当前时刻，下标t-1表示为上一个时刻，W_ix′是x_i方向分量的风速；

通过运动方程推导和carrot-chasing路径跟随算法结合风速梯度的估算值β′_w实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：

阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ_d1＝0和μ_d3＝0，目标航向角ψ_d1＝π-ψ_d3，阶段P1的目标俯仰角θ_d1和阶段P3的目标俯仰角θ_d3通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：

其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S_(·)和C_(·)表示sin(·)和cos(·)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量；

阶段P2和阶段P4的目标滚转角μ_d2和μ_d4通过最大化转弯效率进行优化，其余目标姿态为设定值：

阶段P5中的目标航向角ψ_d5采用carrot-chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值；

控制滑翔机的当前姿态接近目标姿态，完成分段姿态控制。

2.根据权利要求1所述的动态滑翔方法，其特征在于，布置于滑翔机机翼表面的多个分布式压力传感器相互之间的间距大于0.06c，c是机翼平均弦长。

3.根据权利要求1所述的动态滑翔方法，其特征在于，布置于滑翔机机翼表面的多个分布式压力传感器的位置通过如下方法进行确定：

通过CFD数值模拟不同流动工况下的滑翔机机翼的二维绕流流场，提取获得不同流动工况下对应的机翼表面分布的多个坐标点随时间变化的压力数据构成压力数据集X；

采用测量矩阵C表示分布式压力传感器的位置信息，则M个分布式压力传感器的测量数据Y＝{y_i},i＝1,2,…,M与数据集X的关系表示为Y＝CX；

通过POD算法对压力数据集X进行降维，然后通过对带有传感器位置和模态信息的项进行QR分解，其中/>为降维后的POD模态矩阵，挑选出对于数据集X占优的测量矩阵C_o，测量矩阵C_o包含的传感器的位置信息即为确定的布置于滑翔机机翼表面的多个分布式压力传感器的位置。

4.根据权利要求1所述的动态滑翔方法，其特征在于，所述神经网络模型通过如下方法训练获得：

通过CFD数值模拟不同流动工况下的滑翔机机翼的二维绕流流场，提取获得不同流动工况下对应的布置于滑翔机机翼表面的多个分布式压力传感器的随时间变化的压力数据构成训练数据集；

构建神经网络模型，利用训练数据集，以布置于滑翔机机翼表面的多个分布式压力传感器的压力数据作为输入，雷诺数预测值Re′和迎角预测值α′作为输出，直至输出的预测值与真值损失函数收敛，训练获得神经网络模型。

5.根据权利要求1所述的动态滑翔方法，其特征在于，所述神经网络模型为BP神经网络、卷积神经网络。

6.一种滑翔机的动态滑翔模拟系统，其特征在于，包括：

数据获取模块，用于实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角ψ、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V_d、侧滑角传感器测量的侧滑角β；

训练好的神经网络模型，用于输入获取的压力数据，输出获得当前滑翔机的雷诺数预测值Re′和迎角预测值α′；

风速梯度估计器，用于结合雷诺数预测值Re′、空速预测值V′_a、地速V_d、侧滑角β和实时高度h计算获得地面坐标系中x_i方向分量的风速梯度的估算值β′_w；

目标姿态求解器，用于通过运动方程推导和carrot-chasing路径跟随算法结合风速梯度的估算值β′_w实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：

阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ_d1＝0和μ_d3＝0，目标航向角ψ_d1＝π-ψ_d3，阶段P1的目标俯仰角θ_d1和阶段P3的目标俯仰角θ_d3通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：

其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S_(·)和C_(·)表示sin(·)和cos(·)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量；

阶段P2和阶段P4的目标滚转角μ_d2和μ_d4通过最大化转弯效率进行优化，其余目标姿态为设定值：

阶段P5中的目标航向角ψ_d5采用carrot-chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值；

控制器，控制滑翔机的当前姿态接近目标姿态。