CN114489098A - 一种飞行器的姿态控制方法及飞行器 - Google Patents
一种飞行器的姿态控制方法及飞行器 Download PDFInfo
- Publication number
- CN114489098A CN114489098A CN202111643193.9A CN202111643193A CN114489098A CN 114489098 A CN114489098 A CN 114489098A CN 202111643193 A CN202111643193 A CN 202111643193A CN 114489098 A CN114489098 A CN 114489098A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- aerodynamic
- moment
- increment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000009966 trimming Methods 0.000 claims abstract description 3
- 239000002245 particle Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000009530 blood pressure measurement Methods 0.000 claims 5
- 238000011156 evaluation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000010200 validation analysis 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
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种飞行器的姿态控制方法及飞行器，其中控制方法包括：通过飞行器上布置的多个压力测点，实时监测所述压力测点的压力；基于飞行参数模型和实时的所述压力测点的压力预测飞行器的飞行参数；基于气动力预测模型和所述飞行器飞行参数，预测飞行器的气动力和气动力矩；基于所述气动力矩通过凸起位置预测模型给出飞行器表面生成凸起的布局方案；生成的凸起产生的力矩增量满足飞行器的配平需求，且凸起产生的气动力增量最小；根据凸起的布局方案在所述飞行器表面形成对应的凸起，以调整所述飞行器的姿态。本发明能够较好的控制飞行器的姿态，提高飞行器的隐身性能，并对气动性能影响较小。
Description
技术领域
本发明属于飞行器技术领域，具体涉及一种飞行器的姿态控制方法及飞行器。
背景技术
飞行器姿态控制通常主要通过副翼、方向舵、升降舵等空气动力舵面的偏转来实现。但气动舵面会限制飞行器气动性能进一步提升，低速大攻角飞行时，舵面效率低；高速飞行时，会增大飞行器阻力，舵面会面临严酷的气动加热问题。此外，舵面是不可忽视的雷达反射源，严重制约飞行器的隐身能力。因此，减少舵面、甚至无舵面控制成为未来飞行器的重要发展方向，急需研究新的飞行器控制技术。
目前无舵面控制技术分为推力矢量技术和射流环量技术。推力矢量喷管结构复杂，并且调节喷管的角度有限。射流环量技术基于Coanda效应，常应用于亚声速，在高超声速时，射流将会产生激波，可能会影响控制效果和飞行器的气动性能，未见报道使用于高超声速中。
因此期待一种飞行器的姿态控制方法，可以提高飞行器的隐身性能，并对气动性能影响较小，既可以用于高超声速飞行器又可用于亚声速飞行器。
发明内容
本发明的目的是提出一种飞行器的姿态控制方法及飞行器，能够较好的控制飞行器的姿态，提高飞行器的隐身性能，并对气动性能影响较小。
为了实现上述目的，本发明提供了一种飞行器的姿态控制方法，包括：
通过飞行器上布置的多个压力测点，实时监测所述压力测点的压力；
基于飞行参数模型和实时的所述压力测点的压力预测飞行器的飞行参数；
基于气动力预测模型和所述飞行器飞行参数，预测飞行器的气动力和气动力矩；
基于所述气动力矩通过凸起位置预测模型给出飞行器表面生成凸起的布局方案；生成的凸起产生的力矩增量满足飞行器的配平需求，且凸起产生的气动力增量最小；
根据凸起的布局方案在所述飞行器表面形成对应的凸起，以调整所述飞行器的姿态。
可选方案中，所述气动力矩包括偏航力矩和俯仰力矩，所述气动力包括轴向力，所述凸起位置预测模型的建立方法包括：
基于凸起气动力和力矩预测模型和所述飞行器的气动力矩，采用粒子群优化算法，在满足配平需求的多个凸起布局方案中选择轴向力增量最小的方案作为最终的凸起位置布局方案，其中所述凸起气动力和力矩预测模型用于根据凸起的位置预测凸起产生的气动力矩增量和轴向力增量。
可选方案中，所述凸起气动力和力矩预测模型的建立方法包括：
在所述飞行器的表面生成凸起，改变凸起的位置，通过CFD软件计算凸起产生的轴向力、偏航力矩增量和俯仰力矩增量，观察所述偏航力矩增量和俯仰力矩增量以及所述轴向力增量随凸起位置的变化规律；
根据所述变化规律，将飞行器表面划分为多块训练区域，采用AdaBoost算法和RandomForest算法训练模型，得到多块不同区域下，所述轴向力增量、偏航力矩增量和俯仰力矩增量的对应模型，对模型进行超参数调参，将得到的最优超参数的AdaBoost模型和RandomForest模型进行比较，选取精度较高的模型作为对应气动参数在此区域下的凸起气动力和力矩预测模型。
可选方案中，所述粒子群优化算法包括：
初始化粒子群初始位置和速度，计算凸起产生的力矩增量和轴向力，确定粒子个体极值和粒子群全局极值，更新粒子的速度和位置，更新力矩增量和轴向力；更新粒子个体极值和粒子群全局极值，再次更新粒子的速度和位置，得到最终凸起的位置。
可选方案中，所述飞行参数模型的建立方法包括：
在飞行包线内获得工况点，采用CFD软件进行计算，记录每个所述压力测点的压力，生成数据集，以所述压力测点的压力作为输入，飞行参数作为输出，训练随机森林模型，建立所述飞行参数模型。
可选方案中，所述气动力预测模型的建立方法包括：
在飞行包线内获得工况点，采用CFD软件进行计算，记录飞行器的气动力和气动力矩，生成数据集，以飞行参数为输入，气动力和气动力矩为输出，训练随机森林模型，建立所述气动力预测模型。
可选方案中，所述数据集的A％作为训练集，所述数据集的B％作为测试集，所述数据集的C％作为验证集，其中A+B+C＝100，A＞B＞C。
可选方案中，所述压力测点为5个，设置在所述飞行器的头部，呈十字布置，一个压力测点位于飞行器头部驻点位置，两个压力测点位于纵向平面上下位置，另外两个压力测点位于机身两侧。
可选方案中，采用均方根误差评价所述飞行参数模型和所述气动力预测模型的精度。
本发明还提供了一种飞行器，包括控制单元，所述飞行器的表面能够局部变形以形成凸起；
在飞行器飞行的过程中，所述控制单元利用上述的方法实时布局所述凸起的位置，以实时调整所述飞行器的姿态。
本发明的有益效果在于：
通过在飞行器表面相应位置生成凸起，改变局部流场，从而改变气动力矩和轴向力，以调整所述飞行器的姿态。避免了空气舵在低速大攻角时舵效低和在高速时严酷气动加热问题，并且提高了飞行器的隐身性能。
采用大量机器学习算法，可将飞行器数据进行有效利用，训练和优化机器学习模型，机器学习模型精度高、稳定性好、速度快、实时性好。
本发明具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。
图1示出了根据本发明一实施例的一种飞行器的姿态控制方法的流程图。
图2示出了根据本发明一实施例的飞行器的姿态控制方法的内部逻辑图。
具体实施方式
下面将更详细地描述本发明。虽然本发明提供了优选的实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
请参照图1至图2，本发明一实施例提供了一种飞行器的姿态控制方法，包括：
通过飞行器上布置的多个压力测点，实时监测所述压力测点的压力；
基于飞行参数模型和实时的所述压力测点的压力预测飞行器的飞行参数；
基于气动力预测模型和所述飞行器飞行参数，预测飞行器的气动力和气动力矩；
基于所述气动力矩通过凸起位置预测模型给出飞行器表面生成凸起的布局方案；生成的凸起产生的力矩增量满足飞行器的配平需求，且凸起产生的气动力增量最小；
根据凸起的布局方案在所述飞行器表面形成对应的凸起，以调整所述飞行器的姿态。
具体地，本发明包括状态感知、气动力评估和智能控制三个部分。
1)状态感知：先根据飞行器上布置的多个压力测点，实时监测各压力测点的压力。
本实施例中，压力测点为5个，设置在所述飞行器的头部，呈十字布置，一个压力测点位于飞行器头部驻点位置，两个压力测点位于纵向平面上下位置，反应攻角信息，另外两个压力测点位于机身两侧，反应侧滑角信息。
本实施例中，飞行参数模型的建立方法包括：在飞行包线内获得工况点(即通过改变飞行参数获得工况点，飞行参数包括：高度、马赫数、攻角和侧滑角)，采用CFD软件进行计算，记录每个所述压力测点的压力，生成数据集(其中85％的数据作为训练集，10％数据作为测试集，5％数据作为验证集)，以所述压力测点的压力作为输入，飞行参数作为输出，训练随机森林模型，建立所述飞行参数模型。实现根据实时压力测点的压力预测飞行器飞行参数。
2)气动力评估：基于气动力预测模型和飞行器飞行参数，预测飞行器的气动力和气动力矩。此时预测的为飞行器整体的气动力和气动力矩。后面凸起气动力和力矩预测模型计算的为由于生成凸起，而产生的气动力增量和气动力矩增量。
本实施例中，气动力预测模型的建立方法包括：在飞行包线内选择不同飞行参数作为工况点，采用CFD软件进行计算，记录飞行器的气动力和气动力矩，生成数据集(其中，85％的数据作为训练集，10％数据作为测试集，5％数据作为验证集)，以飞行参数为输入，气动力和气动力矩为输出，训练随机森林模型，建立所述气动力预测模型。实现根据飞行参数预测气动力和气动力矩。
本实施例中，建立飞行参数模型和气动力预测模型时的生成的两个数据集，均有85％的数据作为训练集，10％数据作为测试集，5％数据作为验证集。应该了解，在其他实施例中，训练集、测试集、验证集的数据量所占的比例可以为其他数值。如，所述数据集的A％作为训练集，所述数据集的B％作为测试集，所述数据集的C％作为验证集，通常情况下A+B+C＝100，A＞B＞C。
3)智能控制：根据飞行器的气动力矩和轴向力，在飞行器表面合适的位置生成凸起，能使飞行器恢复平衡。
先建立凸起气动力和力矩预测模型，实现根据凸起的位置预测其产生的气动力矩增量和轴向力增量。
本实施例中，凸起气动力和力矩预测模型的建立方法包括：
在凸起可生成的飞行器表面区域生成凸起，改变凸起的位置，通过CFD软件计算凸起产生的轴向力增量、偏航力矩增量和俯仰力矩增量，观察所述偏航力矩增量和俯仰力矩增量以及所述轴向力增量随凸起位置的变化规律；在变化剧烈和突变区域添加计算点，生成数据集。根据所述变化规律，将飞行器表面划分为多块训练区域，采用AdaBoost算法和RandomForest算法训练模型，得到多块不同区域下，所述轴向力增量、偏航力矩增量和俯仰力矩增量的对应模型，对模型进行超参数调参，将得到的最优超参数的AdaBoost模型和RandomForest模型进行比较，选取精度较高的模型作为对应气动参数在此区域下的凸起气动力和力矩预测模型。
本实施例中，基于凸起气动力和力矩预测模型和所述飞行器的气动力矩，采用粒子群优化算法，在满足配平需求的多个凸起布局方案中选择轴向力增量最小的方案作为最终的凸起位置布局方案，其中所述凸起气动力和力矩预测模型用于根据凸起的位置预测凸起产生的气动力矩增量和轴向力增量。其中粒子群优化算法包括：初始化粒子(即凸起)群初始位置和速度，计算凸起产生的力矩增量和轴向力，确定粒子个体极值和粒子群全局极值，更新粒子的速度和位置，更新力矩增量和轴向力；更新粒子个体极值和粒子群全局极值，再次更新粒子的速度和位置，得到最终凸起的位置。
下面以一个具体实例描述本发明。
以类HTV2为例，确定飞行器的飞行包线，即飞行高度、飞行马赫数、攻角和侧滑角变化范围。在飞行器头部十字布置5个压力测点，头部驻点、纵向平面上下两点、机身两侧两点。观察测点压力随攻角和侧滑角的变化趋势，确定测点布置是否合理。
在飞行包线内选取工况点，即通过改变飞行高度、飞行马赫数、攻角和侧滑角获得工况点。采用CFD软件进行计算，记录测点压力和统计气动力和气动力矩，生成建立飞行参数模型和气动力预测模型所需的数据集。
以5点压力为输入，飞行参数为输出，采用均方根mse评价模型精度，训练随机森林模型，建立飞行参数模型。以飞行参数为输入，气动力和气动力矩为输出，采用均方根mse评价模型精度，训练随机森林模型，建立气动力预测模型。
在可生成凸起的飞行器表面区域生成凸起，改变凸起的位置，获得气动力矩增量和轴向力增量，观察气动力矩增量和轴向力增量随凸起的位置的变化规律，将可生成凸起的飞行器表面区域划分为三块训练区域(在其他实施例中，对于其它飞行器也可以分为四块、五块等多块训练区域，本方案的构思是划分区域来训练)。对数据构建特征工程，包括旋转坐标系、分区预测、特征归一化、生成交互特性、添加自定义特征、主成分分析降维、输出标准化与归一化。建立AdaBoost回归模型，弱学习器选取树回归，最大深度为5，弱学习器个数为50。建立RandomForest回归，最大为500棵树。分别用两种算法训练模型，得到三个不同区域下，三个不同气动参数的对应模型。使用k折交叉验证评估模型以及进行超参数调参。训练集一共分为10份进行交叉验证，评估指标为决定系数R2，越接近1，代表模型精度越高。根据决定系数R2，对AdaBoost回归和RandomForest回归中的弱学习器个数进行迭代调节，选取R2最高对应两种算法的弱学习器个数，作为最优超参数。将得到的最优超参数的AdaBoost回归模型和RandomForest回归模型进行比较，选取决定系数R2较大的作为最优模型，作为对应气动参数在此区域下的凸起气动力和力矩预测模型。对于绝对值大于10的Dmyg，采用平均相对误差作为测试精度评价指标，对于绝对值小于10的Dmyg，采用平均绝对误差平方和作为测试精度评价指标。对于俯仰力矩Dmzg，其取值均较大，采用平均相对误差作为测试精度评价指标。对于轴向力Fx，其取值绝对值较大且分布接近，因此，采用平均绝对误差平方和作为测试精度评价指标。
实时根据飞行器的气动力矩，给出凸起的布置方式，即凸起的位置。由于在凸起可出现的飞行器表面范围，可以有多种凸起布局方案能满足配平需求。因此采用粒子群优化算法，在满足配平需求的多个凸起布局方案中选择轴向力增量最小的方案作为最终的凸起位置布局方案。假设凸起个数为2个，约束条件为凸起产生的力矩增量满足飞行器配平需求，优化目标是凸起产生的轴向力增量最小。采用粒子群优化算法，初始化粒子群初始位置和速度，计算凸起的产生的力矩增量和轴向力增量，确定粒子个体极值和粒子群全局极值，更新粒子的速度和位置，更新力矩增量和轴向力，若力矩增量不满足约束，使其轴向力为1e6，若更新的粒子的轴向力低于粒子前一个迭代步的轴向力，则更新个体极值。所有粒子完成求解，若该迭代步粒子对应的最小的轴向力小于全局极值，则更新全局极值。再次更新粒子的速度和位置，以此迭代40次，得到最终凸起的位置。
本实施例通过在飞行器表面局部变形生成凸起来改变局部流场，从而改变气动力矩，控制飞行器姿态。避免了空气舵在低速大攻角时舵效低和在高速时严酷气动加热问题，并且提高了飞行器的隐身性能。基于随机森林建立飞行器飞行参数模型和飞行器气动力预测模型。基于粒子群优化算法建立凸起优化布局方法。在飞行器飞行时，在其头部布置压力测点，实时监测压力，根据测点压力实时预测飞行参数；然后根据飞行参数实时预测飞行器气动性能；根据气动力矩，实时给出凸起布局方案,控制飞行器姿态。
本实施例具有以下有点：
1)雷达反射源较小，隐身能力较好；避免或减小大攻角时机翼的分离流，提升飞行器整体气动性能。
2)可以智能材料相结合，在未来实现智能控制。
3)采用大量机器学习算法，可将飞行器数据进行有效利用，训练和优化机器学习模型，机器学习模型精度高、稳定性好、速度快、实时性好。
本发明另一实施例还提供了一种飞行器，包括控制单元，所述飞行器的表面能够局部变形以形成凸起；在飞行器飞行的过程中，所述控制单元利用上述的方法实时布局所述凸起的位置，以实时调整所述飞行器的姿态。
需要说明书的是，本发明的目的是提出凸起的布局方案，对凸起的形状、大小并不做限定，凸起的具体形成方式也不做限定(如材料可变形、飞行机表面具有活动单元等)。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种飞行器的姿态控制方法，其特征在于，包括：
通过飞行器上布置的多个压力测点，实时监测所述压力测点的压力；
基于飞行参数模型和实时的所述压力测点的压力预测飞行器的飞行参数；
基于气动力预测模型和所述飞行器飞行参数，预测飞行器的气动力和气动力矩；
基于所述气动力矩通过凸起位置预测模型给出飞行器表面生成凸起的布局方案；生成的凸起产生的力矩增量满足飞行器的配平需求，且凸起产生的气动力增量最小；
根据凸起的布局方案在所述飞行器表面形成对应的凸起，以调整所述飞行器的姿态。
2.根据权利要求1所述的飞行器的姿态控制方法，其特征在于，所述气动力矩包括偏航力矩和俯仰力矩，所述气动力包括轴向力，所述凸起位置预测模型的建立方法包括：
基于凸起气动力和力矩预测模型和所述飞行器的气动力矩，采用粒子群优化算法，在满足配平需求的多个凸起布局方案中选择轴向力增量最小的方案作为最终的凸起位置布局方案，其中所述凸起气动力和力矩预测模型用于根据凸起的位置预测凸起产生的气动力矩增量和轴向力增量。
3.根据权利要求2所述的飞行器的姿态控制方法，其特征在于，所述凸起气动力和力矩预测模型的建立方法包括：
在所述飞行器的表面生成凸起，改变凸起的位置，通过CFD软件计算凸起产生的轴向力、偏航力矩增量和俯仰力矩增量，观察所述偏航力矩增量和俯仰力矩增量以及所述轴向力增量随凸起位置的变化规律；
根据所述变化规律，将飞行器表面划分为多块训练区域，采用AdaBoost算法和RandomForest算法训练模型，得到多块不同区域下，所述轴向力增量、偏航力矩增量和俯仰力矩增量的对应模型，对模型进行超参数调参，将得到的最优超参数的AdaBoost模型和RandomForest模型进行比较，选取精度较高的模型作为对应气动参数在此区域下的凸起气动力和力矩预测模型。
4.根据权利要求2所述的飞行器的姿态控制方法，其特征在于，所述粒子群优化算法包括：
初始化粒子群初始位置和速度，计算凸起产生的力矩增量和轴向力，确定粒子个体极值和粒子群全局极值，更新粒子的速度和位置，更新力矩增量和轴向力；更新粒子个体极值和粒子群全局极值，再次更新粒子的速度和位置，得到最终凸起的位置。
5.根据权利要求1所述的飞行器的姿态控制方法，其特征在于，所述飞行参数模型的建立方法包括：
在飞行包线内获得工况点，采用CFD软件进行计算，记录每个所述压力测点的压力，生成数据集，以所述压力测点的压力作为输入，飞行参数作为输出，训练随机森林模型，建立所述飞行参数模型。
6.根据权利要求1所述的飞行器的姿态控制方法，其特征在于，所述气动力预测模型的建立方法包括：
在飞行包线内获得工况点，采用CFD软件进行计算，记录飞行器的气动力和气动力矩，生成数据集，以飞行参数为输入，气动力和气动力矩为输出，训练随机森林模型，建立所述气动力预测模型。
7.根据权利要求5或6所述的飞行器的姿态控制方法，其特征在于，所述数据集的A％作为训练集，所述数据集的B％作为测试集，所述数据集的C％作为验证集，其中A+B+C＝100，A＞B＞C。
8.根据权利要求1所述的飞行器的姿态控制方法，其特征在于，所述压力测点为5个，设置在所述飞行器的头部，呈十字布置，一个压力测点位于飞行器头部驻点位置，两个压力测点位于纵向平面上下位置，另外两个压力测点位于机身两侧。
9.根据权利要求1所述的飞行器的姿态控制方法，其特征在于，采用均方根误差评价所述飞行参数模型和所述气动力预测模型的精度。
10.一种飞行器，其特征在于，包括控制单元，所述飞行器的表面能够局部变形以形成凸起；
在飞行器飞行的过程中，所述控制单元利用权利要求1-9任一项所述的方法实时布局所述凸起的位置，以实时调整所述飞行器的姿态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643193.9A CN114489098B (zh) | 2021-12-29 | 2021-12-29 | 一种飞行器的姿态控制方法及飞行器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643193.9A CN114489098B (zh) | 2021-12-29 | 2021-12-29 | 一种飞行器的姿态控制方法及飞行器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114489098A true CN114489098A (zh) | 2022-05-13 |
| CN114489098B CN114489098B (zh) | 2023-07-28 |
Family
ID=81507390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643193.9A Active CN114489098B (zh) | 2021-12-29 | 2021-12-29 | 一种飞行器的姿态控制方法及飞行器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114489098B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116225073A (zh) * | 2023-05-09 | 2023-06-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于cfd方法的僚机飞行迎角快速确定方法 |
| CN117972943A (zh) * | 2024-03-29 | 2024-05-03 | 南京航空航天大学 | 一种基于空地状态等效模拟的航空发动机主轴承载荷预计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107985626A (zh) * | 2017-10-27 | 2018-05-04 | 南京航空航天大学 | 一种基于可变构型空天飞行器的气动布局设计方法 |
| EP3543108A1 (en) * | 2018-03-22 | 2019-09-25 | Facebook, Inc. | Automatic airfoil and wing design based on dynamic modeling of structural and aerodynamic performance |
| CN110320927A (zh) * | 2019-07-26 | 2019-10-11 | 中国人民解放军国防科技大学 | 智能变形飞行器的飞行控制方法及系统 |
| CN111985169A (zh) * | 2020-08-26 | 2020-11-24 | 北京中科宇航技术有限公司 | 一种近轴对称飞行器气动特性建模方法 |
| CN112158329A (zh) * | 2020-10-16 | 2021-01-01 | 福州大学 | 一种高容错率可变形四旋翼飞行器及控制方法 |
-
2021
- 2021-12-29 CN CN202111643193.9A patent/CN114489098B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107985626A (zh) * | 2017-10-27 | 2018-05-04 | 南京航空航天大学 | 一种基于可变构型空天飞行器的气动布局设计方法 |
| EP3543108A1 (en) * | 2018-03-22 | 2019-09-25 | Facebook, Inc. | Automatic airfoil and wing design based on dynamic modeling of structural and aerodynamic performance |
| CN110320927A (zh) * | 2019-07-26 | 2019-10-11 | 中国人民解放军国防科技大学 | 智能变形飞行器的飞行控制方法及系统 |
| CN111985169A (zh) * | 2020-08-26 | 2020-11-24 | 北京中科宇航技术有限公司 | 一种近轴对称飞行器气动特性建模方法 |
| CN112158329A (zh) * | 2020-10-16 | 2021-01-01 | 福州大学 | 一种高容错率可变形四旋翼飞行器及控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| ROYCE C.POKELA: "Effect of longitudinal protrusions on the aerodynamic performance of a generic axisymmetric body", TRANSONIC AND SUPERSONIC AERODYNAMICS IV * |
| 曾庆华,何烈堂: "基于MAV形变控制的鼓包装置几何分布优化", 航空学报, no. 06 * |
| 李晓鹏;康顺;王天明;赵养正;: "基于突起物流动控制的超声速弹箭气动布局研究", 西北工业大学学报, no. 02 * |
| 闫循良: "智能变形机翼无人机稳定 与飞行控制研究", 飞行力学 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116225073A (zh) * | 2023-05-09 | 2023-06-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于cfd方法的僚机飞行迎角快速确定方法 |
| CN117972943A (zh) * | 2024-03-29 | 2024-05-03 | 南京航空航天大学 | 一种基于空地状态等效模拟的航空发动机主轴承载荷预计方法 |
| CN117972943B (zh) * | 2024-03-29 | 2024-06-07 | 南京航空航天大学 | 一种基于空地状态等效模拟的航空发动机主轴承载荷预计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114489098B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114489098B (zh) | 一种飞行器的姿态控制方法及飞行器 | |
| CN108052772A (zh) | 一种基于结构降阶模型的几何非线性静气动弹性分析方法 | |
| Morelli et al. | Wind tunnel database development using modern experiment design and multivariate orthogonal functions | |
| Boely et al. | Identification of a non-linear F/A-18 model by the use of fuzzy logic and neural network methods | |
| CN114444214B (zh) | 一种基于舵面效率的飞行器控制方法 | |
| CN108363843A (zh) | 一种基于结构降阶模型的几何非线性静气动弹性全机配平方法 | |
| Thirumalainambi et al. | Training data requirement for a neural network to predict aerodynamic coefficients | |
| CN114167883B (zh) | 一种利用喷流进行高空飞行器姿态控制的方法 | |
| CN111813146A (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
| CN110929339B (zh) | 高精度亚音速固定翼飞行器非线性动力学建模方法 | |
| Capsada et al. | Development of the DLR TAU code for modelling of control surfaces | |
| Li et al. | A biomimetic rotor-configuration design for optimal aerodynamic performance in quadrotor drone | |
| Roudbari et al. | Generalization of ANN-based aircraft dynamics identification techniques into the entire flight envelope | |
| CN114818477A (zh) | 飞行器气动特性预测方法、装置及介质 | |
| de Visser et al. | A Multidimensional Spline-Based Global Nonlinear Aerodynamic Model for the Cessna Citation II | |
| Ismail et al. | Computational aerodynamics study on neo-ptero micro unmanned aerial vehicle | |
| CN117634020A (zh) | 一种基于多保真度数据融合的高超声速飞行器总体控制协同设计方法 | |
| Reel et al. | Using computational fluid dynamics to generate complex aerodynamic database for VTOL aircraft | |
| CN115796021A (zh) | 一种基于神经网络的变体飞行器自适应pid控制参数整定方法 | |
| Lei et al. | Modified Kalman particle swarm optimization: Application for trim problem of very flexible aircraft | |
| Mocsányi et al. | Grid and polytopic LPV modeling of aeroelastic aircraft for co-design | |
| Rizzi et al. | Virtual aircraft design and control of transcruiser-A canard configuration | |
| Alves et al. | Position Control in Simulated Airplanes | |
| Leyden et al. | Highly Interchangeable Carrier Landing Analysis and Simulation (HI-CLAS) Software for Control Systems | |
| Jing et al. | Dynamic Simulation of Vehicle Maneuvers for Loads Analysis |
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 |