CN114491789A - 钝头体高超声速飞行器飞行参数预测方法、系统及设备 - Google Patents
钝头体高超声速飞行器飞行参数预测方法、系统及设备 Download PDFInfo
- Publication number
- CN114491789A CN114491789A CN202111618206.7A CN202111618206A CN114491789A CN 114491789 A CN114491789 A CN 114491789A CN 202111618206 A CN202111618206 A CN 202111618206A CN 114491789 A CN114491789 A CN 114491789A
- Authority
- CN
- China
- Prior art keywords
- flight
- points
- hypersonic
- parameter prediction
- parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 208000018634 fetal akinesia deformation sequence Diseases 0.000 description 5
- 208000012165 fetal akinesia deformation sequence syndrome Diseases 0.000 description 5
- 238000002421 fluorescence-activated droplet sorting Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种钝头体高超声速飞行器飞行参数预测方法、系统及设备。该方法包括:在钝头体高超声速飞行器表面的多个飞行参数敏感位置分别布置压力测试点;建立基于随机森林的飞行参数预测模型;在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个压力测试点的压力值;生成数据集,将数据集中的部分数据点作为训练集,采用训练集对飞行参数预测模型进行训练,完成训练的飞行参数预测模型能够根据输入的多个压力测试点的压力值输出对应的飞行参数预测值。实现对钝头体高超声速飞行器飞行参数的实时在线精确预测。
Description
技术领域
本发明属于高超声速飞行器领域,更具体地,涉及一种钝头体高超声速飞行器飞行参数预测方法、系统及设备。
背景技术
准确预测高超声速飞行器的飞行参数是实现其精准稳定控制的前提。由于高超声速飞行器的严酷气动加热和隐身性能的要求,传统的探出式测量系统应用受限,从而发展了嵌入式大气数据传感(FADS)系统,基于特定区域的表面压力反推飞行参数,国外已成功将该系统产业化并应用于多种飞行器中,但在国内,该技术的研究还处于理由研究水平,未达到工程应用阶段。
FADS技术的关键在于高精度飞行器表面压力测量技术、高保真气动模型建立和模型算法性能的提高。常用的FADS算法有最小二乘迭代法、三点法、Kalman滤波法、神经网络法等,前三种算法对初值较为敏感,不合适的初值会引起计算发散,神经网络法对样本需求量较大。因此,仍需要发展一套通用性较好的FADS系统模型和解算方法,并且解算方法需要具有精度高、稳定性好、实时性强、容错性好等特点。
发明内容
本发明的目的是提出一种钝头体高超声速飞行器飞行参数预测方法、系统及设备,实现对钝头体高超声速飞行器飞行参数的实时在线精确预测。
第一方面,本发明提出一种钝头体高超声速飞行器飞行参数预测方法,包括:
在钝头体高超声速飞行器表面的多个飞行参数敏感位置分别布置压力测试点;
建立基于随机森林的飞行参数预测模型;
在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;
对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个所述压力测试点的压力值;
生成数据集,所述数据集包括多个数据点,每个所述数据点包括一个飞行工况点的飞行参数及多个压力测试点对应的压力值;
将所述数据集中的部分数据点作为训练集,采用所述训练集对所述飞行参数预测模型进行训练,完成训练的所述飞行参数预测模型能够根据输入的多个所述压力测试点的压力值输出对应的飞行参数预测值。
可选地,所述飞行参数敏感位置包括机头前缘驻点、沿飞行器纵向对称面的上下位置点以及机身上表面两侧对称的位置点。
可选地,所述飞行参数包括攻角和侧滑角。
可选地,所述在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点,包括:
根据所述飞行包络,在马赫、高度、攻角和侧滑角范围内固定马赫和高度并选取不同攻角、不同侧滑角作为工况点。
可选地,所述飞行参数预测模型为包括多棵决策树的组合分类器;
对所述飞行参数预测模型进行训练过程中,采用mse作为特征的评价标准,单棵决策树选取样本的最大特征数作为建立决策树时的最大特征数目;
子树继续划分的最小样本数目为2,叶子节点最小样本数为1;
构建决策树时采用bootstrap采样。
可选地,所述飞行参数预测模型的运行函数为:
其中,K为决策树训练的次数,H(x)表示组合分类的模型,I是示性函数,hi(x)是单个决策树的分类结果,y表示输出目标变量。
可选地,还包括:
将所述数据集中所述训练集以外的数据点作为测试集,采用所述测试集对完成训练的所述飞行参数预测模型进行测试。
第二方面,本发明提出一种钝头体高超声速飞行器飞行参数预测系统,包括:
模型建立模块,用于建立基于随机森林的飞行参数预测模型;
数据选取模块,用于在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;
CFD计算模块,用于对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个压力测试点的压力值,多个所述压力测试点分别布置在所述钝头体高超声速飞行器表面的不同飞行参数敏感位置;
数据集生成模块,用于生成数据集,所述数据集包括多个数据点,每个所述数据点包括一个飞行工况点的飞行参数及多个压力测试点对应的压力值;
模型训练模块,用于将所述数据集中的部分数据点作为训练集,并采用所述训练集对所述飞行参数预测模型进行训练,完成训练的所述飞行参数预测模型能够根据输入的多个所述压力测试点的压力值输出对应的飞行参数预测值。
第三方面,本发明提出一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的钝头体高超声速飞行器飞行参数预测方法。
第四方面,本发明提出一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行第一方面所述的钝头体高超声速飞行器飞行参数预测方法。
本发明的有益效果在于:
本发明针对钝头体高超声速飞行器的飞行参数提出了一种新的预测方法,通过在钝头体高超声速飞行器表面的多个飞行参数敏感位置分别布置压力测试点,然后在飞行包络内选取多个不同飞行参数的飞行工况点进行CFD计算,得到在不同飞行工况点下多个压力测试点的压力值,以测点压力值为输入,飞行参数为输出,训练基于随机森林的飞行参数预测模型,实现了基于飞行器特定区域的表面压力直接预测飞行器飞行参数的随机森林模型,解决了现有技术中高超声速飞行器飞行参数难以准确描述和预测的问题,基于飞行器特定区域的表面压力直接预测飞行器飞行参数,无需建立气动模型,使模型解算不再依赖于气动模型,免去相关校准参数的标定,实时性好,计算效率高,稳定性高,且无需设置迭代求解初值。
本发明的系统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,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法的步骤图。
图2示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法的原理图。
图3示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法中压力测试点的布置示意图。
图4示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法中测点压力随攻角的变化趋图。
图5示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法中测点压力对侧滑角的变化趋势图。
图6示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法中飞行参数预测值与真实值的对比图。
具体实施方式
机器学习算法在自适应性、模糊推理及自学习方面具有明显优势,非常适用于非线性建模预测。其中,随机森林算法简单高效,对高维数据分类问题具有良好的可扩展性和并行性,是目前较为成熟和应用较广的机器学习模型。因此,本发明建立了基于随机森林模型预测飞行参数的方法,以代替FADS的气动模型,使模型解算不再依赖于气动模型,免去相关校准参数的标定。
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,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。
实施例1
图1示出了根据本发明的一种钝头体高超声速飞行器飞行参数预测方法的步骤图。
如图1所示,一种钝头体高超声速飞行器飞行参数预测方法,包括:
步骤S1:在钝头体高超声速飞行器表面的多个飞行参数敏感位置分别布置压力测试点;
其中,飞行参数敏感位置包括机头前缘驻点、沿飞行器纵向对称面的上下位置点以及机身上表面两侧对称的位置点。
具体地,在飞行参数敏感的位置(攻角平面和侧滑平面)布置压力测点,优选机头前缘驻点、沿飞行器纵向对称面(攻角平面)上下布置测点、机身上表面对称两侧(侧滑平面)布置测点。其中,根据测点压力随攻角和侧滑角的敏感性分析来确定压力测点布置的合理性,分析攻角平面测点压力随攻角的变化,侧滑平面测点压力随侧滑角的变化,将测点压力随攻角变化剧烈的位置点以及随侧滑角变化剧烈的点选为压力测试点。
步骤S2:建立基于随机森林的飞行参数预测模型;
其中,飞行参数预测模型为包括多棵决策树的组合分类器;飞行参数预测模型的运行函数为:
其中,K为决策树训练的次数,H(x)表示组合分类的模型,I是示性函数,hi(x)是单个决策树的分类结果,y表示输出目标变量。
具体地,随机森林是一种统计学习理论,其实质是一个包含多个决策树{h(X,θk),k=1,2,…,K}的组合分类器,{θk}为随机向量,服从独立同分布,决定了决策树的形式;K为随机森林中决策树棵数。采用相对简单的多数投票方式,根据决策树票数H(x)多的类别作为最终样本所属类别。预测模型的原理如图2所示。
优选地,飞行参数预测模型使用python编写程序,预测模型的训练及使用从sklearn额外包中调取。
步骤S3:在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;其中,根据飞行包络,在马赫(Ma)、高度(H)、攻角和侧滑角范围内固定马赫和高度并选取不同攻角、不同侧滑角作为工况点。飞行参数包括攻角和侧滑角。
步骤S4:对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个压力测试点的压力值;
步骤S5:生成数据集,数据集包括多个数据点,每个数据点包括一个飞行工况点的飞行参数及多个压力测试点对应的压力值;
具体地,获取训练样本的基本过程为:根据飞行器的飞行包线,在马赫、高度、攻角和侧滑角范围内固定马赫和高度选取不同攻角、不同侧滑角作为工况点进行计算获得测点压力值,其中95%的数据点用于随机森林模型训练,5%数据点用于对训练好的模型进行测试。训练数据集需要覆盖所有飞行包线数据,从而保证模型的预测精度。
步骤S6:将数据集中的部分数据点作为训练集,采用训练集对飞行参数预测模型进行训练,完成训练的飞行参数预测模型能够根据输入的多个压力测试点的压力值输出对应的飞行参数预测值。
具体地,根据样本数量,本实施例采用的随机森林中,决策树棵数K取50,不采用袋外误差来评估模型,使用默认的mse作为特征的评价标准。单棵决策树选取样本的最大特征数作为建立决策树时的最大特征数目,最大深度不作限制,子树继续划分的最小样本数目为2,叶子节点最小样本数为1,不考虑叶子节点最小样本权重,不限制最大叶子节点数。构建树时采用bootstrap采样。验证模型参数过程中使用了k=7的k折验交叉验证,结果误差并未显著变化。
本实施例中,还包括:
步骤S7:将数据集中训练集以外的数据点作为测试集,采用测试集对完成训练的飞行参数预测模型进行测试。
具体地,采用剩余5%数据点的测试集对完成训练的随机森林飞行参数预测模型进行测试,该模型预测得到的攻角和侧滑角均方根误差分别为0.073和0.0037。
在一具体应用示例中,以类HTV2飞行器为例。
1)在飞行器头部驻点A、钝头体圆周上布置B、C、D和E。B和C在飞行器纵向平面(攻角平面)上,D和E在机身两侧(侧滑平面),具体如图3所示。这5点的压力随攻角和侧滑角的变化如图4-5所示,A、B和C点压力随攻角变化较剧烈,而D和E点压力随侧滑角变化较剧烈,可见这个5个压力测点位置选取合适。
2)采用CFD++进行气动力计算,计算工况为Ma=16,H=40km,攻角AoA范围-5°-20°,共计算11个点,侧滑角Beta范围-10°-10°,共计算7个点,总共77个数据点。95%数据点用于模型训练,5%数据点用于训练好的模型的测试。
3)模型输入为5个测点压力,输出为攻角和侧滑角。训练好的模型预测攻角和侧滑角的均方差分别为0.073和0.0037。随机森林模型对攻角和侧滑角的预测值与真实值(CFD++计算值)的对比如图6所示,可以看出,本示例的基于随机森林的飞行参数预测模型的预测精度较高。
需要说明的是本实施例的飞行参数预测方法不仅限于攻角和侧滑角的预测,还可推广至对静压和马赫数的预测。
综上,本实施例的飞行参数预测方法相较于现有技术具有以下优点:
1)无需建立气动模型,使模型解算不再依赖于气动模型,免去相关校准参数的标定。
2)基于离线数据(CFD计算和风洞数据)完成随机森林模型训练并进行算法封装,在线预测速度快,实时性好。
3)对初值不敏感,稳定好,对测压孔位置要求较小,精度高。
实施例2
一种钝头体高超声速飞行器飞行参数预测系统,包括:
模型建立模块,用于建立基于随机森林的飞行参数预测模型;
数据选取模块,用于在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;
CFD计算模块,用于对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个压力测试点的压力值,多个压力测试点分别布置在钝头体高超声速飞行器表面的不同飞行参数敏感位置;
数据集生成模块,用于生成数据集,数据集包括多个数据点,每个数据点包括一个飞行工况点的飞行参数及多个压力测试点对应的压力值;
模型训练模块,用于将数据集中的部分数据点作为训练集,并采用训练集对飞行参数预测模型进行训练,完成训练的飞行参数预测模型能够根据输入的多个压力测试点的压力值输出对应的飞行参数预测值。
实施例3
一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行实施例1所述的钝头体高超声速飞行器飞行参数预测方法。
根据本公开实施例的电子设备包括存储器和处理器,该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
实施例4
一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行实施例1所述的钝头体高超声速飞行器飞行参数预测方法。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
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)
1.一种钝头体高超声速飞行器飞行参数预测方法,其特征在于,包括:
在钝头体高超声速飞行器表面的多个飞行参数敏感位置分别布置压力测试点;
建立基于随机森林的飞行参数预测模型;
在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;
对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个所述压力测试点的压力值;
生成数据集,所述数据集包括多个数据点,每个所述数据点包括一个飞行工况点的飞行参数及多个压力测试点对应的压力值;
将所述数据集中的部分数据点作为训练集,采用所述训练集对所述飞行参数预测模型进行训练,完成训练的所述飞行参数预测模型能够根据输入的多个所述压力测试点的压力值输出对应的飞行参数预测值。
2.根据权利要求1所述的钝头体高超声速飞行器飞行参数预测方法,其特征在于,所述飞行参数敏感位置包括机头前缘驻点、沿飞行器纵向对称面的上下位置点以及机身上表面两侧对称的位置点。
3.根据权利要求1所述的钝头体高超声速飞行器飞行参数预测方法,其特征在于,所述飞行参数包括攻角和侧滑角。
4.根据权利要求1所述的钝头体高超声速飞行器飞行参数预测方法,其特征在于,所述在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点,包括:
根据所述飞行包络,在马赫、高度、攻角和侧滑角范围内固定马赫和高度并选取不同攻角、不同侧滑角作为工况点。
5.根据权利要求1所述的钝头体高超声速飞行器飞行参数预测方法,其特征在于,所述飞行参数预测模型为包括多棵决策树的组合分类器;
对所述飞行参数预测模型进行训练过程中,采用mse作为特征的评价标准,单棵决策树选取样本的最大特征数作为建立决策树时的最大特征数目;
子树继续划分的最小样本数目为2,叶子节点最小样本数为1;
构建决策树时采用bootstrap采样。
7.根据权利要求1所述的钝头体高超声速飞行器飞行参数预测方法,其特征在于,还包括:
将所述数据集中所述训练集以外的数据点作为测试集,采用所述测试集对完成训练的所述飞行参数预测模型进行测试。
8.一种钝头体高超声速飞行器飞行参数预测系统,其特征在于,包括:
模型建立模块,用于建立基于随机森林的飞行参数预测模型;
数据选取模块,用于在钝头体高超声速飞行器的飞行包络内选取多个不同飞行参数的飞行工况点;
CFD计算模块,用于对选取的飞行工况点进行CFD计算,得到在不同飞行工况点下多个压力测试点的压力值,多个所述压力测试点分别布置在所述钝头体高超声速飞行器表面的不同飞行参数敏感位置;
数据集生成模块,用于生成数据集,所述数据集包括多个数据点,每个所述数据点包括一个飞行工况点的飞行参数及多个压力测试点对应的压力值;
模型训练模块,用于将所述数据集中的部分数据点作为训练集,并采用所述训练集对所述飞行参数预测模型进行训练,完成训练的所述飞行参数预测模型能够根据输入的多个所述压力测试点的压力值输出对应的飞行参数预测值。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7任一所述的钝头体高超声速飞行器飞行参数预测方法。
10.一种非暂态计算机可读存储介质,其特征在于,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行权利要求1-7任一所述的钝头体高超声速飞行器飞行参数预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111618206.7A CN114491789A (zh) | 2021-12-27 | 2021-12-27 | 钝头体高超声速飞行器飞行参数预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111618206.7A CN114491789A (zh) | 2021-12-27 | 2021-12-27 | 钝头体高超声速飞行器飞行参数预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491789A true CN114491789A (zh) | 2022-05-13 |
Family
ID=81496734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111618206.7A Pending CN114491789A (zh) | 2021-12-27 | 2021-12-27 | 钝头体高超声速飞行器飞行参数预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491789A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020099389A1 (de) * | 2018-11-13 | 2020-05-22 | Lufthansa Technik Ag | Verfahren zur bewertung der treibstoffeffizienz von luftfahrzeugen |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
CN112668104A (zh) * | 2021-01-04 | 2021-04-16 | 中国人民解放军96901部队22分队 | 一种高超声速飞行器气动参数在线辨识方法 |
CN112685972A (zh) * | 2020-12-29 | 2021-04-20 | 南京航空航天大学 | 一种高效率的高超声速飞行器压力传感器分布优化方法 |
CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
-
2021
- 2021-12-27 CN CN202111618206.7A patent/CN114491789A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
WO2020099389A1 (de) * | 2018-11-13 | 2020-05-22 | Lufthansa Technik Ag | Verfahren zur bewertung der treibstoffeffizienz von luftfahrzeugen |
CN112685972A (zh) * | 2020-12-29 | 2021-04-20 | 南京航空航天大学 | 一种高效率的高超声速飞行器压力传感器分布优化方法 |
CN112668104A (zh) * | 2021-01-04 | 2021-04-16 | 中国人民解放军96901部队22分队 | 一种高超声速飞行器气动参数在线辨识方法 |
CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668104B (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
CN107021237A (zh) | 合成空气数据输出生成 | |
CN107220403A (zh) | 飞行器弹性模态的控制关联建模方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
Rajaram et al. | Deep Gaussian process enabled surrogate models for aerodynamic flows | |
Amrit et al. | Multi-fidelity aerodynamic design trade-off exploration using point-by-point Pareto set identification | |
WO2021059787A1 (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
CN114692501A (zh) | 基于多精度深度神经网络的气动数据融合方法及设备 | |
CN113537319B (zh) | 一种针对类型化模型的风洞天平终身学习校准方法及系统 | |
Rajaram et al. | Empirical assessment of deep gaussian process surrogate models for engineering problems | |
CN110334449A (zh) | 一种基于在线代理模型算法的翼型快速设计方法 | |
CN114491788A (zh) | 高超声速飞行器气动力预测方法、系统、电子设备及介质 | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN114491789A (zh) | 钝头体高超声速飞行器飞行参数预测方法、系统及设备 | |
Singh et al. | Interval type-2 TS fuzzy model for angle of attack sensor of the aircraft | |
CN114462149B (zh) | 一种基于预训练与增量学习的飞行器气动参数辨识方法 | |
Pratama et al. | Online identification of complex multi-input-multi-output system based on generic evolving neuro-fuzzy inference system | |
CN114035536A (zh) | 一种基于蒙特卡洛法的飞行控制系统鲁棒性评估方法 | |
Roos | Generation of flexible aircraft LFT models for robustness analysis | |
Thurman et al. | Comparison of Prediction Modeling Methodologies for Aeroacoustic Characterization of Hovering sUAS Rotors | |
Fernandez | UAV Parameter Estimation Through Machine Learning | |
CN115659521B (zh) | 一种适用于前、后扰流板复杂操纵面的气动力建模方法 | |
Ma et al. | Calibration data prediction of wind tunnel balance based on regression tree | |
CN116956471B (zh) | 大型运输机的气动力预测方法、装置、设备及介质 |
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 |