CN115841062B - 考虑气动结构耦合的大展弦比无人机气动导数预测方法 - Google Patents

考虑气动结构耦合的大展弦比无人机气动导数预测方法 Download PDF

Info

Publication number
CN115841062B
CN115841062B CN202310133143.9A CN202310133143A CN115841062B CN 115841062 B CN115841062 B CN 115841062B CN 202310133143 A CN202310133143 A CN 202310133143A CN 115841062 B CN115841062 B CN 115841062B
Authority
CN
China
Prior art keywords
aerodynamic
moment
unmanned aerial
aerial vehicle
wing
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
Application number
CN202310133143.9A
Other languages
English (en)
Other versions
CN115841062A (zh
Inventor
阚梓
李道春
董博灏
李华东
姚卓尔
邵浩原
刘奕良
赵仕伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310133143.9A priority Critical patent/CN115841062B/zh
Publication of CN115841062A publication Critical patent/CN115841062A/zh
Application granted granted Critical
Publication of CN115841062B publication Critical patent/CN115841062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种考虑气动结构耦合的大展弦比无人机气动导数预测方法，包括：对无人机随机运动信号进行滤波，得到控制舵面偏转角度；考虑大展弦比无人机机翼的柔性，采用CFD非定常气动力求解器计算不同时刻下偏转角度对应的气动力响应；建立长短期记忆神经网络模型，将不同时刻下偏转角度及气动力响应作为训练样本集，训练长短期记忆神经网络模型；将给定的无人机控制舵面受迫震荡运动时的偏转角度输入训练完成的长短期记忆神经网络模型，得到相应的气动力响应，对偏转角度求导获得气动导数。该方法考虑大展弦比机翼柔性对无人机气动力的影响，能够得到更加准确的气动导数，从而为相关设计提供指导，提高大展弦比无人机的飞行控制能力。

Description

考虑气动结构耦合的大展弦比无人机气动导数预测方法
技术领域
本发明属于无人机技术领域，特别涉及一种考虑气动结构耦合的大展弦比无人机气动导数预测方法。
背景技术
长航时无人机通常采用大展弦比机翼（展弦比大于8）以获得高升力、高升阻比的气动性能。而大展弦比机翼具有一定的柔性，气动力呈非线性、非定常特性，可能会改变机翼结构的动力特性和气动力特性，从而恶化飞行的稳定性与操纵性。因此考虑大展弦比机翼柔性的无人机气动导数计算是飞行器设计过程中的一个重要问题。传统的方法在计算无人机气动导数时，往往忽略机翼结构柔性造成的影响，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CFD的方法计算气动导数，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，对大展弦比无人机的气动导数计算非常必要。
发明内容
本发明针对现有技术的缺陷，提供了一种大展弦比无人机气动导数预测方法。
为了实现以上发明目的，本发明采取的技术方案如下：
一种考虑气动结构耦合的大展弦比无人机气动导数预测方法，包括以下步骤：
S1，对无人机随机运动信号进行滤波，得到无人机控制舵面偏转角度；
S2，考虑大展弦比无人机机翼的柔性，采用CFD非定常气动力求解器计算不同时刻下控制舵面偏转角度所对应的气动力响应；
S3，建立长短期记忆神经网络模型，将不同时刻下控制舵面偏转角度及相应的气动力响应作为训练样本集，训练所述长短期记忆神经网络模型；
S4，将给定的无人机控制舵面受迫震荡运动时的偏转角度输入训练完成的长短期记忆神经网络模型，得到相应的气动力响应；将所述气动力响应对控制舵面偏转角度求导获得无人机气动导数。
进一步，所述无人机机翼的展弦比大于8。
进一步，所述步骤S2具体为：
建立大展弦比机翼的有限元模型，进行模态分析，根据初始时刻机翼的初始形状，拟合得到前n阶模态的每一阶模态的形状表达式
Figure SMS_1
，其中
Figure SMS_2
，式中t 0表示初始时刻，x表示机翼的弦向位置，z表示机翼的z向位置，其中z轴根据弦向x轴、展向y轴由右手定则确定，f n 为第n阶模态的形状表达式；
采用RANS方法，选择Spalart-Allmaras湍流模型，基于初始时刻机翼的初始形状，对初始时刻的控制舵面偏转角度
Figure SMS_3
进行求解，获得当前时刻的气动力系数
Figure SMS_4
和力矩系数
Figure SMS_5
，并提取每一个网格节点的气动力，得到初始时刻气动力在机翼上的分布
Figure SMS_6
；
根据模态分析原理，计算初始时刻气动力分布转换到各阶模态上的广义坐标
Figure SMS_7
：
Figure SMS_8
；
进而得到机翼各阶模态上的形变
Figure SMS_9
：
Figure SMS_10
；
基于机翼各阶模态上的形变得到当前时刻网格节点位置信息，通过动网格技术，控制网格节点变化，使网格节点坐标按照预定函数路径移动，实现当前时刻机翼形状的变化，得到下一时刻
Figure SMS_11
机翼的初始形状；根据
Figure SMS_12
时刻机翼的初始形状，拟合得到前n阶模态的每一阶模态的形状表达式
Figure SMS_13
，其中
Figure SMS_14
；
基于
Figure SMS_15
时刻机翼的初始形状，对控制舵面偏转角度
Figure SMS_16
进行求解，得到
Figure SMS_17
时刻的气动力系数
Figure SMS_18
、力矩系数
Figure SMS_19
，并提取每一个网格节点的气动力，得到
Figure SMS_20
时刻气动力在机翼上的分布
Figure SMS_21
；
根据模态分析原理得到
Figure SMS_23
时刻机翼各阶模态上的形变，进而获得下一时刻
Figure SMS_26
机翼的初始形状，对控制舵面偏转角度
Figure SMS_29
进行求解，得到
Figure SMS_24
时刻的气动力系数
Figure SMS_27
、力矩系数
Figure SMS_30
；循环上述求解过程，对控制舵面偏转角度
Figure SMS_31
进行求解，获得
Figure SMS_22
时刻的气动力系数
Figure SMS_25
和力矩系数
Figure SMS_28
。
进一步，所述步骤S4，将所述气动力响应对控制舵面偏转角度求导获得无人机气动导数，具体为
Figure SMS_32
其中，
Figure SMS_33
为时刻t下的力矩系数，
Figure SMS_34
为时刻t下的气动力系数，
Figure SMS_35
为时刻t下的控制舵面偏转角度，
Figure SMS_36
和
Figure SMS_37
为无人机气动导数。
与现有技术相比，本发明的优点在于：
考虑大展弦比机翼柔性对无人机气动力的影响，能够更加准确的得到无人机气动性能情况，进而得到更加准确的气动导数，从而为相关设计提供指导，提高大展弦比无人机的飞行控制能力，同时计算速度较快，不会耗费过多的时间与资源。
附图说明
图1是本发明的考虑气动结构耦合的大展弦比无人机气动导数预测方法的流程图。
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，以下结合附图对本发明做进一步详细说明。
一种考虑气动结构耦合的大展弦比无人机气动导数预测方法，如图1所示，包括以下步骤：
第一步，对无人机随机运动信号进行滤波，得到无人机控制舵面偏转角度。
无人机随机运动信号服从高斯分布，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控制舵面偏转角度，如下所示：
Figure SMS_38
其中，
Figure SMS_39
表示无人机控制舵面偏转角度，wag(P)表示强度为PdBW的无人机随机运动信号，filter()为滤波函数；
第二步，考虑大展弦比无人机机翼的柔性，采用CFD非定常气动力求解器计算不同时刻控制舵面偏转角度
Figure SMS_40
所对应的气动力。
具体地，建立大展弦比机翼的有限元模型，进行模态分析。获得初始时刻机翼的初始形状，拟合得到前n阶模态的每一阶模态的形状表达式
Figure SMS_41
，其中
Figure SMS_42
，式中t 0表示初始时刻，x表示机翼的弦向位置，z表示机翼的z向位置，其中z轴根据弦向x轴、展向y轴由右手定则确定，f n 为第n阶模态的形状表达式；
采用RANS方法，选择Spalart-Allmaras湍流模型，基于初始时刻机翼的初始形状，对初始时刻的控制舵面偏转角度
Figure SMS_43
进行求解，获得当前时刻的气动力系数
Figure SMS_44
和力矩系数
Figure SMS_45
，并提取每一个网格节点的气动力，即可得到初始时刻气动力在机翼上的分布
Figure SMS_46
。
根据模态分析原理，计算初始时刻气动力分布转换到各阶模态上的广义坐标，即表示该气动力分布在各阶模态上的权重
Figure SMS_47
，
Figure SMS_48
,
求得初始时刻气动力分布在各阶模态的广义坐标后，即可得到机翼各阶模态上的形变
Figure SMS_49
：
Figure SMS_50
；
基于机翼各阶模态上的形变
Figure SMS_51
，进一步获得当前时刻网格节点位置信息，通过使用动网格技术，控制网格节点变化，使网格节点坐标按照预定函数路径移动，实现当前时刻机翼形状的变化，得到下一时刻
Figure SMS_52
机翼的初始形状。根据
Figure SMS_53
时刻机翼的初始形状，拟合得到前n阶模态的每一阶模态的形状表达式
Figure SMS_54
，其中
Figure SMS_55
；
基于
Figure SMS_56
时刻机翼的初始形状，对控制舵面偏转角度
Figure SMS_57
进行求解，得到
Figure SMS_58
时刻的气动力系数
Figure SMS_59
、力矩系数
Figure SMS_60
，并提取每一个网格节点的气动力，即可得到
Figure SMS_61
时刻气动力在机翼上的分布
Figure SMS_62
。
根据模态分析原理得到
Figure SMS_64
时刻机翼各阶模态上的形变，进而获得下一时刻
Figure SMS_66
机翼的初始形状，对控制舵面偏转角度
Figure SMS_68
进行求解，得到
Figure SMS_65
时刻的气动力系数
Figure SMS_67
、力矩系数
Figure SMS_69
。以此类推，对控制舵面偏转角度
Figure SMS_70
进行求解，获得
Figure SMS_63
时刻的气动力系数和力矩系数。
第三步，以n个时刻无人机舵面偏转角度作为训练样本集的输入，相应的n个时刻气动力响应，升力系数和力矩系数作为训练样本集的输出，带入长短期记忆神经网络模型：
Figure SMS_71
其中，
Figure SMS_74
，
Figure SMS_76
和
Figure SMS_80
分别代表输入门、输出门、遗忘门，
Figure SMS_73
代表t时刻的单元状态，
Figure SMS_75
表示t时刻的候选值，
Figure SMS_78
和
Figure SMS_81
分别代表t时刻的输入和输出；
Figure SMS_72
是权重矩阵，
Figure SMS_77
代表偏置，下标t表示t时刻各模型中的参数，下标i表示输入门模型中参数，下标o表示输出门模型中参数，下标f表示遗忘门模型中的参数，下标C表示各单元中的参数；
Figure SMS_79
和
Figure SMS_82
代表激活函数。
经迭代训练后，可得不同舵面偏转角度时无人机气动力预测的神经网络模型。
第四步，以无人机的舵面受小幅度的受迫震荡运动时的偏转角度
Figure SMS_83
作为输入，通过步骤三训练的气动力神经网络模型获得舵偏后的气动力系数
Figure SMS_84
和力矩系数
Figure SMS_85
。即可获得无人机气动导数
Figure SMS_86
。
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 (3)

1.一种考虑气动结构耦合的大展弦比无人机气动导数预测方法，其特征在于，包括以下步骤：
S1，对无人机随机运动信号进行滤波，得到无人机控制舵面偏转角度；
S2，考虑大展弦比无人机机翼的柔性，采用CFD非定常气动力求解器计算不同时刻下控制舵面偏转角度所对应的气动力响应；
S3，建立长短期记忆神经网络模型，将不同时刻下控制舵面偏转角度及相应的气动力响应作为训练样本集，训练所述长短期记忆神经网络模型；
S4，将给定的无人机控制舵面受迫震荡运动时的偏转角度输入训练完成的长短期记忆神经网络模型，得到相应的气动力响应；将所述气动力响应对控制舵面偏转角度求导获得无人机气动导数；
所述步骤S2具体为：
建立大展弦比机翼的有限元模型，进行模态分析，根据初始时刻机翼的初始形状，拟合得到前n阶模态的每一阶模态的形状表达式
Figure QLYQS_1
，其中
Figure QLYQS_2
，式中t 0表示初始时刻，x表示机翼的弦向位置，z表示机翼的z向位置，其中z轴根据弦向x轴、展向y轴由右手定则确定，f n 为第n阶模态的形状表达式；
采用RANS方法，选择Spalart-Allmaras湍流模型，基于初始时刻机翼的初始形状，对初始时刻的控制舵面偏转角度
Figure QLYQS_3
进行求解，获得当前时刻的气动力系数
Figure QLYQS_4
和力矩系数
Figure QLYQS_5
，并提取每一个网格节点的气动力，得到初始时刻气动力在机翼上的分布
Figure QLYQS_6
；
根据模态分析原理，计算初始时刻气动力分布转换到各阶模态上的广义坐标
Figure QLYQS_7
：
Figure QLYQS_8
；
进而得到机翼各阶模态上的形变
Figure QLYQS_9
：
Figure QLYQS_10
；
基于机翼各阶模态上的形变得到当前时刻网格节点位置信息，通过动网格技术，控制网格节点变化，使网格节点坐标按照给定函数路径移动，实现当前时刻机翼形状的变化，得到下一时刻
Figure QLYQS_11
机翼的初始形状；根据
Figure QLYQS_12
时刻机翼的初始形状，拟合得到前n阶模态的每一阶模态的形状表达式
Figure QLYQS_13
，其中
Figure QLYQS_14
；
基于
Figure QLYQS_15
时刻机翼的初始形状，对控制舵面偏转角度
Figure QLYQS_16
进行求解，得到
Figure QLYQS_17
时刻的气动力系数
Figure QLYQS_18
、力矩系数
Figure QLYQS_19
，并提取每一个网格节点的气动力，得到
Figure QLYQS_20
时刻气动力在机翼上的分布
Figure QLYQS_21
；
根据模态分析原理得到
Figure QLYQS_23
时刻机翼各阶模态上的形变，进而获得下一时刻
Figure QLYQS_27
机翼的初始形状，对控制舵面偏转角度
Figure QLYQS_29
进行求解，得到
Figure QLYQS_24
时刻的气动力系数
Figure QLYQS_26
、力矩系数
Figure QLYQS_30
；循环上述求解过程，对控制舵面偏转角度
Figure QLYQS_31
进行求解，获得
Figure QLYQS_22
时刻的气动力系数
Figure QLYQS_25
和力矩系数
Figure QLYQS_28
。
2.根据权利要求1所述的考虑气动结构耦合的大展弦比无人机气动导数预测方法，其特征在于，所述无人机机翼的展弦比大于8。
3.根据权利要求1所述的考虑气动结构耦合的大展弦比无人机气动导数预测方法，其特征在于，所述步骤S4，将所述气动力响应对控制舵面偏转角度求导获得无人机气动导数，具体为
Figure QLYQS_32
其中，
Figure QLYQS_33
为时刻t下的力矩系数，
Figure QLYQS_34
为时刻t下的气动力系数，
Figure QLYQS_35
为时刻t下的控制舵面偏转角度，
Figure QLYQS_36
和
Figure QLYQS_37
为无人机气动导数。
CN202310133143.9A 2023-02-20 2023-02-20 考虑气动结构耦合的大展弦比无人机气动导数预测方法 Active CN115841062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310133143.9A CN115841062B (zh) 2023-02-20 2023-02-20 考虑气动结构耦合的大展弦比无人机气动导数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310133143.9A CN115841062B (zh) 2023-02-20 2023-02-20 考虑气动结构耦合的大展弦比无人机气动导数预测方法

Publications (2)

Publication Number Publication Date
CN115841062A CN115841062A (zh) 2023-03-24
CN115841062B true CN115841062B (zh) 2023-05-09

Family

ID=85579822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310133143.9A Active CN115841062B (zh) 2023-02-20 2023-02-20 考虑气动结构耦合的大展弦比无人机气动导数预测方法

Country Status (1)

Country Link
CN (1) CN115841062B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100735B (zh) * 2020-08-03 2022-11-11 东南大学 一种基于机翼形变的机载imu高精度参考基准获取方法
CN113111430B (zh) * 2021-03-06 2022-09-30 北京航空航天大学 基于非线性气动力降阶的弹性飞机飞行动力学建模方法
CN113971375B (zh) * 2021-11-12 2024-04-09 北京航空航天大学 一种阵风环境下的无人机气动力预测方法
CN115659523B (zh) * 2022-12-27 2023-03-10 北京航空航天大学 一种大展弦比无人机刚柔耦合建模分析方法

Also Published As

Publication number Publication date
CN115841062A (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN105843073B (zh) 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法
Cobb et al. Iterative learning-based path optimization for repetitive path planning, with application to 3-d crosswind flight of airborne wind energy systems
CN102880053B (zh) 基于预测模型的高超声速飞行器滑模控制方法
CN111324138B (zh) 一种四旋翼姿态指定时间保性能输出反馈控制方法
CN108459505B (zh) 一种适合控制迭代设计的非常规布局飞行器快速建模方法
Chang et al. Adaptive control of hypersonic vehicles based on characteristic models with fuzzy neural network estimators
CN102866635B (zh) 基于等价模型的高超声速飞行器离散神经网络自适应控制方法
CN105159306A (zh) 一种基于全局稳定的四旋翼飞行器滑模控制方法
CN109062055A (zh) 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制系统
CN109828467B (zh) 一种数据驱动的无人船强化学习控制器结构及设计方法
CN109885077B (zh) 一种四旋翼飞行器姿态控制方法及控制器
CN111781835B (zh) 一种镇定二阶惯性加纯滞后系统的线性自抗扰控制器设计方法
CN112696319A (zh) 利用准确在线模型的基于风力涡轮模型的控制和估计
CN111273544B (zh) 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法
CN109856965B (zh) 一种波浪滑翔器航向跟踪控制方法
CN111007724A (zh) 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法
CN116451356B (zh) 不确定性相容的自然层流翼构型梯度优化设计方法
CN108873923B (zh) 应急指挥控制固定翼无人机舰面紧急起飞控制方法
Cao et al. System identification method based on interpretable machine learning for unknown aircraft dynamics
CN116027669A (zh) 一种高速列车自适应滑模控制方法、系统及电子设备
CN113971375B (zh) 一种阵风环境下的无人机气动力预测方法
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
Xu et al. Iterative maneuver optimization in a transverse gust encounter
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
Xu et al. Design of optimal wing maneuvers in a transverse gust encounter through iterated simulation or experiment

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