CN116735146A - 一种建立气动力模型的风洞实验方法及系统 - Google Patents

一种建立气动力模型的风洞实验方法及系统 Download PDF

Info

Publication number
CN116735146A
CN116735146A CN202311008961.2A CN202311008961A CN116735146A CN 116735146 A CN116735146 A CN 116735146A CN 202311008961 A CN202311008961 A CN 202311008961A CN 116735146 A CN116735146 A CN 116735146A
Authority
CN
China
Prior art keywords
aerodynamic
training
aircraft
verification
sample
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
Application number
CN202311008961.2A
Other languages
English (en)
Other versions
CN116735146B (zh
Inventor
徐若洋
岑飞
蒋永
陈滨琦
郭亮
郭天豪
魏政磊
杨宇
任忠才
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.)
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202311008961.2A priority Critical patent/CN116735146B/zh
Publication of CN116735146A publication Critical patent/CN116735146A/zh
Application granted granted Critical
Publication of CN116735146B publication Critical patent/CN116735146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/08—Aerodynamic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明涉及风洞实验技术领域，提供了一种建立气动力模型的风洞实验方法及系统，对飞行器施加训练激励信号；获取传感器的传感器数据，得到训练样本；基于所述训练样本对OS‑ELM进行训练，得到气动力模型；对气动力模型的泛化能力进行验证。通过本发明建立的气动力模型可对施加于飞行器激励后产生的气动力具有良好的预测能力，针对不同的气动系数能够建立不同的气动力模型，实现多方位预测。并且在小幅值激励下训练得到的气动力模型对大幅值激励的气动数据也具有很好的预测效果，使得飞行器只需要在平衡点附近运动就能获得精度良好的全局气动力模型，有助于提高飞行试验效率和安全性，降低试验成本。

Description

一种建立气动力模型的风洞实验方法及系统
技术领域
本发明属于风洞实验技术领域，特别涉及一种建立气动力模型的风洞实验方法及系统。
背景技术
风洞模型飞行实验是一种特殊的试验形式，其类似于硬件在环仿真，飞机能够在风洞中模拟六自由度运动，主要用于分析飞行器运动过程中的气动特性以及控制系统性能评估。常规静、动态风洞试验是获取飞机气动力数据的重要方式之一，试验测得的数据以查值表形式存放，但在飞机因特殊情况运动到查值表以外区间时无法准确预测其气动力。
发明内容
本发明的目的是提供一种建立气动力模型的风洞实验方法及系统，通过对飞行器施加训练激励信号，模拟实验所需的飞行器运动状态，得到训练样本，通过训练样本对OS-ELM模型进行训练，得到在线训练气动力模型，并对在线训练气动力模型进行泛化能力验证，若验证通过则得到训练完成的气动力模型，该模型具有较强非线性拟合和预测能力，能够解决相关技术中存在的问题。本发明是这样实现的：
一种建立气动力模型的风洞实验方法，包括：
对飞行器施加训练激励信号；
利用传感器获取飞行器的运动信息，得到训练样本；
基于所述训练样本对OS-ELM进行训练，得到在线训练气动力模型；
对所述飞行器施加验证激励信号；利用传感器获取飞行器的运动信息，得到验证样本；基于所述验证样本对气动力模型的泛化能力进行验证；若气动力模型通过验证，则得到训练完成的气动力模型；
所述验证激励信号不同于所述训练激励信号，所述训练样本的组成参数和所述验证样本的组成参数相同。
进一步地，所述对飞行器施加训练激励信号，包括：
按照实验设定风速所对应的速压，稳速压启动风洞；
调整所述飞行器的飞行姿态为实验设定飞行姿态；
待所述飞行器的飞行姿态稳定后，向所述飞行器发送训练激励信号。
进一步地，利用传感器获取飞行器的运动信息，得到训练样本，包括：
以设定的第一时间间隔连续获取所述传感器的多个传感器数据；
利用所述传感器数据计算飞行器的气动系数值，并将与影响所述气动系数值的参数值一起组成训练样本。
进一步地，所述训练样本包括初始训练样本和在线训练样本；
所述初始训练样本对OS-ELM进行初始训练，得到初始训练气动力模型；
所述在线训练样本对OS-ELM进行在线训练，得到在线训练气动力模型。
进一步地，所述得到初始训练气动力模型的步骤包括：
将初始训练样本的输入值输入OS-ELM模型，得到OS-ELM的隐含层的输出向量：
将OS-ELM的输出与初始训练样本的气动系数值组成的向量/>之间的平方差作为目标函数：
（1），
其中，为OS-ELM的输出权重；
求解使公式（1）最小的解，得到OS-ELM的初始输出权重：
（2），
其中：为OS-ELM的隐含层的输出的M-P广义逆；
所述得到在线训练气动力模型的步骤包括：
将在线训练样本的输入值输入OS-ELM模型，得到OS-ELM隐含层的输出；
将初始训练样本与首个得到的在线训练样本的近似误差作为目标函数，包括：
（3），
其中：为首个得到的在线训练样本的气动系数值；
基于公式（3），得到：
（4）；
引入中间变量：
（5），
得到：
（6）；
基于公式（2）、公式（4）和公式（6），得到的更新为：
（7）；
通过迭代，得到第个在线训练样本到达时所述输出权重/>：
（8）；
待所述输出权重收敛后，得到在线训练气动力模型。
进一步地，对所述在线训练气动力模型的泛化能力进行验证，包括：
将所述验证样本的输入值输入在线训练气动力模型得到输出气动系数值；
将所述输出气动系数值与验证样本中的气动系数值进行比较；
若所述输出气动系数值与所述验证样本中的气动系数值之间的差值在预设范围内则验证通过；若所述输出气动系数值与验证样本中的气动系数值之间的差值超出预设范围，则验证未通过。
进一步地，若验证未通过，则重新设计训练样本和/或重新设计OS-ELM，对所述飞行器重新施加激励信号，重新进行训练得到在线气动力模型，并再次进行泛化能力验证。
进一步地，所述飞行器的运动信息包括飞行器在x,y,z轴上的线加速度，绕x,y,z轴的角速度，动压；
所述气动系数包括升力系数、阻力系数、侧力系数、滚转力矩系数、偏航力矩系数、俯仰力矩系数中的至少一个。
进一步地，所述训练激励信号和验证激励信号均包括正交多正弦激励信号、对偶方波、3211方波信号、211方波激励和扫频信号。
本发明还提供一种执行前述建立气动力模型的风洞实验方法的系统，包括：
飞行器，用于执行实验；
传感器，用于测量所述飞行器的传感器数据；
激励信号模块，用于对飞行器施加训练激励信号和验证激励信号；
获取模块，用于获取传感器的传感器数据；
计算模块，用于基于所述传感器数据计算飞行器的气动系数值，并根据预设的条件形成训练样本和验证样本，并且完成在线训练气动力模型的训练，以及对在线训练气动力模型的泛化能力的验证。
本发明采用的技术方案能够达到以下有益效果：
通过对飞行器施加训练激励信号，从而利用传感器获取飞行器的运动信息，得到训练样本，基于训练样本对OS-ELM进行训练，得到在线训练气动力模型，并对其进行泛化能力验证，得到训练完成的气动力模型。采用OS-ELM进行训练，利用OS-ELM具有训练速度快、泛化能力高的优势，可节约模型建立的成本。
采用不同于训练激励信号的验证激励信号对在线训练气动力模型进行泛化能力验证，由于训练激励信号的验证激励信号是不同类型的激励信号，因此波形不同，所激发出来的飞行器运动历程也不同，用在线训练气动力模型对飞行器做其他类型运动时所受气动力进行预测，用以证明模型的外拓性。
通过本发明建立的气动力模型可对施加于飞行器激励后产生的气动力具有良好的预测能力，针对不同的气动系数能够建立不同的气动力模型，实现多方位预测。并且在小幅值激励下训练得到的气动力模型对大幅值激励的气动数据也具有很好的预测效果，使得飞行器只需要在平衡点附近运动就能获得精度良好的全局气动力模型，有助于提高飞行试验效率和安全性，降低试验成本。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种建立气动力模型的风洞实验方法的流程示意图；
图2是本发明实施例的一种建立气动力模型的风洞实验系统的示意图；
图中：100-飞行器；200-传感器；300-激励信号模块；310-操纵台；320-伺服舵机；400-获取模块；500-计算模块；600-安全防护模块；700-风洞。
具体实施方式
在下文中将参考附图对本发明的各方面进行更充分的描述。然而，本发明可以具体化成许多不同形式且不应解释为局限于贯穿本发明所呈现的任何特定结构或功能。相反地，提供这些方面将使得本发明周全且完整，并且本发明将给本领域技术人员充分地传达本发明的范围。基于本文所教导的内容，本领域的技术人员应意识到，无论是单独还是结合本发明的任何其它方面实现本文所公开的任何方面，本发明的范围旨在涵盖本文中所公开的任何方面。例如，可以使用本文所提出任意数量的装置或者执行方法来实现。另外，除了本文所提出本发明的多个方面之外，本发明的范围更旨在涵盖使用其它结构、功能或结构和功能来实现的装置或方法。应可理解，其可通过权利要求的一或多个元件具体化本文所公开的任何方面。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语"包括"、"包含"等表明了所述特征、步骤、操作和/或模型的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或模型。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
为了使本发明的日的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
现有技术中通过常规静、动态风洞试验是获取飞机气动力数据的重要方式之一，试验测得的数据以查值表形式存放，不便于控制律使用，且数据外拓能力较差，在飞机因特殊情况运动到查值表以外区间时无法准确预测其气动力。常规风洞试验由于受到支架和运动机构的限制，难以完全模拟飞机真实的运动状态。若想获得更加完备的气动数据，则需要进行大量的试验条次，不仅试验周期长，而且试验流程复杂。
发明人在多次的试验中发现，通过对飞行器施加训练激励信号，从而利用传感器获取飞行器的运动信息，得到训练样本，基于训练样本对OS-ELM进行训练，得到在线训练气动力模型，并对其进行泛化能力验证，得到训练完成的气动力模型。采用OS-ELM进行训练，利用OS-ELM具有训练速度快、泛化能力高的优势，可节约模型建立的成本。
采用不同于训练激励信号的验证激励信号对在线训练气动力模型进行泛化能力验证，由于训练激励信号的验证激励信号是不同类型的激励信号，因此波形不同，所激发出来的飞行器运动历程也不同，用在线训练气动力模型对飞行器做其他类型运动时所受气动力进行预测，用以证明模型的外拓性。
通过本发明建立的气动力模型可对施加于飞行器激励后的气动力具有良好的预测能力，针对不同的气动系数能够建立不同的气动力模型，实现多方位预测。并且在小幅值激励下训练得到的气动力模型对大幅值激励的气动数据也具有很好的预测效果，使得飞行器只需要在平衡点附近运动就能获得精度良好的全局气动力模型，有助于提高飞行试验效率和安全性，降低试验成本。
下面对本申请所涉及到的一种建立气动力模型的风洞实验方法及系统进行介绍。应说明的是：本申请方法步骤的标号并非为了限制其顺序，而是为了区分不同的步骤。
请参照图1，图1为本申请实施例的一种建立气动力模型的风洞实验方法的流程示意图。
在本实施例中，该方法可以包括如下步骤：
S100，对飞行器100施加训练激励信号；
S110，按照实验设定风速所对应的速压，稳速压启动风洞700；
在实验开始前，需要将传感器200安装于飞行器100内和风洞700内，传感器200根据不同的功能安装于不同的位置；伺服舵机320安装于飞行器100上，再将飞行器100与安全防护模块600相连，然后根据实验设定的风速所对应的速压，稳速压启动风洞700。
S120，调整飞行器100的飞行姿态为实验设定飞行姿态；
当风洞启动后，飞行器100受到风力的作用会产生摇摆晃动，此时对飞行器100施加控制信号，飞行控制律根据飞行器100上的传感器200反馈的传感器数据和控制信号解算出舵偏指令，再将舵偏指令发送到伺服舵机320，通过伺服舵机320对飞行器100的飞行姿态进行控制调整，达到实验所需的飞行姿态。
S130，待飞行器100飞行姿态稳定后，向飞行器100发送训练激励信号。
待飞行器100的飞行姿态稳定后，对飞行器100施加训练激励信号，该训练激励信号叠加在前述控制信号上，使飞行器100由稳定状态变为振荡运动状态，训练激励信号包括正交多正弦激励信号、对偶方波、3211方波信号、211方波激励和扫频信号等。
S200，利用传感器获取飞行器的运动信息，得到训练样本；
飞行器的运动信息包括飞行器在x,y,z轴上的线加速度，绕x,y,z轴的角速度，动压等，得到训练样本的步骤如下：
S210，以设定的第一时间间隔连续获取飞行器100上的传感器200的多个传感器数据；
在实验开始前，根据实验目的确定第一时间间隔，当飞行器100处于震荡状态时，根据第一时间间隔连续获取多个传感器数据，此处的多个传感器数据的具体数量根据实验目的进行确认，也可以根据后续的气动力模型验证情况进行调整。
S220，利用传感器数据计算飞行器100的气动系数值，并将与影响气动系数值的参数值一起组成训练样本；
选取对气动系数产生影响的特征，通过将影响气动系数的特征、特征的高阶项和特征之间混合后的耦合项等得到特征向量的表达式，基于获取的第一时间间隔的传感器数据计算得到气动系数值，同时，将传感器数据代入特征向量的表达式得到训练样本的输入值，该训练样本的输入值和计算得到的气动系数值一起组成验证样本。
前述的气动系数包括升力系数、阻力系数、侧力系数、滚转力矩系数、偏航力矩系数、俯仰力矩系数中至少一个。
训练样本包括初始训练样本和在线训练样本；初始训练样本对OS-ELM进行初始训练，得到初始训练气动力模型；在线训练样本对OS-ELM进行在线训练，得到在线训练气动力模型。
S300，基于训练样本对OS-ELM进行训练，得到在线训练气动力模型；
首先，得到初始训练气动力模型的步骤包括：
将初始训练样本的输入值输入OS-ELM模型，得到OS-ELM的隐含层的输出向量；
将OS-ELM的输出与初始训练样本的气动系数值组成的向量/>之间的平方差作为目标函数：
（1），
其中，为OS-ELM的输出权重；
求解使公式（1）最小的解，得到OS-ELM的初始输出权重：
（2），
其中：为OS-ELM的隐含层的输出的M-P广义逆。
其次，得到在线训练气动力模型的步骤包括：
将在线训练样本的输入值输入OS-ELM模型，得到OS-ELM隐含层的输出；
将初始训练样本与首个得到的在线训练样本的近似误差作为目标函数，包括：
（3），
其中：为首个得到的在线训练样本的气动系数值；
基于公式（3），得到：
（4）；
引入中间变量：
（5），
得到：
（6）；
基于公式（2）、公式（4）和公式（6），得到的更新为：
（7）；
通过迭代，得到第个在线训练样本到达时输出权重/>：
（8）；
待输出权重收敛后，得到在线训练气动力模型，可以通过在线绘图软件观测输出权重/>收敛情况，提高效率。
S400，对飞行器施加验证激励信号；利用传感器获取飞行器的运动信息，得到验证样本；基于验证样本对气动力模型的泛化能力进行验证；若气动力模型通过验证，则得到训练完成的气动力模型；
S410，对飞行器100施加验证激励信号；
在飞行器100的飞行姿态为实验设定飞行姿态并保持稳定的情况下，对飞行器100施加验证激励信号，该验证激励信号与训练激励信号一样是通过叠加在前述控制信号上，使飞行器100由稳定状态变为振荡运动状态，验证激励信号不同于训练激励信号，该验证激励信号与前述的训练激励信号是不同类型的激励信号，验证激励信号包括正交多正弦激励信号、对偶方波、3211方波信号、211方波激励和扫频信号。由于不同类型的激励信号波形不同，所激发出来的飞机运动历程不同，用建立的气动力模型对飞行器100做其他类型运动时所受气动力进行预测，将预测结果与计算的气动系数进行对比，用以验证气动力模型的泛化能力。
S420，利用传感器获取飞行器的运动信息，得到验证样本；
在实验开始前，根据实验目的确定第二时间间隔，当飞行器100处于震荡状态时，根据第二时间间隔连续获取多个传感器数据，此处的多个传感器数据的具体数量根据实验目的进行确认，也可以根据后续的气动力模型验证情况进行调整。
验证样本的组成参数和训练样本的组成参数相同，均为选取对气动系数产生影响的特征，通过将影响气动系数的特征、特征的高阶项和特征之间混合后的耦合项等得到特征向量的表达式，基于获取的第二时间间隔的传感器数据计算得到气动系数值，同时，将获取的第二时间间隔的传感器数据代入特征向量的表达式得到验证样本的输入值，将该验证样本的输入值和计算得到的气动系数值一起组成验证样本。
第一时间间隔与第二时间间隔可以相等，也可以不相等，在本申请实施例中不做限制。
前述的气动系数包括升力系数、阻力系数、侧力系数、滚转力矩系数、偏航力矩系数、俯仰力矩系数中至少一个。
S430，基于验证样本对气动力模型的泛化能力进行验证；
将验证样本的输入值输入在线训练气动力模型得到输出气动系数值；
将输出气动系数值与验证样本中的气动系数值进行比较，可通过在线绘图软件实时观测输出气动系数值和验证气动系数值的曲线，便于及时判断验证结果，提高效率；
若输出气动系数值与验证样本中的气动系数值之间的差值在预设范围内则验证通过；若输出气动系数值与验证样本中的气动系数值之间的差值超出预设范围，则验证未通过。
若验证未通过，则重新设计训练样本和/或重新设计OS-ELM，对飞行器重新施加激励信号，重新进行训练得到在线气动力模型，并再次进行泛化能力验证。
气动力模型未通过验证的原因及调整缺陷方式包括但不限于：
1、输出气动系数值的曲线与验证气动系数值的曲线趋势相近，但呈明显的阶梯锯齿状，不是光滑的曲线。原因可能在于OS-ELM的隐含层节点数量过少导致的非线性拟合能力较弱，可以通过增加隐含层节点数量调整缺陷。
2、输出气动系数值的曲线数值存在突变，在某些点处会出现特别大或特别小的误差。原因可能在于特征选取的不正确，需要重新分析影响气动系数的特征，调整训练样本。
3、输出气动系数值的曲线与验证气动系数值的曲线的趋势和数值都无法吻合。原因可能在于：
（1）训练时间过短，输出层权重没有完全收敛，需要增加训练样本数量，延长训练时间。
（2）隐含层节点过多，导致输出层权重无法收敛，需要减少隐含层节点。
4、输出气动系数值与验证气动系数值差别不大，但趋势对不上。原因可能在于特征向量中高阶项过多，或是隐含层节点数过多，导致了过拟合，需要减少特征向量中的高阶项，或者减少隐含层节点。
本申请实施例还提供一种建立气动力模型的风洞实验系统，请参照图2，图2是本发明实施例的一种建立气动力模型的风洞实验系统的示意图，该系统包括：
飞行器100，安装于风洞700内，用于执行实验；
传感器200，用于测量飞行器100的传感器数据；传感器200可以选用风洞实验常用的传感器，包括：惯性测量单元、航姿参考系统、光学测量传感器等，其中惯性测量单元、航姿参考系统置于飞行器100内，光学测量传感器置于风洞700内。
激励信号模块300，用于对飞行器100施加训练激励信号和验证激励信号；激励信号模块300可以包括操纵台310和伺服舵机320，操纵台310上可以是设有使能开关和多个激励信号开关的仪器，每一种激励信号类型对应一个激励信号开关。伺服舵机320安装于飞行器100内。施加激励时，先将使能开关打开，然后选择要施加的激励信号并拨动对应开关，伺服舵机320根据接收的指令执行相关动作。
获取模块400，用于获取飞行器100上的传感器200的传感器数据，得到训练样本和验证样本；
计算模块500，与获取模块400连接，用于基于传感器数据计算飞行器的气动系数值，并根据预设的条件形成训练样本和验证样本，并且完成在线训练气动力模型的训练，以及对在线训练气动力模型的泛化能力的验证。
安全防护模块600，安全防护模块600与飞行器100连接，当飞行器100发生失控时，安全防护模块600可控制飞行器100，安全防护模块600可以包括与飞行器100连接的安全绳，可以通过收紧安全绳控制飞行器100。
最后应说明的是：在不冲突的情况下，以上实施例及实施例中的特征可以相互组合。以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。基于本申请中的实施例，本领域技术人员在没有作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。

Claims (10)

1.一种建立气动力模型的风洞实验方法，其特征在于，包括：
对飞行器施加训练激励信号；
利用传感器获取飞行器的运动信息，得到训练样本；
基于所述训练样本对OS-ELM进行训练，得到在线训练气动力模型；
对所述飞行器施加验证激励信号；利用传感器获取飞行器的运动信息，得到验证样本；基于所述验证样本对气动力模型的泛化能力进行验证；若气动力模型通过验证，则得到训练完成的气动力模型；
所述验证激励信号不同于所述训练激励信号，所述训练样本的组成参数和所述验证样本的组成参数相同。
2.根据权利要求1所述的一种建立气动力模型的风洞实验方法，其特征在于，所述对飞行器施加训练激励信号，包括：
按照实验设定风速所对应的速压，稳速压启动风洞；
调整所述飞行器的飞行姿态为实验设定飞行姿态；
待所述飞行器的飞行姿态稳定后，向所述飞行器发送训练激励信号。
3.根据权利要求1所述的一种建立气动力模型的风洞实验方法，其特征在于，利用传感器获取飞行器的运动信息，得到训练样本，包括：
以设定的第一时间间隔连续获取传感器的多个传感器数据；
利用所述传感器数据计算飞行器的气动系数值，并将与影响所述气动系数值的参数值一起组成训练样本。
4.根据权利要求1所述的一种建立气动力模型的风洞实验方法，其特征在于，所述训练样本包括初始训练样本和在线训练样本；
所述初始训练样本对OS-ELM进行初始训练，得到初始训练气动力模型；
所述在线训练样本对OS-ELM进行在线训练，得到在线训练气动力模型。
5.根据权利要求4所述的一种建立气动力模型的风洞实验方法，其特征在于，所述得到初始训练气动力模型的步骤包括：
将初始训练样本的输入值输入OS-ELM模型，得到OS-ELM的隐含层的输出；
将OS-ELM的输出与初始训练样本的气动系数值组成的向量/>之间的平方差作为目标函数：
（1），
其中，为OS-ELM的输出权重；
求解使公式（1）最小的解，得到OS-ELM的初始输出权重：
（2），
其中：为OS-ELM的隐含层的输出的M-P广义逆；
所述得到在线训练气动力模型的步骤包括：
将在线训练样本的输入值输入OS-ELM模型，得到OS-ELM隐含层的输出；
将初始训练样本与首个得到的在线训练样本的近似误差作为目标函数，包括：
（3），
其中：为首个得到的在线训练样本的气动系数值；
基于公式（3），得到：
（4）；
引入中间变量：
（5），
得到：
（6）；
基于公式（2）、公式（4）和公式（6），得到的更新为：
（7）；
通过迭代，得到第个在线训练样本到达时所述输出权重/>：
（8）；
待所述输出权重收敛后，得到在线训练气动力模型。
6.根据权利要求1-5任一所述的一种建立气动力模型的风洞实验方法，其特征在于，对所述在线训练气动力模型的泛化能力进行验证，包括：
将所述验证样本的输入值输入在线训练气动力模型得到输出气动系数值；
将所述输出气动系数值与验证样本中的气动系数值进行比较；
若所述输出气动系数值与所述验证样本中的气动系数值之间的差值在预设范围内则验证通过；若所述输出气动系数值与验证样本中的气动系数值之间的差值超出预设范围，则验证未通过。
7.根据权利要求6所述的一种建立气动力模型的风洞实验方法，其特征在于，若验证未通过，则重新设计训练样本和/或重新设计OS-ELM，对所述飞行器重新施加激励信号，重新进行训练得到在线气动力模型，并再次进行泛化能力验证。
8.根据权利要求7所述的一种建立气动力模型的风洞实验方法，其特征在于，所述飞行器的运动信息包括飞行器在x,y,z轴上的线加速度，绕x,y,z轴的角速度，动压；
所述气动系数包括升力系数、阻力系数、侧力系数、滚转力矩系数、偏航力矩系数、俯仰力矩系数中的至少一个。
9.根据权利要求1所述的一种建立气动力模型的风洞实验方法，其特征在于，所述训练激励信号和验证激励信号均包括正交多正弦激励信号、对偶方波、3211方波信号、211方波激励和扫频信号。
10.一种建立气动力模型的风洞实验系统，其特征在于，用于执行权利要求1-9任一所述的一种建立气动力模型的风洞实验方法，包括：
飞行器，用于执行实验；
传感器，用于测量所述飞行器的传感器数据；
激励信号模块，用于对所述飞行器施加训练激励信号和验证激励信号；
获取模块，用于获取所述传感器的传感器数据；
计算模块，用于基于所述传感器数据计算飞行器的气动系数值，并根据预设的条件形成训练样本和验证样本，并且完成在线训练气动力模型的训练，以及对在线训练气动力模型的泛化能力的验证。
CN202311008961.2A 2023-08-11 2023-08-11 一种建立气动力模型的风洞实验方法及系统 Active CN116735146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311008961.2A CN116735146B (zh) 2023-08-11 2023-08-11 一种建立气动力模型的风洞实验方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311008961.2A CN116735146B (zh) 2023-08-11 2023-08-11 一种建立气动力模型的风洞实验方法及系统

Publications (2)

Publication Number Publication Date
CN116735146A true CN116735146A (zh) 2023-09-12
CN116735146B CN116735146B (zh) 2023-10-13

Family

ID=87904713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311008961.2A Active CN116735146B (zh) 2023-08-11 2023-08-11 一种建立气动力模型的风洞实验方法及系统

Country Status (1)

Country Link
CN (1) CN116735146B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160025028A1 (en) * 2014-07-22 2016-01-28 The Regents Of The University Of Michigan Adaptive Machine Learning Method To Predict And Control Engine Combustion
CN110186458A (zh) * 2019-05-17 2019-08-30 天津大学 基于os-elm融合视觉和惯性信息的室内定位方法
CN112378619A (zh) * 2020-11-06 2021-02-19 东北财经大学 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用
CN114297779A (zh) * 2021-12-28 2022-04-08 中国航天空气动力技术研究院 一种飞行器气动力系数快速预测方法、系统及设备
CN114548368A (zh) * 2022-01-20 2022-05-27 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法、预测模型以及预测方法
CN114971032A (zh) * 2022-05-31 2022-08-30 重庆邮电大学 一种基于os-elm的电子鼻在线气体浓度预测方法
CN116085245A (zh) * 2023-01-31 2023-05-09 华能海南发电股份有限公司东方电厂 一种基于os-elm的压缩机性能在线预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160025028A1 (en) * 2014-07-22 2016-01-28 The Regents Of The University Of Michigan Adaptive Machine Learning Method To Predict And Control Engine Combustion
CN110186458A (zh) * 2019-05-17 2019-08-30 天津大学 基于os-elm融合视觉和惯性信息的室内定位方法
CN112378619A (zh) * 2020-11-06 2021-02-19 东北财经大学 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用
CN114297779A (zh) * 2021-12-28 2022-04-08 中国航天空气动力技术研究院 一种飞行器气动力系数快速预测方法、系统及设备
CN114548368A (zh) * 2022-01-20 2022-05-27 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法、预测模型以及预测方法
CN114971032A (zh) * 2022-05-31 2022-08-30 重庆邮电大学 一种基于os-elm的电子鼻在线气体浓度预测方法
CN116085245A (zh) * 2023-01-31 2023-05-09 华能海南发电股份有限公司东方电厂 一种基于os-elm的压缩机性能在线预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
占健;吴斌;王加祥;余建波;: "基于OS-ELM的风机关键机械部件故障诊断方法", 机械制造, no. 04, pages 66 - 70 *

Also Published As

Publication number Publication date
CN116735146B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Song et al. Active model-based predictive control and experimental investigation on unmanned helicopters in full flight envelope
CN111650830A (zh) 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法
CN105182742A (zh) 一种弹性体飞行器自适应受限跟踪控制间接法
Gujjula et al. Adaptive and neural control of a wing section using leading-and trailing-edge surfaces
Marchetti et al. Active flutter suppression analysis and wind tunnel studies of a commercial transport configuration
CN111427267A (zh) 一种采用力与力矩自适应估计的高速飞行器攻角跟踪方法
CN116735146B (zh) 一种建立气动力模型的风洞实验方法及系统
Suresh et al. Direct adaptive neural flight control system for an unstable unmanned aircraft
Toha et al. Dynamic nonlinear inverse-model based control of a twin rotor system using adaptive neuro-fuzzy inference system
CN115981149B (zh) 基于安全强化学习的高超声速飞行器最优控制方法
CN117289709A (zh) 基于深度强化学习的高超声速变外形飞行器姿态控制方法
Haley et al. Generalized predictive control for active flutter suppression
Liu et al. Adaptive flutter suppression for a fighter wing via recurrent neural networks over a wide transonic range
Zhen et al. Aircraft control method based on deep reinforcement learning
CN113189866B (zh) 一种倾转旋翼无人机状态空间模型辨识方法
Ivanco et al. Generalized predictive control for active stability augmentation and vibration reduction on an aeroelastic tiltrotor model
Grauer et al. Identification of Bare-Airframe Dynamics from Closed-Loop Data Using Multisine Inputs and Frequency Responses
CN110703611B (zh) 基于递归模糊神经网络的微陀螺传感器终端滑模控制系统
Ricci et al. Active control of three-surface aeroelastic model
Paw et al. Uncertainty modeling, analysis and robust flight control design for a small UAV system
Cooper et al. Robust adaptive disturbance compensation for ship-based rotorcraft
Drew et al. Multi-objective gust load alleviation control designs for an aeroelastic wind tunnel demonstration wing
Turner et al. Simulation of pilot control activity for the prediction of workload ratings in helicopter/ship operations
CN115438603B (zh) 一种移动风场环境中弹性飞机风场动响应的确定方法
Marretta et al. Wing flutter suppression enhancement using a well-suited active control model

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