CN117113870A - 一种考虑风干扰的固定翼飞行器气动力建模方法 - Google Patents

Abstract

本发明公开了一种考虑风干扰的固定翼飞行器气动力建模方法，涉及航空飞行器气动建模技术领域，其技术方案要点是：将固定翼气动模型分解为共性基函数的组合，基于生成对抗网络架构，利用深度神经网络对空气动力共性基函数进行建模与学习，其中共性基函数输入采用相对于地面系的运动变量，组合系数由与风作用相关的变量决定并进行实时估计，从而可以实现未知风况条件下固定翼飞行器气动力与气动力矩的准确预测，为存在风干扰情形下的在线实时空气动力学建模与迁移应用奠定了基础。

Description

一种考虑风干扰的固定翼飞行器气动力建模方法

技术领域

本发明涉及航空飞行器气动建模技术领域，更具体地说，它涉及一种考虑风干扰的固定翼飞行器气动力建模方法。

背景技术

由于无人机质量轻、体积小的特点，风是影响无人机正常飞行的主要干扰项，无人机在有风环境中的飞行更加复杂。为了准确地预测固定翼无人机在风干扰下的气动力，需要建立气动力的计算数学模型。目前常用的方法是通过风洞试验或通过计算流体力学得到气动力(矩)数据后进行拟合，此类建模方法针对气流坐标系建立，需要用到迎角等信息，要求实时确定迎角等信息才能预测当前飞行器受到的气动力(矩)，但是当存在风干扰时候迎角信息难以在线准确测量，不利于在线迁移应用。

深度学习是近些年来得到广泛关注的一种研究方法，其通过一种与人类神经系统结构与功能类似的信息处理系统，学习数据中隐含的特征。神经网络具有强大的学习能力，可以自动提取数据中的特征，根据输入输出的数据特征构建数学模型。常用的神经网络结构有：卷积神经网络、长短期记忆神经网络等。使用深度学习可以简化传统气动力建模方法。深度学习方法具有广泛的应用场景，近年来气动力建模领域与深度学习的结合非常丰富，比如使用长短期记忆神经网络和卷积神经网络预测建立翼型的气动模型、利用改进的神经网络对飞行器大迎角的非定常动力进行建模等。但是这些方法都是直接针对气动力(矩)模型进行建模，本质上仍是传统的气流系下的气动建模，只是采用神经网络来进行拟合。

发明内容

本发明的目的是提供一种考虑风干扰的固定翼飞行器气动力建模方法，将固定翼飞行器气动模型分解为共性基函数的组合，基于生成对抗网络架构，利用深度神经网络对空气动力共性基函数进行建模与学习，其中共性基函数输入采用相对于地面系的变量，组合系数由与风作用相关的变量决定并进行实时估计，从而可以实现未知风况条件下固定翼飞行器气动力与气动力矩的准确预测，为存在风干扰情形下的在线实时空气动力学建模与迁移应用奠定了基础。

本发明的上述技术目的是通过以下技术方案得以实现的：一种考虑风干扰的固定翼飞行器气动力建模方法，该方法基于多元函数的切比雪夫级数理论。根据切比雪夫级数理论，多元函数可以分解为多项式乘积之和。对于需要建模的无人机气动力F_x、F_y、F_z与气动力矩M_x、M_y、M_z来说，无人机气动力(矩)可以分解为：

式中，是只与环境因素相关的系数，/>是环境因素，对于本发明而言，/>是风速矢量。φ是只与无人机本身特性相关的共性基函数矩阵，可简称为基函数，由于只与无人机的特性相关，因此其可以推广应用到未知的风况。变量x包括飞行器相对于地面坐标系的四元数、相对于地面坐标系的体轴速度、角速度和舵偏角变量。

本发明中采用生成对抗网络架构对共性基函数φ进行训练。生成对抗网络包含生成器和判别器。生成器神经网络的输入是飞行器的四元数、相对于地面坐标系的体轴速度、舵偏角、体轴角速度，输出为飞行器气动力和气动力矩中不包含风信息的部分；判别器神经网络的输入是生成器神经网络的输出，输出为风况类型。生成器神经网络和判别器神经网络的训练通常分为两步，训练生成器神经网络时固定判别器神经网络，训练判别器神经网络时固定生成器神经网络，两者不断训练迭代，最终形成纳什均衡。训练的生成器神经网络只预测共性基函数部分，系数部分由最小二乘法给出。本发明运用域适应方法，通过将生成器和判别器的博弈过程实现特征提取与域判别的博弈，可以更有效地提取特征，具体通过梯度反转层将判别器的损失引入生成器中，将生成器(特征提取)与判别器(域判别)联系起来，从而达到共性基函数提取中物理特征不变性的目标，便于实现不同风况的迁移。

本发明所提出的一种考虑风干扰的固定翼飞行器气动力建模方法，包括以下4个步骤：

S1.通过理论方法、实验方法或数值计算方法得到不同风况条件下固定翼飞行器的气动力(矩)标签数据，输入数据主要包括飞行器相对于地面坐标系的姿态四元数、相对于地面坐标系的体轴速度、舵偏角、体轴角速度，输出数据为体轴系下固定翼飞行器的气动力与气动力矩，此外还包含风况类型标签。

S2.将得到的飞行器气动力(矩)数据作为训练数据用于神经网络的训练，形成数据集D，从数据集D中随机抽样样本集D_wk，再从样本集D_wk中随机采样两个不同的数据批次，分别作为训练适应集B^α和训练集B；

S3.采用生成对抗网络架构进行训练，设定生成对抗网络的超参数m≥0,0＜η≤1，γ＞0，0＜α≤1，其中参数m确定判别器神经网络h损失在生成器神经网络φ总损失所占比例，其会随训练次数变化而变化。η为生成器神经网络φ与判别器神经网络h训练频次比例参数，γ为误差阀值参数；

S4.训练结束后，提取生成器神经网络φ作为共性基函数。

本发明进一步设置为：S3中的训练过程具体涉及以下4个步骤：

(1)在训练适应集中使用最小二乘法求解

当||α^*||＞γ时，

式中：y是气动力、气动力矩；φ(·)是无人机空气动力共性基函数，为所有风况共享；x是飞行器相对于地面坐标系的四元数、体轴速度、角速度、舵偏角；α是包含风况信息的参数，根据具体风况的变化而变化；

(2)在训练集中使用随机梯度下降法和谱归一化训练生成器神经网络φ，损失为：

式中：超参数m用于控制判别器神经网络对生成器神经网络的影响，k是风况类型，h是判别器神经网络；

当训练次数M_epoch满足M_epochmodM_mod＝＝0时，调整超参数m，调整公式如下所示：

式中，m₀为超参数m的初始值。m₁为调整超参数m变化的超参数，取值为正常数。M_mod为调整超参数m变化频率的超参数，取值为正整数，不大于训练次数。

(3)当rand()≤η时，使用随机梯度下降法训练判别器神经网络h，损失为：

式中，e_j是标准基函数，δ_kj取值定义如下：

(4)回到第(1)步，不断训练生成对抗网络，直至损失收敛。

验证共性基函数预测准确性时，只需要输入飞行器当下相对于地面坐标系的姿态四元数、相对于地面系的体轴速度、舵偏角、体轴角速度，通过在线辨识确定与风干扰相关的系数α，即可实现飞行器在风干扰下的实时气动力(矩)预测。

综上所述，本发明具有以下有益效果：

1.将气动模型分解为共性基函数的组合，基于生成对抗网络架构，利用深度神经网络对空气动力共性基函数进行建模与学习，其中共性基函数输入采用相对于地面系的运动变量，组合系数由与风作用相关的变量确定并实时估计得到，从而可以实现未知风况条件下固定翼飞行器气动力与气动力矩的准确预测，为存在风干扰情形下的在线实时空气动力学建模与迁移应用奠定了基础；

2.本发明得到了固定翼飞行器在风干扰下气动力(矩)模型的共性基函数，其应用范围广，可推广到其他风况或其他飞行器；

3.本发明对固定翼未知风况下的气动力(矩)预测效果好，预测误差较小；

4.本发明解决了飞行器在风干扰下气动力(矩)难以实时预测的问题，是对智能飞行技术的发展。

附图说明

图1为本发明的算法流程框图；

图2为实施例1、例2的生成器神经网络训练损失图；

图3为实施例1的模型预测离散状态气动力结果图；

图4为实施例1的模型预测离散状态气动力矩结果图；

图5为实施例2的模型预测连续状态气动力结果图；

图6为实施例2的模型预测连续状态气动力矩结果图。

具体实施方式

以下结合附图1-6对本发明作进一步详细说明。

实施例1：进行某无人机的神经网络共性基函数训练与气动力(矩)预测，训练方法实施步骤如下：

S1.利用无人机的数学模型得到无人机分别在风速为0m/s,5m/s,10m/s,15m/s,20m/s下的气动力(矩)数据，其中风速为0m/s,5m/s,15m/s,20m/s的数据的类型标签分别为1,2,3,4，用于训练；风速为10m/s的数据的类型标签为5，用于验证。在训练的数据中随机采样得到训练适应集和训练集，同理，将验证的数据分为测试适应集和测试集。

S2.取m＝m₀＝0.01，m₁＝1.05，M_epoch＝1000,M_mod＝1000,η＝0.5，γ＝0.1，开始神经网络训练。

(1)在训练适应集中使用最小二乘法求解

当||α^*||＞γ时，

式中：y是气动力、气动力矩；φ(·)是无人机空气动力共性基函数，为所有风况共享；x是飞行器相对于地面坐标系的四元数、体轴速度、角速度、舵偏角；α是包含风况信息的参数，根据具体风况的变化而变化；

(2)在训练集中使用随机梯度下降法和谱归一化训练生成器神经网络φ，损失为：

式中：超参数m用于控制判别器神经网络对生成器神经网络的影响，k是风况类型，h是判别器神经网络；

当训练次数M_epoch满足M_epochmodM_mod＝＝0时，调整超参数m，调整公式如下所示：

式中，m₀为超参数m的初始值。m₁为调整超参数m变化的超参数，取值为正常数。M_mod为调整超参数m变化频率的超参数，取值为正整数，不大于训练次数。

(3)当rand()≤η时，使用随机梯度下降法训练判别器神经网络h，损失为：

式中，e_j是标准基函数，δ_kj取值定义如下：

(4)回到第(1)步，不断训练生成对抗网络，直至损失收敛。

S3.训练结束后，提取训练效果较好的生成器神经网络作为共性基函数，对风速为10m/s的数据进行预测。

本实施例1训练过程中生成器神经网络的损失如图2所示，可以看到训练到200轮后，生成器神经网络的损失下降明显，后续收敛明显。图3、图4给出生成器预测风速为10m/s的气动力(矩)数据的拟合效果，横坐标为数据点数，纵坐标为气动力(矩)数据；图中灰色是使用飞行器数据模型计算的真实气动力数据，蓝色为在测试适应集中使用生成器深度神经网络预测的预测数据，橙色为在测试集中使用生成器深度神经网络预测的预测数据。

实施例2：设置新的预测情况，使得无人机的俯仰向姿态角以(10sin(k·Δt+12)+5)°的变化规律变化，使用与实施例1相同的神经网络模型作为共性基函数，验证对无人机的气动力(矩)的预测情况。图5、图6给出生成器预测连续状态的拟合效果，横坐标为飞行器迎角，纵坐标是飞行器气动力(矩)，形成迟滞环。可以看出，不管是离散运动状态还是连续运动状态，通过本专利方法提取的无人机气动力(矩)共性基函数的拟合效果都较好，可以准确地预测固定翼飞行器飞行中的气动力与气动力矩。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (2)

1.一种考虑风干扰的固定翼飞行器气动力建模方法，其特征是：包括以下4个步骤：

S1.通过理论方法、实验方法或数值计算方法得到不同风况条件下固定翼飞行器的气动力(矩)标签数据，输入数据主要包括飞行器相对于地面坐标系的姿态四元数、相对于地面坐标系的体轴速度、舵偏角、体轴角速度，输出数据为体轴系下固定翼飞行器的气动力与气动力矩，此外还包含风况类型标签。

S2.将得到的飞行器气动力(矩)数据作为训练数据用于神经网络的训练，形成数据集D，从数据集D中随机抽样样本集D_wk，再从样本集D_wk中随机采样两个不同的数据批次，分别作为训练适应集B^α和训练集B；

S3.采用生成对抗网络架构进行训练，设定生成对抗网络的超参数m≥0,0＜η≤1，γ＞0，其中参数m确定判别器神经网络h损失在生成器神经网络φ总损失所占比例，其会随训练次数变化而变化，η为生成器神经网络φ与判别器神经网络h训练频次比例参数，γ为误差阀值参数；

S4.训练结束后，提取生成器神经网络φ作为共性基函数。该神经网络的输入是飞行器相对于地面坐标系的姿态四元数、相对于地面坐标系的体轴速度、舵偏角、体轴角速度，输出是体轴系下固定翼飞行器的气动力与气动力矩的基本分量。

2.根据权利要求1所述的一种考虑风干扰的固定翼飞行器气动力建模方法，其特征是：所述S3中的训练过程具体涉及以下4个步骤：

(1)在训练适应集中使用最小二乘法求解：

当||α^*||＞γ时，则：

式中：y是气动力、气动力矩；φ(·)是无人机空气动力共性基函数，为所有风况共享；x是飞行器相对于地面坐标系的四元数、体轴速度、角速度、舵偏角；α是包含风况信息的参数，根据具体风况的变化而变化；

(2)在训练集中使用随机梯度下降法和谱归一化训练生成器神经网络φ，损失为：

式中：超参数m用于控制判别器神经网络对生成器神经网络的影响，k是风况类型，h是判别器神经网络；

当训练次数M_epoch满足M_epochmodM_mod＝＝0时，调整超参数m，调整公式如下所示：

式中，m₀为超参数m的初始值，m₁为调整超参数m变化的超参数，取值为正常数，M_mod为调整超参数m变化频率的超参数，取值为正整数，不大于训练次数；

(3)当rand()≤η时，使用随机梯度下降法训练判别器神经网络h，损失为：

式中，e_j是标准基函数，δ_kj取值定义如下：

(4)回到第(1)步，不断训练生成对抗网络，直至损失收敛。