CN117589190B - 基于惯导/飞控的大气参数解算方法 - Google Patents

基于惯导/飞控的大气参数解算方法 Download PDF

Info

Publication number
CN117589190B
CN117589190B CN202410075113.1A CN202410075113A CN117589190B CN 117589190 B CN117589190 B CN 117589190B CN 202410075113 A CN202410075113 A CN 202410075113A CN 117589190 B CN117589190 B CN 117589190B
Authority
CN
China
Prior art keywords
angle
time
value
matrix
inertial navigation
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
CN202410075113.1A
Other languages
English (en)
Other versions
CN117589190A (zh
Inventor
熊亮
许斌
张睿
谭向军
周忠良
郭南辛
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.)
Northwestern Polytechnical University
Chengdu CAIC Electronics Co Ltd
Original Assignee
Northwestern Polytechnical University
Chengdu CAIC Electronics Co Ltd
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 Northwestern Polytechnical University, Chengdu CAIC Electronics Co Ltd filed Critical Northwestern Polytechnical University
Priority to CN202410075113.1A priority Critical patent/CN117589190B/zh
Publication of CN117589190A publication Critical patent/CN117589190A/zh
Application granted granted Critical
Publication of CN117589190B publication Critical patent/CN117589190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
    • G01C23/005—Flight directors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于惯导/飞控的大气参数解算方法，其包括步骤：获取飞行器的惯性导航系统/飞控系统在当前时刻采集的俯仰角、横滚角、横滚角速度、俯仰角速度、偏航角速度和加速度，并输入已训练的全连接神经网络，获得大气数据攻角、侧滑角和飞行速度的预测值；采用比例反馈校正方法对攻角、侧滑角和飞行速度的预测值进行修正；将预测值的修正状态量作为UKF滤波器的初始值，UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度。

Description

基于惯导/飞控的大气参数解算方法
技术领域
本发明涉及飞行器的大气参数解算技术，具体涉及一种基于惯导/飞控的大气参数解算方法。
背景技术
飞机大气数据的有效测量是飞机飞行安全及性能发挥的重要保障，在飞行中发挥了无以替代的作用。但飞机在高速/大攻角等超机动动作时，存在严重的气流分离使得其空气动力出现强的非线性、不对称和交叉耦合等现象，飞机的稳定性和操纵性发生急剧变化，传统的大气传感器无法实现攻角、侧滑角、动压、静压等大气参数的精确测量或已超出测量范围。
文献《先进战斗机过失速机动大气数据融合估计方法》公开了通过分析大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性，对机动状态融合迎角、侧滑角的强非线性误差进行拟合。该方法虽可以将大迎角状态下非线性大气参数误差进行补偿，但在飞机做快速大机动时其外部大气参数变化剧烈或已超出测量范围仍难以用该方法进行补偿。
发明内容
针对现有技术中的上述不足，本发明提供的基于惯导/飞控的大气参数解算方法解决了飞行器在高机动、复杂飞行环境下受气流影响容易造成大气数据系统测量不准或失效的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于惯导/飞控的大气参数解算方法，其包括步骤：
获取飞行器的惯性导航系统/飞控系统在当前时刻采集的俯仰角θ、横滚角φ、横滚角速度p、俯仰角速度q、偏航角速度r和加速度a x、a y、a z，并输入已训练的全连接神经网络，获得大气数据攻角、侧滑角和飞行速度的预测值；
采用比例反馈校正方法对攻角、侧滑角和飞行速度的预测值进行修正：
，/>
其中，x *分别攻角、侧滑角和飞行速度的预测值α *、β *和v t *；分别为预测值α *、β *和v t *的修正状态量；C k为第k时刻的修正系数；L和U分别为全连接神经网络的激活函数的上饱和值和下饱和值；/>为UKF滤波器在第k-1时刻估计的攻角、侧滑角和飞行速度；/>为全连接神经网络在第k-1时刻输出的攻角、侧滑角和飞行速度的预测值；c ij为C k的第i行第j列的元素；
将预测值α *、β *和v t *的修正状态量作为UKF滤波器的初始值，UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度。
进一步地，大气数据解析模型的状态方程和量测方程/>：
其中，为t时刻飞行器的状态量；θ、φ、p、q、r、α、β和v t分别为俯仰角、横滚角、横滚速率、俯仰角速率、航行角速率、攻角、侧滑角和飞行速度；为系统函数；/>为t时刻的控制输入量；δ T、δ e、δ a和δ r分别为油门大小、升降舵偏转角、方向舵偏转角和副翼偏转角；/>为系统的噪声分配矩阵；/>为t时刻的发动机系统噪声，为合外力矩在机体轴系的3个轴向分量含有的噪声，/>为发动机推力在机体轴系的3个轴向分量含有的噪声；/>分别为阻力、测力和升力含有的噪声；
为量测函数；/>为测量噪声；/>分别为俯仰角、横滚角、横滚角速度、俯仰角速度、偏航角速度和加速度a x、a y和a z的测量噪声。
进一步地，和/>的计算公式分别为：
其中，m为飞行器的质量；g是重力加速度；c 1、c 2…c 9为力矩方程系数，由飞行器的转动惯量和惯性积构成；和/>分别为合外力矩和发动机推力在机体轴系的3个轴向分量；D、Y和L分别为阻力、测力和升力。
进一步地，的计算公式为：
其中，m为飞行器的质量；和/>分别为合外力矩和发动机推力在机体轴系的3个轴向分量；D、Y和L分别为阻力、测力和升力。
进一步地，所述全连接神经网络包括一个输入层、2个隐藏层和1个输出层，其损失函数Loss的计算公式为：
其中，H为参与计算的样本数；y NN为网络的输出；y l为输出的标签；r为惩罚系数；O为权重个数；W j为第j个权重的大小。
进一步地，所述全连接神经网络的每层网络神经元的个数为100，参与计算的样本数m设置为5000，神经网络全局学习率为0.0001，衰减率为0.8，权重惩罚系数为0.0005，网络训练次数为100。
进一步地，所述UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度的方法包括：
（1）选定滤波初值：
，/>，/>
其中，X 0为预测值α *、β *和v t *的修正状态量；为X 0的估计值，P 0为初始协方差矩阵；/>为转置；2n为σ样本点的个数；E（.）为求取协方差的函数；k为时刻；
（2）计算k-1时刻的2n-1个σ样本点：
，/>
其中，为中间变量；λ为正数，取值为/>，/>和/>分别为k-1时刻的初始σ采样点和第i个σ采样点，/>为第k-1时刻的修正状态量；P k-1为k-1时刻的协方差矩阵；/>和/>分别为第i个采样点在k-1时刻的协方差矩阵的均方根和第i-n个采样点在k-1时刻的协方差矩阵的均方根；
（3）计算k时刻的一步预测模型值：
其中，为k-1时刻的第i个样本点的预测值，/>为k-1时刻状态的预测值，/>和/>分别为奇次加权系数和偶次加权系数；/>，为k-1时刻的过程噪声；/>为一步预测方差阵；u k-1为控制输入；f(.)为系统的状态方程；
（4）计算k时刻的一步预测增广样本点：
（5）计算k时刻的一步预测观测值：
其中，为k-1时刻第i个σ样本的量测值，/>为k-1时刻样本整体的观测值；h(•)为量测函数；
（6）计算协方差矩阵：
其中，为样本整体估计值的协方差矩阵；/>为样本整体观测值的协方差矩阵；R k为量测噪声矩阵；
（7）计算增益矩阵：
其中，为滤波器的修正系数矩阵；/>为样本整体观测值的协方差矩阵的逆矩阵；
（8）计算滤波值：
其中，为UKF滤波器的估计状态值，P k为k时刻的协方差矩阵；/>为滤波器的修正系数矩阵的转置；K k为滤波器的修正系数矩阵。
本发明的有益效果为：本方案综合利用惯性系统提供的信息和飞控系统的控制输出量，获得大气数据预测值，之后采用修正后的预测值，结合状态方程和量测方程，采用UKF滤波器，得到不依靠大气数据系统自主给出大气参数的估计值。将神经网络与UKF滤波器进行结合，通过神经网络辅助解决了UKF初始阶段收敛较慢的问题，此外进一步提升了大气数据的稳定性与准确性。
采用本方案的方法进行大气参数的解算，该方法可以在不增加额外测量装置和系统硬件的前提下，综合利用飞机机载惯导系统提供的导航信息和飞行控制系统的状态量，通过神经网络+UKF滤波器的方式提供备份大气数据，提高大气数据系统的容错性。
附图说明
图1为基于惯导/飞控的大气参数解算方法的流程图。
图2为基于惯导/飞控的大气参数解算方法的原理框图。
图3为全连接神经网络的网络架构。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1和图2，图1示出了基于惯导/飞控的大气参数解算方法的流程图；图2示出了基于惯导/飞控的大气参数解算方法的原理框图；如图1和图2所示，该方法包括步骤S1至步骤S3。
在步骤S1中，获取飞行器的惯性导航系统/飞控系统在当前时刻采集的俯仰角θ、横滚角φ、横滚角速度p、俯仰角速度q、偏航角速度r和加速度a x、a y、a z，并输入已训练的全连接神经网络，获得大气数据攻角、侧滑角和飞行速度的预测值；
全连接神经网络训练时，通过外部大气数据系统的数据对上述搭建的神经网络进行训练后，利用惯导传感器信号数据输入到已经训练好的模型中，得出大气数据的网络估计值。
如图3所示，实施时，本方案优选全连接神经网络包括一个输入层、2个隐藏层和1个输出层，其损失函数Loss的计算公式为：
其中，H为参与计算的样本数；y NN为网络的输出；y l为输出的标签；r为惩罚系数；O为权重个数；W j为第j个权重的大小。
全连接神经网络的每层网络神经元的个数为100，参与计算的样本数m设置为5000，神经网络全局学习率为0.0001，衰减率为0.8，权重惩罚系数为0.0005，网络训练次数为100。
在步骤S2中，采用比例反馈校正方法对攻角、侧滑角和飞行速度的预测值进行修正：
，/>
其中，x *分别攻角、侧滑角和飞行速度的预测值α *、β *和v t *；分别为预测值α *、β *和v t *的修正状态量；C k为第k时刻的修正系数；L和U分别为全连接神经网络的激活函数的上饱和值和下饱和值；/>为UKF滤波器在第k-1时刻估计的攻角、侧滑角和飞行速度；/>为全连接神经网络在第k-1时刻输出的攻角、侧滑角和飞行速度的预测值；c ij为C k的第i行第j列的元素；
利用神经网络的当前输出对UKF滤波器当前估计结果进行修正，将修正后的状态量作为UKF滤波器下个时刻的输入，通过神经网络辅助解决了UKF初始阶段收敛较慢的问题，此外进一步提升了大气数据的稳定性与准确性。
在步骤S3中，将预测值α *、β *和v t *的修正状态量作为UKF滤波器的初始值，UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度。
实施时，本方案优选大气数据解析模型的状态方程和量测方程/>：
其中，为t时刻飞行器的状态量；θ、φ、p、q、r、α、β和v t分别为俯仰角、横滚角、横滚速率、俯仰角速率、航行角速率、攻角、侧滑角和飞行速度；为系统函数；/>为t时刻的控制输入量；δ T、δ e、δ a和δ r分别为油门大小、升降舵偏转角、方向舵偏转角和副翼偏转角；/>为系统的噪声分配矩阵；/>为t时刻的发动机系统噪声，/>为合外力矩在机体轴系的3个轴向分量含有的噪声，/>为发动机推力在机体轴系的3个轴向分量含有的噪声；/>分别为阻力、测力和升力含有的噪声；
为量测函数；/>为测量噪声；/>分别为俯仰角、横滚角、横滚角速度、俯仰角速度、偏航角速度和加速度a x、a y和a z的测量噪声。
其中，和/>的计算公式分别为：
其中，m为飞行器的质量；g是重力加速度；c 1、c 2…c 9为力矩方程系数，由飞行器的转动惯量和惯性积构成；和/>分别为合外力矩和发动机推力在机体轴系的3个轴向分量；D、Y和L分别为阻力、测力和升力。
本方案所构建的状态方程是基于飞机的飞行动力学模型，考虑了与攻角α和侧滑角β大气参数相关联的飞行状态参数，同时根据状态方程封闭性原则，选取了系统的状态量，以此构建滤波系统状态方程可以对大气参数实现有效的估计。
实施时，本方案优选的计算公式为：
其中，m为飞行器的质量；和/>分别为合外力矩和发动机推力在机体轴系的3个轴向分量；D、Y和L分别为阻力、测力和升力。
本方案所构建的量测方程结合惯导系统输出参数，选取了系统的状态量。该量测方程体现出大气参数与惯导输出参数之间的物理关系，因为惯导系统的输出参数稳定可靠，以此构建的量测方程可以对状态量实现有效观测。
在本发明的一个实施例中，所述UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度，同时通过神经网络估计器的输出将当前UKF滤波的估计结果进行修正，进一步作为UKF滤波器下一时刻的迭代值，该方法包括：
（1）选定滤波初值：
，/>，/>
其中，X 0为预测值α *、β *和v t *的修正状态量；为X 0的估计值，P 0为初始协方差矩阵；/>为转置；2n为σ样本点的个数；E（.）为求取协方差的函数；k为时刻；
本方案提到的σ采样点（Sigma Points）是UKF算法里面的一种特殊的采样方法，用于在非线性系统的状态估计中近似地表示概率分布。
（2）计算k-1时刻的2n-1个σ样本点：
，/>
其中，为中间变量；λ为正数，取值为/>，/>和/>分别为k-1时刻的初始σ采样点和第i个σ采样点，/>为第k-1时刻的修正状态量；P k-1为k-1时刻的协方差矩阵；/>和/>分别为第i个采样点在k-1时刻的协方差矩阵的均方根和第i-n个采样点在k-1时刻的协方差矩阵的均方根；
（3）计算k时刻的一步预测模型值：
其中，为k-1时刻的第i个样本点的预测值，/>为k-1时刻状态的预测值，/>和/>分别为奇次加权系数和偶次加权系数；/>，为k-1时刻的过程噪声；/>为一步预测方差阵；u k-1为控制输入；f(.)为系统的状态方程；
（4）计算k时刻的一步预测增广样本点：
（5）计算k时刻的一步预测观测值：
其中，为k-1时刻第i个σ样本的量测值，/>为k-1时刻样本整体的观测值；h(•)为量测函数；
（6）计算协方差矩阵：
其中，为样本整体估计值的协方差矩阵；/>为样本整体观测值的协方差矩阵；R k为量测噪声矩阵；
（7）计算增益矩阵：
其中，为滤波器的修正系数矩阵；/>为样本整体观测值的协方差矩阵的逆矩阵；
（8）计算滤波值：
其中，为UKF滤波器的估计状态值，P k为k时刻的协方差矩阵；/>为滤波器的修正系数矩阵的转置；K k为滤波器的修正系数矩阵。/>
综上所述，本方案在UKF滤波器的基础上增加了神经网络估计值来修正UKF的滤波输入，通过神经网络辅助解决了UKF初始阶段收敛较慢的问题，此外进一步提升了大气数据的稳定性与准确性。

Claims (7)

1.基于惯导/飞控的大气参数解算方法，其特征在于，包括步骤：
获取飞行器的惯性导航系统在当前时刻采集的俯仰角θ、横滚角φ、横滚角速度p、俯仰角速度q、偏航角速度r和加速度a x、a y、a z，并输入已训练的全连接神经网络，获得大气数据攻角、侧滑角和飞行速度的预测值；
采用比例反馈校正方法对攻角、侧滑角和飞行速度的预测值进行修正：
，/>
其中，x *分别为攻角、侧滑角和飞行速度的预测值α *、β *和v t *；分别为预测值α *、β *和v t *的修正状态量；C k为第k时刻的修正系数矩阵；L和U分别为全连接神经网络的激活函数的上饱和值和下饱和值；/>为UKF滤波器在第k-1时刻估计的攻角、侧滑角和飞行速度；为全连接神经网络在第k-1时刻输出的攻角、侧滑角和飞行速度的预测值；c ij为C k的第i行第j列的元素；
将预测值α *、β *和v t *的修正状态量作为UKF滤波器的初始值，UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度。
2.根据权利要求1所述的基于惯导/飞控的大气参数解算方法，其特征在于，大气数据解析模型的状态方程和量测方程/>：
其中，为t时刻飞行器的状态量；θ、φ、p、q、r、α、β和v t分别为俯仰角、横滚角、横滚速率、俯仰角速率、航行角速率、攻角、侧滑角和飞行速度；/>为转置；/>为系统函数； />为t时刻的控制输入量，δ T、δ e、δ a和δ r分别为油门大小、升降舵偏转角、方向舵偏转角和副翼偏转角；/>为系统的噪声分配矩阵；/>为t时刻的发动机系统噪声，为合外力矩在机体轴系的3个轴向分量含有的噪声，/>为发动机推力在机体轴系的3个轴向分量含有的噪声；/>分别为阻力、测力和升力含有的噪声；
为量测函数；/>为测量噪声；/>分别为俯仰角、横滚角、横滚角速度、俯仰角速度、偏航角速度和加速度a x、a y和a z的测量噪声。
3.根据权利要求2所述的基于惯导/飞控的大气参数解算方法，其特征在于，和/>的计算公式分别为：
其中，m为飞行器的质量；g是重力加速度；c 1、c 2…c 9为力矩方程系数，由飞行器的转动惯量和惯性积构成；和/>分别为合外力矩和发动机推力在机体轴系的3个轴向分量；D、Y和L分别为阻力、测力和升力。
4.根据权利要求2所述的基于惯导/飞控的大气参数解算方法，其特征在于，的计算公式为：
其中，m为飞行器的质量；和/>分别为合外力矩和发动机推力在机体轴系的3个轴向分量；D、Y和L分别为阻力、测力和升力。
5.根据权利要求1所述的基于惯导/飞控的大气参数解算方法，其特征在于，所述全连接神经网络包括一个输入层、2个隐藏层和1个输出层，其损失函数Loss的计算公式为：
其中，H为参与计算的样本数；y NN为网络的输出；y l为输出的标签；r为惩罚系数；O为权重个数；W j为第j个权重的大小。
6.根据权利要求1-5任一所述的基于惯导/飞控的大气参数解算方法，其特征在于，所述全连接神经网络的每层网络神经元的个数为100，参与计算的样本数H设置为5000，神经网络全局学习率为0.0001，衰减率为0.8，权重惩罚系数为0.0005，网络训练次数为100。
7.根据权利要求1-5任一所述的基于惯导/飞控的大气参数解算方法，其特征在于，所述UKF滤波器基于大气数据解析模型的状态方程和量测方程估计得到当前时刻的大气参数攻角、侧滑角和飞行速度的方法包括：
（1）选定滤波初值：
，/>，/>
其中，X 0为预测值α *、β *和v t *的修正状态量；为X 0的估计值，P 0为初始协方差矩阵；为转置；2n为σ样本点的个数；E（.）为求取协方差的函数；k为时刻；
（2）计算k-1时刻的2n-1个σ样本点：
，/>
其中，为中间变量；λ为正数，取值为/>，/>和/>分别为k-1时刻的初始σ采样点和第i个σ采样点，/>为第k-1时刻的修正状态量；P k-1为k-1时刻的协方差矩阵； />和/>分别为第i个采样点在k-1时刻的协方差矩阵的均方根和第i-n个采样点在k-1时刻的协方差矩阵的均方根；
（3）计算k时刻的一步预测模型值：
其中，为k-1时刻的第i个样本点的预测值，/>为k-1时刻状态的预测值，和/>分别为奇次加权系数和偶次加权系数；/>，/>为k-1时刻的过程噪声；/>为一步预测方差阵；u k-1为控制输入；f(.)为系统的状态方程；
（4）计算k时刻的一步预测增广样本点：
（5）计算k时刻的一步预测观测值：
其中，为k-1时刻第i个σ样本的量测值，/>为k-1时刻样本整体的观测值；h(•)为量测函数；
（6）计算协方差矩阵：
其中，为样本整体估计值的协方差矩阵；/>为样本整体观测值的协方差矩阵；R k为量测噪声矩阵；
（7）计算增益矩阵：
其中，为滤波器的修正系数矩阵；/>为样本整体观测值的协方差矩阵的逆矩阵；
（8）计算滤波值：
其中，为UKF滤波器的估计状态值，P k为k时刻的协方差矩阵；/>为滤波器的修正系数矩阵的转置；K k为滤波器的修正系数矩阵。
CN202410075113.1A 2024-01-18 2024-01-18 基于惯导/飞控的大气参数解算方法 Active CN117589190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410075113.1A CN117589190B (zh) 2024-01-18 2024-01-18 基于惯导/飞控的大气参数解算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410075113.1A CN117589190B (zh) 2024-01-18 2024-01-18 基于惯导/飞控的大气参数解算方法

Publications (2)

Publication Number Publication Date
CN117589190A CN117589190A (zh) 2024-02-23
CN117589190B true CN117589190B (zh) 2024-03-26

Family

ID=89915457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410075113.1A Active CN117589190B (zh) 2024-01-18 2024-01-18 基于惯导/飞控的大气参数解算方法

Country Status (1)

Country Link
CN (1) CN117589190B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992761B (zh) * 2024-04-07 2024-06-11 西北工业大学 一种风力机叶片动态失速气动力智能预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520726A (zh) * 2011-12-19 2012-06-27 南京航空航天大学 大攻角飞行状态下的大气攻角及侧滑角估计方法
CN102607639A (zh) * 2012-02-24 2012-07-25 南京航空航天大学 基于bp神经网络的大攻角飞行状态下大气数据测量方法
CN102809377A (zh) * 2012-08-15 2012-12-05 南京航空航天大学 飞行器惯性/气动模型组合导航方法
CN111708377A (zh) * 2020-06-21 2020-09-25 西北工业大学 基于惯导/飞控系统信息融合的飞行控制方法
CN114004023A (zh) * 2021-10-26 2022-02-01 南京航空航天大学 一种基于循环神经网络的飞行器气动参数辨识的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3945395A1 (en) * 2020-07-30 2022-02-02 Université catholique de Louvain Aircraft wake sensing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520726A (zh) * 2011-12-19 2012-06-27 南京航空航天大学 大攻角飞行状态下的大气攻角及侧滑角估计方法
CN102607639A (zh) * 2012-02-24 2012-07-25 南京航空航天大学 基于bp神经网络的大攻角飞行状态下大气数据测量方法
CN102809377A (zh) * 2012-08-15 2012-12-05 南京航空航天大学 飞行器惯性/气动模型组合导航方法
CN111708377A (zh) * 2020-06-21 2020-09-25 西北工业大学 基于惯导/飞控系统信息融合的飞行控制方法
CN114004023A (zh) * 2021-10-26 2022-02-01 南京航空航天大学 一种基于循环神经网络的飞行器气动参数辨识的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
大攻角下基于信息融合的攻角/侧滑角估计方法;马航帅;雷廷万;李荣冰;刘建业;;电光与控制;20120801(第08期);全文 *
跨音速大气/惯性攻角两步融合算法;李睿佳;李荣冰;刘建业;孟博;;应用科学学报;20100115(第01期);全文 *
陆辰 ; 李荣冰 ; 刘建业 ; 雷廷万 ; 郭毅 ; .融合惯导与飞控系统信息的飞行大气全参数估计算法.控制与决策.2017,第32卷(第02期),全文. *

Also Published As

Publication number Publication date
CN117589190A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN117589190B (zh) 基于惯导/飞控的大气参数解算方法
EP2196810B1 (en) A method of estimating an angle of attack and an angle of sideslip of an aircraft
CN110347170B (zh) 可重复使用运载器再入段鲁棒容错制导控制系统及工作方法
CN114281092B (zh) 一种基于滑模干扰观测器的高超声速飞行器协调姿态控制方法
CN110554606B (zh) 一种用于高超音速飞行器的自适应容错控制方法
CN113128035B (zh) 民用飞机飞控传感器信号重构容错控制方法
CN115877717B (zh) 一种基于自抗扰控制的飞行器容错控制结构与控制方法
CN114815861A (zh) 一种基于时空径向基函数神经网络的容错飞行控制方法
CN115576341A (zh) 基于函数微分和自适应变增益的无人机轨迹跟踪控制方法
CN113568423A (zh) 一种考虑电机故障的四旋翼无人机智能容错控制方法
Cristofaro et al. Icing detection and identification for unmanned aerial vehicles using adaptive nested multiple models
Kumar et al. Identification of helicopter dynamics using recurrent neural networks and flight data
CN113759718B (zh) 一种飞机机翼损伤自适应控制方法
CN115248553A (zh) 欠驱动船舶的事件触发自适应pid航迹跟踪容错控制方法
CN111412887B (zh) 一种基于卡尔曼滤波的攻角、侧滑角辨识方法
CN117195763A (zh) 一种考虑风干扰的固定翼飞行器元飞行气动建模方法
CN114091180B (zh) 基于飞行数据的扰动风定制化建模和大气数据估计方法
Hazbon et al. Digital twin concept for aircraft system failure detection and correction
CN115048724A (zh) 一种基于b型样条的变体空天飞行器气动系数在线辨识方法
CN117521561B (zh) 巡航飞行器的气动力与推力在线预示方法
CN117687308B (zh) 基于固定时间神经网络观测器的变体飞行器容错控制方法
Latrach et al. H∞ networked fuzzy control for vehicle lateral dynamic with limited communication
CN115509136B (zh) 一种面向线性传感器故障无人机飞行容错控制系统及方法
CN116738873B (zh) 基于双重ukf与浮空器状态估计的三维目标跟踪方法及装置
CN114779636B (zh) 考虑气动伺服弹性的飞行器鲁棒自适应控制方法

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