飞行仿真气动力数据机器学习建模方法（作者-中国航天空气动力技术研究院-王超等）
需积分: 0 116 浏览量
2019-08-20
21:36:38
上传
评论 2
收藏 16.56MB PDF 举报
第
３７
卷
第
３
期
空 气 动 力 学 学 报
Vol．３７
,
No．３
２０１９
年
０６
月
ACTAAERODYNAMICASINICA
June
,
２０１９
文章编号
:
０２５８Ｇ１８２５
(
２０１９
)
０３Ｇ０４８８Ｇ１０
飞行仿真气动力数据机器学习建模方法
王
超
,
王 贵 东
∗
,
白
鹏
(
中国航天空气动力技术研究院
,
北京
１０００７４
)
摘
要
:
基于机器学习思想
,
提出了一种大空域
、
宽速域的气动力建模方法
.
该方 法利用 飞 行仿真 弹 道数据 辨 识的
气动力数据
,
采用人工神经网络技术
,
实现了对高度
、
速 度
、
姿 态 和 舵 偏 角 等 多 维 度 强 非 线 性 特 性 的 全 弹 道 气 动 力
数据的高精度逼近
.
首先
,
分析了神经网络层数
、
隐含层神经元个数等对建模误差 的 影响
,
通过 对 典型弹 道 气动数
据的神经网络建模计算
,
确定了较合适的神经网络 层 数 和 较 优 的 隐 层 神 经 元 个 数
.
进 而
,
利 用 飞 行 仿 真 的 弹 道 数
据辨识出沿弹道的气动力
,
采用神经网络建立了包含 多 个 弹 道 融 合 的 气 动 力 模 型
,
输 出 量 分 别 为 三 轴 气 动 力 系 数
和力矩系数
.
最后通过气动模型输出量与原样本数据 的 对 比
,
以 及
４
条 未 参 与 训 练 弹 道 气 动 数 据 的 预 测
,
验 证 了
该气动力建模方法具有较高的精度
.
建模结果表明
:
采 用 神 经 网 络 方 法 建 立 的 飞 行 器 气 动 力 模 型
,
对 拟 合 多 源 耦
合输入全弹道非线性气动力是可行的和有效的
,
在 样 本 覆 盖 的 高 度
、
速 度
、
姿 态 和 控 制 舵 偏 角 范 围 内
,
气 动 力 拟 合
能力较强
,
并具有一定的外推性
.
该项研究可以为基 于 飞 行 试 验 数 据 的 气 动 建 模 提 供 新 的 方 法
,
并 且 能 为 飞 行 器
气动力数据挖掘
、
飞行仿真和总体性能分析提供参考
.
关键 词
:
非线性气动力
;
气动建模方法
;
神经网络
;
气动参数辨识
;
飞行仿真
中图 分类号
:
TP１８１
;
V２１１
文献 标识码
:
A doi
:
１０．７６３８
/
k
q
dlxxbＧ２０１９．００２４
收稿日 期
:
２０１９Ｇ０２Ｇ１４
;
修订日 期
:
２０１９Ｇ０３Ｇ２６
基金项 目
:
国家重点研发计划
(
２０１８YFA０７０２１１
);
装备预研基金
(
６１４０２０６０２０２
)
作者简 介
:
王超
(
１９８６Ｇ
),
男
,
山东菏泽人
,
博士
,
工程师
,
研究方向
:
空气动力学与飞行控制
．EＧmail
:
caawan
g
chao＠１６３．com
通信作 者
:
王贵东
∗
(
１９７６Ｇ
),
男
,
河南鹿邑人
,
博士
,
高级工程师
,
研究方向
:
飞行器气动参数辨识
．EＧmail
:
w
g
db
j
＠sina．com
引用格 式
:
王超
,
王贵东
,
白鹏
．
飞行仿真气动力数据机器学习建模方法
[
J
]
．
空气动力学学报
,
２０１９
,
３７
(
３
):
４８８Ｇ４９７．
doi
:
１０．７６３８
/
k
q
dlxxbＧ２０１９．００２４ WANGC
,
WANGG D
,
BAIP．Machinelearnin
g
methodforaerod
y
namicmodelin
g
basedon
fli
g
htsimulationdata
[
J
]
．ActaAerod
y
namicaSinica
,
２０１９
,
３７
(
３
):
４８８Ｇ４９７．
Machinelearnin
g
methodforaerod
y
namicmodelin
g
basedonfli
g
htsimulationdata
WANGChao
,
WANG Guidon
g
∗
,
BAIPen
g
(
ChinaAcadem
y
o
f
Aeros
p
aceAerod
y
namics
,
Bei
j
in
g
１０００７４
,
China
)
Abstract
:
Anaerod
y
namicmodelin
g
methodbasedon machinelearnin
g
theor
y
a
pp
l
y
in
g
to
lar
g
eairs
p
aceand wides
p
eedran
g
eis
p
ro
p
osed．This methodutilizesaerod
y
namic
p
arameter
identificationresultsfromfli
g
httra
j
ector
y
simulationdataandado
p
tsneuralnetworktechnolo
gy
,
sotheaerod
y
namicmodelhasahi
g
h
p
recisionfittin
g
abilit
y
fortheaerod
y
namicdatawithhi
g
h
nonlinearcharacteristics
,
re
g
ardin
g
variablehei
g
ht
,
velocit
y
,
attitudean
g
leandcontrolrudder
an
g
leconditions．Firstl
y
,
theeffectsofthenumberofneuralnetworkandhiddenneuralunit
numberonmodelaccurac
y
arediscussed．The
p
ro
p
erneuralnetworkla
y
ernumbersandhidden
neuralunitsareobtainedthrou
g
hseveralneuralnetworkmodelin
g
calculations．Thenweusethe
fli
g
httra
j
ector
y
simulation datato
g
etthe whole aerod
y
namic
p
arameters b
y
identification
method．B
y
usin
g
BPneuralnetworks
,
sixaerod
y
namicmodelsincludin
g
threeaerod
y
namicforce
coefficientsandthreeaerod
y
namic momentcoefficientsareobtained．The modelshave hi
g
h
p
recisionaccordin
g
tothecom
p
arisonbetween modelout
p
utresultsandori
g
indata
,
aswellas
theaerod
y
namic
p
redictionoffourtra
j
ectorieswhicharenota
pp
liedtothemodelin
g
．Theresults
showthattheaerod
y
namicmodelin
g
methodbasedon machinelearnin
g
isfeasibleandeffective．
Theaerod
y
namicmodelshavea
g
reatfittin
g
abilit
y
andsomeextra
p
olationsintheran
g
esofdata
sam
p
lesincludin
g
hei
g
ht
,
Machnumber
,
attackan
g
le
,
sidesli
p
an
g
le
,
an
g
ularrate
,
andcontrol
资源评论
