论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 王超,王贵东,白鹏
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
来源: 空气动力学学报 2019年03期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 航空航天科学与工程
单位: 中国航天空气动力技术研究院
基金: 国家重点研发计划(2018YFA070211),装备预研基金(61402060202)
分类号: V211
页码: 488-497
总页数: 10
文件大小: 10053K
下载量: 414