【技術實現步驟摘要】
本專利技術涉及飛行器參數辨識，特別是涉及一種飛行器參數離線策略庫建立方法。
技術介紹
1、隨著航天技術的迅速發展，高速飛行器的結構和任務需求越來越復雜，對控制系統的精度要求越來越高。由于跨大空域寬速域的高速飛行器飛行環境復雜、氣動與氣動熱環境變化劇烈，飛行器氣動力與力矩模型復雜呈現強非線性，模型參數呈現強不確定性。因此，如果可以準確估計飛行器模型參數，既可以增強系統的魯棒性與自適應性，又可以提升系統的控制精度。
2、飛行器離線參數策略庫的構建需要獲取飛行器模型參數信息，現有獲取方法包括：(1)通過風洞試驗分析試驗數據得到參數，(2)采用計算流體力學進行理論計算，(3)根據實際飛行試驗的測量數據進行參數辨識。但風洞試驗尺寸受限，僅能使用飛行器縮比模型，并受到支架干擾與洞壁干擾等因素影響，無法模擬實際復雜的飛行環境，因此其獲得的參數與實際真實數據相比有很大偏差。空氣動力學理論的不充分性會導致計算流體力學的數值結果與實際飛行狀態下氣動參數導數存在較大差異，參數具有不確定性，降低了飛行器控制性能。實際飛行試驗價格昂貴，無法進行多次重復試驗，因此數據樣本量小。
3、綜上，飛行器離線參數策略庫的構建存在著獲取的參數信息準確性低以及所構建的飛行器模型參數具有強不確定性的問題。
技術實現思路
1、本專利技術提供了一種飛行器參數離線策略庫建立方法，解決了現有參數策略庫參數信息準確性低以及模型參數強不確定性的問題。
2、本專利技術提供一種飛行器參數離線策略庫建立方法
3、獲取飛行器的速度、高度、飛行路徑角、攻角與俯仰角速度，并根據飛行器的速度、高度、飛行路徑角、攻角與俯仰角速度建立飛行器動力學模型；
4、根據所述飛行器動力學模型得到力和力矩的曲線近似擬合表達式以及量測方程；
5、根據力和力矩的曲線近似擬合表達式得到待辨識參數；
6、將量測方程、力和力矩的曲線近似擬合表達式以及待辨識參數進行結合，得到力系數與力矩系數的辨識模型；
7、基于力系數與力矩系數的辨識模型，通過小波神經網絡對飛行器歷史飛行數據進行參數辨識，得到修正參數值；
8、通過修正參數值對原始參數插值表進行修正；
9、基于深度森林對修正后的插值表數據進行學習擬合，建立離線參數策略庫。
10、優選的，所述飛行器動力學模型如下所示：
11、
12、式中，v、h、γ、α、q分別為飛行器的速度、高度、飛行路徑角、攻角與俯仰角速度，分別為v、h、γ、α、q的導數，m、g、iy分別為飛行器的質量、重力加速度與轉動慣量；t、d、l、m分別為飛行器的推力、阻力、升力與俯仰力矩。
13、優選的，所述力和力矩的曲線近似擬合表達式如下所示：
14、
15、式中，δe、δc與φ分別是升降舵偏轉角、鴨翼偏轉角和燃油當量比，為推力擬合參數，與為推力系數導數，與為阻力系數導數，與為升力系數導數，與ce為力矩系數導數，s、與zt分別為參考面積、平均氣動弦長和推力矩耦合系數，與ρ分別為動壓與大氣密度，ρ0、h0與hs為大氣密度的擬合參數；
16、所述量測方程如下所示：
17、
18、其中，
19、
20、式中，nx、ny、nz為彈體三軸過載信號，ωx、ωy、ωz為彈體三軸角速度，速度在彈體坐標系下的分量為轉動慣量ix＝iy＝iz為常數，k為當前采樣時刻，δt為采樣時間間隔。
21、優選的，所述待辨識參數包括推力參數和氣動力與力矩參數，所述推力參數包括、β1、β2、β3、β4、β5、β6、β7、β8，所述氣動力與力矩參數包括ce。
22、優選的，所述力系數與力矩系數的辨識模型如下所示：
23、
24、式中，t為推力，cl、cd與cm分別為升力系數、阻力系數與俯仰力矩系數。
25、優選的，所述小波神經網絡采用mexican?hat小波函數作為小波元代替傳統bp神經網絡神經元進行前向傳播，同時加入線性項對隱藏層的輸出進行補償；
26、小波神經網絡前向通道多輸入多輸出表達式為：
27、
28、式中，x＝[x1,x2,…,xm]t為輸入，y＝[y1,y2,…,yn]t為輸出，ψ(·)為小波函數，p為n×m常矩陣，q為n×1常矩陣，a和b分別為一維小波函數伸縮平移參數，wj為n×1階權值矩陣。
29、優選的，所述小波神經網絡通過偏微分的方法對飛行器歷史飛行數據進行參數辨識；
30、輸出層y＝[y1,y2,…,yq]t對輸入層x＝[x1,x2,…,xp]t的偏微分可表示為：
31、
32、其中，z即為ψ(||ax-b||)，ynorm與xnorm分別為輸出與輸入歸一化后的參數。
33、優選的，所述飛行器歷史飛行數據由飛行器有限次實際飛行試驗得到。
34、優選的，所述原始參數插值表通過風洞試驗得到。
35、優選的，基于深度森林對修正后的插值表數據進行學習擬合，建立離線參數策略庫，包括以下步驟：
36、將修正后的插值表數據作為數據集，其中70％作為訓練集，30％作為測試集；
37、設定多粒度掃描部分固定滑動窗口步長為1，隨機森林和完全隨機森林基決策樹的數目為50，級聯森林部分隨機森林和完全隨機森林基決策樹的數目為200；
38、通過訓練集訓練深度森林模型，并通過測試集樣本進行預測，得到離線參數策略庫。
39、與現有技術相比，本專利技術的有益效果是：
40、本專利技術推導出關于力系數與力矩系數的辨識模型，然后對飛行器歷史飛行彈道數據進行離線辨識，最終根據離線辨識得到的飛行器模型參數修正原始飛行器參數插值表，相比于傳統參數插值表可以提供更加準確的高速飛行器模型參數信息。針對修正后的參數插值表，對插值表數據進行學習擬合，建立離線參數策略庫。依據本離線參數策略庫查找所需參數代替標稱參數，抑制了模型參數的強不確定性，具有較大的經濟效益和廣闊的應用前景。
本文檔來自技高網...【技術保護點】
1.一種飛行器參數離線策略庫建立方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述飛行器動力學模型如下所示：
3.如權利要求2所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述力和力矩的曲線近似擬合表達式如下所示：
4.如權利要求3所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述待辨識參數包括推力參數和氣動力與力矩參數，所述推力參數包括β1、β2、β3、β4、β5、β6、β7、β8，所述氣動力與力矩參數包括
5.如權利要求4所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述力系數與力矩系數的辨識模型如下所示：
6.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述小波神經網絡采用Mexican?Hat小波函數作為小波元代替傳統BP神經網絡神經元進行前向傳播，同時加入線性項對隱藏層的輸出進行補償；
7.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述小波神經網絡通過偏微分的方法對飛行器歷史飛行數據進
8.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述飛行器歷史飛行數據由飛行器有限次實際飛行試驗得到。
9.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述原始參數插值表通過風洞試驗得到。
10.一如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，基于深度森林對修正后的插值表數據進行學習擬合，建立離線參數策略庫，包括以下步驟：
...【技術特征摘要】
1.一種飛行器參數離線策略庫建立方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述飛行器動力學模型如下所示：
3.如權利要求2所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述力和力矩的曲線近似擬合表達式如下所示：
4.如權利要求3所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述待辨識參數包括推力參數和氣動力與力矩參數，所述推力參數包括β1、β2、β3、β4、β5、β6、β7、β8，所述氣動力與力矩參數包括
5.如權利要求4所述的一種飛行器參數離線策略庫建立方法，其特征在于，所述力系數與力矩系數的辨識模型如下所示：
6.如權利要求1所述的一種飛行器參數離線策略庫建立方法，其特征...
【專利技術屬性】
技術研發人員：丁一波，張天辰，岳曉奎，宋闖，潘興華，李娜英，魏振巖，岳彩紅，宋碩，
申請(專利權)人：西北工業大學深圳研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。