[发明专利]一种适用于失速颤振的大攻角非线性气动力降阶模型

说明书

本发明一种适用于失速颤振的大攻角非线性气动力降阶模型，首先设计正弦多级信号作为非线性气动力辨识信号，设计信号的幅值需满足大幅运动要求。其次基于深度学习的循环神经网络模型进行非线性气动力辨识，采用CFD方法计算训练输出信号，运用基于深度学习的循环神经网络模型建立机翼大幅振动时的动态时域非线性气动力模型，并用CFD计算测试信号下的系统响应，与网络模型的辨识结果比较，验证模型的性能。本发明节省飞行器设计成本，提高失速颤振设计效率，发展了非线性气动力的降阶模型，从而快速预测失速颤振。

技术领域

本发明属于航空飞行器设计与系统辨识领域，是一种针对快速预测飞行器失速颤振特性，提高计算效率而发展出的非线性降阶模型。

背景技术

失速颤振是飞行器翼面或舵面处于大攻角时，气流分离引起的非线性气动力和弹性结构耦合所发生的自激振动，失速颤振体现出强非线性特性。飞行器大攻角飞行(比如歼击机或者导弹具有高机动性和敏捷性，需要大迎角范围内飞行)或遭遇阵风时，可能会使升力面处于失速状态，当迎角达到某一临界值时容易导致气动失速，进而可能发生失速颤振，影响飞行器的结构安全；尤其是螺旋桨叶和直升机叶片，桨尖较易发生失速及失速颤振的现象。

目前对机翼失速颤振的研究方法有试验研究、经验模型和CFD-CSD流固耦合仿真。试验方法耗时耗力，成本较高。经验模型计算依赖模型和试验数据，结果精度不高。CFD-CSD计算能获得高精度的结果，但是计算量巨大，耗时很长，增加计算成本和飞机研制周期。

要实现飞行器失速颤振的预测，首先要解决的关键技术问题是对大攻角非线性气动力的准确辨识，主要存在以下问题：

1.传统的信号在非设计点的非线性气动力预测效果较差。要准确捕捉大攻角极限环振动的特性，需合理设计合理的辨识输入信号，设计的辨识输入信号需准确刻画极限环振动的规律、大运动幅值和频率要求。

2.对于设计好的辨识输入信号，需要发展鲁棒的泛化的降阶模型和算法来准确辨识动态的大攻角分离的非线性气动力的数学模型。

基于上述情况，需要在输入信号设计和辨识算法上提出新的模型。

发明内容

针对上述问题，为了节省飞行器设计成本，提高失速颤振设计效率，提出了一种适用于失速颤振的大攻角非线性气动力降阶模型，从而快速预测失速颤振。

本发明适用于失速颤振的大攻角非线性气动力降阶模型，通过下述步骤得到：

步骤1：根据机翼极限环振动时的幅值、频率和振动规律，设计左右对称的多级正弦信号，作为深度学习模型系统的输入数据。

步骤2：将步骤1种设计好的正弦信号输入到CFD软件中，获得不同速度下的机翼在该信号激励下的气动力系数，作为深度学习模型系统的输出数据。

步骤3：基于深度学习的循环神经网络模型进行非线性气动力辨识，得到大攻角非线性气动力降阶模型。

将上述的大攻角非线性气动力降阶模型带入到结构和气动力耦合计算方程中，利用4阶龙格-库塔方法进行时域推进计算，预测各模态随时间的响应过程，从而达到预测失速颤振的目的。

本发明的优点在于：

1、本发明适用于失速颤振的大攻角非线性气动力降阶模型，通过对失速颤振振动特点的分析，设计了多级正弦辨识信号，这种信号覆盖了振动的幅值、频率范围，能够很好的预测振动过程的非线性气动力。

2、本发明适用于失速颤振的大攻角非线性气动力降阶模型，是基于深度学习的循环神经网络模型的非线性气动力辨识模型，在动态非线性流场建模方面具有巨大的优势和应用前景。

3、本发明适用于失速颤振的大攻角非线性气动力降阶模型，适应强，辨识精度高，操作方法比较简单，利用MATLAB编程即可实现。