[发明专利]一种飞行试验与地面仿真气动力数据综合建模方法

说明书

本发明公开了一种飞行试验与地面仿真气动力数据综合建模方法，用于根据10次以上的飞行试验数据样本，以及飞行器的飞行包络范围内的气动力地面仿真数据，建立飞行器的全空域、全速域气动力数学模型。本发明首先在飞行器的飞行包络范围内，进行气动力计算地面仿真，获取全空域、全速域的气动力仿真数据，并转换成气动力仿真样本。进而进行飞行试验，获取10次以上的飞行试验状态测量数据，并根据气动力辨识方法，获得多次飞行试验的气动力辨识数据样本。最后，将上述气动力辨识数据样本以及气动力仿真样本一起作为总样本，利用基于人工智能的BP神经网络方法，通过机器学习，建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。

技术领域

本发明属于飞行器系统建模领域，涉及对飞行器飞行试验与地面仿真气动力数据进行数学建模的方法。

背景技术

对于飞行器的地面仿真数据，通常是一个数据表。而飞行器的飞行试验气动力数据，通常是沿弹道的离散的数据点。如何利用飞行试验数据修正地面仿真数据，是一个广泛关注的难题，建立一个既包括飞行试验数据又包括地面仿真数据的综合气动力模型是可行的办法。对于全空域、全速域地面仿真数据，以及10次以上的飞行试验数据，高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大，气动力和高度、速度、迎角、侧滑角、舵偏角等参数之间的关系呈现高度非线性，传统气动建模方法很难对空域、速域、状态变化都比较大时的气动力数学模型给出准确的描述，需要发展新的建模方法。

基于人工智能的神经网络方法，能够逼近任意非线性，是理想的建模方法。该方法在气动力建模领域已经有个别的应用，但大都是针对大迎角、复杂流动等特定条件下的非线性、非定常气动力进行建模的，状态参数少，状态变化范围小。对于高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大的情况，尚没有应用。另外，在BP神经网络气动建模应用中，得到最优的网络层数、每层的神经元个数等规律，尚未见报道。

发明内容

本发明所要解决的技术问题是：针对全空域、全速域地面仿真数据，以及10次以上的飞行试验数据，高度、速度、迎角、侧滑角、舵偏角等空域、速域、状态范围都比较大，气动力和高度、速度、迎角、侧滑角、舵偏角等参数之间的关系呈现高度非线性的情况，利用基于人工智能的BP神经网络方法，建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。

本发明包括如下技术方案：一种飞行试验与地面仿真气动力数据综合建模方法，步骤如下：

在飞行器的飞行包络范围内，进行气动力计算地面仿真，获取全空域、全速域的气动力仿真数据，并转换成气动力仿真样本；

进行飞行试验，获取10次以上的飞行试验状态测量数据；

对所述的飞行试验状态测量数据，根据气动力辨识方法，获得多次飞行试验的气动力辨识数据样本；

将上述气动力辨识数据样本以及气动力仿真样本一起作为总样本,利用基于人工智能的BP神经网络方法，通过机器学习，建立综合了飞行试验与地面仿真数据的飞行器全空域、全速域气动力数学模型。

优选的，气动力仿真样本的转换通过下述方式实现：

将得到的气动力仿真数据制成气动数据表，所述的气动数据表包括仿真输入参数以及对应的输出；

将气动数据表中的每个仿真输入参数在飞行包络范围内生成相同数量的随机数，根据正交组合方式得到新的气动数据表；

利用多元插值方式确定新的气动数据表中的输出，将新的气动数据表中的输入参数及输出作为气动力仿真样本。

优选的，所述的多元插值方式从气动数据表中最外层开始依次利用一元插值方式进行插值，直至第一层插值完成。

优选的，所述随机数的数量不少一万。