[发明专利]一种基于深度学习的大气数据传感系统解算方法

权利要求书

1.一种基于深度学习的大气数据传感系统解算方法，其特征在于，包括如下步骤：

(1)确定FADS系统测压点分布，获得不同测压孔输入数据，进而建立FADS系统的机理模型；

(2)应用灵敏度的分析策略探讨飞行条件和姿态改变对FADS系统稳定性的影响，简化系统机理模型；

(3)针对有限的实验数据，采样分析得到用于深度学习的训练数据；

(4)采用级联回归结构结合多变量标记分布方法与基于LSTM的自编码网络对系统关键参数进行训练学习，提高系统解算精度；

(5)对FADS系统输出结果进行评估和验证，分别在标称状态下和不确定性严苛状态下进行评估；对FADS系统输出结果进行评估和验证，首先在给定标称状态下，分析FADS系统的输出结果，评估理想状态下结果的有效性，进而在给定工作范围内对输出结果进行分析，最后在不确定的严苛条件下，对输出结果进行分析，采用蒙特卡洛、灰色关联方法，评估所设计结果的有效性，满足实际应用的需要。

2.如权利要求1所述的基于深度学习的大气数据传感系统解算方法，其特征在于，步骤(1)中，确定FADS系统测压点分布，获得不同测压孔输入数据，进而建立FADS系统的机理模型，具体包括如下步骤：

(11)根据FADS系统测压孔布局特点确定用以描述其测压孔特征的几何参数，并分析这些不同测压孔参数的独立性及参数之间存在的约束；不同的测压空位置和形式会影响测量结果的精度及FADS系统的可靠性和稳定性，因此测压孔的布局需要遵循一定的原则；首先根据实际需求确定目标函数，然后数值计算目标函数，最后使用优化方法确定目标函数最小时的测压孔布局，获得不同测压孔输入数据，进而建立FADS系统的机理模型；

(12)表面压力分布模型；在亚音速和超音速情况下，球体表面压力系数分别为

其中：θ为该点的入射角，定义为该点的曲面法线方向与来流速度矢量的夹角；C_P为球体表面压力系数；

飞行器为非球体外形，且气体的可压缩性和后体效应对表面压力系数有所影响，假定表面压力系数形式不变，但系数不定，得到FADS系统表面压力系数：

C_p(θ)＝A+Bcos²θ

当θ＝0时，根据动量守恒和能量守恒，A与B要满足如下关系：

其中，q_c为动压；p_∞为来流的静压；

根据经验确定系数A和B，得

其中，ε称为形压系数，它与马赫数M_∞和气流入射角θ有关；

再根据压力系数C_p(θ)的定义，整理得到表面压力系数公式

C_p(θ)＝q_c(cos²θ+εsin²θ)+p_∞

(12)气流入射角与飞行参数的关系；测压点i处气流入射角θ_i是该点的曲面法线方向与来流速度矢量的夹角，它是迎角和侧滑角的函数，通过几何方法得到具体的函数系：

其中：φ_i，λ_i分别为该点的圆周角和圆锥角；α_e，β_e分别为当地迎角和当地侧滑角，由于气流流经飞行器时，受到飞行器的影响，使得测压孔处的迎角和侧滑角发生了一个变化，因此，测压孔处测得的迎角和侧滑角是局部迎角；

(13)马赫数与动静压的关系；动静压之比与马赫数之间的关系比较简单，根据普通的一维流体力学关系即可得到；超音速时，根据根据雷利皮托方程，可得到马赫数与动静压之比具有如下关系：

其中，γ为比热容比，由于飞行器表面压力主要是由气流流过时表面的机械特性决定的，受温度影响较小，γ可取为1.4；

(14)形压系数的确定；形压系数ε结合了位流模型和修正的牛顿流模型，是综合考虑气流的压缩效应、气动外形等因素，形压系数ε可以看成是当地迎角α_e、当地侧滑角β_e和马赫数M_∞的函数，即：

ε＝f(α_e、β_e、M_∞)

由于其具体解析式难以得到，通常是通过实验方法确定，常用CFD仿真、风洞实验、飞行测试方法，给出ε随(α、β、M_∞)变化图或表；方法如下：

(a)给出一组飞行参数(α、β、M_∞)，通过CFD仿真，或风洞实验，或飞行测试，得到飞行器表面的压力分布情况p_i；

(b)据压力分布情况计算当地迎角α_e和当地侧滑角β_e；

(c)计算各测压孔处的气流入射角θ_i；

(d)计算该组飞行参数(α、β、M_∞)对应的形压系数ε。