[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

说明书

本发明公开了一种基于深度学习的大气数据传感系统解算方法，采用深度神经网络将机理模型与有限试验数据结合起来，依靠机理模型弥补试验数据的不足，降低试验成本，以试验数据来修正机理模型误差，提高测量精度，满足FADS系统实际的应用需求，在未来新型飞行器上具有较为广阔的应用前景。

技术领域

本发明涉及大气数据计算技术领域，尤其是一种基于深度学习的大气数据传感系统解算方法。

背景技术

嵌入式大气数据传感(Flush Airdata Sensing，FADS)系统是一种依靠嵌入在飞行器前端的压力传感器阵列来测量飞行器表面的压力分布，并由此压力分布间接获得飞行参数的大气数据传感系统。与传统的基于空速管的大气数据传感系统相比，FADS系统在精度、可靠性、适用范围上都具有更大的优势。

与传统的探针式大气数据系统工作原理不同，FADS系统采用嵌入在飞行器前端周线不同位置上的压力传感器阵列来测量飞行器表面的压力分布，并通过模数转换将压力值传送到计算机，然后基于压力分布的数值，依据特定的算法来推算出大气数据，并将这些数据传送给飞行器的各个系统。从FADS系统的工作原理可以看出，系统依靠压力传感器来测压，传感器嵌入在飞行器表面，其可靠性、维修性、生存性和隐身性能远远优于传统探针式大气数据系统。此外，FADS系统的传感器和飞行器表面齐平，减少了雷达的反射面积，大大提升了飞行器隐身性能，而压力传感器及其分布保证了FADS系统在大攻角下的高精度测量。除此之外，FADS系统的压力传感器易于集成在机身上，且对飞行器气动布局没有影响，性价比较高，同时FADS系统在硬件和软件实现上具有很好的容错能力，确保了系统的高可靠性和强稳定性。总之，FADS系统由于其超强的环境适应能力，可以用于亚音速、超声速、高超声速下的大气数据测量，既可以满足隐身性、大攻角机动情况下大气数据测量需求，又可以满足飞行器对高集成大气数据测量系统的需求，还可以满足飞行器控制对高精度攻角、侧滑角信号的需求。

发明内容

本发明所要解决的技术问题在于，提供一种基于深度学习的大气数据传感系统解算方法，采用深度神经网络将模型驱动和数据驱动相融合，通过构建机理模型，发现压力分布数据与大气数据参数之间的变化规律，以试验数据来修正机理模型的误差，提高FADS系统的测量精度。

为解决上述技术问题，本发明提供一种基于深度学习的大气数据传感系统解算方法，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。

优选的，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，进而建立了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(如迎角误差最小)，然后数值计算目标函数(如迎角误差)，最后使用优化方法(如遗传算法)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