CN108595756A - 大包线飞行干扰估计的方法及装置 - Google Patents
大包线飞行干扰估计的方法及装置 Download PDFInfo
- Publication number
- CN108595756A CN108595756A CN201810233100.7A CN201810233100A CN108595756A CN 108595756 A CN108595756 A CN 108595756A CN 201810233100 A CN201810233100 A CN 201810233100A CN 108595756 A CN108595756 A CN 108595756A
- Authority
- CN
- China
- Prior art keywords
- big envelope
- envelope curve
- elastic
- aircraft
- bode diagram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000010355 oscillation Effects 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 20
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000010168 coupling process Methods 0.000 description 19
- 238000005859 coupling reaction Methods 0.000 description 19
- 230000008878 coupling Effects 0.000 description 18
- 230000004044 response Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 241000272517 Anseriformes Species 0.000 description 5
- 238000006880 cross-coupling reaction Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000001808 coupling effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- QKYZQKJXAKNEPA-UHFFFAOYSA-N 3-hydroxy-5-methyl-1-phenylthieno[2,3-d]pyrimidine-2,4-dione Chemical compound O=C1N(O)C(=O)C=2C(C)=CSC=2N1C1=CC=CC=C1 QKYZQKJXAKNEPA-UHFFFAOYSA-N 0.000 description 1
- 101000606537 Homo sapiens Receptor-type tyrosine-protein phosphatase delta Proteins 0.000 description 1
- 102100039666 Receptor-type tyrosine-protein phosphatase delta Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于自动控制技术领域,具体涉及一种大包线飞行干扰估计的方法及装置。旨在解决现有技术刚性飞行器的分析方法无法应用于弹性飞行器飞行动力学特性的问题。本发明提供一种大包线飞行干扰估计方法,包括分别获取大包线飞行器的输入信号和输出信号,对输入信号和输出信号进行快速傅里叶变换信号分析,将分析得到的信号进行相除操作,得到输出信号对输入信号的波特图;提取波特图中的子区域图像;将波特图的子区域图像输入卷积神经网络模型进行识别,得到波特图的子区域图像的类别以完成大包线飞行干扰估计。本发明的方法能够形成深度学习机理的振动模态离线学习机理与在线鲁棒柔性辨识机理,实现为弹性特征参数在线测量与计算。
Description
技术领域
本发明属于自动控制技术领域,具体涉及一种大包线飞行干扰估计的方法及装置。
背景技术
随着飞行器任务使命范围不断拓展,其飞行包线越来越大。通常飞行器在大气层内(2万米内)以及大气层边缘临近空间飞行(2万米到10万米),其飞行速度的范围位于高亚音速到5马赫以上的高超音速之间,飞行速度变化较大,飞行器的动力学特性变化也较大,因此在其飞行过程中,飞行器的性能参数,如结构弹性等不能忽略,而飞行控制律的设计对飞行器的性能参数有重大影响。飞行器的控制律设计方法是为了满足飞行器在包线内不同的典型工作点均可以保证飞行器的飞行品质要求,以及飞行器在时域和频域上都能达到趋于理想的性能指标。
当飞行器的结构模态频率与刚性模态频率愈加接近时,弹性效应对弹性飞行器飞行动力学特性的影响愈加明显,特别是操稳特性将变得更加的复杂和严峻,已经不能用“刚性飞行器”的分析方法进行研究,因此,迫切需要为弹性飞行器建立能够包含多学科耦合的飞行动力学模型,为针对该弹性特性设计针对性控制律。
因此,如何提出一种满足大包线飞行控制律对弹性干扰的特征参数辨识的方案是本领域技术人员目前需要解决的问题。
发明内容
为了解决现有技术中的上述问题,即为了解决现有技术刚性飞行器的分析方法无法应用于弹性飞行器飞行动力学特性的问题,本发明提供了一种大包线飞行干扰估计的方法,包括:
分别获取大包线飞行器的输入信号和输出信号,对所述输入信号和所述输出信号进行快速傅里叶变换FFT信号分析,分别得到第一FFT 信号和第二FFT信号;
对所述第一FFT信号和所述第二FFT信号进行相除操作,得到所述输出信号对所述输入信号的波特图;
提取所述波特图中具有谐振特点的图像作为所述波特图的子区域图像;
将所述波特图的子区域图像输入预先设定的卷积神经网络模型进行识别,得到所述波特图的子区域图像的类别以完成大包线飞行干扰估计。
在上述方法的优选技术方案中,所述波特图的子区域图像的类别包括平坦区、谐振区以及下降区。
在上述方法的优选技术方案中,该方法还包括:基于弹性传导空间特性融合进行自适应弹性滤波。
在上述方法的优选技术方案中,自适应弹性滤波的方法包括:
通过振动传感器采集所述大包线飞行器的弹性波动数据并记录所述振动传感器的空间位置;
对所述弹性波动数据进行速度修正处理;
根据所述大包线飞行器的传感器阵列的空间分布差异性,采用高维联合谱分析技术求解所述弹性波动数据的时域和频域信息;
根据所述弹性波动数据、所述传感器阵列的空间分布差异性以及所述弹性波动数据的时域和频域信息,建立波动曲线方程的空间分布图以用于所述大包线飞行器的飞行控制反馈与稳定性分析。
在上述方法的优选技术方案中,所述输入信号为所述大包线飞行器的升降舵,所述输出信号为所述大包线飞行器的航迹倾角、高度、攻角以及俯仰角速率。
本发明还提供一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行如上述所述的大包线飞行干扰估计方法。
本发明还提供一种处理装置,包括处理器、存储设备;处理器,适于执行各条程序;存储设备,适于存储多条程序;所述程序适于由处理器加载并执行如上述所述的大包线飞行干扰估计方法。
与最接近的现有技术相比,本发明提供一种大包线飞行干扰估计方法,包括分别获取大包线飞行器的输入信号和输出信号,对输入信号和输出信号进行快速傅里叶变换FFT信号分析,分别得到第一FFT信号和第二FFT信号;对第一FFT信号和第二FFT信号进行相除操作,得到输出信号对输入信号的波特图;提取波特图中具有谐振特点的图像作为波特图的子区域图像;将波特图的子区域图像输入预先设定的卷积神经网络模型进行识别,得到波特图的子区域图像的类别以完成大包线飞行干扰估计。
上述技术方案至少具有如下有益效果:
1、本发明针对大包线飞行器的弹性干扰,设计弹性特征参数的闭环在线鲁棒反演机理,给出闭环辨识的可辨识性以及数据干扰下的鲁棒辨识方法,形成深度学习机理的振动模态离线学习机理与在线鲁棒柔性辨识机理;
2、本发明给出面向大包线飞行器弹性传导空间特性融合的自适应弹性滤波方法,为弹性特征参数在线测量与计算提供了一种实现方法。
附图说明
图1为本发明一种实施例的控制输入到控制输出的幅频特性图;
图2为本发明一种实施例的对线性化模型进行频率特性分析的幅频特性图;
图3为本发明一种实施例的大包线飞行器的输出信号的幅频响应图;
图4为本发明一种实施例的输入信号相对弹性模态输出量的幅频响应图;
图5为本发明一种实施例的基于深度学习的弹性波动的特征提取示意图;
图6为本发明一种实施例的大包线飞行干扰估计方法的流程示意图;
图7为本发明一种实施例的弹性振动传感器节点与弹性梁坐标***定义及受力分析示意图;
图8为本发明一种实施例的基于弹性传导空间特性融合的自适应弹性滤波示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明采用大包线飞行弹性特征参数鲁棒反演机理计算方法,对大包线飞行器的不确定性、弹性和控制的动力学建模与交叉耦合特性,分析不确定性、刚体模态、弹性模态、控制***几者间的闭环交叉耦合的关键影响因素;设计弹性特征参数的闭环在线鲁棒反演机理,给出闭环辨识的可辨识性以及数据干扰下的鲁棒辨识方法,形成深度学习机理的振动模态离线学习机理与在线鲁棒柔性辨识机理,为基于弹性特性模式提取的数据驱动型新型弹性特性参数反演机理和计算实现方法。
同时形成基于弹性传导空间特性融合的自适应弹性滤波机理,给出弹性波动传导机理的空间特性,实现飞行器不同位置波动特性的时间空间分布;给出分布式波动传导的波动特性空间采样模式与波动数据的冗余特性,构建数据融合机理,实现弹性特征参数增强与隔离的计算方法;形成波动特征测量的传感机理与空间配置机理,给出面向振动隔离的弹性波动空间估计的数学表达与计算机理,形成基于多轴弹性特征参数反演条件下的自适应弹性解耦和空间数据融合的弹性滤波方法。
对大包线飞行器弹性体飞行器动力学建模,模型可以用下述公式进行表示:
该模型共包括11个飞行状态,5个刚体状态V,γ,h,α,Q分别表示速度、航迹倾角、高度、迎角、俯仰角速率;6个弹性体状态分别表示前三阶弹性模态及其微分。其中,ωi为弹性模态的自然频率,ξi为阻尼比,m,g,Iyy分别表示质量、重力加速度和绕Y轴的转动惯量; L,D,T,M,Ni分别表示升力、阻力、推力、俯仰力矩和广义弹性力。上述模型与飞行状态、控制输入存在复杂的非线性关系,可以用高精度的拟合模型进行表示,具体如下公式所示:
其中,表示弹性模态向量,δ=[δc,δe]T表示舵偏角向量,δc,δe分别表示鸭翼和升降舵的舵偏角,表示动压,ρ为大气密度。
大包线飞行器的气动系数可以如公式(8)所示:
其中,CT,φ为推力对滚转角的推力系数,分别为CT,φ对攻角的3阶、2阶、1阶导数和偏移值;CT为推力对攻角的推力系数,分别为CT对攻角的3阶、2阶、1阶导数和偏移值;
CL为升力系数,与攻角(弹性模态向量)、δ=[δc,δe]T(舵偏角向量)有关,δc,δe分别表示鸭翼和升降舵的舵偏角,为升力对攻角的升力系数,为升力对δe的升力系数,为升力对δc的升力系数,为零升力系数,为升力对弹性模态向量η的升力系数。
CD为阻力系数,与攻角(弹性模态向量)、δ=[δc,δe]T(舵偏角向量)有关,δc,δe分别表示鸭翼和升降舵的舵偏角,为阻力对攻角平方和攻角的阻力系数,为阻力对δe平方和δe的阻力系数,为阻力对δc平方和δc的阻力系数,为零阻力系数,为阻力对弹性模态向量η的阻力系数。
CM为俯仰力矩系数,与攻角(弹性模态向量)、δ=[δc,δe]T(舵偏角向量)有关,δc,δe分别表示鸭翼和升降舵的舵偏角,为俯仰力矩对攻角平方和攻角的俯仰力矩系数系数,为俯仰力矩对δe的俯仰力矩系数,为俯仰力矩对δc的俯仰力矩系数,为零俯仰力矩系数,为俯仰力矩系数对弹性模态向量η的俯仰力矩系数。
L,D,T,M,Ni分别表示升力、阻力、推力、俯仰力矩和广义弹性力。为推力T、升力L、阻力D、俯仰力矩M对(弹性模态向量)的推力系数、升力系数、阻力系数、俯仰力矩系数。为广义弹性力对(弹性模态向量)的广义弹性力系数。
大包线飞行器的鸭翼通过铰链与升降舵相连,用以消除非最小相位特性,因此飞行器待设计的控制输入可以为u=[δe,φ]T,φ为发动机燃油当量比。控制输出可以为y=[V,h]T,即控制速度和高度。
飞行器数学模型是一个典型的多变量、强非线性、强耦合模型,由于飞行器飞行速度快、飞行包线大,超燃冲压发动机燃烧等机理复杂,且缺乏足够的飞行试验数据支撑,控制模型中存在严重的不确定性,属于典型的具有复杂结构不确定性的***。而不确定性对模型特性具有显著的影响。以再入飞行为例,再入过程伴随快速的速度和高度变化,造成动压的快时变和不确定效应,动压的变化对飞行特性具有显著的影响。
如图1所示,图1为控制输入到控制输出的幅频特性图,大包线飞行器是一个多学科交叉的产物,其结构、推进***、气动弹性效应、热效应、控制间存在复杂的耦合作用。
从控制的角度来看,主要的耦合效应表现在机体-发动机间的耦合以及刚体-弹性模态间的耦合。由于采用超燃冲压发动机以从空气中获取氧料,大包线飞行器的整体结构采用高度的机体-发动机一体化集成设计。
大包线飞行器的机体前端往往作为发动机进气流的预压缩***,后体作为尾流的膨胀***,因此机体的姿态直接影响了发动机的工作状况;反过来,由于发动机往往安装在机体下部,其推力线并不经过质心,因此推力会产生额外的力矩,同时后体的剪流还会产生额外的升力,由于结构设计的不同,这一交叉耦合效应在锥体加速器上反映的并不明显,但在弹性乘波体飞行器上却得到了充分的反映。
从推力T的表达式可以看出,无论是悬臂梁模型还是自由梁模型,发动机推力T都受到攻角α的显著影响,因此高性能的攻角控制对于超燃冲压发动机的正常工作至关重要,表现出气动效应与发动机工况间的耦合。
同时,从俯仰力矩的表达式可以看出,推力T会产生额外的俯仰力矩,其作用力臂为zT,因此纵向俯仰运动除了受升降舵的控制外,还受到燃油当量比的控制,表现出控制的交叉耦合。
由于采用大长细比、轻质材料的机身,高超声速飞行器的弹性效应较普通飞行器更加明显。机体的弹性形变将直接改变机体上附体激波的特性,一方面直接影响空气动力学特性,另一方面也将改变发动机的进气条件,从而对飞行特性造成显著的影响。以自由梁模型的刚体-弹性耦合效应为例进行分析:
从气动模型可知,该模型中的刚体-弹***叉耦合是体现在力与力矩的表达式中的,定义弹性模态对刚体动态的耦合参数集为j=T,L,D,M;定义刚体模态对弹性动态的耦合参数集为i=1,2,3。对线性化后的模型进行频率特性分析,其幅频特性如图2所示。图2中可以看出轻微振荡的长周期模态,对应“P”处标识的频率0.0485rad/s。速度V的响应并未明显受到弹性耦合的影响,但高度h的响应却呈现出显著的弹性耦合特性,图中“F1”、“F2”、“F3”处标识的频率与前三阶弹性模态η1、η2、η3的自然频率近似,分别为21.17 rad/s、53.92rad/s、109.1rad/s。
当耦合参数不确定时,存在交叉耦合效应,如图3所示,图3 为从δe到γ、h、α、q的幅频响应图,首先考察参数集Θ1:分别对Θ1中的参数施加-100%(无弹性耦合)、0%(标称弹性耦合)、+100%(加大弹性耦合)的不确定性,三种情况下对应的线性化模型特征根如表所示,弹性模态对刚体模态的耦合系数显著影响着模型开环极点的位置,长周期模态和高度模态对应的特征根改变的比例大于短周期模态的改变,因此,可以得到不同刚体模态与弹性模态间耦合强弱程度的结论:从强到弱依次为长周期模态、高度模态、短周期模态。
表1:Θ1中参数存在不同不确定性程度下的***开环特征根
为进一步证实这一结论,采用频率分析的方法首先考察弹性模态对刚体模态的耦合:
在+100%参数不确定性的情况下,分别选择航迹倾角γ(对应长周期模态)、高度h(对应高度模态)、攻角α(对应短周期模态)、俯仰角速率q(对应短周期模态)作为单输出量,选取升降舵偏角作为单输入量,对模型进行线性化,然后对线性化模型进行频谱特性分析,得到幅频特性,如图2所示,从图2中可以看出,γ和h的响应特性在弹性模态对应的频率处出现振荡,而短周期模态(α和q)响应特性所遭受的耦合影响则小得多。
相反地,考察刚体模态对弹性模态的耦合效应:
设Θ2中的参数存在-100%的不确定性,分别选取前三阶弹性模态广义坐标值η1、η2、η3为单输出量,同样选取升降舵偏角作为单输入量,对模型进行线性化后,得到幅频特性,如图3所示,图3为δe到η1、η2、η3的幅频响应图,每条幅频响应曲线均对应两个峰值点,其中一个是在弹性模态自身的自然频率处,另一个则指向一个共同的频率值(图中圆圈标识处),即约0.0415rad/s处,而这一频率与长周期模态的频率极为相近。
结合图3和图4,可以得出结论:对于自由梁模型的弹性机体,弹性模态和刚体模态中的长周期模态间的耦合效应最为显著,其次是与高度模态,再次是短周期模态,分清交叉耦合的强弱程度,有助于在控制器设计时有针对性地对弹性模态进行主动抑制。
结合本发明所要解决的问题和实际应用场景,深度学习适合处理离线带噪声的弹性振动模拟大数据,它集中体现了当前机器学习算法的三个大趋势:
1、用较为复杂的模型降低模型偏差;
2、用大数据提升统计估计的准确度;
3、用可扩展的梯度下降算法求解大规模优化问题。
深度学习是端到端机器学习***,可以用卷积处理图像中的二维空间结构,用递归神经网络处理弹性波动等数据中的时序结构。深度学习能够在模型结构复杂的情况下,增加训练数据规模;将各种关于数据结构的先验知识加入新的模型结构中;端到端学习能够摒弃基于人工规则的中间步骤。
如图5所示,图5示例性地给出了基于深度学习的弹性波动的特征提取示意图。在本发明实施例中,采用基于深度学习的弹性波动进行特征提取,其中,在谐振点检测方面,采用扫描窗或者候选窗方法,扫描窗方法在相邻窗口之间共享特征,可以快速地扫描较大面积的图像,候选窗方法能够高效地在图像候选区域内进行识别,更为灵活地处理物体长宽比的变化,从而获得较高的交并比覆盖率。
具体地,如图6所示,图6示例性的给出了本发明实施例中一种大包线飞行干扰估计方法的流程示意图,基于深度学习的弹性特征参数反演方法包括以下步骤:
步骤S11:分别获取大包线飞行器的输入信号和输出信号,对输入信号和输出信号进行快速傅里叶变换FFT信号分析,分别得到第一 FFT信号和第二FFT信号;
采集输入信号,输入信号可以包括:升降舵δe;输出信号可以包括:航迹倾角γ(对应长周期模态)、高度h(对应高度模态)、攻角α (对应短周期模态)、俯仰角速率q(对应短周期模态),再分别对航迹倾角γ(对应长周期模态)、高度h(对应高度模态)、攻角α(对应短周期模态)、俯仰角速率q(对应短周期模态)进行FFT(Fast Fourier Transformation,快速傅里叶变换)信号分析,对升降舵δe也进行FFT信号分析,将对输入信号进行FFT信号分析,得到的结果作为第一FFT信号,将对输出信号进行FFT信号分析,得到的结果作为第二FFT信号,两者FFT信号相除,可以得到航迹倾角γ、高度h、攻角α、俯仰角速率q 对升降舵相应传递函数的波特图,将频率范围统一定为0.001-1000hz。这些波特图作为输入图像,供深度学习神经网络识别。
步骤S12:提取波特图中具有谐振特点的图像作为波特图的子区域图像;
波特图上以1.5倍频程为窗口,从频率范围0.001-1000hz依次滑动,并提取其波特图的图像作为波特图特性的子区域。该步骤主要用于提取具有谐振特点的波特图的扭曲特性的区域。
步骤S13:将波特图的子区域图像输入预先设定的卷积神经网络模型进行识别,得到波特图的子区域图像的类别以完成大包线飞行干扰估计;
将提取出的子区域图像送入卷积神经网络进行识别。卷积神经网络的卷积模板是分别是平坦区、谐振区、下降区的波特图图像。
步骤S14:区域分类。
将波特图的子区域分类为平坦区Fat,谐振区Resonance,下降区down。
在基于深度学习完成弹性特征参数的反演后,进行弹性振动传感器节点与弹性梁坐标***定义及受力分析。
建立弹性动力学方程后,基于Lagrange方程即可建立包含刚体模态、弹性模态的全模态模型方程。但是由于弹性飞行器表现出较刚体飞行器更加复杂的动力学特性,加之目前公开的弹性飞行器模型数据较少,现阶段对于弹性机体控制的研究主要集中在其纵向运动上,此时为了避免在飞行任务中加入侧向机动,假设所有侧向状态均为0。对于悬臂梁模型,考虑前体(下标为f)和后体(下标为a)的第一阶弹性振型,其纵向运动方程为:
其中,ηi(i=f,a)表示第一阶振型的广义弹性坐标值,为与第一阶主振型相关的耦合系数,Ni为广义弹性作用力,ωi为弹性自然频率,ξi为弹性阻尼系数,常数其他符号定义与刚体模型相同。上述模型中俯仰角速率方程加入了弹性耦合,而弹性方程也受到俯仰力矩的耦合干扰,由此表现出刚体-弹性间的动态耦合关系。
基于弹性传导空间特性融合的自适应弹性滤波方法,具体包括如下步骤:
步骤S21:采用传感器采样,并记录每个传感器对应的空间位置;
由于弹性波动的周期特性很强,飞机在机身上弹性波动响应也会体现出周期性,如等效梁的空间弯曲和扭曲位置,因此需要在飞机上安装振动波动的传感器进行采样,获取传感器的数据,其中,传感器采用如图7所示的振动波动传感器采样。
步骤S22:数据的速度修正处理;
在实际应用中,飞行速度是变化的,这时振动波动的周期性数据需要经过速度修正才可以进行后续处理,具体方法可以是三轴加速计采集的数据都除以动压
步骤S23:波动信号的谱分析;
对于典型波动运动信号进行谱分析技术(如频谱分析、主成分分析、自相关性分析、相位时间轨迹差分PTPD法),可以提取振动的周期信号;利用传感器阵列(惯性器件——陀螺和加速度计)空间分布差异性,应用高维联合谱分析技术(如时间空间演化相关性分析、交叉谱分析:线性阵列BORGMAN法/多边形阵列ESTEVA法),可以求取振动波动的时域和频域参数信息。
步骤S24:建立波动曲线方程在弹体的空间分布图。
实时估计的弹性特征参数以及图6的传感器阵列的空间分布参数与实时传感器参数,可以建立波动曲线方程在弹体的空间分布,因此可以根据多传感器点的数据融合进行实际姿态参数、角速率参数、加速度计的振动隔离计算,进而获得波动特性大大衰减后的姿态参数、角速率参数、加速度参数,这些参数及其波动幅度上限将用于飞行控制反馈与稳定性的分析。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明还提供一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行如上述的大包线飞行干扰估计方法。
所属技术领域的技术人员可以清楚地了解到,为了描述的方便和简洁,本发明实施例的存储装置的具体工作过程以及相关说明,可以参考前述大包线飞行干扰估计方法实施例中的对应过程,且与上述大包线飞行干扰估计方法具有相同的有益效果,在此不再赘述。
一种处理装置,包括处理器、存储设备;处理器,适于执行各条程序;存储设备,适于存储多条程序;所述程序适于由处理器加载并执行如上述的大包线飞行干扰估计方法。
所属技术领域的技术人员可以清楚地了解到,为了描述的方便和简洁,本发明实施例的处理装置的具体工作过程以及相关说明,可以参考前述大包线飞行干扰估计方法实施例中的对应过程,且与上述大包线飞行干扰估计方法具有相同的有益效果,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种大包线飞行干扰估计的方法,其特征在于,包括:
分别获取大包线飞行器的输入信号和输出信号,对所述输入信号和所述输出信号进行快速傅里叶变换FFT信号分析,分别得到第一FFT信号和第二FFT信号;
对所述第一FFT信号和所述第二FFT信号进行相除操作,得到所述输出信号对所述输入信号的波特图;
提取所述波特图中具有谐振特点的图像作为所述波特图的子区域图像;
将所述波特图的子区域图像输入预先设定的卷积神经网络模型进行识别,得到所述波特图的子区域图像的类别以完成大包线飞行干扰估计。
2.根据权利要求1所述的方法,其特征在于,所述波特图的子区域图像的类别包括平坦区、谐振区以及下降区。
3.根据权利要求1所述的方法,其特征在于,该方法还包括:基于弹性传导空间特性融合进行自适应弹性滤波。
4.根据权利要求3所述的方法,其特征在于,自适应弹性滤波的方法包括:
通过振动传感器采集所述大包线飞行器的弹性波动数据并记录所述振动传感器的空间位置;
对所述弹性波动数据进行速度修正处理;
根据所述大包线飞行器的传感器阵列的空间分布差异性,采用高维联合谱分析技术求解所述弹性波动数据的时域和频域信息;
根据所述弹性波动数据、所述传感器阵列的空间分布差异性以及所述弹性波动数据的时域和频域信息,建立波动曲线方程的空间分布图以用于所述大包线飞行器的飞行控制反馈与稳定性分析。
5.根据权利要求1所述的方法,其特征在于,所述输入信号为所述大包线飞行器的升降舵,所述输出信号为所述大包线飞行器的航迹倾角、高度、攻角以及俯仰角速率。
6.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行如权利要求1-5任一项所述的大包线飞行干扰估计的方法。
7.一种处理装置,包括处理器、存储设备;处理器,适于执行各条程序;存储设备,适于存储多条程序;其特征在于,所述程序适于由处理器加载并执行如权利要求1-5任一项所述的大包线飞行干扰估计的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233100.7A CN108595756B (zh) | 2018-03-21 | 2018-03-21 | 大包线飞行干扰估计的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810233100.7A CN108595756B (zh) | 2018-03-21 | 2018-03-21 | 大包线飞行干扰估计的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595756A true CN108595756A (zh) | 2018-09-28 |
CN108595756B CN108595756B (zh) | 2020-07-28 |
Family
ID=63626978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810233100.7A Active CN108595756B (zh) | 2018-03-21 | 2018-03-21 | 大包线飞行干扰估计的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595756B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508025A (zh) * | 2018-11-23 | 2019-03-22 | 中国科学院数学与***科学研究院 | 一种弹性飞行器的自抗扰姿态控制方法 |
CN110244768A (zh) * | 2019-07-19 | 2019-09-17 | 哈尔滨工业大学 | 基于切换***的高超声速飞行器建模及抗饱和控制方法 |
CN111583159A (zh) * | 2020-05-29 | 2020-08-25 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN111767668A (zh) * | 2020-07-03 | 2020-10-13 | 衢州职业技术学院 | 基于转向节特性的盘式制动器尖叫噪声预测方法及装置 |
CN113253616A (zh) * | 2021-06-29 | 2021-08-13 | 中国科学院自动化研究所 | 快时变飞行器大包线飞行控制方法与装置 |
CN114253308A (zh) * | 2020-09-21 | 2022-03-29 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4002490B2 (ja) * | 2001-09-10 | 2007-10-31 | ユーロコプター・ドイッチェランド・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | 回転翼機の回転しているロータブレードがブレード後流渦と衝突するのを回避する方法及びその方法を実行するための装置 |
US20070273863A1 (en) * | 2004-12-17 | 2007-11-29 | The Boeing Company | Ultra-linear signal processing for radar and laser radar |
CN105022272A (zh) * | 2015-07-23 | 2015-11-04 | 北京航空航天大学 | 一种弹性体飞行器的鲁棒解耦控制方法 |
CN106301623A (zh) * | 2016-09-09 | 2017-01-04 | 成都定为电子技术有限公司 | 一种频谱监测无人机的干扰源探测识别方法及其装置 |
CN106484969A (zh) * | 2016-09-23 | 2017-03-08 | 中国运载火箭技术研究院 | 一种大包线强机动飞行器动力学高精度仿真方法 |
CN106527128A (zh) * | 2016-10-13 | 2017-03-22 | 南京航空航天大学 | 兼顾瞬态响应与鲁棒稳定性的飞行控制律设计新方法 |
CN106844914A (zh) * | 2017-01-09 | 2017-06-13 | 西北工业大学 | 一种空天飞行器机翼振动响应的快速仿真方法 |
-
2018
- 2018-03-21 CN CN201810233100.7A patent/CN108595756B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4002490B2 (ja) * | 2001-09-10 | 2007-10-31 | ユーロコプター・ドイッチェランド・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | 回転翼機の回転しているロータブレードがブレード後流渦と衝突するのを回避する方法及びその方法を実行するための装置 |
US20070273863A1 (en) * | 2004-12-17 | 2007-11-29 | The Boeing Company | Ultra-linear signal processing for radar and laser radar |
CN105022272A (zh) * | 2015-07-23 | 2015-11-04 | 北京航空航天大学 | 一种弹性体飞行器的鲁棒解耦控制方法 |
CN106301623A (zh) * | 2016-09-09 | 2017-01-04 | 成都定为电子技术有限公司 | 一种频谱监测无人机的干扰源探测识别方法及其装置 |
CN106484969A (zh) * | 2016-09-23 | 2017-03-08 | 中国运载火箭技术研究院 | 一种大包线强机动飞行器动力学高精度仿真方法 |
CN106527128A (zh) * | 2016-10-13 | 2017-03-22 | 南京航空航天大学 | 兼顾瞬态响应与鲁棒稳定性的飞行控制律设计新方法 |
CN106844914A (zh) * | 2017-01-09 | 2017-06-13 | 西北工业大学 | 一种空天飞行器机翼振动响应的快速仿真方法 |
Non-Patent Citations (5)
Title |
---|
ANG LI 等: "LQR and Fuzzy Gain-Scheduling Based Attitude Controller for RLV within Large Operating Envelope", 《2014 IEEE INTERNATIONAL CONFERENCE ON CONTROL SCIENCE AND SYSTEMS ENGINEERING》 * |
ZHEN LIU 等: "Immersion and Invariance-Based Output Feedback Control of Air-Breathing Hypersonic Vehicles", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 * |
卜祥伟 等: "基于非线性干扰观测器的高超声速飞行器滑模反演控制", 《控制理论与应用》 * |
王鹏飞 等: "非线性干扰观测器的高超声速飞行器鲁棒反演控制", 《火力与指挥控制》 * |
谭湘敏 等: "高超声速飞行器飞行特性分析及其控制研究", 《第二届高超声速科技学术会议》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508025A (zh) * | 2018-11-23 | 2019-03-22 | 中国科学院数学与***科学研究院 | 一种弹性飞行器的自抗扰姿态控制方法 |
CN110244768A (zh) * | 2019-07-19 | 2019-09-17 | 哈尔滨工业大学 | 基于切换***的高超声速飞行器建模及抗饱和控制方法 |
CN110244768B (zh) * | 2019-07-19 | 2021-11-30 | 哈尔滨工业大学 | 基于切换***的高超声速飞行器建模及抗饱和控制方法 |
CN111583159A (zh) * | 2020-05-29 | 2020-08-25 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN111583159B (zh) * | 2020-05-29 | 2024-01-05 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN111767668A (zh) * | 2020-07-03 | 2020-10-13 | 衢州职业技术学院 | 基于转向节特性的盘式制动器尖叫噪声预测方法及装置 |
CN111767668B (zh) * | 2020-07-03 | 2024-03-29 | 衢州职业技术学院 | 基于转向节特性的盘式制动器尖叫噪声预测方法及存储介质 |
CN114253308A (zh) * | 2020-09-21 | 2022-03-29 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
CN114253308B (zh) * | 2020-09-21 | 2022-08-30 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
CN113253616A (zh) * | 2021-06-29 | 2021-08-13 | 中国科学院自动化研究所 | 快时变飞行器大包线飞行控制方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108595756B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595756A (zh) | 大包线飞行干扰估计的方法及装置 | |
Jafarov et al. | Robust sliding-mode control for the uncertain MIMO aircraft model F-18 | |
CN111399531B (zh) | 高超声速飞行器滑翔段制导与姿态控制一体化设计方法 | |
CN102073755A (zh) | 近空间高超声速飞行器运动控制仿真方法 | |
CN109164708B (zh) | 一种高超声速飞行器神经网络自适应容错控制方法 | |
Gros et al. | Control of airborne wind energy systems based on nonlinear model predictive control & moving horizon estimation | |
CN107977009B (zh) | 一种考虑耦合的吸气式飞行器姿态控制律设计方法 | |
CN105867119A (zh) | 一种采用保护映射理论的空天飞行器大包线切换控制方法 | |
CN105182742A (zh) | 一种弹性体飞行器自适应受限跟踪控制间接法 | |
Savran et al. | Intelligent adaptive nonlinear flight control for a high performance aircraft with neural networks | |
CN109703768B (zh) | 一种基于姿态/轨迹复合控制的软式空中加油对接方法 | |
CN108638068A (zh) | 一种携带冗余度机械臂的飞行机器人控制***设计方法 | |
CN109828602A (zh) | 一种基于观测补偿技术的航迹回路非线性模型变换方法 | |
CN112683261B (zh) | 一种基于速度预测的无人机鲁棒性导航方法 | |
Prabowo et al. | Hardware in-the-loop simulation for visual servoing of fixed wing UAV | |
Takarics et al. | Flight control oriented bottom-up nonlinear modeling of aeroelastic vehicles | |
CN106774385B (zh) | 一种采用自适应变结构的飞艇定点悬停控制方法 | |
CN113885543A (zh) | 一种复杂海况干扰下的航行体自抗扰横滚控制器的设计方法 | |
CN115826394A (zh) | 基于分数阶pid与分数阶终端滑模的四旋翼无人机控制方法 | |
Roy et al. | Adaptive backstepping controller for altitude control of a small scale helicopter by considering the ground effect compensation | |
CN109062242B (zh) | 一种新的旋翼无人机控制方法 | |
CN105116905A (zh) | 一种飞行器姿态控制方法 | |
Cheng et al. | Hover-to-cruise transition control for high-speed level flight of ducted fan UAV | |
CN116560249A (zh) | 一种机动飞行的高自由度简化建模与轨迹仿真方法 | |
CN108594653B (zh) | 大包线飞行控制律设计的性能极限分析*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |