CN112904046B - 一种大气层内飞行器气流监测*** - Google Patents
一种大气层内飞行器气流监测*** Download PDFInfo
- Publication number
- CN112904046B CN112904046B CN202110185589.7A CN202110185589A CN112904046B CN 112904046 B CN112904046 B CN 112904046B CN 202110185589 A CN202110185589 A CN 202110185589A CN 112904046 B CN112904046 B CN 112904046B
- Authority
- CN
- China
- Prior art keywords
- anemometer
- chip
- aircraft
- nmos
- output
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/10—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring thermal variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明属于飞行器监测技术领域,具体为大气层内飞行器气流监测***。本发明飞行器气流监测***主要由风速计芯片阵列和脉冲神经网络感知器组成;风速计芯片单元包括谐振网络和交叉耦合的晶体管,功率放大器电路包括输入匹配、中间级匹配和输出匹配。风速计芯片通过蜂窝状分布,形成风速计芯片阵列,这种分布方式可以使其在飞行器表面全面无缝覆盖,提高信息收集的完备性。风速计芯片阵列实现将芯片表面风速转换为频率信号,脉冲神经网络感知器通过运算对阵列输出频率信号进行分析,从而实现周围环境状况的识别,判断飞行器的飞行状态,以便飞行器进行姿态调整。
Description
技术领域
本发明属于飞行器监测技术领域,具体涉及大气层内飞行器气流监测***。
背景技术
大气层内难以预计的风是多旋翼飞行器稳定飞行最主要的干扰因素。不稳定的风会严重增加飞行器的控制难度,如果风速较大,会导致飞行器处于极不稳定的状态,甚至会出现失控的危险。因此对飞行器周围气流的估计对飞行器导航、制导与控制有重要的意义。
在现代飞行器中,高空大气飞行器的运动特性受环境风场的影响很大。因此对风速、风向进行实时、准确的测量是实施长期驻空以及提高飞行控制品质的前提。当风速传感器安装在飞行器上时,所测量的风速为相对风速,即大气相对于飞行器的速度,习惯上称之为空速。
皮托管被广泛应用于当代飞机的空速测量,对实现飞机的控制起着非常重要的作用。但是,皮托管存在的主要问题是不能感知飞机各个方向的气流,而且皮托管主要采用机械结构,体积大,重量大。目前在平流层及以上高度,还没有现成的产品能直接用于为飞行器提供飞行控制的风速,风向与周围气流情况。
发明内容
有鉴于此,本发明的目的在于提出一种体积小、重量轻,能够监测风速、风向与周围气流情况的大气层内飞行器气流监测***。
本发明提供的大气层内飞行器气流监测***,包括风速计芯片阵列和SNN脉冲神经网络感知器;所述风速计芯片阵列由若干风速计芯片单元组成,风速计芯片单元具体包括风速计传感器(即温度传感器)和功率放大器;风速计芯片阵列中的各风速计芯片单元,空间上以蜂窝状分布在飞机表面各处;其中:
所述风速计传感器,包含LC谐振网络和CMOS晶体管构成的负电阻;具体地,包括两个片上无源电感L1与L2,16个NMOS管M1-M16。两个电感一端共接电源电压VDD,另一端与两个不同的NMOS管栅极相连,这两个NMOS管源极相连,漏极共接偏置电压,从而组成一个电容;这样由两个NMOS管组成的电容一共有七个,它们以并联的方式连接,从而组成电容阵列;上述两个电感L1与L2,以及14个电容组成耦合网络;最后两个NMOS管交叉耦合,即一NOMS的漏极与另一个NMOS的栅极相连,同时两个源极共接地;参见图4所示。
所述功率放大器,包括三级功率放大器,以及在放大器的输入、输出端与各个级联的放大器之间的一共四个变压器匹配网络;所述匹配网络由并联电容和四个片上无源电感组成。(各级)放大器部分由一组两个NMOS差分对管和两个电容组成,电容由两个NMOS晶体管各自漏极交叉连接到另一晶体管的体端;放大器的晶体管栅压直流偏压由前一级的匹配网络的变压器的次级线圈的抽头处引入;信号从风速计传感器输出后,进行功率放大,以便于以电磁信号在空间中进行无线传播,从而传输给远程信息处理端进行进一步的处理分析。参见图5所示。
所述脉冲神经网络感知器,包括15个或者不等的维度输入,输入信号的频率值进行突触运算并分类后可以得到各组输入信号所对应的环境气流情况,进而判断出飞行器飞行姿态。
本发明设计的大气层内飞行器气流监测***,其工作流程如下:
芯片在环境中的温度由芯片表面流体流速直接决定,随着风速的变化,芯片的温度也发生相应变化,从而使得芯片内的电容值发生变化,不同的电容值可以使风速计传感器输出不同频率的信号,将芯片区域温度变化对CMOS电容阵列的容值大小的影响转换为输出信号的频率,因此,风速信息都包含在信号频率中。
风速计芯片将芯片区自身温度信号转换为不同频率的电信号输出,而芯片自身的温度受到芯片表面风速的直接影响,输出信号的信息包含在信号频率中。经过功率放大后,该信号可以通过天线发射到进行信号处理的接收端。接收端收集各个方向上的风速信息并综合,从而将信息传递给脉冲神经网络进行运算。脉冲神经网络的感知器通过接收阵列输出的脉冲信号频率值向量,经过运算后进行离化分组。从而检测出物体周围环境状况,并判断出飞行器飞行姿态。
本发明中,风速计传感器电路,可以根据控制电压的调整,输出信号的频率可以在不同的范围内线性调制变化。
本发明中,风速计传感器电路,可以通过搭建以六边形为基本拓扑结构的蜂窝网络,最终可以将目标检测区域由一点扩展到任意形状的全覆盖表面。
优选地,所述晶体管均为MOSFET,即场效应晶体管。
优选地,所述的脉冲神经网络为感知器结构,由两级神经元前向连接组成,第一级为输入级,由15个神经元组成,用于传递15个来自不同位置的流速计传感器的脉冲频率;第二级为输出级,由4个神经元组成,他们分别对应飞行器的四种姿态:仰头、低头、左倾斜和右倾斜,运算中分为四组不同设置的神经元突触权重,以用来和输入信号进行卷积和运算,而后还要经过适当的激活函数处理,通过四组运算结果决定是否激活四个输出神经元中的某一个,从而决定该组输入信号所代表的飞行器姿态。其中,突触权重在经过多次反复训练后得到。
根据上述大气层内飞行器气流监测***,通过利用温度感知芯片阵列接收温度信息以得到风速信息,避免了传统风速仪的体积大,质量大,且无法测量风向的特点。同时该风速计后端设计了片外的脉冲神经网络***大大增加了接收信息的处理能力。
附图说明
图1为气流监测***信息接收、转换、处理流程框图。
图2为飞机表面风速计芯片分布示意图。
图3为风速计芯片原理示意图。
图4为风速计传感器(温度传感器)电原理图。
图5为功率放大器电原理图。
图6为输出频率和控制电压特性曲线、蜂窝网络示意图。
图7为风速计芯片示意图。
图8为脉冲神经网络结构图。
图9为风速计阵列原理示意图。
具体实施方式
下面结合附图和实施例对本发明在进一步说明。在各个附图中,相同的元件采用类似的附图标记来表示。为了清楚起见,附图中的各个部分没有按比例绘制。此外,在图中可能未表示出某些公知的部分。
在下文中描述了本发明的许多特定的细节,以便更清楚地理解本发明。但正如本领域的技术人员能够理解的那样,可以不按照这些特定的细节来实现本发明。
图1示出气流监测***信息接收、转换、处理流程框图。
如图1所示,风速计芯片将芯片区自身温度信号转换为不同频率的电信号输出,而芯片自身的温度受到芯片表面风速的直接影响,输出信号的信息包含在信号频率中。经过功率放大后,该信号可以通过天线发射到进行信号处理的接收端。脉冲神经网络感知器通过接收阵列输出的脉冲信号频率值向量,经过运算后进行离化分组。从而检测出物体周围环境状况。
图2示出飞机表面风速计芯片分布示意图。
如图2所示,风速计芯片可以随机或者规律地广泛分布在飞机表面的各个部位,从而综合的获取各个空间方向上的风速信息。
图3示出风速计芯片原理示意图。
如图3所示,电路结构包括如下模块:风速计传感器301,功率放大器302,风速经过风速计传感器301后,转化为频率信号,之后经过功率放大器后输出放大的频率信号。
图4示出风速计传感器(温度传感器)原理图。
如图4所示,风速计传感器包括两个片上无源电感L1与L2,16个NMOS管M1-M16。两个电感L1与L2的一端共接电源电压VDD,另一端与两个不同的NMOS管栅极相连,这两个NMOS管源极相连,漏极共接偏置电压,从而组成一个电容对,例如M15与M16,即组成一个电容对。这样由两个NMOS管组成的电容一共有七个,从M16、M15电容对到M4、M3电容对。所有晶体管对以并联的方式连接,从而组成电容阵列;两个电感和14个电容组成耦合网络;电路最后为两个交叉耦合的NMOS管M2、M1,即一个NMOS管M2的漏极与另一个NMOS管M1的栅极相连,同时两个源极共接地。芯片在环境中的温度由芯片表面流体流速直接决定,随着风速的变化,芯片的温度也发生相应变化,从而使得芯片内的电容值发生变化,不同的电容值可以使风速计传感器输出不同频率的信号,将芯片区域温度变化对CMOS电容阵列的容值大小的影响转换为输出信号的频率,因此,风速信息都包含在信号频率中。
图5示出功率放大器电原理图。
如图5所示,对风速计传感器输出的信号进行功率放大便于以电磁信号在空间中进行无线传播,从而传输给远程信息处理端进行进一步的处理分析。其包括三级功率放大器和输入、输出端与各个级联的放大器之间一共四个变压器匹配网络。匹配网络由并联电容C1、C4、C7、C10和四个片上无源电感K1、K2、K3、K4组成。放大器部分由一对差分相连的晶体管M1-M6对和各自漏极交叉连接到对管体端的电容C2和C3、C5和C6、C8和C9组成。
图6示出输出频率和控制电压特性曲线、蜂窝网络示意图。
如图6所示,飞行器通过调节风速计芯片的控制电压,可以使不同的风速计传感器输出信号的频率在几个不同的频带范围内。从而使各个频率不会互相干扰。同时,若把每个风速计芯片单元的覆盖范围看作蜂窝状正六边形,即可把监测区域推广到飞行器的整个表面,从而达到完全覆盖的效果。
图7示出风速计芯片示意图。
如图7所示,芯片表面的风速信息经过芯片的处理后,可以得到放大的频率信号,其可以通过天线发射出去。
图8示出脉冲神经网络结构图。
如图8所示,15个或者不限数量的输入神经元作脉冲信号的输入,经过突触权重的运算后分为四个输出神经元,受到激活的神经元输出将该组输入数据分类到飞行器的具体姿态,如仰头,低头,左倾斜,右倾斜等,进而之后对飞行器姿态作进一步调整。
图9示出风速计阵列原理示意图。
如图9所示,该脉冲神经网络为感知器结构,由两级神经元前向连接,第一级为输入级由15个神经元组成,用于传递15个来自不同位置的流速传感器的脉冲频率。第二级为输出级由4个神经元组成,他们分别对应了航行器的四种姿态:仰头、低头、左倾斜和右倾斜。运算分为四组不同设置的神经元突触权重,以用来和输入信号进行卷积和运算,而后还要经过适当的激活函数处理,通过四组运算结果决定是否激活四个输出神经元中的某一个。从而决定该组输入信号所代表的水下航行器姿态。
在本文中,术语"包括"、"包含"或者其任何其他变体意在涵盖非排他性的包含,从而使得所述包括的一系列要素(如过程、方法、物品或者设备)不仅包括那些要素,还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句"包括一个……"限定的要素,并不排除在包括所述要素外还存在另外的相同要素。
本发明中,实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。根据以上描述,可作很多的变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种大气层内飞行器气流监测***,其特征在于,包括风速计芯片阵列和SNN脉冲神经网络感知器;所述风速计芯片阵列由若干风速计芯片单元组成,风速计芯片单元具体包括风速计传感器和功率放大器;风速计芯片阵列中的各风速计芯片单元,空间上以蜂窝状分布在飞机表面各处,其中:
所述风速计传感器,包括两个片上无源电感L1与L2,16个NMOS管M1-M16;两个电感一端共接电源电压VDD,另一端与两个不同的NMOS管栅极相连,这两个NMOS管源极相连,漏极共接偏置电压,从而组成一个电容;这样由两个NMOS管组成的电容一共有七个,它们以并联的方式连接,从而组成电容阵列;上述两个电感L1与L2,以及七个电容组成耦合网络;最后两个NMOS管交叉耦合,即一NMOS的漏极与另一个NMOS的栅极相连,同时两个源极共接地;
所述功率放大器,包括三级功率放大器,以及在放大器的输入、输出端与各个级联的放大器之间的一共四个变压器匹配网络;所述匹配网络由并联电容和四个片上无源电感组成;放大器部分由一组两个NMOS差分对管和两个电容组成,电容由两个NMOS晶体管各自漏极交叉连接到另一NMOS晶体管的体端;放大器的晶体管栅压直流偏压由前一级的匹配网络的变压器的次级线圈的抽头处引入;信号从风速计传感器输出后,进行功率放大,以便于以电磁信号在空间中进行无线传播,从而传输给远程信息处理端进行进一步的处理分析;
所述脉冲神经网络感知器,包括15个输入神经元作脉冲信号的输入,输入信号的频率值进行突触运算并分类后得到各组输入信号所对应的环境气流情况,进而判断出飞行器飞行姿态;突触权重在经过多次反复训练后得到。
2.根据权利要求1所述的大气层内飞行器气流监测***,其特征在于,其工作流程如下:
芯片在环境中的温度由芯片表面流体流速直接决定,随着风速的变化,芯片的温度也发生相应变化,从而使得芯片内的电容值发生变化,不同的电容值使风速计传感器输出不同频率的信号,将芯片区域温度变化对CMOS电容阵列的容值大小的影响转换为输出信号的频率,因此,风速信息都包含在信号频率中;
风速计芯片单元将芯片区自身温度信号转换为不同频率的电信号输出,而芯片自身的温度受到芯片表面风速的直接影响,输出信号的信息包含在信号频率中;经过功率放大后,该信号通过天线发射到进行信号处理的接收端;接收端收集各个方向上的风速信息并综合,从而将信息传递给脉冲神经网络进行运算;脉冲神经网络的感知器通过接收阵列输出的脉冲信号频率值向量,经过运算后进行离化分组,从而检测出物体周围环境状况,并判断出飞行器飞行姿态。
3.根据权利要求1所述的大气层内飞行器气流监测***,其特征在于,所述风速计传感器,根据控制电压的调整,输出信号的频率随着控制电压的变化,在不同的频率范围内线性调制变化。
4.根据权利要求1所述的大气层内飞行器气流监测***,其特征在于,所述风速计传感器,通过搭建以六边形为基本拓扑结构的蜂窝网络,最终将目标检测区域由一点扩展到任意形状的全覆盖表面。
5.根据权利要求1所述的大气层内飞行器气流监测***,其特征在于,所述NMOS晶体管均为场效应晶体管。
6.根据权利要求1所述的大气层内飞行器气流监测***,其特征在于,所述的脉冲神经网络为感知器结构,由两级神经元前向连接组成,第一级为输入级,由15个神经元组成,用于传递15个来自不同位置的流速计传感器的脉冲频率;第二级为输出级,由4个神经元组成,分别对应飞行器的四种姿态:仰头、低头、左倾斜和右倾斜,运算中分为四组不同设置的神经元突触权重,以用来和输入信号进行卷积和运算,而后经过适当的激活函数处理,通过四组运算结果决定是否激活四个输出神经元中的某一个,从而决定该组输入信号所代表的飞行器姿态;其中,突触权重经过训练后得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185589.7A CN112904046B (zh) | 2021-02-10 | 2021-02-10 | 一种大气层内飞行器气流监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185589.7A CN112904046B (zh) | 2021-02-10 | 2021-02-10 | 一种大气层内飞行器气流监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904046A CN112904046A (zh) | 2021-06-04 |
CN112904046B true CN112904046B (zh) | 2022-03-18 |
Family
ID=76123607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110185589.7A Active CN112904046B (zh) | 2021-02-10 | 2021-02-10 | 一种大气层内飞行器气流监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904046B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947500B (zh) * | 2021-02-10 | 2022-05-20 | 复旦大学 | 一种水下航行器水流监测*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10209517A1 (de) * | 2002-03-04 | 2003-06-26 | Infineon Technologies Ag | Abstimmbares, kapazitives Bauteil und LC-Oszillator mit dem Bauteil |
CN105680802B (zh) * | 2015-11-30 | 2018-10-16 | 中国电子科技集团公司第五十五研究所 | 一种低功耗单片集成宽带低噪声放大器 |
CN106406340A (zh) * | 2016-08-29 | 2017-02-15 | 广西师范大学 | 四旋翼无人飞行器及其控制方法 |
DE102016119152B4 (de) * | 2016-10-07 | 2018-12-27 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Windmessung mittels eines Multikopters |
CN107659278A (zh) * | 2017-10-20 | 2018-02-02 | 绵阳鑫阳知识产权运营有限公司 | 一种Ka波段SiGe BiCMOS射频功率放大器 |
CN108710288A (zh) * | 2018-04-19 | 2018-10-26 | 东华大学 | 基于风速预测的旋翼飞行器空中悬停防漂移的控制方法 |
-
2021
- 2021-02-10 CN CN202110185589.7A patent/CN112904046B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112904046A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102192927B (zh) | 一种基于电子鼻技术的空气质量监测***及其监测方法 | |
CN105913079B (zh) | 基于目标域迁移极限学习的电子鼻异构数据识别方法 | |
CN109856969B (zh) | 一种基于bp神经网络模型的故障预测方法及预测*** | |
CN107064913A (zh) | 一种基于深度学习的无线定位方法及*** | |
CN112904046B (zh) | 一种大气层内飞行器气流监测*** | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
Cai et al. | An early warning model for vegetable pests based on multidimensional data | |
CN112947500B (zh) | 一种水下航行器水流监测*** | |
CN108828519B (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
CN107741269B (zh) | 一种基于模糊识别的称重传感器测试补偿方法 | |
CN109613976B (zh) | 一种智能柔性压力传感手语识别装置 | |
CN109724703A (zh) | 基于模式识别的复杂场景下的温度矫正方法 | |
CN108664043B (zh) | 基于双目视觉的驾驶员特征点测量装置及其控制方法 | |
Widyantara et al. | Wind direction sensor based on thermal anemometer for olfactory mobile robot | |
Chen et al. | Mixed traffic flow state detection: A connected vehicles-assisted roadside radar and video data fusion scheme | |
CN113311826A (zh) | 一种基于环形红外阵列的自动跟随***及其工作方法 | |
Gu et al. | Dynamic measurement and data calibration for aerial mobile IoT | |
CN114485800B (zh) | 适用于气体多参数移动监测仪的远程质控方法 | |
CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN113655531B (zh) | 一种基于高频电磁场的周边目标探测定位装置和方法 | |
CN108507749A (zh) | 一种植物冠层气流场生物模拟测试***及模拟测试方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN104634455B (zh) | 一种多通道辐射计***前端及其一致性的控制方法 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿***及动态补偿方法 | |
CN106482287A (zh) | 一种采用红外信号对热源定位的方法及空调风向控制方法 |
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 |