CN113110558B - 一种混合推进无人机需求功率预测方法 - Google Patents
一种混合推进无人机需求功率预测方法 Download PDFInfo
- Publication number
- CN113110558B CN113110558B CN202110517647.1A CN202110517647A CN113110558B CN 113110558 B CN113110558 B CN 113110558B CN 202110517647 A CN202110517647 A CN 202110517647A CN 113110558 B CN113110558 B CN 113110558B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- flight
- state
- altitude
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000007704 transition Effects 0.000 claims abstract description 28
- 230000009194 climbing Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种混合推进无人机需求功率预测方法,包括:采集无人机的飞行状态信息及飞行环境信息,生成第一离线数据集;建立一个能进行工况识别的LVQ神经网络模型,离线训练所述LVQ神经网络模型;分别计算起飞爬升、巡航和下降阶段下的三个状态参数的状态转移概率矩阵;判断出无人机当前所处的飞行阶段,调用飞行阶段对应的状态转移概率矩阵,并根据无人机当前海拔高度、飞行迎角和飞行速度三个状态参数,预测下一时刻的状态参数;预测的下一时刻的状态参数计算无人机下一时刻的飞行需求功率。本发明的方法具有较强的实用性,有利于推进无人机基于需求功率预测的能量管理策略技术的发展。
Description
技术领域
本发明属于无人机技术领域,具体涉及一种混合推进无人机需求功率预测方法。
背景技术
近年来,随着混合动力技术在汽车领域内逐渐趋于成熟和国家对“绿色航空”概念的提出,多动力源混合推进无人机得到越来越多的关注。然而,多种动力源混合推进无人机技术还受到多种方面的制约。其中,制定多种动力源的能量管理策略需要考虑多方面的因素。目前,大多数无人机在制定能量管理策略时大都是根据飞行任务剖面从全局角度出发的,制定的策略忽略了实际飞行工况多变等不确定性因素的影响,且单一的能量管理策略对混合推进无人机来说适应性差,难以保证各动力源工作在最佳特性状态下,降低飞行性能。
由于混合推进无人机飞行工况的多变性,因此制定的能量管理策略要能够充分发挥各个动力源的工作特性,使其工作在高效区域,从而满足无人机对动力性的需求。其中,无人机飞行中的需求功率变化大且功率持续输出时间长,因此需求功率及时、准确地获取对于能量管理策略的制定有很大影响。无人机可根据预测到的需求功率实时制定能量管理策略,确定不同动力源之间的混合比,从而能够提高无人机飞行的稳定性、经济性和安全性。而目前,对混合推进无人机需求功率的预测方法较少,多数集中在混合动力汽车上。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种混合推进无人机需求功率预测方法,以解决现有无人机的能量管理策略难以适应于各种具有不确定性的飞行工况,和缺乏对需求功率的预测导致的无人机稳定性、经济性和安全性较差的问题。本发明所提出的方法实现对混合推进无人机需求功率的在线预测,提出的LVQ神经网络模型,可根据无人机当前飞行参数信息判断出无人机是否处于起飞爬升阶段、巡航阶段或下降阶段,并根据聚类出的无人机飞行阶段,调用阶段对应的状态转移概率矩阵,根据当前无人机的飞行状态参数利用状态转移概率矩阵预测出下一时刻的飞行状态参数,进而预测出混合推进无人机下一时刻的需求功率,可为制定能量管理策略使得无人机多动力源均工作在最佳特性下提供理论支持,提高飞行的安全性、经济性和稳定性。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种混合推进无人机需求功率预测方法,包括以下步骤:
(1)采集无人机的飞行状态信息及飞行环境信息,生成第一离线数据集,并根据任务剖面中的起飞爬升、巡航和下降阶段分成三个离线数据集,分别为数据集A、数据集B和数据集C;
(2)选取能表达无人机起飞爬升、巡航和下降阶段的特征参数,建立一个能进行工况识别的LVQ神经网络模型,从第一离线数据集中选取特征参数,离线训练所述LVQ神经网络模型;
(3)根据步骤(1)中的数据集A、数据集B和数据集C,选取海拔高度、飞行迎角和飞行速度为三个状态参数,并分别计算起飞爬升、巡航和下降阶段下的三个状态参数的状态转移概率矩阵;
(4)无人机实时飞行时,利用所述步骤(2)中训练过的LVQ神经网络模型进行在线工况识别,判断出无人机当前所处的飞行阶段,调用飞行阶段对应的状态转移概率矩阵,并根据无人机当前海拔高度、飞行迎角和飞行速度三个状态参数,预测下一时刻的状态参数;
(5)利用所述步骤(4)中预测的下一时刻的状态参数计算无人机下一时刻的飞行需求功率。
进一步地,所述步骤(1)中无人机飞行状态信息为无人机当前的飞行姿态,包括:升降舵的角度、飞行速度和飞行迎角;飞行环境信息为无人机所处位置的海拔高度。
进一步地,所述步骤(1)的具体步骤如下:
(11)利用搭载在无人机上的传感器采集无人机在飞行任务剖面下的飞行状态信息,生成第一离线数据集;
(12)选取所述步骤(11)中的第一离线数据集中的无人机起飞爬升阶段的数据,生成数据集A;选取无人机巡航阶段的数据,生成数据集B;选取无人机下降阶段的数据,生成数据集C。
进一步地,所述步骤(11)中的传感器包含:GPS、惯性测量元件、地磁指南针、气压高度计和电子陀螺仪。
进一步地,所述步骤(2)的具体步骤如下:
(21)选取用于训练LVQ神经网络模型的特征参数,包括无人机的升降舵角度、飞行速度以及无人机所处的海拔高度;
(22)对选取的特征参数分别进行标签处理,无人机在起飞爬升阶段,无人机所处的海拔高度H位置范围记为[H1,H2];在巡航阶段,无人机所处的海拔高度变化小,其范围记为[H2,H3];在下降阶段,无人机所处的海拔高度范围记为[H3,H4];无人机在起飞爬升阶段,升降舵角度大于零;在巡航阶段,升降舵角度等于0;在下降阶段,升降舵角度小于0;
其中,H1为无人机处于起飞爬升阶段的初始高度;H2为无人机处于巡航阶段的最低高度;H3为无人机处于巡航阶段的最高高度;H4为无人机处于下降阶段的最低高度;
(23)根据处理过的特征参数数据,取其中数据量的75%作为训练数据集,其余作为测试数据集,集合中包含若干个不同类别的识别样本,能够描述三类飞行工况的基本特征;
(24)构建一个LVQ神经网络模型,所述LVQ神经网络模型根据当前无人机飞行状态参数识别无人机目前所处的飞行阶段。
进一步地,所述步骤(24)具体包括:
(241)LVQ神经网络模型包含:输入层、竞争层和线性输出层;选取输入层神经元个数为m个,竞争层神经元个数为n个,输出层神经元个数为k个,且输入层神经元个数根据无人机飞行过程中识别的参数个数来确定,输出层神经元个数根据无人机飞行过程中需要识别出的工况个数来确定,竞争层神经元个数根据经验估计方法再经试验确定;最大迭代次数为p;
其中,
(242)LVQ神经网络模型的训练过程:初始化输入层和竞争层之间的权值ωab和学习率η,输入层向量选取如下:
X=[H,V,θ]T (2)
式中,H是海拔高度;V是飞行速度;θ是升降舵的角度;
将输入向量X归一化,得到归一化输入向量x,并送入到输入层,计算竞争层神经元与输入向量之间的距离da如下:
式中,da为竞争层神经元与输入向量之间的距离;ωab为输入层神经元b与竞争层神经元a之间的权值;xb为输入层神经元;
选择与权值向量距离最小的竞争层神经元,记为胜出神经元,从而找到与之相连的线性输出层神经元;如果线性输出层神经元对应的类别与输入向量的类别一致,则称为正确分类,权值按照式(4)调整;否则,称为不正确分类,权值按照式(5)调整;进入下一轮训练过程,直至满足预先设定的最大迭代次数;
ωab_new=ωab+η(x-ωab) (4)
ωab_new=ωab-η(x-ωab) (5)
式中,ωab_new为调整后的权重;η为学习率;x为归一化后的输入向量。
进一步地,所述步骤(3)的具体步骤如下:
(31)建立无人机飞行需求功率模型,无人机在起飞爬升、巡航、下降阶段的飞行阻力计算公式用式(6)表示,无人机飞行时的需求功率用式(7)表示:
式中,S为无人机机翼面积;CD为阻力系数;D为无人机飞行阻力;V∞为无人机的飞行速度;Pr为无人机飞行时的需求功率;ρ∞为无人机所处高度的空气密度;
(32)根据所述步骤(31)中建立的无人机飞行需求功率模型,确定ρ∞、CD和V∞三个参数是影响无人机实时需求功率变化的重要变量;根据生成的离线数据集A、B和C,分离出无人机的参数信息,选取的参数信息为海拔高度H、飞机迎角α和飞行速度V∞,其中,随着无人机所处海拔高度的增加,对应的高度密度ρ∞下降,因此空气密度ρ∞与海拔高度H有关;阻力系数CD与飞机迎角α有关;
(33)在无人机起飞爬升阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅰ;
(34)在无人机巡航阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅱ;
(35)在无人机下降阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅲ;
(36)利用数据预处理方法对海拔高度、飞行迎角和飞行速度三个状态参数的实际值进行处理,使其与所述步骤(33)、(34)和(35)中的离散化状态集统一,其中,处理过程分别按照(8)、(9)和(10)进行:
式中,H(t)为t时刻无人机飞行高度状态;Hreal为t时刻实际飞行高度;α(t)为t时刻无人机飞行迎角状态;αreal为t时刻实际飞行迎角;V(t)为t时刻无人机飞行速度状态;Vreal为t时刻实际飞行速度;ceil()为向上取整函数;floor()为向下取整函数;
(37)分别计算在三段飞行阶段下各个状态参数的状态转移概率矩阵,选择统计状态转移概率矩阵计算法,按照式(11)分别计算得到三个飞行阶段下海拔高度、飞行迎角和飞行速度的状态转移概率矩阵:
式中,Pij为Si→Sj的转移概率;nij为Si→Sj的转移频数;nj为由其他状态转移到Sj的总频数;Si为当前状态;Sj为下一时刻状态;i和j为任意正整数。
进一步地,所述步骤(33)具体包括:
(331)选取无人机所处海拔高度以100m步长进行高度变化,得到无人机飞行高度状态集S1如下:
(332)选取无人机迎角以0.5°步长进行迎角状态划分,得到飞行迎角状态集S2如下:
S2={Si|Si=0.5(i-1),i=1,2,3,…} (13)
(333)选取飞行速度以5km/h步长进行无人机飞行速度状态划分,得到飞行速度状态集S3如下:
S3={Si|Si=5(i-1),i=1,2,3,…,25} (14)。
进一步地,所述步骤(34)具体包括:
(341)选取无人机以2m步长进行状态划分,得到飞行高度状态集S4如下:
(342)选取无人机迎角以0.1°步长进行迎角状态划分,得到飞行迎角状态集S5如下:
S5={Si|Si=0.1(i-1),i=1,2,3,…} (16)
(343)选取飞行速度为2km/h步长进行飞行速度划分,得到飞行速度状态集S6如下:
S6={Si|Si=2(i-1)+90,i=1,2,3,…,16} (17)。
进一步地,所述步骤(35)具体包括:
(351)选取无人机所处海拔高度以100m步长进行高度变化,得到无人机飞行高度状态集S7如下:
(352)选取无人机迎角以0.5°步长进行迎角状态划分,得到飞行迎角状态集S8如下:
S8={Si|Si=0.5(i-1),i=1,2,3,…} (19)
(353)选取飞行速度以5km/h步长进行无人机飞行速度状态划分,得到飞行速度状态集S9如下:
S9={Si|Si=5(i-1),i=1,2,3,…,25} (20)。
进一步地,所述步骤(4)的具体步骤如下:
(41)无人机实时飞行时,通过搭载在无人机上的传感器,采集无人机当前飞行状态下的升降舵角度、飞行速度以及所处的海拔高度数据,利用LVQ神经网络模型进行在线工况识别,判断出无人机目前处于的飞行阶段;
(42)调用飞行阶段对应的状态转移概率矩阵,根据采集到的无人机当前所处海拔高度、飞行迎角和飞行速度三个状态参数,选取其中概率最大所对应的参数值作为下一时刻的状态参数。
进一步地,所述步骤(5)的具体步骤如下:
根据预测出的海拔高度H,利用H-ρ∞关系式,即式(21)和式(22)所示,计算出ρ∞;根据预测到的飞行迎角α和无人机的CL-α特性曲线,拟合出升力系数CL,然后根据无人机的极特性曲线,拟合出阻力系数CD,并和其他状态参数一起根据式(7)计算下一时刻的无人机飞行需求功率;
T=T0-0.0065*H (21)
式中,T0为标准状态下空气的温度,取288.15K;T为无人机海拔高度为H下的空气温度;ρ0为标准状态下的空气密度,为1.225kg/m3。
本发明的有益效果:
1、本发明的方法能够提供给无人机当前工况识别能力和下一时刻需求功率预测能力,且能够为后续解决无人机飞行过程中存在的不确定性因素对无人机平稳性和安全性的影响问题,进一步提高无人机的稳定性和安全性;
2、本发明的方法能够实现对无人机未来需求功率的预测,从而为无人机能量管理策略的制定提供功率流分配依据,有利于提高无人机飞行的经济性;
3、本发明的方法具有较强的实用性,有利于推进无人机基于需求功率预测的能量管理策略技术的发展。
附图说明
图1为本发明方法的原理框图;
图2为LVQ神经网络模型结构示意图;
图3为无人机CL-α特性曲线示意图;
图4为无人机极特性曲线示意图;
图5为无人机参考坐标系示意图。
图6为无人机飞行任务剖面示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种混合推进无人机需求功率预测方法,包括以下步骤:
(1)采集无人机的飞行状态信息及飞行环境信息,生成第一离线数据集,并根据任务剖面中的起飞爬升、巡航和下降阶段分成三个离线数据集,分别为数据集A、数据集B和数据集C;
所述步骤(1)中无人机飞行状态信息为无人机当前的飞行姿态,包括:升降舵的角度、飞行速度和飞行迎角;飞行环境信息为无人机所处位置的海拔高度;
(11)利用搭载在无人机上的传感器采集无人机在飞行任务剖面下的飞行状态信息,生成第一离线数据集;参照图6所示;
(12)选取所述步骤(11)中的第一离线数据集中的无人机起飞爬升阶段的数据,生成数据集A;选取无人机巡航阶段的数据,生成数据集B;选取无人机下降阶段的数据,生成数据集C。
其中,所述步骤(11)中的传感器包含:GPS、惯性测量元件、地磁指南针、气压高度计和电子陀螺仪。
(2)选取能表达无人机起飞爬升、巡航和下降阶段的特征参数,建立一个能进行工况识别的LVQ神经网络模型,从第一离线数据集中选取特征参数,离线训练所述LVQ神经网络模型;
所述步骤(2)的具体步骤如下:
(21)选取用于训练LVQ神经网络模型的特征参数,包括无人机的升降舵角度、飞行速度以及无人机所处的海拔高度;
(22)对选取的特征参数分别进行标签处理,无人机在起飞爬升阶段,无人机所处的海拔高度H位置范围记为[H1,H2];在巡航阶段,无人机所处的海拔高度变化小,其范围记为[H2,H3];在下降阶段,无人机所处的海拔高度范围记为[H3,H4];无人机在起飞爬升阶段,升降舵角度大于零;在巡航阶段,升降舵角度等于0;在下降阶段,升降舵角度小于0;
其中,H1为无人机处于起飞爬升阶段的初始高度;H2为无人机处于巡航阶段的最低高度;H3为无人机处于巡航阶段的最高高度;H4为无人机处于下降阶段的最低高度;
参照图5所示,无人机绕Y轴旋转表示无人机正在抬头、低头或平飞,处理数据时,无人机抬头时所对应的升降舵的角度符号记为正,低头时所对应的升降舵的角度符号记为负,平飞时所对应的升降舵角度记为零;
(23)根据处理过的特征参数数据,取其中数据量的75%作为训练数据集,其余作为测试数据集,集合中包含若干个不同类别的识别样本,能够描述三类飞行工况的基本特征;
(24)构建一个LVQ神经网络模型,所述LVQ神经网络模型根据当前无人机飞行状态参数识别无人机目前所处的飞行阶段;参照图2所示;
所述步骤(24)具体包括:
(241)LVQ神经网络模型包含:输入层、竞争层和线性输出层;选取输入层神经元个数为m个,竞争层神经元个数为n个,输出层神经元个数为k个,且输入层神经元个数根据无人机飞行过程中识别的参数个数来确定,输出层神经元个数根据无人机飞行过程中需要识别出的工况个数来确定,竞争层神经元个数根据经验估计方法再经试验确定;最大迭代次数为p;
其中,
(242)LVQ神经网络模型的训练过程:初始化输入层和竞争层之间的权值ωab和学习率η,输入层向量选取如下:
X=[H,V,θ]T (2)
式中,H是海拔高度;V是飞行速度;θ是升降舵的角度;
将输入向量X归一化,得到归一化输入向量x,并送入到输入层,计算竞争层神经元与输入向量之间的距离da如下:
式中,da为竞争层神经元与输入向量之间的距离;ωab为输入层神经元b与竞争层神经元a之间的权值;xb为输入层神经元;
选择与权值向量距离最小的竞争层神经元,记为胜出神经元,从而找到与之相连的线性输出层神经元;如果线性输出层神经元对应的类别与输入向量的类别一致,则称为正确分类,权值按照式(4)调整;否则,称为不正确分类,权值按照式(5)调整;进入下一轮训练过程,直至满足预先设定的最大迭代次数;
ωab_new=ωab+η(x-ωab) (4)
ωab_new=ωab-η(x-ωab) (5)
式中,ωab_new为调整后的权重;η为学习率;x为归一化后的输入向量。
(3)根据步骤(1)中的数据集A、数据集B和数据集C,选取海拔高度、飞行迎角和飞行速度为三个状态参数,并分别计算起飞爬升、巡航和下降阶段下的三个状态参数的状态转移概率矩阵;
所述步骤(3)的具体步骤如下:
(31)建立无人机飞行需求功率模型,无人机在起飞爬升、巡航、下降阶段的飞行阻力计算公式用式(6)表示,无人机飞行时的需求功率用式(7)表示:
式中,S为无人机机翼面积;CD为阻力系数;D为无人机飞行阻力;V∞为无人机的飞行速度;Pr为无人机飞行时的需求功率;ρ∞为无人机所处高度的空气密度;
(32)根据所述步骤(31)中建立的无人机飞行需求功率模型,确定ρ∞、CD和V∞三个参数是影响无人机实时需求功率变化的重要变量;根据生成的离线数据集A、B和C,分离出无人机的参数信息,选取的参数信息为海拔高度H、飞机迎角α和飞行速度V∞,其中,随着无人机所处海拔高度的增加,对应的高度密度ρ∞下降,因此空气密度ρ∞与海拔高度H有关;阻力系数CD与飞机迎角α有关;
(33)在无人机起飞爬升阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅰ;
(34)在无人机巡航阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅱ;
(35)在无人机下降阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅲ;
(36)利用数据预处理方法对海拔高度、飞行迎角和飞行速度三个状态参数的实际值进行处理,使其与所述步骤(33)、(34)和(35)中的离散化状态集统一,其中,处理过程分别按照(8)、(9)和(10)进行:
式中,H(t)为t时刻无人机飞行高度状态;Hreal为t时刻实际飞行高度;α(t)为t时刻无人机飞行迎角状态;αreal为t时刻实际飞行迎角;V(t)为t时刻无人机飞行速度状态;Vreal为t时刻实际飞行速度;ceil()为向上取整函数;floor()为向下取整函数;
(37)分别计算在三段飞行阶段下各个状态参数的状态转移概率矩阵,选择统计状态转移概率矩阵计算法,按照式(11)分别计算得到三个飞行阶段下海拔高度、飞行迎角和飞行速度的状态转移概率矩阵:
式中,Pij为Si→Sj的转移概率;nij为Si→Sj的转移频数;nj为由其他状态转移到Sj的总频数;Si为当前状态;Sj为下一时刻状态;i和j为任意正整数。
所述步骤(33)具体包括:
(331)选取无人机所处海拔高度以100m步长进行高度变化,得到无人机飞行高度状态集S1如下:
(332)选取无人机迎角以0.5°步长进行迎角状态划分,得到飞行迎角状态集S2如下:
S2={Si|Si=0.5(i-1),i=1,2,3,…} (13)
(333)选取飞行速度以5km/h步长进行无人机飞行速度状态划分,得到飞行速度状态集S3如下:
S3={Si|Si=5(i-1),i=1,2,3,…,25} (14)。
所述步骤(34)具体包括:
(341)选取无人机以2m步长进行状态划分,得到飞行高度状态集S4如下:
(342)选取无人机迎角以0.1°步长进行迎角状态划分,得到飞行迎角状态集S5如下:
S5={Si|Si=0.1(i-1),i=1,2,3,…} (16)
(343)选取飞行速度为2km/h步长进行飞行速度划分,得到飞行速度状态集S6如下:
S6={Si|Si=2(i-1)+90,i=1,2,3,…,16} (17)。
所述步骤(35)具体包括:
(351)选取无人机所处海拔高度以100m步长进行高度变化,得到无人机飞行高度状态集S7如下:
(352)选取无人机迎角以0.5°步长进行迎角状态划分,得到飞行迎角状态集S8如下:
S8={Si|Si=0.5(i-1),i=1,2,3,…} (19)
(353)选取飞行速度以5km/h步长进行无人机飞行速度状态划分,得到飞行速度状态集S9如下:
S9={Si|Si=5(i-1),i=1,2,3,…,25} (20)。
(4)无人机实时飞行时,利用所述步骤(2)中训练过的LVQ神经网络模型进行在线工况识别,判断出无人机当前所处的飞行阶段,调用飞行阶段对应的状态转移概率矩阵,并根据无人机当前海拔高度、飞行迎角和飞行速度三个状态参数,预测下一时刻的状态参数;
所述步骤(4)的具体步骤如下:
(41)无人机实时飞行时,通过搭载在无人机上的传感器,采集无人机当前飞行状态下的升降舵角度、飞行速度以及所处的海拔高度数据,利用LVQ神经网络模型进行在线工况识别,判断出无人机目前处于的飞行阶段;
(42)调用飞行阶段对应的状态转移概率矩阵,根据采集到的无人机当前所处海拔高度、飞行迎角和飞行速度三个状态参数,选取其中概率最大所对应的参数值作为下一时刻的状态参数。
(5)利用所述步骤(4)中预测的下一时刻的状态参数计算无人机下一时刻的飞行需求功率;
所述步骤(5)的具体步骤如下:
(51)根据预测出的海拔高度H,利用H-ρ∞关系式,即式(21)和式(22)所示,计算出ρ∞;根据预测到的飞行迎角α和无人机的CL-α特性曲线,拟合出升力系数CL,然后根据无人机的极特性曲线,拟合出阻力系数CD,并和其他状态参数一起根据式(7)计算下一时刻的无人机飞行需求功率;参照图3和图4所示;
T=T0-0.0065*H (21)
式中,T0为标准状态下空气的温度,取288.15K;T为无人机海拔高度为H下的空气温度;ρ0为标准状态下的空气密度,为1.225kg/m3。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (5)
1.一种混合推进无人机需求功率预测方法,其特征在于,包括以下步骤:
(1)采集无人机的飞行状态信息及飞行环境信息,生成第一离线数据集,并根据任务剖面中的起飞爬升、巡航和下降阶段分成三个离线数据集,分别为数据集A、数据集B和数据集C;
(2)选取能表达无人机起飞爬升、巡航和下降阶段的特征参数,建立一个能进行工况识别的LVQ神经网络模型,从第一离线数据集中选取特征参数,离线训练所述LVQ神经网络模型;
(3)根据步骤(1)中的数据集A、数据集B和数据集C,选取海拔高度、飞行迎角和飞行速度为三个状态参数,并分别计算起飞爬升、巡航和下降阶段下的三个状态参数的状态转移概率矩阵;
(4)无人机实时飞行时,利用所述步骤(2)中训练过的LVQ神经网络模型进行在线工况识别,判断出无人机当前所处的飞行阶段,调用飞行阶段对应的状态转移概率矩阵,并根据无人机当前海拔高度、飞行迎角和飞行速度三个状态参数,预测下一时刻的状态参数;
(5)利用所述步骤(4)中预测的下一时刻的状态参数计算无人机下一时刻的飞行需求功率;
所述步骤(1)中无人机飞行状态信息为无人机当前的飞行姿态,包括:升降舵的角度、飞行速度和飞行迎角;飞行环境信息为无人机所处位置的海拔高度;
所述步骤(2)的具体步骤如下:
(21)选取用于训练LVQ神经网络模型的特征参数,包括无人机的升降舵角度、飞行速度以及无人机所处的海拔高度;
(22)对选取的特征参数分别进行标签处理,无人机在起飞爬升阶段,无人机所处的海拔高度H位置范围记为[H1,H2];在巡航阶段,无人机所处的海拔高度变化小,其范围记为[H2,H3];在下降阶段,无人机所处的海拔高度范围记为[H3,H4];无人机在起飞爬升阶段,升降舵角度大于零;在巡航阶段,升降舵角度等于0;在下降阶段,升降舵角度小于0;
其中,H1为无人机处于起飞爬升阶段的初始高度;H2为无人机处于巡航阶段的最低高度;H3为无人机处于巡航阶段的最高高度;H4为无人机处于下降阶段的最低高度;
(23)根据处理过的特征参数数据,取其中数据量的75%作为训练数据集,其余作为测试数据集,集合中包含若干个不同类别的识别样本,能够描述三类飞行工况的基本特征;
(24)构建一个LVQ神经网络模型,所述LVQ神经网络模型根据当前无人机飞行状态参数识别无人机目前所处的飞行阶段;
所述步骤(3)的具体步骤如下:
(31)建立无人机飞行需求功率模型,无人机在起飞爬升、巡航、下降阶段的飞行阻力计算公式用式(6)表示,无人机飞行时的需求功率用式(7)表示:
式中,S为无人机机翼面积;CD为阻力系数;D为无人机飞行阻力;V∞为无人机的飞行速度;Pr为无人机飞行时的需求功率;ρ∞为无人机所处高度的空气密度;
(32)根据所述步骤(31)中建立的无人机飞行需求功率模型,确定ρ∞、CD和V∞三个参数是影响无人机实时需求功率变化的重要变量;根据生成的离线数据集A、B和C,分离出无人机的参数信息,选取的参数信息为海拔高度H、飞机迎角α和飞行速度V∞,其中,随着无人机所处海拔高度的增加,对应的高度密度ρ∞下降,因此空气密度ρ∞与海拔高度H有关;阻力系数CD与飞机迎角α有关;
(33)在无人机起飞爬升阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅰ;
(34)在无人机巡航阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅱ;
(35)在无人机下降阶段,确定H、α和V∞三个状态参数集并进行状态划分,并将此阶段记为阶段Ⅲ;
(36)利用数据预处理方法对海拔高度、飞行迎角和飞行速度三个状态参数的实际值进行处理,使其与所述步骤(33)、(34)和(35)中的离散化状态集统一,处理过程分别按照(8)、(9)和(10)进行:
式中,H(t)为t时刻无人机飞行高度状态;Hreal为t时刻实际飞行高度;α(t)为t时刻无人机飞行迎角状态;αreal为t时刻实际飞行迎角;V(t)为t时刻无人机飞行速度状态;Vreal为t时刻实际飞行速度;ceil()为向上取整函数;floor()为向下取整函数;
(37)分别计算在三段飞行阶段下各个状态参数的状态转移概率矩阵,选择统计状态转移概率矩阵计算法,按照式(11)分别计算得到三个飞行阶段下海拔高度、飞行迎角和飞行速度的状态转移概率矩阵:
式中,Pij为Si→Sj的转移概率;nij为Si→Sj的转移频数;nj为由其他状态转移到Sj的总频数;Si为当前状态;Sj为下一时刻状态;i和j为任意正整数;
所述步骤(4)的具体步骤如下:
(41)无人机实时飞行时,通过搭载在无人机上的传感器,采集无人机当前飞行状态下的升降舵角度、飞行速度以及所处的海拔高度数据,利用LVQ神经网络模型进行在线工况识别,判断出无人机目前处于的飞行阶段;
(42)调用飞行阶段对应的状态转移概率矩阵,根据采集到的无人机当前所处海拔高度、飞行迎角和飞行速度三个状态参数,选取其中概率最大所对应的参数值作为下一时刻的状态参数;
所述步骤(5)的具体步骤如下:
根据预测出的海拔高度H,利用H-ρ∞关系式,即式(21)和式(22)所示,计算出ρ∞;根据预测到的飞行迎角α和无人机的CL-α特性曲线,拟合出升力系数CL,然后根据无人机的极特性曲线,拟合出阻力系数CD,并和其他状态参数一起根据式(7)计算下一时刻的无人机飞行需求功率;
T=T0-0.0065*H (21)
式中,T0为标准状态下空气的温度,取288.15K;T为无人机海拔高度为H下的空气温度;ρ0为标准状态下的空气密度,为1.225kg/m3。
2.根据权利要求1所述的混合推进无人机需求功率预测方法,其特征在于,所述步骤(24)具体包括:
(241)LVQ神经网络模型包含:输入层、竞争层和线性输出层;选取输入层神经元个数为m个,竞争层神经元个数为n个,输出层神经元个数为k个,且输入层神经元个数根据无人机飞行过程中识别的参数个数来确定,输出层神经元个数根据无人机飞行过程中需要识别出的工况个数来确定,竞争层神经元个数根据经验估计方法再经试验确定;最大迭代次数为p;
其中,
(242)LVQ神经网络模型的训练过程:初始化输入层和竞争层之间的权值ωab和学习率η,输入层向量选取如下:
X=[H,V,θ]T (2)
式中,H是海拔高度,V是飞行速度,θ是升降舵的角度;
将输入向量X归一化,得到归一化输入向量x,并送入到输入层,计算竞争层神经元与输入向量之间的距离da如下:
式中,da为竞争层神经元与输入向量之间的距离;ωab为输入层神经元b与竞争层神经元a之间的权值;xb为输入层神经元;
选择与权值向量距离最小的竞争层神经元,记为胜出神经元,从而找到与之相连的线性输出层神经元;如果线性输出层神经元对应的类别与输入向量的类别一致,则称为正确分类,权值按照式(4)调整;否则,称为不正确分类,权值按照式(5)调整;进入下一轮训练过程,直至满足预先设定的最大迭代次数;
ωab_new=ωab+η(x-ωab) (4)
ωab_new=ωab-η(x-ωab) (5)
式中,ωab_new为调整后的权重;η为学习率;x为归一化后的输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110517647.1A CN113110558B (zh) | 2021-05-12 | 2021-05-12 | 一种混合推进无人机需求功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110517647.1A CN113110558B (zh) | 2021-05-12 | 2021-05-12 | 一种混合推进无人机需求功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113110558A CN113110558A (zh) | 2021-07-13 |
CN113110558B true CN113110558B (zh) | 2022-04-08 |
Family
ID=76722415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110517647.1A Active CN113110558B (zh) | 2021-05-12 | 2021-05-12 | 一种混合推进无人机需求功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110558B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625741B (zh) * | 2021-09-01 | 2022-03-08 | 北京北航天宇长鹰无人机科技有限公司 | 飞行段控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701090A (zh) * | 2014-10-11 | 2016-06-22 | 中国国际航空股份有限公司 | 一种飞行管理***的模拟装置 |
CN106647809A (zh) * | 2017-01-06 | 2017-05-10 | 中国航天电子技术研究院 | 一种基于任务规划的无人机用混合动力***能量优化方法 |
CN106970523A (zh) * | 2017-03-01 | 2017-07-21 | 南京航空航天大学 | 一种飞机自适应动力与热管理***的能量管理策略 |
CN109917810A (zh) * | 2019-04-12 | 2019-06-21 | 中国人民解放军国防科技大学 | 一种无人机集群能源管理方法 |
CN112758335A (zh) * | 2021-01-20 | 2021-05-07 | 南京航空航天大学 | 一种混联式混合动力无人机动力***及其控制方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6672415B1 (en) * | 1999-05-26 | 2004-01-06 | Toyota Jidosha Kabushiki Kaisha | Moving object with fuel cells incorporated therein and method of controlling the same |
JP2010287028A (ja) * | 2009-06-11 | 2010-12-24 | Sony Corp | 情報処理装置、情報処理方法、及び、プログラム |
FR3012230B1 (fr) * | 2013-10-17 | 2016-01-01 | Airbus Operations Sas | Procede et dispositif de revision d'une phase de vol a basse altitude d'une trajectoire de vol d'un aeronef. |
US10586464B2 (en) * | 2015-07-29 | 2020-03-10 | Warren F. LeBlanc | Unmanned aerial vehicles |
CN106768123A (zh) * | 2016-11-30 | 2017-05-31 | 中国直升机设计研究所 | 一种无人直升机燃油预估方法 |
CN106892124B (zh) * | 2017-01-23 | 2018-12-07 | 北京瑞深航空科技有限公司 | 混合动力无人机 |
CN108898696B (zh) * | 2018-07-03 | 2021-01-26 | 中国民航大学 | 基于动态故障树和马尔可夫的飞机电源***安全性分析法 |
CN111061281B (zh) * | 2018-10-16 | 2023-08-15 | 海鹰航空通用装备有限责任公司 | 飞行器飞行方案生成方法、生成***及具有其的飞行器 |
CN109240323B (zh) * | 2018-11-02 | 2021-07-13 | 北京控制工程研究所 | 一种实时解析构造的空天飞行器再入制导方法 |
CN110046735B (zh) * | 2018-12-10 | 2021-02-26 | 南京航空航天大学 | 基于飞行数据分析的飞机离场燃油消耗评估方法 |
CN111625013B (zh) * | 2019-02-27 | 2023-04-25 | 杭州海康机器人技术有限公司 | 无人机执行飞行任务的能量预估方法及装置 |
CN109871034A (zh) * | 2019-03-25 | 2019-06-11 | 苏州极目机器人科技有限公司 | 飞行控制方法、装置及无人飞行器 |
CN110348595B (zh) * | 2019-05-31 | 2022-12-23 | 南京航空航天大学 | 一种基于飞行数据的无人机混合推进***能量管控方法 |
CN110276479B (zh) * | 2019-05-31 | 2023-01-03 | 南京航空航天大学 | 飞机质量变化的巡航阶段燃油消耗预测方法 |
CN110610260B (zh) * | 2019-08-21 | 2023-04-18 | 南京航空航天大学 | 行车能耗预测***、方法、存储介质和设备 |
CN111461292B (zh) * | 2020-03-17 | 2023-06-27 | 南京航空航天大学 | 一种无人机实时轨迹预测方法 |
CN112257151A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 航空器飞行阶段划分识别*** |
CN112671451B (zh) * | 2020-12-10 | 2022-11-18 | 北京邮电大学 | 一种无人机数据收集方法、设备、电子设备及存储介质 |
-
2021
- 2021-05-12 CN CN202110517647.1A patent/CN113110558B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701090A (zh) * | 2014-10-11 | 2016-06-22 | 中国国际航空股份有限公司 | 一种飞行管理***的模拟装置 |
CN106647809A (zh) * | 2017-01-06 | 2017-05-10 | 中国航天电子技术研究院 | 一种基于任务规划的无人机用混合动力***能量优化方法 |
CN106970523A (zh) * | 2017-03-01 | 2017-07-21 | 南京航空航天大学 | 一种飞机自适应动力与热管理***的能量管理策略 |
CN109917810A (zh) * | 2019-04-12 | 2019-06-21 | 中国人民解放军国防科技大学 | 一种无人机集群能源管理方法 |
CN112758335A (zh) * | 2021-01-20 | 2021-05-07 | 南京航空航天大学 | 一种混联式混合动力无人机动力***及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113110558A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348595B (zh) | 一种基于飞行数据的无人机混合推进***能量管控方法 | |
CN108107911B (zh) | 一种太阳能飞机自主寻优航迹规划方法 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN104156594B (zh) | 一种基于贝叶斯网的航班过站时间动态估计方法 | |
CN109191922A (zh) | 一种大规模四维航迹动态预测方法及装置 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN111461292B (zh) | 一种无人机实时轨迹预测方法 | |
CN106768123A (zh) | 一种无人直升机燃油预估方法 | |
CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
CN113110558B (zh) | 一种混合推进无人机需求功率预测方法 | |
CN109144099B (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
CN107016880A (zh) | 一种基于模拟退火算法的连续下降进近油耗优化方法 | |
CN112506218A (zh) | 一种基于轨迹智能预测的再入飞行器任意禁飞区绕飞方法 | |
CN114637312B (zh) | 一种基于智能变形决策的无人机节能飞行控制方法及*** | |
CN115204041A (zh) | 一种大型航空器进场和进近阶段耗油量预测方法 | |
CN107368090A (zh) | 一种固定翼太阳能无人机航时估计方法 | |
CN117037006B (zh) | 一种高续航能力的无人机跟踪方法 | |
CN105118332B (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN110414407B (zh) | 基于证据推理规则和自适应提升的船舶螺旋桨卷气识别法 | |
Guan et al. | A study of 4D trajectory prediction based on machine deep learning | |
CN117113870A (zh) | 一种考虑风干扰的固定翼飞行器气动力建模方法 | |
CN112925344B (zh) | 基于数据驱动和机器学习的无人机飞行工况预测方法 | |
CN116414153A (zh) | 基于人工智能的无人机起降校正方法 | |
CN114722498A (zh) | 一种基于生成对抗网络的翼型设计方法 |
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 |