对于主发动机工作段的固体运载器来说,由于气动力相对主发动机推力是个极小的量,因此无论从测量精度还是从力学解耦上说气动参数辨识都是一个难题。采用基于飞行试验数据的主发动机工作段气动特性辨识技术,提出了测量数据处理方法和辨识公式,采用了误差补偿、平滑滤波、数据转化等技术,某运载器的应用结果验证了方法的有效性。

针对飞行器气动力多源数据融合、飞行试验气动辨识问题,提出了一种基于Chebyshev-Taylor-Fourier混合级数模型函数、不确定度平衡权函数和加权最小二乘原理的多源数据融合和辨识方法.该方法采用二元Chebyshev级数、Taylor级数和Fourier级数技术建立飞行器气动模型函数,采用权函数技术平衡各数据源间的不同精度和不确定度,采用最小二乘法原理确定超定方程组解,从而获得Chebyshev-Taylor-Fourier混合级数模型函数的各项参数值,最终确定多源数据融合的飞行器气动力(力矩)系数模型函数数学表达式.典型的应用实例表明该方法高效实用、精度可靠,工程应用前景良好.

针对空天飞机再入横、侧向通道的姿态控制问题,设计了一种智能神经网络自适应复合控制方法,基于误差反馈学习准则在线更新神经网络权重以补偿全量姿态控制律输出的姿态控制指令。同时,面向再入过程横侧通道的强耦合问题,引入了耦合控制系数,以降低横、侧通道间的控制干扰。此外,提出了一种自适应链式控制分配律,在控制信号中引入正交优化多正弦激励,基于递推最小二乘方法对气动参数进行在线辨识,进而实时更新链式分配策略。最后,对空天飞机再入横侧向通道的神经网络自适应复合控制方法进行数学仿真校验,验证了该方法的有效性和鲁棒性。

为避免飞行器复杂气动建模过程以及使用极大似然法时需要对初值进行估计,利用前馈神经网络能够逼近任意函数的能力,对飞行器纵向气动特性进行辨识。该方法能够避免建立气动模型与估计参数初值。利用前馈神经网络的导数特性,推导了三层神经网络辨识飞行器气动参数的导数法。使用该方法与Delta法对气动参数进行了辨识。仿真结果表明前馈神经网络对气动系数具有较好的拟合效果并验证了两种参数辨识方法的有效性。通过对比发现导数法在求解气动参数时优于Delta法。